KI, digitale Zwillinge und Sanierungsplanung: Was ist nur ein Hype und was ist heute wirklich nützlich?

Hier ist die kurze Antwort: Die nützlichen Tools von heute sind diejenigen, die Ihnen helfen, CAPEX mithilfe von risikobasierte Vermögensverwaltung, prüfen Sie Modernisierungsmöglichkeiten, stufen Sie Projekte nach Risiko und CO₂-Ausstoß ein und dokumentieren Sie, warum Sie die jeweilige Entscheidung getroffen haben. KI eignet sich gut für die Triage bei Inspektionen. Digitale Zwillinge eignen sich gut für die Prüfung von Modernisierungsszenarien. Risikomodelle eignen sich gut, um aufzuzeigen, wann repariert, aufgeschoben oder ersetzt werden sollte. Und keines davon sollte im Autopilot-Modus laufen.

Wenn ich den gesamten Artikel auf den Punkt bringen müsste, würde es so lauten:

• KI hilft bei der Einteilung der Prüfarbeiten, ersetzt aber keine Ingenieure
• Lebenszyklus- und Risikomodelle helfen dabei, die Ausgaben über einen Zeitraum von 5, 10 und 30 Jahren zu planen
• Digitale Zwillinge helfen dabei, Sanierungsvarianten vor Baubeginn zu vergleichen
• Portfolio-Tools helfen dabei, Gebäude nach Risiko, Emissionen und Budget einzustufen
• Fehlerhafte Asset-Daten bringen jeden einzelnen dieser Arbeitsabläufe zum Erliegen

Ein paar Zahlen verdeutlichen das schnell: Die KI-gestützte Bildauswertung hat etwa Genauigkeit des 94% für einige konkrete Anwendungsfälle der Fehlererkennung; ein Fall aus unserem Portfolio, der bearbeitet wurde Über 2.000 Instandhaltungsanfragen für 600 Immobilien; und kalibrierte Zwillinge haben Nachrüstungspläne unterstützt, die mit Modellierte Energieeinsparungen von 14% bis 27%, wobei in einem Fall berichtet wurde, dass 23% – tatsächliche Einsparungen nachdem die Arbeit erledigt war.

Das Potenzial von KI-basierten digitalen Zwillingen im Bauwesen erschließen!

sbb-itb-5be7949

Schnellvergleich

Werkzeug	Wofür ich es derzeit nutzen würde	Was es gut kann	Hauptlimit
KI-gestützte Zustandsbewertung	Triage-Prüfungen in großen Portfolios	Mögliche Mängel anhand von Fotos, Videos, Drohnenaufnahmen und Arbeitsprotokollen erkennen	Unzuverlässig, mit versteckten Schäden, seltenen Ausfällen und unübersichtlichen Daten
Lebenszyklus- und Risikomodellierung	Reparatur oder Austausch – der richtige Zeitpunkt	Zustand der Verbindungen, Ausfallrisiko und Kosten im Zeitverlauf	Einzelpunktprognosen können irreführend sein
Digitale Zwillinge	Testszenarien für Nachrüstungen	Vergleicht Energieverbrauch, Komfort, Kosten und Anschlussmöglichkeiten	Es werden kalibrierte Basisdaten benötigt
Tools zur Priorisierung von Portfolios	Rangliste von Projekten über viele Vermögenswerte hinweg	Trägt dazu bei, dass die Mittel zuerst den am schlechtesten abschneidenden Bereichen zugewiesen werden	Die Ergebnisse müssen noch von Menschen überprüft werden
Oxand Simeo™	Mehrjährige CAPEX/OPEX-Planung	Verknüpft Zustands-, Alterungs-, Risiko- und Szenario-Modellierung zu prüfungsfähigen Plänen	Vorausgesetzt, es liegen ein korrekter Anlagenkatalog und aktuelle Zustandsdaten vor

Wenn Sie also einen in die Jahre gekommenen Campus, ein Gesundheitssystem, ein Versorgungsnetz oder ein Immobilienportfolio verwalten, ist die kurzfristige Vorgehensweise ganz einfach: Bringen Sie zunächst Ihre Daten in Ordnung, nutzen Sie KI zur Beschleunigung der Prüfungsdurchsicht, setzen Sie Risikomodelle zur Zeiteinteilung ein und nutzen Sie digitale Zwillinge, sofern Sie über ausreichende Gebäudedaten verfügen, um den Ergebnissen der Szenarien vertrauen zu können.

