Seit Anfang 2025 gehören dynamische Stromtarife zum Pflichtprogramm aller Stromlieferanten. Doch der eigentliche Mehrwert entsteht nicht durch den Tarif selbst, sondern durch die intelligente Steuerung von Wärmepumpen, Wallboxen und Heimspeichern. Warum KI dabei zum entscheidenden Baustein wird und welche strategischen Konsequenzen sich daraus für Energieversorger ergeben, zeigt dieser Fachartikel.

1. Dynamischer Stromtarif: Der Moment, in dem nichts passiert

Nehmen wir an: Dienstagvormittag. Der EPEX Day-Ahead-Preis für die aktuelle Stunde: minus 18 Euro pro Megawattstunde. Im Versorgungsgebiet eines mittelgroßen Stadtwerks sind rund 3.000 Haushalte mit Wärmepumpe oder Wallbox ans Netz angeschlossen. Etwa 300 von ihnen haben einen dynamischen Tarif abgeschlossen.

Keiner von ihnen lädt gerade schneller, keine Wärmepumpe erhöht ihre Laufzeit, kein Heimspeicher springt an. Das Preissignal bleibt ohne Empfänger.

Der Grund ist nicht ein zu schwacher Preis, sondern ein fehlendes System, das das Signal in einen Schaltbefehl übersetzt. Der dynamische Tarif ist vorhanden, aber die Intelligenz, die ihn einlöst, fehlt.

Seit dem 1. Januar 2025 müssen alle Stromlieferanten mindestens einen dynamischen Tarif anbieten, so schreibt es § 41a EnWG vor. Anderthalb Jahre nach diesem Stichtag ist das Bild eindeutig: Die Pflicht ist formal erfüllt, der Kundenwert ist es nicht. An rund 575 Stunden im Jahr 2025 lag der Börsenstrompreis unter null, mit einer Prognose von 700 bis 900 Stunden für 2026. In diesen 575 Stunden lag ein nutzbares Preissignal vor, das bei den meisten Kunden ungenutzt blieb.

Regelbasierte Automatisierung, etwa ein Preisschwellen-Trigger für die Wallbox oder ein fester Timer für die Wärmepumpe, liefert einen ersten, soliden Einspareffekt. Erst KI führt jedoch richtige Einsparpotenziale ein: Preisvorhersagen über 48 bis 72 Stunden, gleichzeitige Koordination mehrerer Geräte und eine Lernkurve, die Kundenpräferenzen dauerhaft einbindet, ohne Komfortverluste zu erzeugen. Eine neue Validierungsstudie des Fraunhofer IPA aus Juni 2026 zeigt, wie groß dieser Unterschied ist: KI-basierte Preisprognose kann Strombeschaffungskosten im industriellen Kontext um bis zu 17 Prozent senken. Für Haushaltskunden sind nach Markteinschätzungen 8 bis 12 Prozent realistisch, aber auch das ist ein Effekt, den kein dynamischer Tarif ohne automatisierte Steuerung je erzielt.

Zwei Versorger können denselben Tarif anbieten, aber nur einer legt eine KI darunter. Was danach im Markt passiert, entscheidet dann nicht mehr die Regulierung.

2. Was zwischen Preis und Gerät übersetzt werden muss

Das Problem liegt damit weniger im Produkt als in der fehlenden Übersetzung. Der Day-Ahead-Markt liefert täglich um 12 Uhr die Preise für alle 96 Viertelstunden-Slots des Folgetages. Ein Haushalt mit dynamischem Tarif hat damit theoretisch einen 24-Stunden-Informationsvorsprung, genug, um eine Wärmepumpe, eine Wallbox und einen Heimspeicher optimal zu takten. Das Problem ist allerdings, dass kein Normalverbraucher um 11 Uhr morgens seine Wärmepumpe manuell einschaltet, weil der Day-Ahead-Preis gerade auf minus 20 Euro pro Megawattstunde gefallen ist. Der Übersetzer, also das System, das den Preis in Schaltbefehle verwandelt, muss demnach automatisiert ablaufen.

Die erste Schicht: Preisvorhersage mit Machine Learning

Bevor ein Gerät gesteuert werden kann, muss das System wissen, wann der Strom günstig sein wird, nicht nur, wann er gerade günstig ist. KI-Modelle, die zusätzlich Wetterdaten, Lastprognosen und historische Preismuster einbeziehen, können Preiskorridore für 48 bis 72 Stunden mit ausreichender Genauigkeit voraussagen, um Steuerentscheidungen sicher zu treffen.

