Engineering im Zeitalter der KI

Was große Sprachmodelle für IoT verändern

Dr.-Ing. Lena Golgolnia · 21. Oktober 2026 · 11 Min. Lesezeit

Kurz gefasst

IoT hat weit weniger geliefert, als seine Daten versprachen. In Gebäuden war nicht das Erfassen der Daten der wichtigste Engpass, sondern das Verständnis, was jeder Datenpunkt bedeutet.⁴
Große Sprachmodelle arbeiten genau auf dieser Ebene: Sie lesen Bezeichnungen, ordnen sie gemeinsamen semantischen Modellen zu, beantworten Fragen in Alltagssprache und übersetzen Absichten in Analyselogik.
Frühe Forschungsergebnisse sind stark, wo das LLM strukturiert und erklärt, und schwach, wo es rohe Zeitreihen direkt lesen soll.¹³
Die Steuerung ist Neuland. Simulationsstudien sind vielversprechend, doch ein LLM, das auf physische Systeme einwirkt, braucht strikte Grenzen und menschliche Freigabe für folgenreiche Aktionen.¹⁸
EU-Regeln zur Gebäudeautomation machen das zu einer praktischen, nicht akademischen Frage: Nach nationalen Vorschriften zur Umsetzung der EPBD müssen größere Nichtwohngebäude bereits Automationssysteme haben, die überwachen, analysieren und interoperabel sind.²⁰

Warum IoT hinter den Erwartungen blieb

Der Betrieb von Gebäuden macht rund 30 % des weltweiten Endenergieverbrauchs aus.²³ Die Internationale Energieagentur schätzt, dass sich ihr Energieverbrauch um 10 % senken ließe, wenn Echtzeitdaten zur Verbesserung des Betriebs genutzt würden.²⁴ Seit mehr als einem Jahrzehnt verspricht das Internet der Dinge, genau diese Daten zu liefern. Die Daten hat es geliefert. Den Nutzen nur selten.

Das Muster war früh zu erkennen. McKinsey stellte fest, dass auf einer typischen Ölplattform nur etwa 1 % der Daten aus den 30.000 Sensoren genutzt wurde.¹ Für Gebäude ergab eine Omdia-Umfrage unter 248 Nutzern im Jahr 2020, dass 77 % der Smart-Building-Nutzer die Daten ihrer Anlagen aufbewahren, 42 % sie aber nicht analysieren.⁵ McKinsey nannte später Interoperabilität und Installation als wichtigste Hemmnisse: Fast jede große Installation braucht individuelle Anpassungen.²

Der eigentliche Grund sind nicht fehlende Sensoren. Es fehlt die Bedeutung. Ein Gebäudeautomationssystem kann Tausende Datenpunkte mit Bezeichnungen wie AHU2_SAT_SP oder Rm214.T enthalten, nach Konventionen, die sich von Standort zu Standort unterscheiden, sofern es überhaupt eine gibt. Die Metadaten eines typischen fünfgeschossigen Bürogebäudes zu normalisieren, kann Wochen an Expertenarbeit kosten; die Forschenden bezeichnen diesen Ansatz als eindeutig nicht skalierbar.³ Forschende des Lawrence Berkeley National Laboratory beschreiben das Verständnis der Datenströme eines Gebäudes als den größten Engpass bei der Digitalisierung von Bestandsgebäuden.⁴

Die Ebene, die LLMs verändern

Es hilft, ein IoT-System als Stapel aus fünf Ebenen zu sehen, vom Gerät an der Wand bis zur Aktion im Gebäude. Klassisches IoT und klassische Analytik haben die unteren Ebenen verbessert: günstigere Sensoren, bessere Konnektivität, Speicherung in der Cloud. Die Ebene in der Mitte, auf der Daten ihre Bedeutung erhalten, blieb Handarbeit. Genau auf dieser Ebene sind große Sprachmodelle am stärksten.

Abbildung 1. LLMs stiften den meisten Nutzen dort, wo IoT am schwächsten war: wenn aus Daten Bedeutung und Entscheidungen werden.