1. Oxand Simeo™.

Oxand Simeo™ ist eine Plattform zur Investitionsplanung, die für risikobasierte CAPEX- und OPEX-Entscheidungen über Zeiträume von 5, 10 und 30 Jahren entwickelt wurde. ^[1][5][6]

Bei der Sanierungsplanung besteht ihre Hauptaufgabe ganz einfach darin, den Teams dabei zu helfen, zu modellieren, wie Anlagen unter verschiedenen Maßnahmenpfaden altern, ausfallen und wiederhergestellt werden. Die Plattform stützt sich auf Über 10.000 Alterungs- und Leistungsmodelle und Über 30.000 Instandhaltungsmaßnahmen und Kostenbasen. ^[2][3] Aon beschreibt SIMEO™ wie folgt:

ein leistungsstarkes Simulationswerkzeug, das den Vergleich von kurz- und langfristigen Anlagestrategien ermöglicht und auf Alterungsmodellen sowie Wartungsdatenbanken basiert, die über einen Zeitraum von mehr als 15 Jahren aufgebaut wurden. ^[4]

Das spielt bei der täglichen Planung eine Rolle. Ein Portfoliomanager kann Szenarien durchspielen, beispielsweise die Verschiebung einer Dachsanierung um fünf Jahre, die Vorverlegung von Modernisierungsmaßnahmen an der Heizungs-, Lüftungs- und Klimatechnik zur Erreichung eines Dekarbonisierungsziels oder die Beibehaltung des Investitionsniveaus gegenüber einer Erhöhung. Anschließend kann er die Kompromisse zwischen Kosten, Risiken und Emissionen vergleichen, ohne sich im Chaos der Tabellenkalkulationen zu verlieren. ^[3][5] Oxand erklärt, dass diese Methode die Lebenszykluskosten senken, die Verfügbarkeit verbessern und die auditfähige Planung beschleunigen kann. ^[2][4]

Die Plattform unterstützt außerdem ISO 55001 Governance. Darüber hinaus erstellt das System automatisch einen Prüfpfad, der jede Anlageempfehlung mit den zugrunde liegenden Zustandsdaten und Modellen verknüpft. ^[3]

Es gibt jedoch einen großen Haken: Die Planung ist nur so gut wie die Daten, auf denen sie basiert. Simeo ist darauf angewiesen, dass CMMS-, IoT-, Inspektions- und andere Anlagendatenquellen aktuell und vollständig sind. Wenn das Anlagenverzeichnis Lücken aufweist oder die Zustandsdaten veraltet sind, spiegeln die Szenarien diese Mängel wider. Gute Daten lassen sich dadurch zwar noch besser nutzen, schlechte Daten lassen sich dadurch jedoch nicht retten. ^[3] Deshalb muss die KI-gestützte Zustandsbewertung an erster Stelle stehen.

2. KI-gestützte Zustandsbewertung

Die KI-gestützte Zustandsbewertung hilft Teams dabei, Inspektionsdaten in eine ein schnelleres Triage-System. Sie ersetzt Ingenieure nicht. Sie hilft ihnen vielmehr dabei, zu erkennen, was zuerst Aufmerksamkeit erfordert. Deshalb ist die Inspektion einer der ersten Bereiche, in denen sich der Einsatz von KI bereits auszahlt.

Im täglichen Gebrauch bedeutet dies in der Regel, dass man Maschinelles Lernen und Computer Vision auf Fotos, Videos, Drohnenaufnahmen und Wartungsprotokolle. Das System bewertet den Zustand der Anlagen, kennzeichnet mögliche Mängel und liefert den Inspektoren eine besser Ausgangspunkt. Derzeit eignen sich wiederkehrende visuelle Prüfungen am besten, darunter:

• Knacken
• Abplatzungen
• Korrosion
• Dachmängel
• Wassereintritt
• Fassadenabweichungen

Bei Drohnenaufnahmen hat Deep Learning einen Stand von etwa Genauigkeit des 94% bei der Erkennung konkreter Schadensarten.^[8]

Dies verändert die Art und Weise, wie Teams große Portfolios verwalten können. Anstatt jedes Objekt nach demselben festen Jahresplan zu überprüfen, kann die KI das Portfolio vorab bewerten und die risikoreichere Gruppe für eine umfassende technische Überprüfung herausfiltern. Ein im Jahr 2023 für ein Immobilienportfolio eingesetztes Framework verarbeitete mehr als 2.000 Instandhaltungsaufträge für 600 Immobilien. Dabei wurde die Bildanalyse von Dachfotos mit der Textanalyse von HLK-Unterlagen kombiniert; die daraus gewonnenen Ergebnisse wurden anschließend in gezielte Arbeitspakete und 60-tägige HLK-Reparaturen umgesetzt.^[7]

Allerdings liegt der Sweet Spot hier bei Durchsatz und Konsistenz Bei der Inspektion, nicht bei einer vollständig automatisierten Diagnose. KI kann beim Sortieren, Bewerten und Markieren helfen. Sie ist jedoch noch nicht das Werkzeug, dem man allein die Ermittlung der Grundursache oder die Festlegung des Reparaturumfangs anvertrauen würde.

Es gibt jedoch auch klare Grenzen. KI funktioniert am besten, wenn die Inspektionsdaten mit Anlagen-IDs, Fehlerarten, Schweregraden und den Ergebnissen der Folgemaßnahmen verknüpft sind. Ohne diese Struktur sinkt die Leistungsfähigkeit. Auch bei versteckten Verschleißerscheinungen, seltenen Ausfallarten, stark variierenden Bauweisen oder Anlagen mit lückenhafter Dokumentation ist sie weniger zuverlässig. Und wie bei vielen Softwaretools können Modelle selbst dann sicher klingen, wenn die Daten außerhalb des Bereichs liegen, auf den sie trainiert wurden.

