Daten, KI und die Transformation des Gebäudebestands 

Herr Professor Dr. Schlicht, viele Gebäude verfügen heute bereits über digitale Systeme und Daten. Warum entsteht daraus in der Praxis trotzdem noch zu selten ein wirklicher Mehrwert im Betrieb? 

Das ist eine der zentralen Paradoxien unserer Zeit im Gebäudesektor: Wir haben in den letzten Jahren erheblich in Sensorik, Gebäudeautomation und CAFM-Systeme investiert und trotzdem bleibt der operative Mehrwert häufig aus. Der Grund liegt nicht im Mangel an Daten, sondern in ihrer strukturellen Isolation. Die historisch gewachsenen Architekturen in Bestandsgebäuden sind primär auf lokale Optimierung ausgelegt. Ein Heizungsregler funktioniert zuverlässig innerhalb seines Systems, aber er „spricht“ nicht mit dem Energiedatenportal, nicht mit der Liegenschaftsverwaltung und schon gar nicht mit dem Nutzerkontext. Was wir im Feld beobachten, ist eine Vielzahl hoch effizienter Insellösungen, die in der Summe keine Gesamtoptimierung erlauben. 

Dazu kommt ein handfestes Datenproblem: Viele Daten liegen zwar vor, sind aber in nicht aufbereiteter Form kaum nutzbar. Ein Property-Manager fordert monatlich per E-Mail Verbrauchsdaten beim FM-Dienstleister an, sortiert Tabellen und telefoniert Informationen hinterher, ein Prozess, den Fachleute in der Immobilienwirtschaft längst als aus der Zeit gefallen bezeichnen. Diese manuellen Prozesse erzeugen keine belastbare Datenbasis für KI-Anwendungen, die einen großen, qualitativ validierten Datenstrom benötigen. 

Kurz gesagt: Daten und digitale Systeme sind vorhanden, aber der ‚Klebstoff‘, also eine semantisch angereicherte, interoperable Schicht, die Silos überbrückt, fehlt im Bestand fast vollständig. Genau hier setzt das föderierte Datenökosystem-Konzept an, wie es SmartLivingNEXT verfolgt. 

Quellen: SmartLivingNEXT (2025): Leitprojekt Quartalsbericht Q4/2025; Facility Management Fachzeitschrift (2023): „Digitale Gebäudedaten zugänglicher machen“; Memoori (2025): „IoT Platforms in Smart Commercial Buildings 2025–2030“ 

Sie beschäftigen sich intensiv mit der Transformation des Bestands. Welche Rolle spielt dabei die Fähigkeit, Daten aus unterschiedlichen Quellen sinnvoll zusammenzuführen? 

Die Fähigkeit zur sektorübergreifenden Datenzusammenführung ist aus meiner Sicht die Schlüsselkompetenz schlechthin, sowohl technisch als auch organisatorisch. Nehmen wir ein einfaches Beispiel: Ein Predictive-Maintenance-System für eine Aufzuganlage im Wohnbestand braucht mindestens drei Datenquellen gleichzeitig: IoT-Sensordaten (Vibrationen, Fahrtstunden), das ERP-System des FM-Dienstleisters (Wartungshistorie, Vertragskonditionen) und im Idealfall Nutzerfeedback aus einer Mieter-App. Erst die Verknüpfung dieser Daten ergibt ein robustes Prognosemodell. 

Aktuelle Studien belegen eindrücklich, was dabei möglich ist: Predictive-Maintenance-Implementierungen zeigen in der Praxis Amortisationszeiten von ein bis drei Jahren, mit Wartungskostensenkungen von rund 15 Prozent in kleineren Wohngebäuden und Energieeinsparungen von bis zu 25 Prozent bei optimierten HLK-Systemen in größeren Liegenschaften. Für einen Bürokomplex mit 50.000 m² werden jährliche Einsparungen von 60.000 bis 100.000 Euro dokumentiert. 

