KI in der Energieberatung kann Förderprüfung, Dokumentation und Kommunikation beschleunigen, birgt aber Risiken bei Haftung, Datenschutz und Halluzinationen. Der Beitrag zeigt, wie Energieeffizienz-Experten Sprachmodelle mit Grounding, Prüfroutinen und sicheren Datenumgebungen kontrolliert einsetzen.
Einleitung
Die Transformation des nationalen Gebäudebestands sowie der industriellen Prozesslandschaft stellt Energieeffizienz-Experten vor vielschichtige Anforderungen. Der ordnungs- und förderrechtliche Rahmen ist im Jahr 2026 in dichter Folge novelliert worden: Das Gebäudeenergiegesetz wurde durch das Gebäudemodernisierungsgesetz (GModG) umbenannt und inhaltlich neu gefasst; die geänderten Regelungen zum Heizungstausch gelten seit dem 29. Juli 2026 (BMWE, 2026a). Nahezu zeitgleich sind zum 21. Juli 2026 geänderte Förderkonditionen der Bundesförderung für effiziente Gebäude (BEG) in Kraft getreten, und die Novellierung des Energieeffizienzgesetzes (EnEfG) befindet sich seit dem Kabinettsbeschluss vom 24. Juni 2026 im parlamentarischen Verfahren. Für die Beratungspraxis ist dabei weniger das Niveau der Einzelanforderung entscheidend als die Frequenz, mit der Richtlinien, Merkblätter und technische Mindestanforderungen ausgetauscht werden.
Sowohl in der BEG als auch in der Bundesförderung für Energie- und Ressourceneffizienz in der Wirtschaft (EEW) ist die Gewährung staatlicher Zuschüsse an strikte technische Mindestanforderungen und formalisierte Nachweiserbringungen gebunden. Die Aufstellung individueller Sanierungsfahrpläne (iSFP) verlangt neben fundierten Berechnungen die adressatengerechte Vermittlung komplexer Sanierungsschritte. In der Industrieberatung erfordern insbesondere Modul 4 (Energie- und ressourcenbezogene Optimierung von Anlagen und Prozessen) und Modul 5 (Transformationskonzepte) eine akribische Gegenüberstellung von Ist-Zuständen und Einsparpotenzialen sowie die Sichtung umfangreicher technischer Datenblätter und Rechnungsbelege (BMWE, 2026b). Diese administrativen Tätigkeiten binden Expertenzeit, die für die ingenieurtechnische Arbeit vor Ort fehlt.
Vor diesem Hintergrund drängen generative KI-Systeme, insbesondere große Sprachmodelle (Large Language Models, LLMs), mit dem Versprechen weitreichender Prozessunterstützung in den Markt (Bommasani et al., 2021). Die empirische Befundlage ist ambivalent: In einem präregistrierten Feldexperiment mit 758 Beratern erledigten die Teilnehmenden mit KI-Zugang innerhalb der Leistungsgrenze des Modells 12,2 % mehr Aufgaben in 25,1 % kürzerer Zeit bei signifikant höherer Ergebnisqualität. Bei einer bewusst außerhalb dieser Grenze angesiedelten Aufgabe sank die Wahrscheinlichkeit einer korrekten Lösung dagegen um 19 % gegenüber der Kontrollgruppe ohne KI-Zugang (Dell'Acqua et al., 2023).
Für eine haftungsrelevante Tätigkeit ist der zweite Befund maßgeblich. Ein Energieberater, der KI-generierte Aussagen zu Fördersätzen, Fristen oder technischen Grenzwerten ungeprüft übernimmt, riskiert fehlerhafte Anträge, die Rückforderung von Fördermitteln und zivilrechtliche Regressansprüche.
Ziel dieses Beitrags ist eine ingenieurmäßige Einordnung der Technologie für die Energieberatungspraxis: Es wird aufgezeigt, wie Sprachmodelle als kontrollierte Assistenzsysteme in BEG- und EEW-Prozesse integriert werden, welche Systemgrenzen zu beachten sind und wie datenschutzrechtliche Anforderungen ohne Produktivitätseinbußen eingehalten werden können.
Systemtheoretische Mechanik großer Sprachmodelle: Wahrscheinlichkeiten statt Wissenslogik
Für eine methodische Bewertung des KI-Einsatzes ist die funktionale Abgrenzung zu klassischer Berechnungssoftware grundlegend. Werkzeuge zur energetischen Bilanzierung nach DIN V 18599 oder numerische Verfahren zur Wärmebrückenberechnung nach DIN EN ISO 10211 arbeiten deterministisch: Bei identischem Dateneingang erzeugen sie ein reproduzierbares Ergebnis, dessen Abweichungen ausschließlich auf dokumentierte Modellannahmen zurückgehen.