Der derzeit sinnvollste Weg ist KI-gestützte Prüfung mit Überprüfung durch einen Ingenieur. Das Modell soll die Anlagen nach dem wahrscheinlichen Verschleißgrad einstufen und Auffälligkeiten kennzeichnen. Anschließend bestätigen die Techniker die Zustandsbewertungen, ermitteln die Ursache und legen den Reparaturumfang für alle Punkte fest, die die Sicherheit, die Einhaltung gesetzlicher Vorschriften oder wichtige Investitionsentscheidungen betreffen. Der Arbeitsablauf ist einfach: prüfen, verifizieren, dann investieren. Diese verifizierten Zustandsbewertungen können dann in Lebenszyklus- und Risikomodelle einfließen.

3. Lebenszyklus- und Risikomodellierung

Sobald Sie die Zustandsbewertungen aus der KI-gestützten Inspektion bestätigt haben, ist der nächste Schritt ganz einfach: Wann sollte man Geld ausgeben, und wofür sollte man es ausgeben? Das beginnt mit einem übersichtlichen Anlagenverzeichnis, geprüften Zustandsbewertungen, der verbleibenden Nutzungsdauer (RUL), Kostendaten sowie einem klaren Überblick über Ausfallwahrscheinlichkeit und -folgen. Fügt man diese Elemente zusammen, dienen die Zustandsdaten als Grundlage für die Festlegung von Zeitplan, Umfang und Risikogrenzen.

Eine risikobasierte Modellierung funktioniert in der Regel besser als eine reine Planung auf der Grundlage des Alters. Untersuchungen anhand früherer Inspektionsdaten ergaben, dass ein risikobasiertes Anlagenmanagement einen stärkeren Zusammenhang mit dem zukünftigen Zustand und der Zuverlässigkeit aufwies als altersbasierte deterministische Modelle.^[16][18] Diese Idee ist nicht neu. Was sich geändert hat, ist der Umfang, in dem man sie anwenden kann. Zwei Fassaden, die im selben Jahr errichtet wurden, erfordern möglicherweise sehr unterschiedliche Maßnahmenpläne, je nach Exposition, Nutzung und den Folgen eines möglichen Versagens. Eine Fassade über einem stark frequentierten öffentlichen Eingang rückt auf der Prioritätenliste nach oben. Eine ähnliche Fassade an einem wenig frequentierten Serviceflügel kann noch warten. Das Alter allein lässt das nicht erkennen.

Im Bereich der künstlichen Intelligenz sind KI-basierte Prognosemodelle mittlerweile so ausgereift, dass sie die Vorhersagen zur Restlebensdauer im Vergleich zu Lebensdauertabellen verbessern können.^[9][11][13] Sie können überlappende Verschleißsignale, nichtlinearen Verschleiß und unterschiedliche Betriebsbedingungen berücksichtigen. Außerdem können sie RUL-Bereiche mit Konfidenzintervallen ermitteln, die eine risikobewusste Planung unterstützen.^[9][11] Im täglichen Einsatz erweisen sich diese Modelle vor allem bei hochwertigen oder risikobehafteten Anlagen – Brücken, wichtigen Bauteilen und systemkritischen Haustechnik-Anlagen – als besonders praktisch, für die die Eigentümer bereits Inspektionsprotokolle oder Sensordaten vorlegen können.^[9][10] Bei allgemeinen Gebäudebeständen mit geringerer Datenfülle sind einfachere Modelle, die auf Alter, Umgebung und regelmäßigen Zustandsprüfungen basieren, oft die bessere Wahl, insbesondere bei Fassaden und Dächern.^[13] Diese Prognosen sollten direkt in die Planung der Investitions- und Betriebskosten des Portfolios einfließen.

Es gibt jedoch einen Haken: RUL-Schätzungen können auf dem Papier zwar exakt erscheinen, dennoch danebenliegen. Wenn die Anlagen außerhalb der Bedingungen betrieben werden, die zum Trainieren des Modells herangezogen wurden – neue Werkstoffe, klimatische Extreme oder veränderte Nutzungsmuster –, kann die Prognose weit daneben liegen.^[11][12] Ein häufiger Fehler besteht darin, Investitionspläne auf der Grundlage von RUL-Schätzungen an einem einzigen Punkt zu erstellen, ohne Sensitivitätsanalysen durchzuführen oder regelmäßige Neukalibrierungen vorzunehmen.^[9][11] Es ist sicherer, Lebenszyklus-Ausgaben als Bereiche, keine feststehenden Antworten. Dokumentieren Sie die Annahmen, bewahren Sie die Verschleißkurven auf und führen Sie nach jedem Inspektionszyklus eine Neukalibrierung durch, damit das Modell aktuell bleibt und nicht veraltet.^[17][15]

Die eigentliche Frage ist, wie viel Unsicherheit Ihr Modell verkraften kann.