Der Clou ist aber: Diese Ergebnisse sind nur erreichbar, wenn Daten domänenübergreifend fließen dürfen. Die Herausforderung ist nicht primär technischer Natur, die Protokolle BACnet, KNX, MQTT oder OPC-UA existieren. Die Herausforderung ist strukturell: Wer darf welche Daten mit wem teilen, unter welchen Bedingungen und mit welcher Zweckbindung? Das ist die Datensouveränitätsfrage, die im Bestand heute noch weitgehend ungelöst ist. 

Quellen: Fiyam Digital (2025): ROI-Analyse Predictive Maintenance Gebäude; Baumeister (2025): „Predictive Maintenance: Intelligente Gebäude“; Vodafone Immobilienwirtschaft: „Predictive Maintenance für die Immobilienwirtschaft“; dena (2024): Studie Energieeffiziente KI 

Wo liegen heute die größten Hürden, wenn Daten aus Gebäudeautomation, technischen Anlagen, Eigentümerstrukturen und Nutzerkontext gemeinsam nutzbar gemacht werden sollen? 

Die Hürden sind vielschichtig, und man muss sie sauber separieren, um nicht in die Falle zu tappen, ein technisches Problem zu lösen, während die eigentliche Blockade eine regulatorische oder organisatorische ist. 

Erstens: Technische Heterogenität. Der Gebäudebestand in Deutschland ist historisch gewachsen. Wir haben proprietäre BMS-Systeme verschiedener Generationen, die oft keine standardisierten Exportschnittstellen anbieten. Offene Standards wie IFC oder COBie für BIM-basiertes FM sind zwar vorhanden, aber im Bestand nur bei einem Bruchteil der Objekte implementiert. Dazu kommt: Die für KI erforderliche Datenqualität, validiert, vollständig, zeitgestempelt, erreichen selbst modernere Installationen oft nicht ohne erheblichen Aufwand. 

Zweitens: Eigentümer- und Akteursstrukturen. Im Wohnbestand haben wir typischerweise mindestens vier Parteien mit unterschiedlichen Interessen: Eigentümer, Wohnungsgesellschaft, FM-Dienstleister und Mieter. Jeder ist Dateneigentümer in seinem Bereich, niemand hat ein vollständiges Bild. Die Frage ‚Wem gehören die Verbrauchsdaten eines Mieters?‘ ist heute weder technisch noch rechtlich eindeutig beantwortet und blockiert damit KI-Anwendungen, die genau diese Daten bräuchten. 

Drittens: DSGVO und Zweckbindung. Auch wo Anonymisierung technisch möglich wäre, fehlen spartenübergreifende Lösungen. Das Beispiel Heizungsanlage macht das deutlich: Obwohl eine autonome Steuerung technisch schon heute möglich ist, dürfen verfügbare Verbrauchsdaten oft nicht automatisiert weiterverarbeitet werden – mit dem Ergebnis, dass unnötiger CO₂-Ausstoß entsteht, der bei rechtssicherer Datennutzung vermeidbar wäre. Hier brauchen wir zweckgebundene, zustimmungsbasierte Datenfreigabe-Mechanismen als technische Infrastruktur und genau das ist ein Kernbeitrag des SmartLivingNEXT-Ansatzes. 

Quellen: Facility Management Fachzeitschrift (2023): „Digitale Gebäudedaten zugänglicher machen“; BIM Deutschland: „Predictive Maintenance und BIM“; SmartLivingNEXT Quartalsbericht Q4/2025 

SmartLivingNEXT arbeitet daran, Daten verschiedener Dateneigentümer kontrolliert, zustimmungsbasiert und DSGVO-konform miteinander zu verknüpfen. Warum ist gerade das ein strategischer Fortschritt für intelligente Gebäude? 

Weil es die einzige Architektur ist, die Vertrauen skalierbar macht. Klingt abstrakt, ist es aber nicht. Die bisherige Logik war: Wer Daten teilen will, muss entweder einer zentralen Plattform vertrauen, mit allen Lock-in-Risiken, oder auf die Datenteilung verzichten. Beides ist für den deutschen und europäischen Markt dysfunktional. 