Large Language Models basieren demgegenüber auf neuronalen Netzen in der Transformer-Architektur (Vaswani et al., 2017). Ihr Funktionsprinzip beruht nicht auf logischem Verständnis, sondern auf statistischer Wahrscheinlichkeitsrechnung: Eingaben werden in Teilworteinheiten (Tokens) zerlegt, anschließend prädiziert das Modell rekursiv das statistisch plausibelste Folgetoken (Bommasani et al., 2021). Daraus resultieren drei systemspezifische Eigenschaften:
- Das Phänomen der Halluzination: Da das Modell auf linguistische Kohärenz und nicht auf empirischen Wahrheitsgehalt optimiert ist, formuliert es bei unvollständiger Datenrepräsentation sachlich Unzutreffendes mit derselben syntaktischen Überzeugungskraft wie belegte Fakten (Ji et al., 2023). Fiktive Grenzwerte oder erfundene Förderquoten klingen fachlich einwandfrei, entbehren jedoch jeder Rechtsgrundlage.
- Eingeschränkte arithmetische Kompetenz: LLMs behandeln numerische Ziffernfolgen als linguistische Zeichen und nicht als mathematische Operanden. Bei reiner Modellinferenz führen Amortisations-, Primärenergie- oder CO₂-Bilanzen daher zu Fehlern. Moderne Werkzeuge delegieren Berechnungen zunehmend an eine integrierte Code-Ausführung. Verifikation und Plausibilisierung verbleiben beim Berater.
- Statische Wissensgrenze (Cutoff-Date): Das parametrische Wissen eines Sprachmodells endet mit dem Abschluss seines Trainingszyklus. Novellierungen wie das GModG oder die BEG-Anpassung vom 21. Juli 2026 sind im Basismodell nicht abgebildet. Eine angeschlossene Websuche mindert diese Beschränkung, substituiert jedoch nicht den Abgleich mit der geltenden Fassung von Richtlinie und Merkblatt.
Sprachmodelle dürfen daher im Ingenieurkontext nicht als Rechen- oder autonome Entscheidungsinstanzen verstanden werden. Sie fungieren daher als probabilistische Textsynthese- und Extraktionswerkzeuge.
Die unübertragbare berufs- und förderrechtliche Letztverantwortung
Der Einsatz digitaler Hilfsmittel berührt die haftungsrechtliche Zuweisung nicht. Nach den Richtlinien und Merkblättern von BAFA und KfW sowie nach dem Regelheft der Energieeffizienz-Expertenliste für Förderprogramme des Bundes trägt die eingetragene Expertin bzw. der eingetragene Experte die Verantwortung für die Richtigkeit der ausgestellten Bestätigungen und Nachweise (dena, 2026). Zivilrechtlich haftet der Berater für Beratungsfehler unabhängig vom eingesetzten
Hilfsmittel: Führt eine unerkannte Halluzination dazu, dass die fehlende Förderfähigkeit einer Maßnahme übersehen wird, liegt ein Beratungs- und kein Werkzeugfehler vor.
Datenschutz und Mandantengeheimnis
In der Beratungspraxis fallen fortlaufend schutzwürdige Daten an. Bei Sanierungsfahrplänen verarbeiten Berater personenbezogene Eigentümer- und Verbrauchsdaten (Art. 5 und 6 DSGVO). In der industriellen EEW-Beratung unterliegen Lastprofile, Produktionsvolumina, Prozesstemperaturen und Anlagenpläne regelmäßig Vertraulichkeitsvereinbarungen (NDA) sowie dem Gesetz zum Schutz von Geschäftsgeheimnissen (GeschGehG).
Die Eingabe derartiger Daten in privat genutzte Standard-KI-Chats ist unter zwei Aspekten kritisch. Erstens werden Nutzereingaben in den Consumer-Tarifen der marktführenden Anbieter derzeit standardmäßig zur Modellverbesserung herangezogen. Die vorgesehene Deaktivierung wirkt ausschließlich prospektiv. In Geschäfts-, Enterprise- und API-Tarifen ist die Trainingsnutzung dagegen regelmäßig vertraglich ausgeschlossen. Zweitens fehlt der nach Art. 28 DSGVO erforderliche Auftragsverarbeitungsvertrag.
Methodische Steuerung: strukturiertes Prompting und Grounding
Um Sprachmodelle verlässlich zu nutzen, sind unpräzise Freitexteingaben durch formalisierte Abfrageschemata zu ersetzen. Ein ingenieurmäßiger Fach-Prompt umfasst fünf Parameter:
- Rolle: Fachliche Persona (z. B. Energieeffizienz-Experte für Nichtwohngebäude, EEW-Auditor).
- Kontext: Randbedingungen des Projekts (Gebäudealter, Sanierungsziel, Branche, Energieträger).