Näherung	Stärke	Wesentliche Einschränkung
Verlängerung nach Alter	Einfach und leicht zu erklären	Lässt häufig den tatsächlichen Zustand, die Nutzung und die Folgen eines Ausfalls außer Acht
Zustandsbasierte Lebenszyklusmodellierung	Gibt den tatsächlichen Verschleiß und die verbleibende Lebensdauer wieder	Erfordert regelmäßige Kontrollen und eine gute Datenqualität
Risikobasierte Modellierung	Priorisiert nach Wahrscheinlichkeit und Auswirkung	Es sind vereinbarte Kriterien zur Kritikalität und Governance erforderlich
KI-gestützte RUL-Prognose	Kann die Prognosegenauigkeit verbessern und nichtlineare Verschlechterungen berücksichtigen	Hängt von der Qualität der Trainingsdaten ab und kann die Präzision überbewerten

In einigen Fällen haben Anlagen, die ursprünglich für eine baldige Erneuerung vorgesehen waren, doch noch lange gehalten 25% oder mehr über die geschätzte Nutzungsdauer hinaus, wodurch Teams ihre Investitionsausgaben (CAPEX) aufschieben können, ohne dabei einen akzeptablen Risikobereich zu überschreiten.^[14] Andererseits kann die Risikomodellierung verborgene Problemobjekte aufdecken – Bauwerke mit langer theoretischer Lebensdauer, aber schlechten Umgebungsbedingungen –, sodass die Teams frühzeitig dort eingreifen können, wo die Risiken in Bezug auf Sicherheit und Einhaltung von Vorschriften am größten sind.^[13] Diese Werte dienen dann als Eingaben für die Simulation von Sanierungsszenarien mit Hilfe eines digitalen Zwillings.

4. Digitale Zwillinge für die Simulation von Sanierungsszenarien

Digitale Zwillinge helfen Eigentümern dabei, Sanierungsoptionen im Hinblick auf die gemessene Gebäudeperformance, die Kosten und die mit den Maßnahmen verbundenen Beeinträchtigungen zu prüfen. Ein kalibrierter Gebäudezwilling vereint ein BIM- oder 3D-Modell, in regelmäßigen Abständen erfasste Versorgungsdaten, HLK-/Gebäudemanagementsystemdaten sowie Belegungspläne.^{[21][22][23][30]} Auf dieser Grundlage kann das Modell darstellen, wie sich ein Gebäude derzeit verhält und wie es auf verschiedene Sanierungsoptionen reagieren könnte, einschließlich der Auswirkungen auf den Energieverbrauch, die Spitzenlasten, den Komfort sowie das Verhältnis zwischen Investitions- und Betriebskosten.^[22][23][26]

Das Schlüsselwort lautet hier kalibriert. Ein Modell ist dann am nützlichsten, wenn es mit der gemessenen Basisleistung übereinstimmt und lokale Verbrauchsdaten, Klimadaten sowie tatsächliche Nutzungsmuster widerspiegelt.^[23][26] Dieser Schritt macht aus dem Modell, das bisher nur eine grobe Schätzung war, eine Grundlage, die Eigentümer für ihre Planung nutzen können.

Im täglichen Einsatz können digitale Zwillinge den Eigentümern dabei helfen, zu entscheiden, ob eine Nachrüstung sinnvoller ist als ein vollständiger Austausch, welches Maßnahmenpaket die beste Kapitalrendite bietet und in welcher Reihenfolge Anlagen saniert werden sollten, um die CO₂-Ziele zu erreichen und die Fristen der Vorschriften und behördlichen Auflagen einzuhalten.^[22][25][26] Auf Portfolioebene können Zwillinge Sanierungsszenarien vergleichen und dabei helfen, Projekte unter Berücksichtigung der Amortisationszeit, der Ausfallzeiten und der behördlichen Fristen zu priorisieren.^[20][25]

Es gibt bereits überzeugende Beispiele. Ein kalibrierter Gebäudedoppelgänger, der zur Planung einer Sanierung der Heizungs-, Lüftungs- und Klimatechnik im Universität Liverpool Prognostizierte Energieeinsparungen von 14%. Der tatsächliche Energieverbrauch sank um 23%, was einer Einsparung von etwa $32.000 pro Jahr entspricht.^[29] Ein Modell für 15 Bürogebäude in Singapur ergab Energieeinsparungen von 27% und eine Stromerzeugung aus der hauseigenen Photovoltaikanlage von bis zu 19%.^[31] Auf Portfolioebene bietet dieselbe Methode den Teams eine einheitliche Vorgehensweise zum Vergleich verschiedener Anlageklassen. Der gleiche kalibrierte Ansatz kann dann auf das gesamte Portfolio angewendet werden.

