INNOVATION SCOUT · IMPULSPROFIL

Smart-Building- und Betriebsservices

Smart-Building- und Betriebsservices verbinden Gebäudedaten mit wiederkehrender Analyse, Optimierung, Wartungsunterstützung und Ergebnisberichten. KI-Funktionen und technische Betreuung unterstützen verantwortete Maßnahmen im laufenden Betrieb.

Um was geht es bei Smart-Building- und Betriebsservices?

Ein Betriebsservice benötigt erreichbare Anlagenpunkte, interpretierbare Daten und einen verlässlichen Weg zur Handlung. Eine Empfehlung kann das Facility Management unterstützen; ein freigegebener Stellbefehl kann direkt in die Automation eingreifen. In beiden Fällen gehören Betreuung und Rückmeldung zum Dienst. Die Ergebnisanzeige muss erkennen lassen, ob sie Messwerte, Modellschätzungen oder Jahreshochrechnungen enthält.

Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Projektablauf und Kernmaßnahmen Quelle 6: aedifion.controls framework, Fundstelle(n): Introduction; Process; Component models · Introduction; Process; Safety features; Component models; controls library Quelle 7: Einsparungen, Fundstelle(n): Hauptfunktionen; Wie es funktioniert · Haftungsausschluss; Hauptfunktionen; Wie es funktioniert Quelle 8: Product Updates – März/April 2026, Fundstelle(n): Jährliche KPIs für Projekte mit weniger als 12 Monaten Datenbasis (April 2026); Intelligentere ... Empfehlungen (März 2026)

Einordnung im Impulsradar

Kommerzielle Gebäudeanalyse und vorausschauende Regelung von Heizung, Lüftung und Klima (HLK) sind an konkreten Objekten und über mehrere Kunden hinweg dokumentiert. Der Dienst entsteht aus Datenzugang, Auswertung, Umsetzung und Nachkontrolle. Neue Verfahren für Modellpflege, Transfer und Assistenz ergänzen dieses Spektrum. Anbieterberichte, berechnete Einsparungen und gemessene Nettoeffekte müssen dabei getrennt bleiben.

Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Eckdaten; Projektablauf; Einsparung; Publikationsdatum 15.04.2026 · Kernmaßnahmen Quelle 3: 5 Millionen Quadratmeter echte Wirkung, Fundstelle(n): Absätze vor Steigender Bedarf; Anwenderzitate; Nachweisbare Wirksamkeit Quelle 7: Einsparungen, Fundstelle(n): Haftungsausschluss; Hauptfunktionen; Wie es funktioniert Quelle 10: Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts (v2), Fundstelle(n): 2.3–2.6; 3.3; 4.3; v2-Kopf 11.12.2025 Quelle 13: Leveraging Generative AI and Semantic Data for Improved Operation of a Real-Life Building, Fundstelle(n): Abstract; Date; Book Quelle 9: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): Methodik und 4.11 Quelle 11: Implementation Lessons and Future Pathways for Scalable Model Predictive Control in Large Commercial Buildings, Fundstelle(n): 4.2–4.3

Die Leistung entsteht zwischen Analyse und Maßnahme

Monitoring beschreibt einen Zustand, Optimierung verändert den Betrieb, Wartungsunterstützung verlangt fachliche Befundprüfung und Ausführung. Reporting macht Ergebnisse nachvollziehbar. Ein einzelnes Produkt kann mehrere dieser Leistungen anbieten; welche davon im Gebäude tatsächlich aktiviert und betreut wird, muss am konkreten Ablauf geprüft werden.

Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Projektablauf und Kernmaßnahmen Quelle 6: aedifion.controls framework, Fundstelle(n): Introduction; Process; Component models · Introduction; Component models Quelle 7: Einsparungen, Fundstelle(n): Hauptfunktionen; Wie es funktioniert Quelle 5: Unser Optimization Bundle, Fundstelle(n): Software-Bausteine; FAQ Benötige ich ... Personal; Für welche Art Gebäude; Bundles · Software-Bausteine; FAQ Quelle 16: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): System Integration; Conclusions

Gelerntes Modell, physikalische Beschreibung, Optimierung und Regelprüfung erfüllen unterschiedliche Aufgaben. Sie können beispielsweise Temperatur vorhersagen, Betriebsgrenzen setzen oder eine Maßnahme auswählen. Menschliche Facharbeit bleibt erforderlich, um Meldungen zu bewerten und reale Befunde zurückzugeben. Ein digitales Abbild oder eine Regel allein ist noch kein lernendes KI-System.

Quelle 9: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): 3.1; 3.2.3–3.2.5; 3.3.1; 4.10–4.11 · 4.11 Quelle 10: Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts (v2), Fundstelle(n): 2.3–2.6; 3.3; 4.3; v2-Kopf 11.12.2025 Quelle 11: Implementation Lessons and Future Pathways for Scalable Model Predictive Control in Large Commercial Buildings, Fundstelle(n): gedruckte S. 3–8: 3.2, 4.1–4.3, Tabelle 1 · 4.2–4.3 Quelle 6: aedifion.controls framework, Fundstelle(n): Safety features Quelle 14: Final Report: Optimizing Facility Operations by Applying Machine Learning to the Army Reserve Enterprise Building Control System, Fundstelle(n): Maintenance Records

Für die wirtschaftliche Beurteilung zählt der Dienst einschließlich Einrichtung, Datenpflege, Bearbeitung und Nachkontrolle. Die vorliegenden Quellen zeigen konkrete Anwendungen und technische Grenzen, aber keine allgemeingültige Einspar- oder Personalentlastungsquote. Ein als erledigt markierter Vorgang und eine geschätzte Einsparanzeige ersetzen keine passende Ergebnisprüfung.

Quelle 5: Unser Optimization Bundle, Fundstelle(n): Software-Bausteine; FAQ Benötige ich ... Personal; Für welche Art Gebäude; Bundles Quelle 7: Einsparungen, Fundstelle(n): Haftungsausschluss; Hauptfunktionen; Wie es funktioniert · Haftungsausschluss Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Kernmaßnahmen Quelle 9: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): Methodik und 4.11 Quelle 11: Implementation Lessons and Future Pathways for Scalable Model Predictive Control in Large Commercial Buildings, Fundstelle(n): 4.2–4.3 Quelle 19: aedifion.analytics – Fundamentals, Fundstelle(n): Weather normalization: Assumptions and limitations; Savings potential: Quick reading guide

Worauf es bei Smart-Building- und Betriebsservices fachlich ankommt

Gebäudeanalyse wird durch Facharbeit wirksam

Studien-/Praxisbefund

Für das Münchner Bürogebäude New Eastside beschreibt der Anbieter aedifion im April 2026 die laufende Analyse von über 11.000 Datenpunkten aus 250 Räumen. Laut Anbieter wurden Zeitprogramme der raumlufttechnischen Anlagen (RLT) angepasst und fehlerhafte Sensoren ersetzt, abgestimmt mit Asset und Facility Management. Autonome vorausschauende Regelung wird als weiterer Schritt beschrieben. Messdauer und Bereinigung der berichteten Verbrauchsminderung sind nicht hinreichend offengelegt.

Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Eckdaten; Projektablauf; Einsparung; Publikationsdatum 15.04.2026

Fachliche Einordnung

Der Fall belegt eine kommerzielle Kette aus Auswertung, Empfehlung und umgesetzter Maßnahme. Die menschliche Umsetzung gehört zur Leistung. Die genannte Implementierungsdauer von 14 Tagen ist keine Messdauer; aus einer Anbieterquote folgt weder ein unabhängiger Nettoeffekt noch eine bereits laufende autonome Regelung.

Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Eckdaten; Projektablauf; Einsparung; Publikationsdatum 15.04.2026

Vom AEW-Pilot zu mehreren betreuten Gebäuden

Studien-/Praxisbefund

Ein Bericht von aedifion über den Anwender AEW vom April 2026 nennt den Pilot ONE COLOGNE im Winter 2021 und inzwischen mehrere umgesetzte Projekte. Die angegebenen 58 Objekte beschreiben einen Portfolioumfang, keine bestätigte Zahl aktivierter KI-Regelungen. Der Anbieter Recogizer berichtete im Januar 2026 über seine Auswahl durch Deka und einen begonnenen Rollout. Midstad beschrieb im März 2025 einen Pilotabschluss und geplanten weiteren Ausbau; Jahreswerte für Testobjekte waren Prognosen.

Quelle 2: KI-gestützte Dekarbonisierung im gesamten Portfolio – AEW Invest, Fundstelle(n): Portfolio-Eckdaten; Projektablauf; Erfolgsfaktoren; Kunden-Feedback Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Projektablauf Quelle 4: Zusammenarbeit mit Deka Immobilien, Fundstelle(n): Haupttext, Absatz Nach erfolgreicher Teilnahme Quelle 18: Midstad und aedifion: KI-gestützte Energieoptimierung für Gewerbeimmobilien, Fundstelle(n): Einleitung; Der Mehrwert; Der nächste Schritt

Fachliche Einordnung

Bei AEW folgt auf den früheren Pilot die Umsetzung in mehreren Gebäuden. New Eastside ergänzt einen benannten aktiven AEW-Fall, ist aber nicht nachweislich Teil des genannten 58-Objekte-Teilportfolios. Exakte Aktivierungsdaten und Gesamtzahl bleiben offen. Bei Deka hat der Rollout begonnen; Midstad plant nach dem Pilotabschluss den weiteren Ausbau. Dessen prognostizierte Jahreswerte beschreiben noch keine bereits gemessene Jahreswirkung.

Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Eckdaten; Projektablauf; Einsparung; Publikationsdatum 15.04.2026 · Projektablauf · Projektablauf; Datum Quelle 2: KI-gestützte Dekarbonisierung im gesamten Portfolio – AEW Invest, Fundstelle(n): Portfolio-Eckdaten; Projektablauf; Erfolgsfaktoren; Kunden-Feedback · Projektablauf; Kunden-Feedback Quelle 4: Zusammenarbeit mit Deka Immobilien, Fundstelle(n): Rollout hat ... begonnen Quelle 18: Midstad und aedifion: KI-gestützte Energieoptimierung für Gewerbeimmobilien, Fundstelle(n): Einleitung; Der Mehrwert; Der nächste Schritt

Laufende Regelung und betreute Angebote abgrenzen

Studien-/Praxisbefund

Der Anbieter Recogizer berichtete im Mai 2025 über fünf Millionen Quadratmeter in aktiver prädiktiver HLK-Regelung in acht europäischen Ländern und nannte mehrere Anwender. Die Angabe betrifft eine konkrete Betriebsfunktion, bleibt aber Eigenangabe ohne öffentliche Objekt- und Messliste. Das aedifion Optimization Bundle verbindet Software mit Ingenieurleistungen; die FAQ richtet sich an größere Nichtwohngebäude und hält lokales Personal des Facility Managements (FM) weiterhin für notwendig.

Quelle 3: 5 Millionen Quadratmeter echte Wirkung, Fundstelle(n): Absätze vor Steigender Bedarf; Anwenderzitate; Nachweisbare Wirksamkeit Quelle 5: Unser Optimization Bundle, Fundstelle(n): Software-Bausteine; FAQ Benötige ich ... Personal; Für welche Art Gebäude; Bundles

Fachliche Einordnung

Der Betriebsdienst verbindet die technische Funktion mit laufender Betreuung. Sein konkreter Umfang muss festlegen, wer Daten und Modelle pflegt, Meldungen bearbeitet und Ergebnisse prüft. Preis, Service-Level, Risikoverteilung und mögliche Einsparzusagen sind im öffentlichen Angebot nicht vollständig geklärt. Für kleine Portfolios ist der Aufwand für Einrichtung und Betreuung deshalb gesondert zu beurteilen. Bezeichnungen wie Building Operating System, Monitoring-as-a-Service oder Energy-as-a-Service brauchen diese konkrete Leistungsbeschreibung.

Quelle 5: Unser Optimization Bundle, Fundstelle(n): Software-Bausteine; FAQ Benötige ich ... Personal; Für welche Art Gebäude; Bundles · FAQ Personal; Software-Bausteine Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Projektablauf · Umsetzung mit Asset-/Facility-Management Quelle 3: 5 Millionen Quadratmeter echte Wirkung, Fundstelle(n): aktive Regelung und Kundenbezüge

Vom Datenpunkt zum bestätigten Stellbefehl

Studien-/Praxisbefund

Das aedifion.controls-Rahmenwerk verbindet Cloud und lokales Gerät (Edge) über die Nachrichtenprotokolle MQTT/AMQP. Konfigurierte Lese- und Schreibpunkte (Pins) werden Anlagenpunkten zugeordnet; Befehle besitzen Identität, Grenzprüfung, Priorität und Bestätigung. Fehlende regelmäßige Lebenszeichen (Alive-Meldungen) lösen konfigurierte lokale Rückfallwerte aus. Virtuelle Testpunkte ermöglichen eine Prüfung vor Aktivierung, Prioritäten des Automationsprotokolls BACnet eine Übersteuerung. Die offizielle EU-Übersicht zum Data Act behandelt Datenzugang und Anbieterwechsel.

Quelle 6: aedifion.controls framework, Fundstelle(n): Introduction; Process; Safety features; Component models; controls library Quelle 17: Data Act, Fundstelle(n): Background and Highlights; Switching between providers; Cost-effective repair and maintenance

Fachliche Einordnung

Punktzuordnung, geeigneter lokaler Basisbetrieb und objektspezifische Rückfallkonfiguration müssen zusammenpassen. Virtuelle Testpunkte und Befehlsbestätigungen machen die technische Übergabe prüfbar. Eine erfolgreiche Schreibbestätigung zeigt die Übermittlung; die tatsächliche Betriebswirkung benötigt eine eigene Rückmeldung. Vor einem Eingriff sind außerdem die technischen Stellrechte am konkreten Anschluss zu klären. Ein unabhängiger Verfügbarkeitstest ist in der Dokumentation nicht enthalten.