Der SmartLivingNEXT-Ansatz des föderiert-dezentralen Datenraums basiert auf einem grundlegend anderen Prinzip: Daten verbleiben in ihren Ursprungssystemen. Es wird kein zentrales Data Warehouse aufgebaut. Stattdessen ermöglicht ein standardisiertes semantisches Datenmodell, der SENSE-WoT-Standard, dass Daten verschiedener Eigentümer systemübergreifend nutzbar gemacht werden, ohne ihre Hoheit über die Daten aufzugeben. Datenlieferanten und Datennutzende behalten die vollständige Kontrolle und können explizit entscheiden, ob und für welchen Zweck ihre Daten genutzt werden dürfen. 

Das ist strategisch deshalb so bedeutsam, weil es den Weg für Multi-Akteur-Anwendungen öffnet, die bisher rechtlich und technisch nicht realisierbar waren. Wenn ich als Wohnungsgesellschaft meine Energiedaten mit dem Messstellenbetreiber und dem FM-Dienstleister zweckgebunden verknüpfen kann, DSGVO-konform, auditierbar, mit klaren Zugriffsrechten, dann entstehen Anwendungen, die bisher schlicht nicht möglich waren. Der Datenraum wird zur regulierten Infrastruktur, ähnlich wie ein Stromnetz: offen, neutral, aber mit klaren Zugangs- und Nutzungsregeln. 

Dass dies auch politisch als Schlüsselthema erkannt wurde, zeigt die sogenannte ‚Berliner Erklärung‘ vom Oktober 2024, mit den Vertretern aus Industrie, Wohnungswirtschaft, Wissenschaft und Handwerk gemeinsam die Entwicklung sicherer Datenräume für die vollständige Digitalisierung von Wohngebäuden als nationales Ziel ausgerufen haben. 

Quellen: SmartLivingNEXT (2024): Berliner Erklärung, Tage der digitalen Technologien; SmartLivingNEXT Auftaktveranstaltung: Thomas Feld, Materna; EU Data Act (Verordnung (EU) 2023/2854), in Kraft seit 11.01.2024, anwendbar ab 12.09.2025 

Was wird im Bestand erstmals möglich, wenn Daten aus der Gebäudehülle, aus technischen Systemen und gegebenenfalls auch aus dem privaten Nutzungskontext eines Bewohners rechtskonform zusammengeführt werden können? 

Das ist der Moment, in dem aus einem ‚Datensilo-Ensemble‘ ein lernendes System wird. Konkret eröffnen sich im Bestand vier Anwendungsklassen, die heute entweder nicht oder nur fragmentarisch realisierbar sind: 

Erstens echte bauphysikalisch-anlagentechnische Energieoptimierung: Wenn Wärmedurchgangskoeffizienten aus dem Energieausweis, aktuelle Heizkurvendaten und individuelle Nutzungsprofile eines Haushalts – zum Beispiel Abwesenheitszeiten, Lüftungsverhalten, gemeinsam in ein KI-Modell fließen, lassen sich Wärmebedarfsprognosen auf Gebäudeebene realisieren, die weit über heutige Heizungsautomatisierung hinausgehen. Das Energieeffizienzdatenportal (EEDP) im SmartLivingNEXT-Kontext zeigt, dass sich auf dieser Basis bereits in frühen Projektphasen belastbare Wärmeprognosen ableiten lassen. 

Zweitens proaktive, zustandsbasierte Instandhaltung: Anstatt reaktiver Wartung nach Zeitplan oder nach Havarie können Zustandsdaten aus dem Gebäudebetrieb mit Herstellerdaten zu Anlageniklen und externen Klimadaten verknüpft werden. Aufzüge, Heizkreise oder Lüftungsanlagen werden zu beobachteten Systemen, deren Restlebensdauer kontinuierlich neu berechnet wird. 

Drittens dynamisches Energieflexibilitätsmanagement: Das sogenannte Redispatch-Konzept, das im SmartLivingNEXT-Datenraum entwickelt wird, nutzt gebäudeübergreifende Verbrauchsprognosen, um Netzüberlastungen frühzeitig zu erkennen und Lastspitzen zu vermeiden. Das macht Gebäude zu aktiven Teilnehmern im Energiesystem, ein Paradigmenwechsel. 