Natürlich hängen diese Ergebnisse von den Ausgangsdaten ab, die zur Feinabstimmung des Zwillingsmodells verwendet werden. US-amerikanische Eigentümer benötigen mindestens 12 bis 24 Monate an Intervall-Verbrauchsdaten, ein hinreichend genaues Gebäudemodell, die wichtigsten Systemspezifikationen sowie Belegungspläne.^[21][22][23] Ohne diese Grundlage sind die Ergebnisse der Szenarioanalysen für konkrete Investitionsentscheidungen zu ungewiss. Bei älteren Gebäuden mit lückenhafter Dokumentation können die Teams die digitalen Zwillinge schrittweise erstellen, indem sie zunächst mit Bestandszeichnungen beginnen und im Laufe der Zeit Sensor- und Messdaten hinzufügen.^[22][27]

Digital Twins zeichnen sich insbesondere durch kontinuierliche Szenariotests aus. Teams können Szenarien für unterschiedliche Auslastungsgrade, Wetterextreme oder Tarifänderungen durchspielen und das Modell anschließend aktualisieren, sobald neue Daten vorliegen.^[19][22] Ebenso wichtig ist, dass das Doppelmodell Eigentümern, Ingenieuren und Betreibern eine gemeinsame visuelle Referenz bietet. Dadurch lässt sich der Hin- und Her-Austausch reduzieren, der Investitionsentscheidungen oft verlangsamt.^[22][25][27] Twins unterstützt zudem die Messung und Überprüfung nach der Implementierung und stellt dabei einen Zusammenhang zwischen der geplanten Leistung und den tatsächlichen Ergebnissen her.^[23][24][27]

Allerdings gibt es auch Grenzen. Viele Zwillinge konzentrieren sich ausschließlich auf den Energieverbrauch und übersehen dabei andere Aspekte wie bauliche Risiken, die Einhaltung von Bauvorschriften, das Verhalten der Mieter und die Baulogistik.^[22][25][15] Diese müssen noch von Experten geprüft werden. Auf Portfolioebene ist es nach wie vor schwierig, uneinheitliche Daten aus Dutzenden von Gebäuden zusammenzuführen, und Behauptungen, dass Portfolio-Twins automatisch optimierte Sanierungsabläufe generieren können, gehen über das hinaus, was die meisten Teams heute leisten können.^[19][20][28] Die kluge Vorgehensweise ist also ganz einfach: Man nutzt digitale Zwillinge, um Optionen zu vergleichen, nicht aber, um das technische Urteilsvermögen zu ersetzen. Die daraus gewonnenen Erkenntnisse können dann bei der Priorisierung des Portfolios und der Planung der Dekarbonisierung helfen. Der nächste Schritt besteht darin, diese Optionen nach Risiko, CO₂-Ausstoß und Budget zu ordnen.

Anwendungsfall	Fälligkeit heute	Wesentliche Anforderung	Hauptbeschränkung
Simulation der Nachrüstung der Heizungs-, Lüftungs- und Klimatechnik in einem einzelnen Gebäude	Heute nützlich	Kalibrierte Versorgungs- und BMS-Daten	Enger Anwendungsbereich; Schwerpunkt auf Entscheidungen in den Bereichen Energie und Klimatechnik
Testszenarien für die Nachrüstung von Gebäudehüllen	Heute nützlich	3D-/BIM-Modell + Klimadatei + Messdaten	Bei älteren Gebäuden ist die Kalibrierung aufwändiger.
Abfolge der Sanierungsmaßnahmen auf Portfolioebene	Im Entstehen begriffen	Einheitliche Daten für alle Vermögenswerte	Die Integration heterogener Daten ist nach wie vor komplex
Messung und Überprüfung nach der Umsetzung	Heute nützlich	Kontinuierliche Messung und Überwachung	Erfordert ein kontinuierliches Engagement im Bereich Datenmanagement

5. Priorisierung des Portfolios und Planung der Dekarbonisierung

Szenariotests auf Gebäudeebene lohnen sich nur, wenn man das Portfoliokapital an den richtigen Stellen einsetzt. Auf Portfolioebene lässt sich die Vorgehensweise zwar recht einfach beschreiben, ist aber in der Praxis schwieriger umzusetzen: Projekte nach folgenden Kriterien einstufen: Risiko, CO₂ und Haushalt. Und selbst mit leistungsfähiger Software erfordert diese Entscheidung immer noch menschliches Urteilsvermögen.

Beginnen Sie damit, jeden Vermögenswert in ENERGY STAR-Portfolio-Manager, dann nutzen Sie die DOE-Methode BESSER Tool zur Einstufung von Gebäuden hinsichtlich ihres Potenzials für eine Netto-Null-Sanierung.^[32][39] Anschließend werden die Objekte nach Treibhausgasintensität, Art des Heizsystems und CO₂-Intensität des Stromnetzes unterteilt. Dies erleichtert die Auswahl repräsentativer Gebäude für eingehendere Prüfungen, deren Ergebnisse anschließend auf ähnliche Objekte übertragen werden können.^[33] Dies wird umso nützlicher, wenn die Bewertungen mit den Zustandswerten, den RUL-Bereichen und den Szenarioergebnissen verknüpft werden, die bereits im Rahmen der Lebenszyklusmodellierung und der Digital-Twin-Tests ermittelt wurden.