Quelle 6: aedifion.controls framework, Fundstelle(n): Introduction; Process; Safety features; Component models; controls library · Safety features Quelle 17: Data Act, Fundstelle(n): Background and Highlights; Switching between providers; Cost-effective repair and maintenance

Schätzungen und bereinigte Messwerte kenntlich machen

Studien-/Praxisbefund

Die aedifion-Hilfe bezeichnet sowohl potenzielle als auch realisierte Einsparanzeigen ausdrücklich als berechnete Schätzungen. Fachleute wählen und aktualisieren Ergebnisse; offene Potenziale sind mit Aufgaben verknüpft. Die dokumentierte Gradstundenkorrektur behandelt Außentemperatur, aber nicht Belegungsmuster, solare Gewinne oder interne Lasten. Energie-, Kosten- und CO₂-Kennzahlen können verschiedene Darstellungen derselben geschätzten Energiedifferenz sein.

Quelle 7: Einsparungen, Fundstelle(n): Haftungsausschluss; Hauptfunktionen; Wie es funktioniert · Haftungsausschluss Quelle 19: aedifion.analytics – Fundamentals, Fundstelle(n): Weather normalization: Assumptions and limitations; Savings potential: Quick reading guide

Fachliche Einordnung

Ergebnisabnahme sollte Referenzbetrieb, Zeitraum, Nutzungsänderungen, Komfort und laufenden Aufwand berücksichtigen. Wetterbereinigung allein liefert noch keinen kausalen Nettoeffekt. Die Einschränkungen gelten für die dokumentierten Verfahren; sie dürfen nicht ungeprüft jeder separat publizierten Fallzahl oder jedem anderen Anbieter zugeschrieben werden.

Hohe Klassifikationsgüte benötigt reale Fehlerbefunde

Studien-/Praxisbefund

Die Grimstad-Arbeit untersucht eine Lüftungsanlage über sechs Monate mit mehr als 51.000 Datensätzen. Nur 18 von 28 APAR-Regeln waren mit den vorhandenen Sensoren umsetzbar. Random Forest und neuronales Netz lernen regelgestützte Referenzklassen für Fehler; die berichtete Gesamtgenauigkeit (Accuracy) von 99,6 % des Random Forest ist nicht an bestätigten Betreiberfehlern validiert. Der Zwilling wird manuell per CSV beziehungsweise in Chargen aktualisiert.

Quelle 9: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): 3.1; 3.2.3–3.2.5; 3.3.1; 4.10–4.11

Fachliche Einordnung

Die hohe Übereinstimmung mit Labels belegt keine vermiedenen Ausfälle. Klassifikation mit stratifizierter 70/15/15-Aufteilung und chronologische Tagesprognose sind getrennte Prüfungen. Eine Folge von Tagesschätzungen ist kein unabhängig geprüfter Sechsmonatsvorlauf. Für einen Wartungsservice fehlen vor allem belastbare reale Befund- und Maßnahmenrückmeldungen.

Quelle 9: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): 3.1; 3.2.3–3.2.5; 3.3.1; 4.10–4.11

Saisonale Modellpflege unter veränderten Bedingungen

Studien-/Praxisbefund

Das Lernverfahren Seasonal Memory Learning kombiniert neue Daten mit Daten derselben Vorjahressaison. Die untersuchte Autorenfassung verwendet fünf bis sieben simulierte Jahre mit Nutzungswechseln und Sanierungen; die große Auswertung umfasst 40 Zielgebäude. Vorhergesagt wird die Innentemperatur eine Stunde voraus. Reale Mehrjahresdaten und anschließende Regelungs- oder Diagnosepiloten stehen noch aus.

Quelle 10: Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts (v2), Fundstelle(n): 2.3–2.6; 3.3; 4.3; v2-Kopf 11.12.2025

Fachliche Einordnung

Die Arbeit adressiert ein dauerhaftes Serviceproblem: Gebäudenutzung und Anlagenzustand verändern sich, während ein Modell weiter betrieben wird. Ein besseres Temperaturmodell ist jedoch keine gemessene Energieeinsparung. Ergebnisse aus simulierten Wohngebäuden müssen vor einer Übertragung auf gewerbliche Dienste gesondert geprüft werden.

Quelle 10: Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts (v2), Fundstelle(n): 2.3–2.6; 3.3; 4.3; v2-Kopf 11.12.2025

Feldbetrieb verlangt Modell- und Schnittstellenpflege

Studien-/Praxisbefund

Der Forschungsbericht des LBNL von 2026 dokumentiert Betriebsphasen eines Forschungsbüros bis 2025. Semantische Graphabfragen benötigten teilweise Minuten bis Stunden; vorberechnete Zuordnungen werden empfohlen. Defekte Kompressoren erforderten angepasste Leistungsgrenzen. Beim Waldbrandbetrieb mit geschlossenen Außenluftklappen musste ein eigener Betriebsmodus ergänzt werden, nachdem die bisherige Regelung nicht passend reagierte.

Quelle 11: Implementation Lessons and Future Pathways for Scalable Model Predictive Control in Large Commercial Buildings, Fundstelle(n): gedruckte S. 3–8: 3.2, 4.1–4.3, Tabelle 1

Fachliche Einordnung

Objektsemantik erleichtert die Zuordnung von Daten zu Anlagen. Laufzeitprobleme und reale Sonderzustände brauchen darüber hinaus eigene Lösungen. Vorbereitete Zuordnungen können den Zugriff beschleunigen; geänderte Leistungsgrenzen und Betriebsmodi müssen den tatsächlichen Anlagenzustand abbilden. Dafür benötigen Betreiber und Integratoren einen verlässlichen Weg, Änderungen in Modelle und zulässige Regelung zu übernehmen.

Quelle 11: Implementation Lessons and Future Pathways for Scalable Model Predictive Control in Large Commercial Buildings, Fundstelle(n): gedruckte S. 3–8: 3.2, 4.1–4.3, Tabelle 1

Neue Daten und Assistenzansätze haben eigene Grenzen

Studien-/Praxisbefund

Ein Datenartikel zu Lüftungsgeräten (AHUs) von Januar 2026 stellt acht reale beziehungsweise simulierte Datensätze und Domänenpaare für Transferprüfungen bereit; einzelne Messreihen stammen aus 2016–2018. Der SINTEF-Autorenabstract beschreibt daneben einen ZEB-Laborraum, in dem GPT-4o Metadaten aus der Graphdatenbank Neo4j mit Zeitreihen aus der Datenbank InfluxDB für Diagnoseerklärungen und Vorschläge verbindet.

Quelle 12: Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States, Fundstelle(n): Methods: Datasets description, RBC-Nesbitt; Data Records; Technical Validation Quelle 13: Leveraging Generative AI and Semantic Data for Improved Operation of a Real-Life Building, Fundstelle(n): Abstract; Date; Book

Fachliche Einordnung

Die Datensätze schaffen Vergleichsgrundlagen für den Transfer zwischen Anlagen. Für einen daraus entwickelten Dienst bleibt zu prüfen, wie gut das Modell auf der Zielanlage arbeitet. Der Assistenzansatz verbindet Anlagenkontext und Zeitreihen zu Diagnoseerklärungen und Vorschlägen für die Fachprüfung. Seine Beschreibung beruht auf dem Autorenabstract; Fehlalarmreduktion und Vergleichsbedingungen lassen sich daraus nicht belastbar quantifizieren.