Viertens personalisierte, komfortsteigernde Services: Wenn Bewohner ihren privaten Nutzungskontext freiwillig einbringen – und dafür im Gegenzug einen messbaren Mehrwert erhalten, entstehen assistive Dienste, die das selbstbestimmte Wohnen unterstützen. Das ist besonders relevant für die wachsende Gruppe älterer Menschen, für die das Wohnen im Bestand oft die Alternative zur stationären Pflege ist. 

Quellen: SmartLivingNEXT Quartalsbericht Q4/2025; SmartLivingNEXT (2023): Auftaktveranstaltung, Use Case Energie; BIM Deutschland: Predictive Maintenance; DFKI/SmartLivingNEXT: KI-Basisservices Energiedaten 

Viele Debatten über KI im Gebäudesektor bleiben abstrakt. Welche Anwendungen werden durch eine solche Governance-fähige Datenverknüpfung konkreter und wirtschaftlich attraktiver? 

Die Debatte bleibt genau dann abstrakt, wenn man KI als Technologiethema behandelt und nicht als Geschäftsmodellthema. Die entscheidende Frage ist immer: Welchen wirtschaftlich quantifizierbaren Mehrwert erzeugt eine KI-Anwendung für wen und zu welchen Kosten? 

Lassen Sie mich vier Anwendungen nennen, die durch Governance-fähige Datenräume signifikant an Wirtschaftlichkeit gewinnen: Erstens automatisierte Betriebsoptimierung. Das GEG schreibt seit Ende 2024 für nahezu alle Nichtwohngebäude in Deutschland Mindestanforderungen an die Gebäudeautomation vor. KI-basierte Lösungen zur Predictive Control, also zur bedarfsgerechten Steuerung auf Basis von Wetterprognosen und Raumnutzungsdaten, werden dadurch nicht mehr nur wünschenswert, sondern regulatorisch notwendig. Governance-fähige Datenverbindungen machen diese Lösungen erst portierbar zwischen verschiedenen Gebäuden und Betreibern. 

Zweitens ESG-Reporting-Automatisierung. Die EU-Taxonomie, die CSRD und der EPBD erzeugen einen enormen Datenbedarf im Portfoliobetrieb. Wer heute noch manuell Verbrauchskennwerte zusammenträgt, wird das ESG-Reporting nicht skalieren können. Governance-fähige Datenräume ermöglichen eine automatisierte Aggregation valider Gebäudedaten für das Reporting, ein unmittelbarer Business Case für Portfolioeigentümer und Asset Manager. 

Drittens Demand Side Management und dynamische Stromtarife. Das Projekt FAME4ME im SmartLivingNEXT-Verbund untersucht, wie KI-gestützte Plattformen individuelle dynamische Stromtarife kommunizieren und damit Nutzergruppen gezielt ansprechen können. Ohne belastbare Nutzungsdaten – die nur bei zustimmungsbasiertem Datenzugang möglich sind – lassen sich diese Tarifmodelle nicht fair und effektiv umsetzen. 

Viertens Smart Insurance: Gebäudeübergreifende Schadensfrüherkennung durch IoT und KI ist für InsurTech-Unternehmen ein wachsender Markt. Nur mit einer standardisierten, governance-konformen Datenlage lassen sich diese Services auf den Bestand ausrollen. 

Quellen: SmartLivingNEXT/Fraunhofer ISE: FAME4ME-Projekt; aedifion (2024): „Trends im Gebäudemanagement 2024“; SmartLivingNEXT Marktstudie 2025 (BMWK); GEG Anforderungen Gebäudeautomation Nichtwohngebäude 2024 

Ist genau diese Governance-Fähigkeit am Ende die eigentliche Voraussetzung dafür, dass KI im Gebäudebestand belastbar und skalierbar wird? 