Das Fraunhofer IPA hat im Rahmen des Kopernikus-Projekts SynErgie eine solche KI-basierte Preisprognose über mehr als 20.000 Zeitpunkte im Zeitraum Oktober 2025 bis Mai 2026 validiert. Im Vergleich mit einem marktüblichen Prognosedienst erkannte das KI-Modell günstige und teure Zeitfenster deutlich besser und senkte die resultierenden Beschaffungskosten um bis zu 17 Prozent. Eingesetzt wurden dabei Gradient-Boosting-Verfahren (XGBoost, LightGBM) und neuronale Netze (LSTM), dieselben Methodenklassen, die bereits in der Windenergie- und PV-Einspeisung-Prognose produktiv im Einsatz sind.

Die zweite Schicht: Komfort als harte Grenze

Das Preissignal allein reicht nicht aus. Ein HEMS, das nur auf den günstigsten Preis optimiert, ohne Nutzerkomfort zu kennen, erzeugt schnell Ablehnungsreaktionen: Die Dusche bleibt kalt, weil der Speicher nicht geladen ist. Das E-Auto ist morgens nicht voll, weil das System einen noch günstigeren Preis erwartet hat. Jeder Kunde, der sein HEMS nach drei Wochen manuell übersteuert, verliert den Großteil seines Einsparungspotenzials und hört damit auf, das Produkt zu empfehlen.

Aus diesem Grund sind produktive KI-Steuerungssysteme zweilagig aufgebaut. Die erste Lage ist regelbasiert und nicht überschreibbar: Mindesttemperaturen, Mindest-Ladestände, Mindestlaufzeiten. Diese Schicht ist der Systemprompt für die KI; sie definiert, was nicht verhandelbar ist. Die zweite Lage lernt. Neuere Systeme wie 1KOMMA5° Heartbeat AI oder Tibber über direkte Herstellerpartnerschaften mit Wallbox- und Wärmepumpen-APIs setzen lernfähige Steuerungsalgorithmen ein, die aus dem tatsächlichen Nutzungsverhalten schließen, wann der Bewohner zu Hause ist, welche Komfortpräferenzen er hat und welche Schaltentscheidungen er in der Vergangenheit manuell übersteuert hat. Diese personalisierte Lernkurve ist der Faktor, der Kundenzufriedenheit und Einsparung dauerhaft kombiniert.

3. Wer bereits übersetzt und wie weit voraus sie sind

Während die Mehrheit der über 1.000 deutschen Stromlieferanten noch einen Tarif ohne aktive Steuerungskomponente betreibt, haben spezialisierte Energie-Fintechs und herstellerseitige Plattformen die KI-Schicht längst gebaut. Die Lücke zwischen beiden Gruppen wächst überproportional, weil jeder gewonnene Kunde Trainingsdaten erzeugt, die das System für den nächsten Kunden besser machen.

Tibber ist einer der bekanntesten Anbieter dynamischer Tarife in Deutschland. Das norwegische Unternehmen ist mit 1,8 Millionen Kunden in Europa vertreten und bietet mit der Tibber-App eine stündliche Preisanzeige sowie die direkte Steuerung kompatibler Geräte über Hersteller-APIs. Der Aufschlag beträgt 2,15 Cent pro Kilowattstunde auf den EPEX-Börsenstrompreis, ohne mengenbasierte Grundstruktur. Tibber steuert keine eigene HEMS-Hardware, sondern nutzt offene APIs von Geräteherstellern wie Easee, go-e und Tesla. Das ist flexibel, aber abhängig von der Gerätekompatibilität.

Reduco AI hat sich auf KI-gestützte Wärmepumpensteuerung spezialisiert. Das System lernt das Thermikverhalten des Gebäudes und optimiert WP-Laufzeiten auf die günstigsten Preisstunden, ohne Komfortparameter zu verletzen. Laut eigenen Angaben erzielen Nutzer Ersparnisse von 400 bis 800 Euro pro Jahr; ohne aktive Optimierung liegt der Effekt bei lediglich 30 bis 120 Euro. Auf dieser Differenz beruht das Geschäftsmodell.

1KOMMA5° Heartbeat AI hat Ende Mai 2026 die Marke von einem Gigawatt steuerbarer Leistung im virtuellen Kraftwerk überschritten und ist damit das größte Heim-VPP in Europa. Die KI-Steuerung koordiniert PV-Anlage, Heimspeicher, Wallbox und Wärmepumpe simultan und nutzt sowohl Day-Ahead-Preisprognosen als auch Echtzeitpreise aus dem Intraday-Markt. Der dynamische Tarif ist dabei kein Zusatzprodukt, sondern das Herzstück des Geschäftsmodells.