Ohne Intervention keine Prüfung der Wartungswirkung

Studien-/Praxisbefund

Der Forschungsbericht des PNNL vom Januar 2025 wertet eine ältere Demonstration von 2019–2022 aus. Mangels umgesetzter Interventionen konnte er vermiedene Wartung und Betriebskosten nicht bewerten. Wartungstickets enthielten zu wenig Komponenten-, Fehler- und Maßnahmendetail sowie unzuverlässige Ereigniszeiten. Die Ergebnisse beziehen sich auf diese ältere Demonstration.

Fachliche Einordnung

Ein Alarm muss mit einem fachlichen Befund und einer tatsächlichen Maßnahme verbunden werden, bevor deren Wirkung geprüft werden kann. Betreiber sollten reale Fehlalarme, übersehene Fehler und erledigte Eingriffe rückmelden. Angaben zu Komponente, Fehler, Maßnahme und Zeitpunkt machen nachvollziehbar, was bearbeitet wurde und ob sich der Zustand anschließend verändert hat.

Quelle 14: Final Report: Optimizing Facility Operations by Applying Machine Learning to the Army Reserve Enterprise Building Control System, Fundstelle(n): Executive Summary; 1.4; S. 83–84 (PDF-Seiten 84–85), Maintenance Records · Maintenance Records Quelle 9: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): 4.11 Quelle 11: Implementation Lessons and Future Pathways for Scalable Model Predictive Control in Large Commercial Buildings, Fundstelle(n): 4.2–4.3

Gebäudemodell und Betriebsdaten für Energieprognosen verbinden

Studien-/Praxisbefund

Der EC3-Beitrag von Juli 2025 verbindet in einem Hochschulgebäude BIM, Gebäudeautomation und FM-Metadaten über Tandem. Das Verfahren mit einem neuronalen LSTM-Modell aktualisiert Energieprognosen alle 15 Minuten und berichtet einen mittleren absoluten prozentualen Fehler (MAPE) von 2,98 % bei einer 70/15/15-Aufteilung. Zeitliche Splitlogik und Vorhersagehorizont bleiben unklar; Push-Alarme benötigen weitere Integration. Vermiedene Wartungsfälle sind nicht nachgewiesen.

Quelle 16: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): S. 1; S. 4–7, AI/ML Integration, Predictive Analytics, Conclusions

Fachliche Einordnung

Der Prototyp belegt eine konkrete Integrationsarbeit. Sein Aktualisierungsintervall ist jedoch kein Prognosehorizont, und ein guter Energieprognosewert macht noch keinen laufenden Wartungsservice. Für die Übergabe an den Betrieb müssen neben Modell- und Anlagenidentität die Bearbeitung von Meldungen und die Ergebnisrückmeldung geklärt sein.

Quelle 16: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): S. 1; S. 4–7, AI/ML Integration, Predictive Analytics, Conclusions Quelle 9: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): 4.11

Warum Smart-Building- und Betriebsservices relevant ist

Reifegraderste Marktanwendung bis etablierte Anwendung

Die Spanne von erster Marktanwendung bis etablierter Anwendung gilt für abgegrenzte Teilservices. New Eastside belegt eine kommerzielle Analyse- und Maßnahmenleistung; funktionsbezogene Angaben zu aktiver prädiktiver HLK-Regelung über mehrere Kunden und Objekte tragen die etablierte obere Grenze. Die Praxisangaben sind wesentlich anbieterabhängig. Neue Transfer-, Sprachassistenz- und Wartungsmethoden übernehmen diese Reife nicht; vollständige autonome Gebäudeführung ist für diese Einordnung keine Voraussetzung.

Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Projektablauf Quelle 3: 5 Millionen Quadratmeter echte Wirkung, Fundstelle(n): aktive Regelung und Kundenbezüge

Evidenzbelastbare Praxis- oder Forschungsbelege

Nachvollziehbare Originalarbeiten dokumentieren Integrationsschritte, Versuchsdesigns und konkrete Feldprobleme; benannte Gebäude zeigen umgesetzte Maßnahmen. Die kommerzielle Evidenz bleibt überwiegend anbieterabhängig, Diagnosemodelle benötigen reale Fehlerreferenzen. Beim LBNL-Fall beruhen frühere Jahreskostenangaben auf Extrapolation unter experimentellen Preisen. Die Aufwandssummen sind zudem nicht durchgehend konsistent; eine belastbare Amortisation oder ein gemessener Nettojahreseffekt ist daraus nicht bestimmbar. Allgemeine Nettoeinsparung, Komfortverbesserung oder Vollkostenrendite sind durch diese Befunde nicht belegt. Der Forschungsüberblick zur Energieoptimierung vom November 2025 umfasst eine Literatursuche bis März 2024. Er ordnet den damaligen Forschungsstand ein und enthält keine neue Primärmessung kommerzieller Dienste.

Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Kernmaßnahmen Quelle 9: Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings, Fundstelle(n): Methodik und 4.11 · 3.1; 3.2.3–3.2.5; 3.3.1; 4.10–4.11 Quelle 11: Implementation Lessons and Future Pathways for Scalable Model Predictive Control in Large Commercial Buildings, Fundstelle(n): 4.2–4.3 · gedruckte S. 3–8: 3.2, 4.1–4.3, Tabelle 1 Quelle 15: Artificial intelligence for energy optimization in smart buildings: A systematic review and meta-analysis, Fundstelle(n): Abstract; Search strategy and information sources; About this article

EntwicklungsdynamikAktive Weiterentwicklung

Saisonale Modellpflege, Transferdaten, semantische Integration und Diagnoseassistenz werden konkret weiterentwickelt.

Arbeiten von 2025 und 2026 entwickeln saisonale Modellpflege, Transferdaten, semantische Integration und Diagnoseassistenz weiter. Sie bearbeiten unterschiedliche Betriebsprobleme, von simulierten Langzeitveränderungen bis zu realen Sonderzuständen im Feld. aedifions Produktmitteilungen von März und April 2026 beschreiben daneben geänderte Assistenzfunktionen und Jahreshochrechnungen für kürzere Datenreihen. Deren tatsächliche Nutzung und Wirkung sind nicht gemessen. Eine unabhängig verglichene Beschleunigung der Entwicklungsrate liegt nicht vor.

Quelle 10: Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts (v2), Fundstelle(n): 4.3; Conclusion Quelle 12: Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States, Fundstelle(n): Methods; Technical Validation Quelle 11: Implementation Lessons and Future Pathways for Scalable Model Predictive Control in Large Commercial Buildings, Fundstelle(n): 3.2; 4.3 Quelle 13: Leveraging Generative AI and Semantic Data for Improved Operation of a Real-Life Building, Fundstelle(n): Abstract Quelle 8: Product Updates – März/April 2026, Fundstelle(n): Jährliche KPIs für Projekte mit weniger als 12 Monaten Datenbasis (April 2026); Intelligentere ... Empfehlungen (März 2026)

MarktdynamikSelektive Ausweitung

Bei AEW ist der Übergang vom früheren Pilot zu mehreren umgesetzten Projekten dokumentiert; genaue Aktivierungsdaten und Gesamtumfang bleiben offen.