- Aufgabenstellung: Operationalisierter Handlungsauftrag statt allgemeiner Frage.
- Negativrestriktionen: Keine Schätzungen, keine Ergänzung fehlender Daten. Nicht belegbare Parameter sind als „nicht im Dokument enthalten“ zu deklarieren.
- Zielformat: Strukturvorgabe (z. B. Prüftabelle mit Fundstellenspalte, Berichtsentwurf).
Die entscheidende Methode zur Unterdrückung von Halluzinationen ist das Grounding. Das Modell wird angewiesen, nicht aus seinem parametrischen Gedächtnis zu antworten, sondern ausschließlich auf Basis mitgelieferter Dokumente, etwa eines BEG-Merkblatts oder der EEW-Richtlinie. In der Praxis erfolgt dies überwiegend durch das direkte Einbringen der Unterlagen in das Kontextfenster; bei umfangreichen Beständen werden einschlägige Passagen zunächst automatisiert selektiert und erst dann übergeben (Retrieval-Augmented Generation; Lewis et al., 2020). Beide Varianten beschränken das System auf eine semantische Extraktions- und Strukturierungsmaschine und verpflichten es zur Angabe der Fundstelle.
Praxisdomäne 1: BEG-Förder-Check und zielgruppengerechte iSFP-Kommunikation
In der Gebäudeenergieberatung entfaltet die Methodik ihren Nutzen bei der formalen Vorprüfung und der Berichterstellung:
Förder-Check an Originaltexten: Die geltenden technischen Mindestanforderungen sowie die Technischen FAQ zur BEG (KfW, 2026) werden als Dokumentenbasis vorgegeben. Das Modell prüft, ob eine Maßnahme die Anforderungen erfüllt, und benennt die Fundstelle, etwa zum geforderten Abstand des Schallleistungspegels von Luft-Wasser-Wärmepumpen zum Ökodesign-Grenzwert oder zum hydraulischen Abgleich nach Verfahren B. Maßgeblich bleibt die Verifikation an der Originalquelle in der zum Antragszeitpunkt geltenden Fassung.
Textsynthese für Sanierungsfahrpläne (iSFP): Aus vorliegenden Berechnungsergebnissen formuliert das Modell anschauliche Erläuterungstexte zum energetischen Nutzen baulicher Maßnahmen. Die Zahlenwerte entstammen unverändert der Fachsoftware.
Praxisdomäne 2: EEW-Maßnahmenabgleich und Einsparkonzepte in der Industrie
Im industriellen Umfeld (EEW Modul 4 und 5) unterstützt die Methodik zeitintensive Abgleichprozesse:
Soll-Ist-Vergleich bei Verwendungsnachweisen: Gelieferte Aggregate weichen häufig von den im Förderantrag prognostizierten Komponenten ab. Das Modell extrahiert aus dem bewilligten Antrag sowie aus Schlussrechnung und Typenschildfotografien die Nennleistungen, Wirkungsgrade und Typenbezeichnungen und markiert Diskrepanzen in einer Prüftabelle. Die förderrechtliche Bewertung verbleibt beim Berater.
Unterstützung bei der Erstellung von Einsparkonzepten: Das Modell unterstützt die Ausformulierung qualitativer Prozessbeschreibungen. Einsparwerte, Bezugsgrößen und Wirtschaftlichkeitsrechnungen erzeugt es nicht.
Systembewertung und operative Prüfroutine
Vergleich der Einsatzarchitekturen in der Energieberatung
Für die betriebliche Umsetzung stehen drei Systemarchitekturen zur Verfügung. Tabelle 1 stellt diese gegenüber.
| Kriterium | Öffentliche Standard-Cloud (Consumer-Tarif) | Geschützte Enterprise-Umgebung (Auftragsverarbeitung) | Lokale Inferenz (On-Premise, Open-Weight-Modelle) |
| Datenabfluss | Übertragung an den Anbieter, häufig mit Serverstandort außerhalb der EU | Vertraglich definierte Region und Löschfristen | Keine Übertragung. Daten verbleiben auf dem eigenen Rechner |
| Nutzung der Eingaben zum Training | Standardmäßig aktiviert | Vertraglich ausgeschlossen | Technisch ausgeschlossen |
| Datenschutzrechtliche Einordnung | Für personenbezogene und vertrauliche Mandantendaten ungeeignet: kein AV-Vertrag, keine Weisungsbindung | Nutzbar bei AV-Vertrag nach Art. 28 DSGVO und geprüfter Transfergrundlage | Keine Auftragsverarbeitung erforderlich. DSGVO-Pflichten bleiben bestehen |
| Verarbeitungsleistung | Maximal (aktuelle Frontier-Modelle) | Maximal | Abhängig von Hardware und Modellgröße. Für Extraktions- und Textaufgaben meist ausreichend, bei komplexem Fachwissen schwächer |
| Typischer Einsatzbereich | Recherche in öffentlich zugänglichen Texten ohne Mandantenbezug | Standardisierte Beratungsprozesse mit Mandantenbezug | Rechnungen, NDA-gebundene Prozessdaten, Gebäude- und Kundendaten |
Die 4-Stufen-Prüfroutine für den Berufsalltag (Human-in-the-Loop)
Zur Gewährleistung einer haftungssicheren Integration dient ein vierstufiger Kontrollprozess:
Stufe 1: Datenklassifikation: Allgemeine Richtlinien- und Normtexte dürfen in geschäftliche Umgebungen mit Auftragsverarbeitungsvertrag. Mandantenbezogene Rechnungen, Grundrisse und Prozessdaten ausschließlich in lokale Inferenzsysteme.