Hier habe ich auch in meiner eigenen Arbeit am meisten gelernt. Raumbedingungen rund um die Uhr zu messen, ist ein gelöstes Problem. Ob diese Messungen für die Menschen, die ein Gebäude betreiben, etwas bedeuten, in ihren Begriffen und für ihre Entscheidungen, daran entscheidet sich, ob Projekte gelingen oder stecken bleiben.

Vier Verschiebungen

1. Vom Namenschaos zu gemeinsamen semantischen Modellen

Die Gebäudebranche arbeitet seit Jahren an gemeinsamen Vokabularen für Datenpunkte. Brick und Project Haystack kündigten 2018 an, ihre Ansätze in den geplanten Standard ASHRAE 223 einzubringen.⁶ Der Standardentwurf 223P durchlief im Frühjahr 2026 eine zweite öffentliche Prüfung und ist noch nicht final,⁷ und das US-Energieministerium weist darauf hin, dass keines der bestehenden Schemata bisher ein Konsensstandard ist.⁸ Die Schemata gibt es; der Engpass war der Expertenaufwand, jedes Gebäude darauf abzubilden.

LLMs verändern diesen Aufwand. Forschende am Berkeley Lab haben dargelegt, wie LLMs Brick-Modelle erstellen und abfragen können, gerade weil Aufbau und Abfrage von Ontologien knappes Fachwissen erfordern.⁹ Ein Ansatz von AWS aus dem Jahr 2026 ordnet Datenpunkte der Gebäudeautomation Brick-Klassen zu, indem er das Abrufen ähnlicher, bereits bezeichneter Beispiele mit mehreren Modellen kombiniert, und gibt unsichere Fälle an menschliche Prüfer weiter; in den getesteten Gebäuden übertraf er frühere feinabgestimmte Sprachmodelle.¹⁰ Das Muster zählt mehr als die Zahlen: Die Maschine erledigt den Großteil der Zuordnung, die Fachleute entscheiden die Zweifelsfälle.

2. Von Dashboards zu Fragen

Dashboards beantworten die Fragen, an die jemand beim Erstellen gedacht hat. Betreiber haben andere Fragen. Das Berkeley Lab hat einen Ansatz gezeigt, bei dem ein Modell eine Frage in Alltagssprache in eine Abfrage über das semantische Modell des Gebäudes übersetzt, die passenden Zeitreihen aus dem Automationssystem abruft und die Antwort berechnet.¹¹ In einem öffentlichen Benchmark verbesserte die Methode BrickQA die Antwortgenauigkeit (F1) im Mittel um 0,29 bis 0,36 gegenüber einer üblichen Agenten-Baseline, bei etwa einem halben Cent pro Frage in der günstigsten Konfiguration, und beantwortete 9 von 10 Zeitreihenfragen auf einem Datensatz zur Fehlererkennung korrekt. Die Autoren weisen darauf hin, dass die Ergebnisse aus einem einzigen Durchlauf mit einem Modell auf kleinen, bereinigten Datensätzen stammen.¹²

3. Von Schwellenwerten zu Regeln, die erklären

Die Fehlererkennung in Gebäuden stützt sich seit Langem auf feste Schwellenwerte oder undurchsichtige Machine-Learning-Modelle. In einer Studie aus dem Jahr 2025 schrieb und verfeinerte ein LLM Erkennungsregeln als ausführbaren Code. Es erreichte auf einem öffentlichen HLK-Fehlerdatensatz einen F1-Wert von 0,926, gegenüber 0,902 für die nächstbeste Methode, während zwei Methoden, bei denen das LLM die Zeitreihen direkt las, auf 0,083 und 0,021 kamen.¹³ Daraus folgt eine klare Lehre für das Design: Das Sprachmodell soll Logik erzeugen, die Ingenieurinnen und Ingenieure lesen und testen können, und konventioneller Code soll diese Logik auf die Daten anwenden.