Auf der etablierten Versorger-Seite ist E.ON mit der Home-App und gridX/XENON-Integration als frühester produktiver Rollout zu nennen. Laut gridX-Fallstudie wurden über 1.000 Haushalte in fünf Monaten ausgestattet. Wie viele der übrigen Versorger ihren Tarif mit einer aktiven KI-Steuerungskomponente verbinden, ist nicht systematisch erhoben. Marktbeobachtungen der Branchenmedien deuten auf eine klare Minderheit hin.

Das gemeinsame Merkmal der Vorreiter ist weniger die Technologiewahl als die Produktphilosophie: Der dynamische Tarif ist bei ihnen der Eintrittspunkt für ein komplettes Ökosystem, nicht das Endprodukt; den Kundenwert liefert das Komplettsystem mit KI Zusatz.

4. Was die Rechnung zeigt und was sie verdeckt

Der Business Case für einen Versorger, der dynamischen Tarif und KI-Steuerung kombiniert, lässt sich auf zwei Ebenen rechnen, mit klar unterschiedlicher Datenqualität.

Auf der Endkundenseite sind die Zahlen belastbarer. Für einen Haushalt mit Wärmepumpe und einem Jahresheizstromverbrauch von 5.000 Kilowattstunden ergibt sich bei einem Durchschnittspreis von 32 Cent pro Kilowattstunde eine Ersparnis von bis zu 272 Euro pro Jahr allein durch optimierte Lastverschiebung, ohne dass der Endkunde etwas dafür tun muss. Mit einer Wallbox kommen bei rund 10.000 Kilometer jährlicher Fahrleistung, zwei Drittel davon als Heimladung, weitere rund 164 Euro pro Jahr Einsparung hinzu. Die HEMS-Investition liegt je nach Systemumfang zwischen 1.000 und 3.500 Euro inklusive Installation und amortisiert sich damit innerhalb von drei bis fünf Jahren, vorausgesetzt, die Steuerung funktioniert dauerhaft und nutzt die Preisfenster systematisch.

Auf der Versorger-Seite ist die Datenlage dünner, aber die Logik ist klar. Drei Effekte sind plausibel quantifizierbar, aber empirisch noch kaum belegt:

1. Die Beschaffungsmarge: Wer dynamisch beschafft und diese Beschaffung mit der Lastverschiebung beim Endkunden koordiniert, kann Day-Ahead-Preistiefs direkt nutzen.
2. Die Churn-Reduktion: Versorger, die ein HEMS-Paket mit echtem Einsparwert anbieten, berichten von niedrigeren Wechselquoten.
3. Die Flex-Erlöse über VPP-Vermarktung am Regelenergiemarkt, die bei einem Heim-VPP-Portfolio von 10 Megawatt aufwärts relevant werden.

Was die positiven Zahlen verdecken, gehört ebenfalls in die Rechnung. Die Fraunhofer-Zahl von 17 Prozent potenzieller Einsparung gilt für industrielle Flexibilitätssteuerung mit optimierten Geräten; im Haushalt sind Einsparpotenziale durch schlechtere Sensorik, geringere Geräteflexibilität und Komfortrestriktionen typischerweise kleiner. Versorger, die mit 17-Prozent-Zahlen in Werbematerialien gehen, riskieren Kundenenttäuschung, wenn das reale Ergebnis bei acht bis zwölf Prozent liegt. Ebenso ist der KI-Entwicklungsaufwand nicht gering: Eine Eigenentwicklung kostet 18 bis 36 Monate und einen mittleren einstelligen Millionenbetrag. Eine Whitelabel-Lösung wie gridX/XENON kommt in zwölf Wochen zum Endkunden, bringt aber strukturellen Lock-in als Gegenleistung.

Der Business Case trägt sich, sofern man ihn realistisch rechnet und nicht überhöht kommuniziert.

5. Die Mauern, die die meisten noch nicht überwunden haben

Wer den Sprung vom Compliance-Produkt zum KI-gestützten Kundenwert-Angebot bisher nicht gemacht hat, scheitert selten an der Technologie. Die Mauern sind organisatorischer und datentechnischer Natur und sie sind für die meisten Versorger deshalb gut sichtbar.

Die erste Mauer ist der iMSys-Rollout-Stand. Ohne intelligentes Messsystem gibt es keine stündlichen Verbrauchsdaten, und ohne stündliche Daten kann ein dynamischer Tarif nicht fair abgerechnet werden. Die BNetzA meldete für das dritte Quartal 2025 eine Rollout-Quote von 20,2 Prozent bei den Pflichteinbau-Fällen, also bei Haushalten mit steuerbaren Verbrauchseinrichtungen oder Verbrauch über 6.000 Kilowattstunden pro Jahr. Für die übrigen Haushalte liegt die Quote deutlich unter zehn Prozent. Wer heute einen dynamischen Tarif ohne iMSys verkauft, rechnet bestenfalls mit Standardlastprofilen ab, also mit einem Näherungswert statt einem echten Spotmarkt-Tarif.

