INNOVATION SCOUT · IMPULSPROFIL

Smart-Building- und Betriebsservices

Smart-Building- und Betriebsservices verbinden Gebäudedaten mit wiederkehrender Analyse, Optimierung, Wartungsunterstützung und Ergebnisreporting. 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 prädiktive HLK-Regelung 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 aedifion im April 2026 die laufende Analyse von über 11.000 Datenpunkten aus 250 Räumen. Laut Anbieter wurden RLT-Zeitprogramme 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

Ausbau, aktiver Betrieb und Rolloutbeginn unterscheiden

Studien-/Praxisbefund

Der AEW-Bericht 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. Deka meldete im Januar 2026 die Auswahl von Recogizer 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

AEW liefert einen begrenzten Vergleich zwischen früherem Pilot und späterer Mehrfachumsetzung. New Eastside ergänzt einen benannten aktiven AEW-Fall, ist aber nicht nachweislich Teil des angegebenen 58-Objekte-Teilportfolios. Exakte Aktivierungsdaten und Gesamtzahl bleiben offen. Vertragsauswahl, Ausbauabsicht und prognostizierte Jahreswirkung werden nicht als abgeschlossene Nutzung gezählt.

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

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 FM-Personal 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

Regelmäßige Teilservices können etabliert sein, während neue Assistenz- oder Transfermethoden noch erprobt werden. Öffentlich angebotene Betreuung klärt jedoch nicht automatisch Preis, Service-Level, Risikoverteilung oder garantierte Einsparung. Für kleine Portfolios muss der Aufwand der Einrichtung und Betreuung gesondert beurteilt werden.

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 Edge-Gerät über MQTT/AMQP. Lese- und Schreibpins werden Anlagenpunkten zugeordnet; Befehle besitzen Identität, Grenzprüfung, Priorität und Bestätigung. Fehlende Alive-Meldungen lösen konfigurierte lokale Rückfallwerte aus. Virtuelle Testpunkte ermöglichen eine Prüfung vor Aktivierung, BACnet-Prioritäten eine Übersteuerung.

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

Fachliche Einordnung

Die Dokumentation macht technische Kontrollpunkte sichtbar, ersetzt aber keinen unabhängigen Verfügbarkeitstest. Punktzuordnung, geeigneter lokaler Basisbetrieb und objektspezifische Rückfallkonfiguration müssen zusammenpassen. Eine erfolgreiche Schreibbestätigung zeigt die Übermittlung; die tatsächliche Betriebswirkung benötigt eine eigene Rückmeldung.

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

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 Fehlerlabels; die berichteten 99,6 % Accuracy des Random Forest sind 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

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 LBNL-Bericht 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 Zuordnung, beseitigt aber weder Laufzeitprobleme noch Sonderzustände. Betreiber und Integratoren benötigen einen Weg, reale Änderungen in Modelle und zulässige Betriebsmodi zu übernehmen. Frühere extrapolierte Jahreskosten unter experimentellen Preisen sind kein neuer gemessener Nettojahreseffekt; widersprüchliche Aufwandssummen werden nicht zu einer Amortisation verrechnet.

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 AHU-Datenartikel 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 Neo4j mit InfluxDB-Zeitreihen für Diagnoseerklärungen und Vorschläge verbindet. Der Kapitelvolltext war nicht zugänglich.

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

Datenbereitstellung ist eine Voraussetzung für bessere Prüfungen, kein Nachweis eines funktionierenden Transferdienstes. Beim Assistenzfall lassen sich Fehlalarmreduktion und Vergleichsbedingungen aus dem Abstract nicht belastbar quantifizieren. Neue Publikation, neue Methode und tatsächlich verbreitete Servicefunktion bleiben verschiedene Aussagen.

Ohne Intervention keine Prüfung der Wartungswirkung

Studien-/Praxisbefund

Der PNNL-Bericht 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. Der Bericht dient hier ausschließlich als historischer Gegenbefund zur Leistungskette.

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. Dieser aus dem Gegenbefund abgeleitete Kontrollpunkt behauptet keinen bereits durchgängig realisierten CAFM-Prozess in den aktuellen Fällen.

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

Energieprognose ist noch kein Wartungsdienst

Studien-/Praxisbefund

Der EC3-Beitrag von Juli 2025 verbindet in einem Hochschulgebäude BIM, Gebäudeautomation und FM-Metadaten über Tandem. Die LSTM-Pipeline aktualisiert Energieprognosen alle 15 Minuten und berichtet 2,98 % MAPE 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

Reviews, Releases und Datenzugang richtig verwenden

Studien-/Praxisbefund

Der Energie-Review vom November 2025 reicht in seiner Suche nur bis März 2024 und liefert keine neue Primärmessung kommerzieller Dienste. aedifions datierte Produktmitteilungen von März und April 2026 beschreiben Assistenzänderungen und Jahreshochrechnungen für kürzere Datenreihen. Die offizielle EU-Übersicht zum Data Act behandelt Datenzugang und Anbieterwechsel, ohne einen konkreten funktionierenden Gebäudeanschluss zu belegen.