AEW berichtet über den Übergang vom Pilot ONE COLOGNE im Jahr 2021 zu mehreren umgesetzten Projekten bis April 2026. New Eastside ergänzt einen benannten aktiven Kundenfall. Die Angaben stammen aus der Kommunikation von Anbieter und Kunde; eine Aktivierung aller 58 genannten Portfolioobjekte oder ein Ausbau ausschließlich im letzten Jahr ist nicht dokumentiert. Bei Deka hat die Einführung begonnen, während Midstad nach dem Pilot weitere Schritte plant.

Quelle 2: KI-gestützte Dekarbonisierung im gesamten Portfolio – AEW Invest, Fundstelle(n): Projektablauf; Kunden-Feedback Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Projektablauf; Datum Quelle 4: Zusammenarbeit mit Deka Immobilien, Fundstelle(n): Rollout hat ... begonnen Quelle 18: Midstad und aedifion: KI-gestützte Energieoptimierung für Gewerbeimmobilien, Fundstelle(n): Einleitung; Der Mehrwert; Der nächste Schritt

Für welche Bauprozesse Smart-Building- und Betriebsservices relevant ist

Strategie & Projektentwicklung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Bauherren nutzen Bestands- und Betriebsdaten, um Ziele, Investitionen und geeignete Serviceobjekte zu priorisieren. Die AEW-Portfolioanalyse zeigt die Prüfung digitaler Anschlussfähigkeit und objektspezifischer Vorgehensweisen. Das unterstützt strategische Entscheidungen indirekt; Budget und akzeptierter Wirkungsnachweis bleiben fachlich verantwortet.

Quelle 2: KI-gestützte Dekarbonisierung im gesamten Portfolio – AEW Invest, Fundstelle(n): Portfolio-Eckdaten; Projektablauf; Erfolgsfaktoren; Kunden-Feedback · Portfolioanalyse; Erfolgsfaktoren

Planung & Design

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Planung bereitet mit Messkonzept, Anlagenidentitäten und nutzbaren Schnittstellen den späteren Dienst vor. Der Prototyp mit BIM, Gebäudeautomation und Daten des Facility Managements zeigt, welche Objektbezüge im Betrieb benötigt werden. Diese Vorbereitung legt fest, welche Daten später welcher Anlage zugeordnet und für welche Betriebsaufgabe verwendet werden können.

Quelle 16: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): S. 1; S. 4–7, AI/ML Integration, Predictive Analytics, Conclusions · System Integration; FM Systems Integration

Ausschreibung & Vergabe

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Die beschriebenen Leistungen analysieren den Gebäudebetrieb und unterstützen dort Maßnahmen. Wie ihre Analyseergebnisse in Ausschreibung, Beschaffung oder vertragliche Abnahme eingehen, ist nicht dokumentiert. Die berichtete Auswahl eines Betriebsdienstleisters beschreibt zunächst dessen Beauftragung.

Quelle 4: Zusammenarbeit mit Deka Immobilien, Fundstelle(n): Haupttext, Absatz Nach erfolgreicher Teilnahme · Ausschreibung und Rolloutbeginn

Bauausführung & Baustellenmanagement

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Bei Inbetriebnahme und Übergabe müssen Sensoren, Anlagenpunkte und lokale Basisregelung geprüft werden. Die Zuordnung der Lese- und Schreibpunkte sowie Tests vor Aktivierung bereiten einen nutzbaren Betriebsanschluss vor. Dabei wird der spätere Dienst mit dem tatsächlich eingebauten Anlagen- und Automationsstand verbunden.

Quelle 6: aedifion.controls framework, Fundstelle(n): Introduction; Process; Safety features; Component models; controls library · Component models; controls library

Betrieb & Instandhaltung

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Der laufende Betrieb ist der Einsatzkern: Zustände analysieren, Empfehlungen bearbeiten, freigegebene Regelung ausführen und Ergebnisse kontrollieren. Facility Management, Betreiber und Dienstleister müssen reale Maßnahmen und Befunde zurückmelden. New Eastside und die dokumentierten Aufgaben-/Einsparabläufe zeigen unterschiedliche Teile dieser wiederkehrenden Leistung.

Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Projektablauf und Kernmaßnahmen · Eckdaten; Projektablauf; Einsparung; Publikationsdatum 15.04.2026 · Projektablauf Quelle 7: Einsparungen, Fundstelle(n): Hauptfunktionen; Wie es funktioniert · Haftungsausschluss; Hauptfunktionen; Wie es funktioniert

Rückbau & Kreislaufwirtschaft

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Zustands- und Servicehistorie kann spätere Umnutzungs- oder Rückbauentscheidungen unterstützen, sofern Objektbezug und Datenqualität erhalten bleiben. Die Aufzeichnungen dienen dann als vorbereitende Information. Für den neuen Entscheidungszweck ist zu prüfen, welche Angaben noch aktuell sind und welche Befunde ergänzt werden müssen.

Quelle 16: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): S. 1; S. 4–7, AI/ML Integration, Predictive Analytics, Conclusions · System Integration; FM Systems Integration

Für wen Smart-Building- und Betriebsservices relevant ist

Bauherren und Auftraggeber

Bauherren können geeignete Gebäude und Maßnahmen anhand nachvollziehbarer Betriebsinformationen priorisieren. Dafür legen sie Ziele, Datenzugang, Budget und Vergleichsgrundlage fest und prüfen die akzeptierten Ergebnisse. Sie müssen erkennen können, welche Ergebnisse gemessen, bereinigt oder geschätzt sind und auf welchen Zeitraum sie sich beziehen.

Quelle 2: KI-gestützte Dekarbonisierung im gesamten Portfolio – AEW Invest, Fundstelle(n): Portfolio-Eckdaten; Projektablauf; Erfolgsfaktoren; Kunden-Feedback Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Projektablauf · Umsetzung mit Asset-/Facility-Management Quelle 19: aedifion.analytics – Fundamentals, Fundstelle(n): Weather normalization: Assumptions and limitations; Savings potential: Quick reading guide

Betreiber, Facility- und Asset-Management

Betreiber, Facility und Asset Management erhalten Hinweise auf Auffälligkeiten und Handlungsbedarf. Sie prüfen Meldungen, organisieren die Ausführung und geben reale Fehlerbefunde sowie Komfortbeobachtungen zurück. Diese Bearbeitung braucht eingeplante Zeit; Software und Ingenieurleistungen ersetzen lokales FM-Personal im dokumentierten Angebot nicht.

Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Eckdaten; Projektablauf; Einsparung; Publikationsdatum 15.04.2026 · Umsetzung mit Asset-/Facility-Management Quelle 5: Unser Optimization Bundle, Fundstelle(n): Software-Bausteine; FAQ Benötige ich ... Personal; Für welche Art Gebäude; Bundles · FAQ Personal; Software-Bausteine

Baustoff-, Produkt- und Maschinenhersteller

Produkt- und Anlagenhersteller können nutzbares Zustandsfeedback erhalten und ihre Komponenten in Betriebsdienste einbinden. Dafür müssen Sensorzustand, Schnittstellen und Betriebsgrenzen verständlich dokumentiert sein. Rückmeldungen aus realen Fehlern können die Produktpflege unterstützen, wenn Komponente, Betriebszustand und ausgeführte Maßnahme nachvollziehbar zusammengehören.