Um es ganz einfach auszudrücken: Kümmere dich zuerst um die Mitarbeiter mit den schlechtesten Leistungen. Die Investition von Sanierungsmitteln in diese Objekte kann 10- bis 30-mal stärkere Reduzierungen beim Energieverbrauch und beim CO₂-Ausstoß als weniger gezielte Ansätze.^[36] des DOE „Better Climate Challenge“ vermittelt einen Eindruck davon, wie das in der Praxis aussehen kann. Die Teilnehmer berichteten von einem 21% – durchschnittliche Reduzierung der Treibhausgasemissionen im ersten Jahr.^[35][37]

Vorerst ist es in der Regel sinnvoll, den Fokus des Modells auf Betriebsbezogene Emissionen der Scope-1- und Scope-2-Kategorien, es sei denn, das Portfolio verfügt über fundiertere Daten, auf die man sich verlassen kann. Eingebetteter Kohlenstoff, Scope 3 und detaillierte Klimarisiken werden in vielen zentralen Planungsinstrumenten nach wie vor nicht berücksichtigt.^[38][40] Auch wenn diese Instrumente für die Planung und die Zuweisung von Budgets nützlich sind, muss ein auf die CO₂-Reduzierung ausgerichteter Sanierungsplan dennoch von Experten geprüft werden.

Du solltest auch falten IRA Anreize in das Modell. Das § 179D Steuerabzug für Energieeffizienz, §45L Steuergutschriften und die Investitionssteuergutschrift denn erneuerbare Energien vor Ort können die Wirtschaftlichkeit eines gesamten Projektportfolios verbessern. Im Klartext: Sie können dazu beitragen, dass ein festes Investitionsbudget weiter reicht, ohne die CO₂-Ziele aus den Augen zu verlieren.^[34]

Werkzeug / Ansatz	Entscheidung, die sie unterstützt	Fälligkeit heute	Wesentliche Einschränkung
ENERGY STAR-Portfolio-Manager	Vergleich der EUI und der Treibhausgasintensität verschiedener Anlagen	Erwachsen	Auswertung von Versorgungsdaten; keine Zustandsbewertung.
DOE BETTER-Tool	Priorisierung von Gebäuden für Netto-Null-Sanierungen	Erwachsen	Allgemeiner Überblick; kein Ersatz für Prüfungen.
Priorisierung nach dem „Worst-First“-Prinzip	Abfolge der Sanierungsmaßnahmen für eine maximale CO₂-Reduzierung	Erwachsen	Es bedarf einer einheitlichen Grundlage für das gesamte Portfolio.
Modellierung von IRA-Anreizen	Verbesserung der Projektwirtschaftlichkeit und der CAPEX-Zuweisung	Erwachsen	Erfordert eine Überprüfung der Anspruchsberechtigung.
Eingebauter Kohlenstoff und Einbeziehung von Scope 3	CO₂-Planung über den gesamten Lebenszyklus	Im Entstehen begriffen	Es bestehen weiterhin Datenlücken.

Diese Tools erzielen die besten Ergebnisse, wenn die Portfoliodaten fehlerfrei sind und die Entscheidung bereits auf der Grundlage folgender Kriterien getroffen wurde: Risiko, CO₂ und Haushalt.

Vorteile, Nachteile und Entscheidungen zur optimalen Anpassung

Die eigentliche Frage ist nicht, was diese Tools Versprechen. Die Frage ist, welche davon entscheidungsrelevant sind gerade jetzt.

Die meisten Tools sind nur dann von Bedeutung, wenn sie dazu beitragen, eine Investitionsentscheidung zu beeinflussen – nicht, wenn sie ein schickes Dashboard ausgeben. Die zuvor in diesem Artikel genannten Filter gelten nach wie vor: Zeitplan für Investitionsausgaben, CO₂-Ziele, Nachvollziehbarkeit und Risikominderung. Wenn ein Tool dabei keine Hilfe bietet, lässt sich sein Einsatz kaum rechtfertigen.

Vorausschauende Instandhaltung kann Kosten senken und die Betriebsverfügbarkeit verbessern, doch bei vielen Implementierungen werden die ROI-Ziele nach wie vor verfehlt, da die Datenqualität unzureichend ist und die Prozessabläufe noch nicht ausgereift sind.^[41][42] Das ist die Lücke. Nicht die Technologie an sich.

Mit Live-Daten-Twins lassen sich Sanierungsszenarien testen. Statische, BIM-basierte Twins beschreiben meist nur den bestehenden Zustand. Das ist ein großer Unterschied. Die Frage ist nicht, ob das Tool sieht aus fortgeschritten; die Frage ist vielmehr, ob dies eine vertretbare Investitionsentscheidung rechtfertigt.

Oxand Simeo™ sticht hier besonders hervor. Es unterstützt die mehrjährige CAPEX-Planung mit probabilistischen Alterungs- und Risikomodellen, und zwar ohne auf dichte Sensornetzwerke zurückzugreifen.

Die nachstehende Matrix unterscheidet zwischen Instrumenten, die bereits heute zu besseren Sanierungsentscheidungen beitragen können, und solchen, für die noch bessere Daten oder strengere Kontrollmechanismen erforderlich sind.