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) 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 Quelle 17: Data Act, Fundstelle(n): Background and Highlights; Switching between providers; Cost-effective repair and maintenance

Fachliche Einordnung

Reviewwissen hilft bei der Einordnung, ein Release belegt Produktarbeit und Datenzugang ist eine Voraussetzung. Daraus folgen jeweils weder tatsächliche Nutzung noch technische Stellrechte oder garantierte Wirkung. Ein Building Operating System, Monitoring-as-a-Service oder Energy-as-a-Service muss deshalb durch den konkreten Leistungsumfang erläutert werden.

Warum Smart-Building- und Betriebsservices relevant ist

Reifegraderste Marktanwendung bis etablierte Anwendung

MR-04–MR-06 bleibt für abgegrenzte Teilservices bestehen. 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 kein zusätzliches Kriterium.

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

EV-03 wird für ausdrücklich abgegrenzte Aussagen beibehalten: nachvollziehbare Originalarbeiten dokumentieren Integrationsschritte, Versuchsdesigns und konkrete Feldprobleme; benannte Gebäude zeigen umgesetzte Maßnahmen. Die kommerzielle Evidenz bleibt überwiegend anbieterabhängig, Diagnosemodelle benötigen reale Fehlerreferenzen. Allgemeine Nettoeinsparung, Komfortverbesserung oder Vollkostenrendite sind durch diese Befunde nicht belegt.

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

EntwicklungsdynamikAktive Weiterentwicklung

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

ED-02 stützt sich auf mehrere aktuelle Methoden-, Daten- und Integrationslinien von 2025/26. Simulierte Langzeitveränderungen, neue AHU-Daten und dokumentierte Feldintegration bearbeiten unterschiedliche Betriebsprobleme. Datierte Assistenz- und Reporting-Releases ergänzen diese Entwicklung. Die Quellen zeigen Aktivität, aber keine unabhängig verglichene Beschleunigung der Entwicklungsrate.

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.

MD-02 bezieht sich auf die bis April 2026 berichtete Mehrgebäudeausweitung bei AEW: Auf den Pilot ONE COLOGNE von 2021 folgen mehrere umgesetzte Projekte; New Eastside ergänzt einen benannten aktiven Kundenfall. Anbieterpublizierte Kundenbestätigung trägt diesen begrenzten Vergleich. Sie belegt weder einen vollständig aktivierten 58-Objekte-Rollout noch Ausbau ausschließlich im letzten Jahr. Deka-Rolloutbeginn und Midstad-Pläne werden nicht als abgeschlossene Ausweitung gezählt.

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 BIM-/BAS-/FM-Prototyp zeigt, welche Objektbezüge im Betrieb benötigt werden. Die Relevanz liegt in dieser Daten- und Anforderungsübergabe; ein eigenständiger generativer Planungsservice ist hier nicht belegt.

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

Eine konkrete Übergabe der Betriebsanalysen in Ausschreibung, Beschaffung oder vertragliche Abnahme ist in den geprüften Fällen nicht dokumentiert. Die bisherige Zuordnung bleibt bestehen; indirekte Beiträge bleiben möglich. Die belegte Auswahl eines Betriebsdienstleisters allein zeigt noch nicht, welche Analyseergebnisse in den Vergabeprozess eingehen.

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. Diese konkrete Vorleistung begründet die indirekte Relevanz für die Bauausführung.

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. Diese indirekte Anschlussrelevanz wird fortgeführt. Ein tatsächlich eingesetzter KI-Rückbaudienst oder gemessener Reuse-Effekt ist durch die hier geprüften Betriebsfälle nicht neu belegt.

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. Eine bessere Entscheidungsgrundlage ist der Nutzenmechanismus; eine allgemeine Rendite oder garantierte Einsparung ist nicht belegt.

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 Produktpflege unterstützen; zusätzliche Umsätze oder vermiedene Ausfälle werden daraus nicht ohne Messung abgeleitet.

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 Ressourcenwirkung prägen die betrachteten Betriebsleistungen und begründen das Primärfeld. Optimierte RLT-Zeitprogramme sind ein konkretes Beispiel. Energie-, Kosten- und CO₂-Anzeigen müssen mit ihren Mess- oder Modellannahmen gelesen werden; eine allgemeine Nachhaltigkeitswirkung folgt nicht allein aus der KI-Nutzung.

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 BIM-, BAS- und FM-Bezüge; gleichzeitig bleiben Alarmübergaben und Pflegeaufwand sichtbar. Ein digitaler Zwilling ist damit ein Informations- und Zustandsbezug, kein automatischer Nachweis eines wirksamen Wartungsdienstes.

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.