Quelle 6: aedifion.controls framework, Fundstelle(n): Introduction; Process; Safety features; Component models; controls library · Component models; Safety features Quelle 11: Implementation Lessons and Future Pathways for Scalable Model Predictive Control in Large Commercial Buildings, Fundstelle(n): gedruckte S. 3–8: 3.2, 4.1–4.3, Tabelle 1 · 4.3

Technologieanbieter und Systemintegratoren

Technologieanbieter und Integratoren erbringen wiederkehrende Leistung durch Datenzuordnung, Modellbetrieb und Support. Gebäudeänderungen, Sonderzustände und Schnittstellen müssen dauerhaft gepflegt werden. Die dokumentierten Feldprobleme zeigen den Kontrollpunkt: Eine technisch aktivierte Verbindung bleibt nur nutzbar, wenn Modelle und Betriebsmodi zum tatsächlichen Zustand passen.

Mit welchen Technologie- und Anwendungsfeldern Smart-Building- und Betriebsservices verknüpft ist

Hauptbezug

Nachhaltigkeit & ESG

Energie- und Ressourcenfragen prägen die betrachteten Betriebsleistungen. Optimierte RLT-Zeitprogramme sind ein konkretes Beispiel. Energie-, Kosten- und CO₂-Anzeigen benötigen klare Mess- oder Modellannahmen und den Bezug zur tatsächlich umgesetzten Maßnahme.

Quelle 1: New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz, Fundstelle(n): Eckdaten; Projektablauf; Einsparung; Publikationsdatum 15.04.2026 · Aufgabenstellung; Kernmaßnahmen Quelle 19: aedifion.analytics – Fundamentals, Fundstelle(n): Weather normalization: Assumptions and limitations; Savings potential: Quick reading guide

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Zeitreihen, Datenzugang, Rechte und Nachrichten zwischen Cloud und Edge bilden die technische Grundlage des Dienstes. Punktzuordnung, Bestätigungen und lokaler Rückfall machen die Schnittstelle zur Automation konkret. Verfügbarkeit einer API ersetzt weder geprüfte Datenqualität noch objektspezifische Integration.

Quelle 6: aedifion.controls framework, Fundstelle(n): Introduction; Process; Safety features; Component models; controls library · Process; Component models

Verknüpftes Feld

BIM & Digitaler Zwilling

Anlagen-, Raum- und Modellidentitäten verbinden Betriebsdaten mit dem richtigen Objekt. Der EC3-Prototyp zeigt Bezüge zu BIM, Gebäudeautomation (BAS) und Facility Management (FM). Für den laufenden Dienst müssen Alarmübergaben, Modellpflege und Rückmeldungen aus Maßnahmen so organisiert werden, dass sie diesem Objektbezug folgen.

Quelle 16: AI-Driven Digital Twins for Predictive Maintenance, Fundstelle(n): S. 1; S. 4–7, AI/ML Integration, Predictive Analytics, Conclusions · System Integration

Verknüpftes Feld

Predictive Analytics & Entscheidungen

Diagnose und Prognose bereiten priorisierte Entscheidungen oder Regelhandlungen vor. Die Forschung zu saisonaler Modellpflege und AHU-Fehlerklassifikation zeigt dafür unterschiedliche Verfahren. Ihre Güte ist an Prognosehorizont, Zeittrennung und reale Fehlerreferenzen gebunden; Modellgenauigkeit darf nicht direkt als Servicewirkung gelesen werden.

Verknüpfte Fachbegriffe und Detailthemen

Digitaler Zwilling: Die vorgestellte Lüftungsanlagenstudie nutzt einen digital abgebildeten Anlagenkontext für die Untersuchung von Fehlerdiagnosen.
Energie als Dienstleistung: Energiebezogene Dienstleistungen bündeln Analyse, technische Betreuung und Ergebnisberichte für den laufenden Gebäudebetrieb.
Gebäude-Daten- und Integrationsplattform: Eine Gebäude-Datenplattform verbindet Informationen verschiedener Anlagen und stellt sie für laufende Betriebsservices bereit.
Gebäudemanagement- und Automationssysteme: Gebäudemanagement- und Automationssysteme liefern Betriebsinformationen und ermöglichen die technische Umsetzung freigegebener Maßnahmen.
Intelligent vernetztes Gebäude: Vernetzte Gebäudefunktionen bilden die Grundlage für wiederkehrende Analyse-, Optimierungs- und Wartungsleistungen.
Monitoring als Dienstleistung: Monitoring als Dienstleistung organisiert die kontinuierliche Beobachtung und Auswertung des Gebäude- oder Anlagenzustands.
Prädiktive Instandhaltung: Prädiktive Instandhaltung erweitert Betriebsservices um vorausschauende Hinweise für Wartung und technische Betreuung.