Stufe 2: Grounding-Abgleich: Jede Kernaussage ist auf eine konkrete Fundstelle des Originaldokuments zurückzuführen. Ein genannter Verweis gilt erst nach eigener Einsichtnahme als Nachweis.
Stufe 3: Deterministische Arithmetik- und Normenkontrolle: Jeder Zahlenwert wird mit der Fachsoftware oder der Originalquelle abgeglichen. Ergänzend ist zu prüfen, ob die herangezogene Richtlinienfassung zum Antragszeitpunkt gilt.
Stufe 4: Ingenieurmäßige Plausibilisierung: Der Energieberater validiert die Gesamtaussage und übernimmt mit der Signatur die fachliche Letztverantwortung.
Fazit und Blick in die Zukunft
Große Sprachmodelle fungieren in der Energieberatung nicht als autonome Wissenssubstitute, sondern als semantische Assistenzsysteme. Die Verknüpfung strukturierter Fach-Prompts mit dokumentenbasiertem Grounding senkt den administrativen Zeitaufwand bei Förderprüfung und Dokumentation in BEG und EEW, ohne die Beratungsqualität zu beeinträchtigen.
Zwingende Voraussetzung ist das ingenieurmäßige Verständnis der stochastischen Systemgrenzen. Arithmetik verbleibt in deterministischer Fachsoftware. Datenschutz und Mandantengeheimnis bedingen den Verzicht auf privat genutzte Consumer-Chats zugunsten geschäftlicher Umgebungen mit AV-Vertrag oder lokaler Inferenz.
Die Novellierungsdichte des Jahres 2026 – GModG, BEG-Reform, EnEfG-Novelle – verdeutlicht zugleich den eigentlichen Nutzen: nicht die Kenntnis der Regelwerke durch das Modell, sondern die beschleunigte Erschließung der geltenden Fassung. Die Rolle des Energieberaters wandelt sich damit zum Gestalter kontrollierter Prozesse. Fachliche Bewertung und persönliche Haftung verbleiben beim menschlichen Experten.
Stand: September 2026. Förderrechtliche Angaben unterliegen kurzfristiger Änderung; maßgeblich ist stets die zum Antragszeitpunkt geltende Fassung von Richtlinie und Merkblatt.
Interesse geweckt?
Sie möchten Künstliche Intelligenz nicht nur theoretisch verstehen, sondern sicher und praxisnah in Ihrer Energieberatung einsetzen? In unserer Fortbildung „KI in der Energieberatung“ erfahren Sie, wie Sie KI-Tools gezielt für Recherche, Dokumentation und alltägliche Beratungsprozesse nutzen – und dabei Datenschutz, fachliche Verantwortung und die Grenzen der Technologie im Blick behalten.
Die nächste Fortbildung startet am 18. September 2026
Quellen
Quellen anzeigen
BMWE – Bundesministerium für Wirtschaft und Energie. (2026a). Gebäudemodernisierungsgesetz (GModG) – Informationsportal. https://www.gmodg.bund.de
BMWE – Bundesministerium für Wirtschaft und Energie. (2026b). Bundesförderung für Energie- und Ressourceneffizienz in der Wirtschaft (EEW). https://www.energiewechsel.de/KAENEF/Redaktion/DE/Dossier/eew-energie-und-ressourceneffizienz-in-der-wirtschaft.html
Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., … Liang, P. (2021). On the opportunities and risks of foundation models.
dena – Deutsche Energie-Agentur. (2026). Regelheft für die Energieeffizienz-Expertenliste für Förderprogramme des Bundes. https://www.energie-effizienz-experten.de
Dell'Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Harvard Business School Working Paper No. 24-013).
Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), 1–38.
KfW – Kreditanstalt für Wiederaufbau. (2026). Bundesförderung für effiziente Gebäude – Liste der technischen FAQ, Einzelmaßnahmen (Version 7.0, 06/2026). https://www.kfw.de
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459–9474.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.