Ja, und ich würde sogar noch weiter gehen: Ohne eine robuste Datengovernance ist KI im Gebäudebestand strukturell nicht skalierbar. Das ist keine technologische, sondern eine logische Aussage. 

KI-Modelle für den Gebäudebetrieb, ob für Energieprognosen, Ausfallvorhersagen oder Nutzerverhalten, brauchen drei Dinge gleichzeitig: ausreichend große Trainingsdatensätze, ausreichend diverse Datensätze und kontinuierlich aktualisierte Betriebsdaten. Keines dieser drei Kriterien ist im Einzelgebäude erfüllbar. Ein einzelnes Mehrfamilienhaus mit 30 Einheiten generiert schlicht nicht genug Datenpunkte, um ein belastbares ML-Modell zu trainieren. Erst wenn ich Daten aus Hunderten oder Tausenden von Gebäuden, unter Wahrung der Datensouveränität jedes einzelnen Eigentümers, aggregieren kann, entstehen die Trainingsdatensätze, die KI-Modelle wirklich leistungsfähig machen. 

SmartLivingNEXT hat dieses Problem mit einem eleganten Ansatz adressiert: Statt reale personenbezogene Daten zu aggregieren, werden Sprachmodelle eingesetzt, um synthetische Energiedaten zu generieren, die für KI-Training genutzt werden können, ohne Rückgriff auf personenbezogene Daten. Das DFKI hat dabei gezeigt, dass dieser Ansatz sehr gut geeignet ist, um diverse Haushaltstypen, Bewohnerstrukturen und Gerätekombinationen realitätsnah zu simulieren. Das ist Governance-Design auf technischer Ebene, und es ist der einzige Weg, wie man die DSGVO und die Datenbedürfnisse von KI gleichzeitig ernst nimmt. 

Governance-Fähigkeit bedeutet dabei nicht Regulierungsbürokratie, sondern das Gegenteil: Sie ist die Infrastruktur, die es ermöglicht, dass Vertrauen entsteht, und damit Datenteilung, und damit skalierbare KI. Das Vorgängerprojekt ForeSight hat bereits gezeigt, dass KI in Wohngebäuden möglich ist, wenn ein ausreichend großer Datenpool zur Verfügung steht. SmartLivingNEXT setzt genau hier an und schafft die Infrastruktur dafür. 

Quellen: SmartLivingNEXT Quartalsbericht Q4/2025 (DFKI, synthetische Daten); SmartLivingNEXT: Tage der digitalen Technologien 2024, ForeSight-Auszeichnung; EU Data Governance Act (DGA), gültig seit 24.09.2023 

Welche Bedeutung hat ein solcher Ansatz für europäische und mittelständische Anbieter, die innovative Dienste entwickeln wollen, ohne von geschlossenen Plattformen abhängig zu sein? 

Dieser Punkt ist aus meiner Sicht einer der wichtigsten strategischen Aspekte des gesamten Vorhabens und er wird in der öffentlichen Debatte noch zu wenig gewürdigt. 

Die Alternative zu einem offenen, föderiert-neutralen Datenökosystem sind geschlossene Plattformen großer Technologiekonzerne. Diese existieren bereits: Hyperscaler aus den USA und proprietäre Gebäudeautomationshersteller versuchen, über ihre Cloud-Plattformen die Datenhoheit im Gebäude zu erlangen. Für kleine und mittelständische Anbieter, Startups, regionale Energiedienstleister, spezialisierte FM-Softwarehäuser, bedeutet das entweder: Abhängigkeit oder Marktausschluss. 

Die ‚Best of both worlds‘-Strategie von SmartLivingNEXT ist hier ein strukturell wichtiges Gegenmodell: Hersteller und Anbieter müssen ihre Technologie oder Geschäftsmodelle nicht grundlegend ändern. Durch das SmartLivingNEXT-Ökosystem kommen neue und KI-gestützte Services hinzu, die auf einem großen Gebäudebestand schnell und sicher skalieren können. Der Zugang zum Datenraum ist standardisiert, herstellerneutral und offenbarungslos für bestehende Systemwelten. 