Quellen und Evidenz zu Smart-Building- und Betriebsservices

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz
Herausgeber
aedifion; Referenz AEW Invest
Publiziert
15.04.2026
Quellentyp
Anbieterprimärquelle / technische Dokumentation
Geltungsbereich
Benannter Kunde, Gebäude und Maßnahmen; Anbieterbericht mit Kundenzitat, kein unabhängiges Messprotokoll.
Quellenprofil lesen
Verwendung im Profil (17 Textstellen)
- Projektablauf und KernmaßnahmenTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 37
- Eckdaten; Projektablauf; Einsparung; Publikationsdatum 15.04.2026Textstelle 3 Textstelle 7 Textstelle 8 Textstelle 10 Textstelle 37 Textstelle 40 Textstelle 43
- KernmaßnahmenTextstelle 3 Textstelle 6 Textstelle 30
- ProjektablaufTextstelle 9 Textstelle 10 Textstelle 12 Textstelle 29 Textstelle 37 Textstelle 39
- Projektablauf; DatumTextstelle 10 Textstelle 32
- Umsetzung mit Asset-/Facility-ManagementTextstelle 12 Textstelle 39 Textstelle 40
- Aufgabenstellung; KernmaßnahmenTextstelle 43
Quelle 2
KI-gestützte Dekarbonisierung im gesamten Portfolio – AEW Invest
Herausgeber
aedifion; Referenz AEW Invest
Publiziert
23.04.2026
Quellentyp
Anbieterprimärquelle / technische Dokumentation
Geltungsbereich
Konkreter früherer Pilot und mehrere umgesetzte Projekte; Portfolio-Eckdaten sind keine Zahl aktiver KI-Objekte. Dieselbe Anbieter-/Kundenkette wie beim New-Eastside-Bericht.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Portfolio-Eckdaten; Projektablauf; Erfolgsfaktoren; Kunden-FeedbackTextstelle 9 Textstelle 10 Textstelle 33 Textstelle 39
- Projektablauf; Kunden-FeedbackTextstelle 10 Textstelle 32
- Portfolioanalyse; ErfolgsfaktorenTextstelle 33
Quelle 3
5 Millionen Quadratmeter echte Wirkung
Herausgeber
Recogizer / Konstantin Köhler
Publiziert
27.05.2025
Quellentyp
Anbieterprimärquelle / technische Dokumentation
Geltungsbereich
Spezifische aktive prädiktive Regelung und benannte Anwenderzitate; Umfang und Wirkung sind Eigenangaben, keine unabhängige Auditierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Absätze vor Steigender Bedarf; Anwenderzitate; Nachweisbare WirksamkeitTextstelle 3 Textstelle 11
- aktive Regelung und KundenbezügeTextstelle 12 Textstelle 29
Quelle 4
Zusammenarbeit mit Deka Immobilien
Herausgeber
Recogizer
Publiziert
20.01.2026
Quellentyp
Anbieterprimärquelle / technische Dokumentation
Geltungsbereich
Primärbeleg des Anbieters für Ausschreibung und Rolloutbeginn; keine vollständige Objektliste oder Wirkungsprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Haupttext, Absatz Nach erfolgreicher TeilnahmeTextstelle 9 Textstelle 35
- Rollout hat ... begonnenTextstelle 10 Textstelle 32
- Ausschreibung und RolloutbeginnTextstelle 35
Quelle 5
Unser Optimization Bundle
Herausgeber
aedifion
Publiziert
undatiert
Quellentyp
Anbieterprimärquelle / technische Dokumentation
Geltungsbereich
Undatiertes Angebot mit Software, Ingenieurleistungen und konkret beschriebenen Grenzen in der FAQ; Werbe- und Rechtsangaben sind Eigenangaben des Anbieters.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Software-Bausteine; FAQTextstelle 1 Textstelle 4
- Software-Bausteine; FAQ Benötige ich ... Personal; Für welche Art Gebäude; BundlesTextstelle 4 Textstelle 6 Textstelle 11 Textstelle 12 Textstelle 40
- FAQ Personal; Software-BausteineTextstelle 12 Textstelle 40
Quelle 6
aedifion.controls framework
Herausgeber
aedifion Dokumentation
Publiziert
undatiert
Quellentyp
Anbieterprimärquelle / technische Dokumentation
Geltungsbereich
Konkrete Protokolle, Rechte und Rückfallmechanismen technisch nachvollziehbar; Seite trägt Stand 06.10.2025, kein unabhängiger Zuverlässigkeitstest.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- Introduction; Process; Component modelsTextstelle 1 Textstelle 2 Textstelle 4
- Introduction; Component modelsTextstelle 1 Textstelle 4
- Introduction; Process; Safety features; Component models; controls libraryTextstelle 2 Textstelle 13 Textstelle 14 Textstelle 36 Textstelle 41 Textstelle 42 Textstelle 44
- Safety featuresTextstelle 5 Textstelle 14
- Component models; controls libraryTextstelle 36
- Component models; Safety featuresTextstelle 41 Textstelle 42
- Process; Component modelsTextstelle 44
Quelle 7
Einsparungen
Herausgeber
aedifion Help Center
Publiziert
undatiert
Quellentyp
Anbieterprimärquelle / technische Dokumentation
Geltungsbereich
Hersteller erklärt Berechnungscharakter einschließlich ausdrücklichem Haftungsausschluss; gut für Interpretation eigener Anzeigen, nicht Wirkungsprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Hauptfunktionen; Wie es funktioniertTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 37
- Haftungsausschluss; Hauptfunktionen; Wie es funktioniertTextstelle 2 Textstelle 3 Textstelle 6 Textstelle 15 Textstelle 16 Textstelle 37
- HaftungsausschlussTextstelle 6 Textstelle 15 Textstelle 16
Quelle 8
Product Updates – März/April 2026
Herausgeber
aedifion Help Center
Publiziert
undatiert
Quellentyp
Anbieterprimärquelle / technische Dokumentation
Geltungsbereich
Datierte Funktionsmitteilungen; dynamische Seite ohne einmaliges Publikationsdatum. Verfügbarkeit ist kein Nutzungsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Jährliche KPIs für Projekte mit weniger als 12 Monaten Datenbasis (April 2026); Intelligentere ... Empfehlungen (März 2026)Textstelle 2 Textstelle 31
Quelle 9
Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings
Herausgeber
Haneen Rebhi Yousef Zabadi, Fitsum Asrat Zemedkun, Haidar Hosamo, Dimitrios Kraniotis; OsloMet / Frontiers in Built Environment
Publiziert
03.03.2026
Quellentyp
Originalforschung
Geltungsbereich
Originalartikel mit technischen Methoden und Grenzen; keine betrieblichen Ground-Truth-Labels, teils widersprüchliche Darstellung von Labels und Echtzeit.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- Methodik und 4.11Textstelle 3 Textstelle 6 Textstelle 30
- 3.1; 3.2.3–3.2.5; 3.3.1; 4.10–4.11Textstelle 5 Textstelle 17 Textstelle 18 Textstelle 30 Textstelle 46
- 4.11Textstelle 5 Textstelle 26 Textstelle 28
Quelle 10
Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts (v2)
Herausgeber
Fabian Raisch et al.; TH Rosenheim, TU München, University of Cambridge / arXiv
Publiziert
11.12.2025
Quellentyp
Originalforschung
Geltungsbereich
Autoren-Volltext v2 vom 11.12.2025 mit Simulationsdesign und Grenzen; Journalmetadaten nennen den 01.03.2026. Die Aussagen beziehen sich auf v2, Feldvalidierung fehlt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- 2.3–2.6; 3.3; 4.3; v2-Kopf 11.12.2025Textstelle 3 Textstelle 5 Textstelle 19 Textstelle 20 Textstelle 46
- 4.3; ConclusionTextstelle 31
- 2.4–2.5Textstelle 46
Quelle 11
Implementation Lessons and Future Pathways for Scalable Model Predictive Control in Large Commercial Buildings
Herausgeber
Ettore Zanetti, David Blum, Anand Krishnan Prakash, Lazlo Paul, Marco Pritoni; LBNL / Purdue-Konferenz
Publiziert
17.07.2026
Quellentyp
Originalforschung
Geltungsbereich
Originalbericht mit datierten Betriebsphasen, Fehlerfällen und Aufwand; ein Forschungsgebäude, kein allgemeiner kommerzieller ROI. Zahlen im Abstract, Ergebnisteil und Aufwandssumme nicht überall deckungsgleich.
Quellenprofil lesen
Verwendung im Profil (10 Textstellen)
- 4.2–4.3Textstelle 3 Textstelle 5 Textstelle 6 Textstelle 26 Textstelle 30
- gedruckte S. 3–8: 3.2, 4.1–4.3, Tabelle 1Textstelle 5 Textstelle 21 Textstelle 22 Textstelle 30 Textstelle 41 Textstelle 42
- 3.2; 4.3Textstelle 31
- 4.3Textstelle 41 Textstelle 42
Quelle 12
Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States
Herausgeber
Naghmeh Ghalamsiah et al.; Drexel University, Texas A&M u.a. / Scientific Data
Publiziert
09.01.2026
Quellentyp
Originalforschung
Geltungsbereich
Offener Datenartikel mit Anlagen-/Fehlerbeschreibung und Validierung; reale und simulierte Daten getrennt, Sammlung enthält ältere Versuche. Kein neuer Serviceeinsatz.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Methods: Datasets description, RBC-Nesbitt; Data Records; Technical ValidationTextstelle 23 Textstelle 24
- Methods; Technical ValidationTextstelle 31
Quelle 13
Leveraging Generative AI and Semantic Data for Improved Operation of a Real-Life Building
Herausgeber
John Clauss, Luis Caetano, Knut Nordanger, Thomas Elvrum Lassen, Reidar Kind; SINTEF / Springer
Publiziert
01.11.2025
Quellentyp
Originalabstract
Geltungsbereich
Grundlage sind Autorenabstract und bibliografischer Nachweis; ein Raum im ZEB-Labor, Fehlalarmzahlen und Vergleichsbedingungen nicht ausreichend ausgewiesen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Abstract; Date; BookTextstelle 3 Textstelle 23 Textstelle 24
- AbstractTextstelle 31
Quelle 14
Final Report: Optimizing Facility Operations by Applying Machine Learning to the Army Reserve Enterprise Building Control System
Herausgeber
B. Ford, E. Wendel, T. Yoder, V. Chandan; PNNL-33364
Publiziert
Januar 2025
Quellentyp
Originalforschung
Geltungsbereich
Originalbericht mit konkreten negativen Ergebnissen; Deckblatt Januar 2025, Webeintrag 11.09.2025, Demonstration 2019–2022. Ausschließlich historischer Gegen-/Methodenkontext, kein neuer Feldfortschritt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Maintenance RecordsTextstelle 5 Textstelle 26
- Executive Summary; 1.4; S. 83–84 (PDF-Seiten 84–85), Maintenance RecordsTextstelle 25 Textstelle 26
Quelle 15
Artificial intelligence for energy optimization in smart buildings: A systematic review and meta-analysis
Herausgeber
Lakpriya Udayanga Gunasena Ekanayaka Gunasinghalge, Ammar Alazab, Md. Alamin Talukder / Energy Informatics
Publiziert
05.11.2025
Quellentyp
Forschungsreview
Geltungsbereich
Review mit Suchende März 2024, heterogenen Primärstudien und unstimmiger Rangformulierung im Abstract; Einordnung des damaligen Forschungsstands ohne allgemeingültige Sparquote.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Abstract; Search strategy and information sources; About this articleTextstelle 30
Quelle 16
AI-Driven Digital Twins for Predictive Maintenance
Herausgeber
Chady Elias, Raja R. A. Issa; University of Florida / EC3 2025
Publiziert
Juli 2025
Quellentyp
Originalforschung
Geltungsbereich
Achtseitiger Konferenzbeitrag vom 14.–17.07.2025 zu einem Einzelgebäude und Energieprognose-Prototyp; Prognosehorizont und zeitliche Splitlogik unklar, Nutzerwirkung offen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- System Integration; ConclusionsTextstelle 1 Textstelle 4
- S. 1; S. 4–7, AI/ML Integration, Predictive Analytics, ConclusionsTextstelle 27 Textstelle 28 Textstelle 34 Textstelle 38 Textstelle 45
- System Integration; FM Systems IntegrationTextstelle 34 Textstelle 38
- System IntegrationTextstelle 45
Quelle 17
Data Act
Herausgeber
Europäische Kommission, Shaping Europe’s digital future
Publiziert
undatiert
Quellentyp
Behördliche Übersicht
Geltungsbereich
Offizielle Übersicht zu Datenzugang und Anbieterwechsel; kein Vertrags-/Einzelfallnachweis, Anwendungsdatum ist kein Publikationsdatum.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Background and Highlights; Switching between providers; Cost-effective repair and maintenanceTextstelle 13 Textstelle 14
Quelle 18
Midstad und aedifion: KI-gestützte Energieoptimierung für Gewerbeimmobilien
Herausgeber
Midstad / gemeinsame Meldung mit aedifion
Publiziert
25.03.2025
Quellentyp
Anwenderprimärquelle
Geltungsbereich
Kundenseitige Primärmeldung, jedoch gemeinsame Anbieterkommunikation; Pilot und prognostizierte Wirkung, kein abgeschlossener Portfoliorollout.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Einleitung; Der Mehrwert; Der nächste SchrittTextstelle 9 Textstelle 10 Textstelle 32
Quelle 19
aedifion.analytics – Fundamentals
Herausgeber
aedifion Dokumentation
Publiziert
undatiert
Quellentyp
Anbieterprimärquelle / technische Dokumentation
Geltungsbereich
Explizite Rechenmethode, Annahmen und Ausschlüsse; Dokumentationsstand 12.08.2026. Nachweis eigener Modelllogik, keine unabhängige Messung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Weather normalization: Assumptions and limitations; Savings potential: Quick reading guideTextstelle 6 Textstelle 15 Textstelle 16 Textstelle 39 Textstelle 43