Betreff	Vorteile heute	Wesentliche Einschränkungen	Optimaler Anwendungsfall	Noch nicht zuverlässig genug
Oxand Simeo™	Risikobasierte CAPEX-/OPEX-Planung; Szenariosimulation; an ISO 55001 angepasster Prüfpfad; unabhängig von dichten IoT-Netzwerken	Erfordert ein einheitliches Anlagenverzeichnis und kalibrierte Zustandsdaten	Große Portfolios, die risikobasierte, klimaneutrale Anlagepläne mit fundierter Dokumentation erfordern	Automatische Mittelzuweisung ohne manuelle Überprüfung
KI-gestützte Zustandsbewertung	Frühzeitige Fehlererkennung; einheitliche Einstufung bei der Prüfung; gezielte Instandhaltungsentscheidungen	Erfordert ausreichende Sensordaten und Bilddaten; verborgene strukturelle Mängel können möglicherweise übersehen werden	Hochfrequente Inspektion mit umfangreichen Betriebsdaten	Einzige Grundlage für weitreichende Entscheidungen zur baulichen Sicherheit
Lebenszyklus- und Risikomodellierung	Führt Stresstests für Haushaltsszenarien durch; quantifiziert Risikoverläufe; unterstützt die zeitliche Planung von Investitionsausgaben über einen Zeitraum von 5 bis 30 Jahren	Abbaukurven hängen von der Qualität der historischen Daten ab; Punktprognosen können irreführend sein	Prüfung von Budgetszenarien auf Portfolioebene	Punktprognosen, die als Gewissheiten behandelt werden
Digitale Zwillinge für Szenariotests	Was-wäre-wenn-Simulationen von Nachrüstmaßnahmen an Gebäudehülle, HLK-Anlagen und Steuerungssystemen vor Baubeginn; frühzeitige Aufdeckung der wichtigsten Kosten- und Risikofaktoren	Hoher Anfangsaufwand bei Altbauten; Hindernisse hinsichtlich Interoperabilität und Cybersicherheit; oft beschreibend, nicht vorausschauend	Gebäude mit bestehender BIM-, BMS- und IoT-Infrastruktur; komplexe, in Phasen durchgeführte Sanierungen	Sanierungsplanung auf Stadt- oder Bezirksebene; präzise Vorhersage des Nutzerverhaltens
Priorisierung des Portfolios und Dekarbonisierung	Fasst Risiko- und CO₂-Daten auf Einzelobjektebene in Portfolio-Dashboards zusammen; unterstützt CO₂-orientierte Sanierungspläne	Es bestehen weiterhin Datenlücken bei Scope-3- und CO₂-Emissionen aus der Herstellung; die Ergebnisse müssen von Experten überprüft werden	Portfolios mit mehreren Standorten, für die aufsichtsrechtliche oder ESG-Berichtspflichten gelten	Vollautomatische Projektauswahl ohne Überprüfung durch die Unternehmensleitung

Zwei Fehlerquellen tauchen immer wieder auf: mangelhafte Eingabedaten und die Interpretation von Trenddiagrammen als wären sie Risikoprognosen. Beides lässt sich vermeiden. Man benötigt eine solide Datenbasis und die Disziplin, die Modellergebnisse als Entscheidungshilfe, aber nicht das letzte Wort.

Für US-amerikanische Eigentümer stellt sich also ganz einfach die Frage: Welche Instrumente sollten in die kurzfristige Planung einbezogen werden, und welche sollten vorerst besser im Regal bleiben?

Was US-Eigentümer und Portfoliomanager jetzt tun sollten

Beginnen Sie mit Anlagendaten bereinigen. Dann kommt die KI ins Spiel danach Ihr Bestands- und Prüfprozess ist standardisiert. Derzeit sind die Tools, die bei Renovierungsentscheidungen am meisten helfen, diejenigen, die auf sauberen, gut strukturierten Anlagendaten basieren.

Erstellen Sie ein vollständiges Bestandsverzeichnis, das Art, Modell, Seriennummer, Alter und Standort der Anlagen enthält. Ordnen Sie die Daten nach einem einheitlichen Klassifizierungsstandard, beispielsweise Uniformat II.^[44] Standardisieren Sie anschließend die Inspektionen mithilfe digitaler Formulare, Fotos und FCI-Bewertungen. Das US-Verteidigungsministerium wendet validierte FCI-Bewertungen im Fünfjahresrhythmus an und überprüft jährlich etwa 20% an Ausrüstung.^[45]

Sobald die Bestandsaufnahme und die Inspektionen abgeschlossen sind, gehen Sie zur Modellierung von „Reparatur versus Austausch“ über. Nutzen Sie Modelle zur Restlebensdauer und zum Risiko, um Entscheidungen zwischen Reparatur und Austausch zu treffen. Legen Sie anschließend anhand von EUI, Emissionen, Lebensdauerende und CO₂-Intensität des Stromnetzes fest, welche Projekte im Portfolio zuerst umgesetzt werden sollten.^[43]

Oxand Simeo™ kann Daten zu Anlagen, Risiken, Zuständen, Energieverbrauch und CO₂-Emissionen in mehrjährige CAPEX- und OPEX-Szenarien umsetzen. Dies unterstützt die zeitliche Planung von CAPEX-Maßnahmen, CO₂-orientierte Sanierungspläne und die Erstellung von auditfähiger Dokumentation für das gesamte Portfolio.