Das ist auch im Lichte des EU Data Act (in Kraft seit Januar 2024, anwendbar seit September 2025) zu sehen, der explizit Lock-in-Effekte bei Cloud-Diensten adressiert und die Interoperabilität von Cloud-Diensten vorschreibt. Verbunden mit dem Data Governance Act, der Datenvermittlungsdienste reguliert und Vertrauen in den freiwilligen Datenaustausch stärken soll, entsteht erstmals ein europäischer Rechtsrahmen, der offene, föderierte Ökosysteme gegenüber geschlossenen Plattformen bevorzugt. Wer jetzt in DSGVO-konforme, DataAct-kompatible Infrastrukturen investiert, positioniert sich für die nächste Dekade – und das gilt vor allem für europäische Mittelständler, die gerade in Nischenanwendungen echte technologische Kompetenz mitbringen. 

Quellen: EU Data Act (Verordnung (EU) 2023/2854, anwendbar 12.09.2025); Data Governance Act (DGA), gültig 24.09.2023; SmartLivingNEXT Summit 2024: Michael Schidlack, FE beim ZVEI; dawex.com (2024): „Vertiefter Einblick in DGA und Data Act“ 

Was ist für Sie die wichtigste Botschaft mit Blick auf die nächsten Jahre im Smart-Living- und Gebäudesektor? 

Meine wichtigste Botschaft ist: Der zentrale Engpass liegt nicht mehr in der Technik. Er liegt in der strukturellen Verbindung zwischen bestehenden Systemen und dafür brauchen wir Governance-Infrastruktur, keine neuen Geräte. 

Wir stehen an einem Wendepunkt. SmartLivingNEXT geht mit seinem Abschluss im August 2026 in den Realbetrieb über. Das ist kein Projektende – das ist der Beweis, dass ein herstellerneutrales, KI-fähiges Datenökosystem für Wohngebäude technisch und regulatorisch funktioniert. Die Berliner Erklärung vom Oktober 2024 ist das politische Signal, dass Industrie, Wohnungswirtschaft, Wissenschaft und Handwerk diesen Weg gemeinsam gehen wollen. 

Was jetzt gebraucht wird, sind drei Dinge: erstens Skalierung – die entwickelten Technologien und Governance-Strukturen müssen in echten Marktbetrieb überführt werden. Zweitens Standardisierung, der SENSE-WoT-Standard und offene semantische Modelle müssen zur Branchennorm werden, ähnlich wie IFC/BIM es in der Planungsphase sind. Drittens Geschäftsmodellentwicklung – die Community der Satellitenprojekte und assoziierten Partner muss lauffähige digitale Services im Ökosystem entwickeln, die Mieter, Eigentümer und Betreiber gleichermaßen überzeugen. 

Die Wärmewende, die Energiewende, die ESG-Verpflichtungen und der demografische Wandel – all das lässt sich im Gebäudebestand nicht ohne Digitalisierung lösen. Aber Digitalisierung allein reicht nicht. Was wir brauchen, ist Digitalisierung mit Datensouveränität. Und das ist die präzise Schnittstelle, an der SmartLivingNEXT arbeitet. Die nächste Phase ist der Markt und ich bin überzeugt, dass europäische Anbieter dabei eine führende Rolle spielen können, wenn wir jetzt die richtigen Infrastrukturentscheidungen treffen. 

Quellen: SmartLivingNEXT Abschlussveranstaltung (geplant 2026): „Von der Forschung in den realen Betrieb“; SmartLivingNEXT Marktstudie 2025 (BMWK); Berliner Erklärung (08.10.2024), Tage der digitalen Technologien 

Über den Interviewten 

Prof. Dr. Christian Schlicht ist Professor und anerkannter Experte für Daten und Künstliche Intelligenz in der Bau- und Immobilienwirtschaft sowie dem Facility Management. Seine Forschungs- und Beratungsarbeit konzentriert sich auf die digitale Transformation des Gebäudebestands, datenbasierte Betriebsoptimierung und die Governance-Voraussetzungen für skalierbaren KI-Einsatz im Immobiliensektor.