Die zweite Mauer ist fehlende KI-Kompetenz. Eine aktuelle PwC-Studie zeigt: 61 Prozent der EVUs, die KI einsetzen, kommen über den Pilotbetrieb nicht hinaus. Für dynamische Tarife mit KI-Steuerung braucht es ein Dreifach-Profil: Energiemarkt-Verständnis (EPEX, Bilanzkreis, Intraday), Data-Science-Kompetenz (Prognoseverfahren, Modellvalidierung) und Produktmanagement (Endkunden-UX, Komfortparameter). Dieses Profil findet sich am Arbeitsmarkt kaum und muss über Weiterbildung oder Partnerschaft beschafft werden, was beides länger dauert als die Tarif-Produktentwicklung selbst.

Die dritte Mauer ist das Organigramm. Der dynamische Tarif liegt im Vertrieb, die Steuerung liegt in der IT, die Messdaten gehören dem Messstellenbetreiber: drei Einheiten mit unterschiedlichen KPIs. Wer die KI-Steuerung als Querschnittsprojekt führt, scheitert regelmäßig an Schnittstellenkonflikten. Die Versorger, die heute produktiv steuern, E.ON und die evm in Koblenz, haben diesen Schritt getan und Tarif, Steuerung und Messung unter einer Produkt-Verantwortung gebündelt. Das ist im Kern eine Organisations-, keine Technikentscheidung.

6. Das Zeitfenster für Stromlieferanten

Es gibt also eine strategische Entscheidung, die ansteht und die es zu treffen gilt. Keine von vielen, sondern die eine, die das Produktportfolio der kommenden Jahre mitbestimmt.

Wer noch nicht begonnen hat, beginnt mit dem eigenen iMSys-Portfolio. Bevor ein KI-gestützter Tarif vertrieben wird, muss klar sein, für welche Kundenkohorte echte stündliche Messdaten vorliegen und vorliegen sollen. Die Pflichteinbau-Kohorte, also Haushalte mit mehr als 6.000 kWh Jahresverbrauch oder steuerbaren Verbrauchseinrichtungen, ist der natürliche Startpunkt: iMSys-Quoten am höchsten und Geräte am steuerbarsten. Hier lässt sich ein belastbarer Pilot bauen, statt ein flächendeckendes Angebot auf Hoffnungsbasis.

Auch ist die Wahl des KI-Ansatzes entscheidend. Wird es eine Eigenentwicklung, Whitelabel oder anwendungsfallspezifische Lösung? Eigenentwicklung erfordert Data-Science-Teams und Modellpflege über Jahre und ist damit nur für wenige sinnvoll. Whitelabel-Plattformen wie gridX/XENON, reduco.ai oder 1KOMMA5°/Heartbeat liefern die KI-Schicht fertig, mit Time-to-Market von zwölf Wochen, aber mit Plattform-Lock-in als Gegenleistung. Der Einstieg über einen einzelnen Anwendungsfall, Wärmepumpen-Steuerung zuerst, ist operativ einfacher als ein generisches HEMS und liefert dennoch messbaren Kundenwert. Diese Entscheidung gehört in die Vorstandssitzung, weil sie die Architektur für die nächsten fünf Jahre trifft.

Hinzu kommt die eigene Organisation. KI-gestützte dynamische Tarife sind keine IT-Applikation, die man einkauft und installiert. Sie verändern, wie Beschaffung, Abrechnung, Vertrieb und Kundenservice zusammenspielen. Diese Kompetenzentwicklung ist kein Projekt, sondern ein Prozess innerhalb des Change-Managements und die Voraussetzung dafür, dass die KI-Schicht nicht nach sechs Monaten als gescheitertes Pilot-Experiment abgeschrieben wird. Daher ist gute Weiterbildung als Vorbereitung und während des Betriebs essenziell und erfolgsentscheidend.

Das Zeitfenster ist überschaubar. Tibber, reduco.ai und 1KOMMA5° gewinnen monatlich Kunden, die morgen nicht mehr als Neukunden für einen klassischen Versorger zur Verfügung stehen. Der Markt wartet weder auf das Ende bzw. die Erfüllung des iMSys-Rollouts, noch auf die Fertigstellung eines Pilotprojekts oder die nächste Vorstandssitzung. Ob der dynamische Tarif als Wertversprechen oder als Formular-Angebot im Markt landet, entscheidet nicht das Gesetz, sondern die Versorger selbst.

Quellen