Fachbegriffe und Detailthemen

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.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (17 Textstellen)
- Projektablauf und KernmaßnahmenTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 39
- Eckdaten; Projektablauf; Einsparung; Publikationsdatum 15.04.2026Textstelle 3 Textstelle 7 Textstelle 8 Textstelle 10 Textstelle 39 Textstelle 42 Textstelle 45
- KernmaßnahmenTextstelle 3 Textstelle 6 Textstelle 32
- ProjektablaufTextstelle 9 Textstelle 10 Textstelle 12 Textstelle 31 Textstelle 39 Textstelle 41
- Projektablauf; DatumTextstelle 10 Textstelle 34
- Umsetzung mit Asset-/Facility-ManagementTextstelle 12 Textstelle 41 Textstelle 42
- Aufgabenstellung; KernmaßnahmenTextstelle 45
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 nicht Zahl aktiver KI-Objekte. Gleiche Anbieter-/Kundenkette wie S-001.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Portfolio-Eckdaten; Projektablauf; Erfolgsfaktoren; Kunden-FeedbackTextstelle 9 Textstelle 10 Textstelle 35 Textstelle 41
- Projektablauf; Kunden-FeedbackTextstelle 10 Textstelle 34
- Portfolioanalyse; ErfolgsfaktorenTextstelle 35
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 31
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 37
- Rollout hat ... begonnenTextstelle 10 Textstelle 34
- Ausschreibung und RolloutbeginnTextstelle 37
Quelle 5
Unser Optimization Bundle
Herausgeber
aedifion
Publiziert
undatiert
Quellentyp
Anbieterprimärquelle / technische Dokumentation
Geltungsbereich
Substanzieller Leistungsumfang und Grenzen in FAQ. Undatiertes aktuelles Angebot; Werbequoten und Rechtsversprechen nicht übernommen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- Software-Bausteine; FAQTextstelle 1 Textstelle 4 Textstelle 30
- Software-Bausteine; FAQ Benötige ich ... Personal; Für welche Art Gebäude; BundlesTextstelle 4 Textstelle 6 Textstelle 11 Textstelle 12 Textstelle 42
- FAQ Personal; Software-BausteineTextstelle 12 Textstelle 42
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 38 Textstelle 43 Textstelle 44 Textstelle 46
- Safety featuresTextstelle 5 Textstelle 14
- Component models; controls libraryTextstelle 38
- Component models; Safety featuresTextstelle 43 Textstelle 44
- Process; Component modelsTextstelle 46
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 39
- Haftungsausschluss; Hauptfunktionen; Wie es funktioniertTextstelle 2 Textstelle 3 Textstelle 6 Textstelle 15 Textstelle 16 Textstelle 39
- 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 (4 Textstellen)
- Jährliche KPIs für Projekte mit weniger als 12 Monaten Datenbasis (April 2026); Intelligentere ... Empfehlungen (März 2026)Textstelle 2 Textstelle 29 Textstelle 30 Textstelle 33
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 vollständig im HTML zugänglich; technische Methoden und Grenzen prüfbar. 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 32
- 3.1; 3.2.3–3.2.5; 3.3.1; 4.10–4.11Textstelle 5 Textstelle 17 Textstelle 18 Textstelle 32 Textstelle 48
- 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
Lesbarer Autoren-Volltext mit Simulationsdesign und Grenzen; Journalmetadaten 01.03.2026 über TUM zusätzlich geprüft. Keine Feldvalidierung, v1 und v2 nicht vermischen.
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 48
- 4.3; ConclusionTextstelle 33
- 2.4–2.5Textstelle 48
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.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- 4.2–4.3Textstelle 3 Textstelle 5 Textstelle 6 Textstelle 26 Textstelle 32
- gedruckte S. 3–8: 3.2, 4.1–4.3, Tabelle 1Textstelle 5 Textstelle 21 Textstelle 22 Textstelle 32 Textstelle 43 Textstelle 44
- 3.2; 4.3Textstelle 33
- 4.3Textstelle 43 Textstelle 44
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 33
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
Autorenabstract und bibliografischer Nachweis gelesen; Kapitelvolltext nicht zugänglich. Ein Raum im ZEB-Labor, keine überprüfbaren Fehlalarmzahlen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Abstract; Date; BookTextstelle 3 Textstelle 23 Textstelle 24
- AbstractTextstelle 33
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
Originalbibliografie und Methodik geprüft; Review mit Suchende März 2024, heterogenen Primärstudien und unstimmiger Rangformulierung im Abstract. Nur Altquellenkontext, keine gepoolte Sparquote.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Abstract; Search strategy and information sources; About this articleTextstelle 29 Textstelle 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 Originalbeitrag gelesen; Konferenz 14.–17.07.2025. Einzelgebäude und Energieprognose-PoC, 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 36 Textstelle 40 Textstelle 47
- System Integration; FM Systems IntegrationTextstelle 36 Textstelle 40
- System IntegrationTextstelle 47
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 29 Textstelle 30
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 34
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 41 Textstelle 45

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

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

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