Alle Impulse im Radar entdecken

Smart-Building- und Betriebsservices

Um was geht es bei Smart-Building- und Betriebsservices?

Einordnung im Impulsradar

Die Leistung entsteht zwischen Analyse und Maßnahme

Worauf es bei Smart-Building- und Betriebsservices fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum Smart-Building- und Betriebsservices relevant ist

Für welche Bauprozesse Smart-Building- und Betriebsservices relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen Smart-Building- und Betriebsservices relevant ist

Bauherren und Auftraggeber

Betreiber, Facility- und Asset-Management

Baustoff-, Produkt- und Maschinenhersteller

Technologieanbieter und Systemintegratoren

Mit welchen Technologie- und Anwendungsfeldern Smart-Building- und Betriebsservices verknüpft ist

Nachhaltigkeit & ESG

Datenplattformen & KI-Infrastruktur

BIM & Digitaler Zwilling

Predictive Analytics & Entscheidungen

Verknüpfte Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu Smart-Building- und Betriebsservices

Quellen und Evidenz zu Smart-Building- und Betriebsservices

New Eastside – Industriegeschichte trifft digitale Gebäudeeffizienz

KI-gestützte Dekarbonisierung im gesamten Portfolio – AEW Invest

5 Millionen Quadratmeter echte Wirkung

Zusammenarbeit mit Deka Immobilien

Unser Optimization Bundle

aedifion.controls framework

Einsparungen

Product Updates – März/April 2026

Integration of digital twins and machine learning for predictive maintenance using APAR method rules in non-residential buildings

Adapting to Change: A Comparison of Continual and Transfer Learning for Modeling Building Thermal Dynamics under Concept Drifts (v2)

Implementation Lessons and Future Pathways for Scalable Model Predictive Control in Large Commercial Buildings

Labeled Datasets for Air Handling Units Operating in Faulted and Fault-free States

Leveraging Generative AI and Semantic Data for Improved Operation of a Real-Life Building

Final Report: Optimizing Facility Operations by Applying Machine Learning to the Army Reserve Enterprise Building Control System

Artificial intelligence for energy optimization in smart buildings: A systematic review and meta-analysis

AI-Driven Digital Twins for Predictive Maintenance

Data Act

Midstad und aedifion: KI-gestützte Energieoptimierung für Gewerbeimmobilien

aedifion.analytics – Fundamentals

Passende Deep Dives