Sobald Sie Portfolioszenarien eingerichtet haben, sollten Sie dort, wo umfangreiche historische Daten vorliegen, vorausschauende Instandhaltung einführen. Auf der Grundlage derselben Datenbasis kann eine KI-gestützte vorausschauende Instandhaltung zusätzliche Vorteile bieten $25.000 bis $150.000 an jährlichen Einsparungen für einen 100.000 Quadratfuß Gewerbegebäude.^[41]

Die praktische Umsetzung kann über einen Zeitraum von 12 bis 24 Monate:

• Das Asset-Register bereinigen
• Vereinheitlichung der Inspektionen für besonders kritische Anlagen wie Dächer, HLK-Anlagen, elektrische Anlagen und Sicherheitsanlagen
• Baseline-Risikomodelle in einer Pilotgruppe einsetzen
• Die Szenarioplanung auf das gesamte Portfolio ausweiten
• Fügen Sie eine bildbasierte Fehlerklassifizierung und Anomalieerkennung nur dort hinzu, wo ausreichend historische Daten vorliegen

Leiten Sie anschließend alle Ergebnisse in die Kapitalplanung, die Risikoregister, die ESG-Berichterstattung und die Unterlagen für den Vorstand weiter. Auf diese Weise bleibt die risikobasierte Investitionsplanung nachvollziehbar und geht nicht in einem Plattform-Dashboard unter, das niemand überprüft.

FAQs

Welche Daten benötige ich, bevor ich KI oder digitale Zwillinge einsetzen kann?

Bevor Sie KI oder digitale Zwillinge einführen, sollten Sie zunächst die Datenebene auf Vordermann bringen. Das bedeutet, dass Sie Anlageninformationen in ein einheitliches System anstatt sie verstreut in Tabellenkalkulationen, Anbietertools und alten Unterlagen liegen zu lassen.

Beginnen Sie mit historischen Daten:

• Anlagenverzeichnisse
• Wartungsprotokolle
• laufende Kosten
• Garantiebedingungen
• technische Daten

Fügen Sie dann Echtzeit-Telemetriedaten hinzu, wie beispielsweise Energieverbrauch, Temperatur, Vibrationen und Belegung.

Das Ziel ist einfach: Bieten Sie Ihrem Team eine zentrale Arbeitsplattform, auf der die Daten den 5Cs – vollständig, korrekt, aktuell, einheitlich und umfassend.

Wann lohnt sich der Einsatz eines digitalen Zwillings bei der Sanierungsplanung?

Ein digitaler Zwilling ist die Investition wert, wenn die Sanierungsplanung von der Prüfung komplexer Was-wäre-wenn Szenarien. Dazu gehören beispielsweise energetische Sanierungen, die Abstimmung von Investitionsvorhaben auf die Lebensdauer von Anlagen oder die Abwägung von CO₂-Zielen gegen Budgetgrenzen.

Für große, alternde Portfolios ist dies sogar noch wichtiger. In solchen Fällen können einfache Ranglistenverfahren Risiken wie Compliance-Fristen oder standortspezifische Einschränkungen übersehen. Ein digitaler Zwilling führt verstreute Daten an einem Ort zusammen, was den Teams hilft, risikobasiertere Anlageentscheidungen zu treffen.

Wie sollte ich KI, Risikomodelle und die manuelle Überprüfung miteinander kombinieren?

Verwenden Sie einen strukturierten Ansatz, bei dem jeder Teil eine klar definierte Aufgabe hat.

Beginnen Sie mit zentralisierte, standardisierte und prüfungsfähige Anlagendaten. Wenn die Daten unordentlich sind, gerät alles, was danach kommt, schnell ins Wanken.

Verwenden Sie dann KI und Risikomodelle um große Datensätze auszuwerten und Szenarien zur Alterung von Anlagen, zur Instandhaltung und zu CO₂-Emissionen zu modellieren. Hier zeigen sich Muster in großem Maßstab.

Füge zum Schluss Folgendes hinzu: menschliche Überprüfung um die Ergebnisse zu überprüfen, alltägliche Einschränkungen wie Auslastung oder Budget zu berücksichtigen und Investitionsprioritäten festzulegen. Dieser letzte Schritt ist entscheidend. Daten können Ihnen zwar die richtige Richtung weisen, aber letztendlich müssen Menschen vor Ort beurteilen, was in der Praxis funktioniert.

Dies trägt dazu bei, dass Entscheidungen datengestützt, risikobasiert und auf die Unternehmensziele abgestimmt.

Verwandte Blogbeiträge

• Digitale Zwillinge für Nachhaltigkeit: Szenarien simulieren, bevor Sie investieren
• AI für die Vermögensplanung: Wo sie tatsächlich Wert schafft
• Wie KI helfen kann, der Erneuerung alternder Infrastrukturen unter Haushaltszwängen Priorität einzuräumen
• Kann KI dabei helfen, die leistungsschwächsten Gebäude vor größeren Sanierungsprogrammen zu identifizieren?