4. Vom Monitoring zu Vorschlägen für die Steuerung

Die ehrgeizigste Verschiebung führt vom Beobachten eines Gebäudes zum Handeln. Frühe Arbeiten zeigten, dass GPT-4 mit Aufgabenbeschreibungen und Beispielen eine HLK-Anlage ähnlich gut steuern konnte wie Reinforcement Learning, bei wenigen Stichproben.¹⁵ In einer Simulation eines Büros mit fünf Zonen aus dem Jahr 2026 kam ein LLM-basierter Regler auf 4,95 % Komfortverletzungen, gegenüber 18,49 % bei modellprädiktiver Regelung und 28,91 % bei regelbasierter Steuerung, und verbrauchte dabei weniger Energie als die prädiktive Regelung, aber mehr als die regelbasierte Baseline.¹⁶ Die Studie umfasst ein simuliertes Gebäude über drei Wintertage, mit Sollwerten, die auf sichere Grenzen beschränkt waren. Sie zeigt Potenzial, keinen Beweis.

Tabelle 1. Die vier Verschiebungen im Überblick
Verschiebung	Was das LLM tut	Reifegrad
Semantische Zuordnung	Liest Bezeichnungen von Datenpunkten und schlägt ihre Bedeutung in einem gemeinsamen Schema vor	Starke frühe Ergebnisse; menschliche Prüfung der Zweifelsfälle
Fragen in Alltagssprache	Übersetzt eine Frage in eine Abfrage und eine Antwort	Funktionierende Forschungsprototypen; Genauigkeit noch begrenzt
Regeln, die erklären	Schreibt Analyse- und Fehlerregeln als lesbaren Code	Starke Ergebnisse auf öffentlichen Datensätzen
Vorschläge für die Steuerung	Schlägt Sollwerte und Zeitpläne vor	Nur in Simulation; braucht Grenzen und Freigabe

Wo LLMs nicht helfen

Dieselbe Forschung, die das Potenzial zeigt, markiert auch die Grenzen. In einer Analyse von drei LLM-basierten Prognosemethoden verringerte das Entfernen des Sprachmodells oder sein Ersatz durch eine einfache Attention-Schicht die Genauigkeit nicht und verbesserte sie meist sogar.¹⁴ Für Zahlen bleiben speziell entwickelte Modelle besser und günstiger. Eine Übersichtsarbeit zu LLMs für Energieanwendungen in Gebäuden nennt Rechen- und API-Kosten, Datenschutz, fehlendes Fachwissen und uneinheitliche Antworten als die wichtigsten Herausforderungen und empfiehlt Validierung und Prüfung durch Fachleute.¹⁷

Daraus folgen drei praktische Grenzen. Erstens kann ein LLM schlechte Daten nicht reparieren, sondern sie nur flüssiger beschreiben. Zweitens brauchen viele Entscheidungen im Gebäude Antworten in Sekunden und müssen auch dann funktionieren, wenn die Verbindung ausfällt; das spricht für kleine Modelle oder einfache Logik nah an der Anlage. Kleine Modelle, die auf einem Smartphone laufen, zeigen, dass das machbar ist.¹⁹ Drittens ist jede neue Fähigkeit auch eine neue Angriffsfläche.

Die Beziehung wirkt auch in die andere Richtung. IoT gibt der KI etwas, das ihr fehlt: fortlaufende, gemessene Fakten über die physische Welt. Ein KI-System, das ohne Live-Daten über ein Gebäude urteilt, rät. Mit ihnen lassen sich seine Vorschläge an dem prüfen, was tatsächlich geschieht.

Gestaltungsprinzipien

Aus der Studienlage und aus dem Bau solcher Systeme ergeben sich sechs Prinzipien.

Tabelle 2. Prinzipien für die Verbindung von LLMs und IoT
Prinzip	Warum
Zuerst das semantische Modell	Jede spätere Nutzung, von Fragen bis zur Steuerung, hängt davon ab, zu wissen, was jeder Datenpunkt bedeutet.^4,8
Das LLM schreibt die Logik, Code führt sie aus	Erzeugte Regeln sind lesbar und testbar; das direkte Lesen von Zeitreihen schneidet schlecht ab.¹³
Minimale Rechte für Agenten	Agenten erhalten nur die Werkzeuge und Berechtigungen, die sie brauchen; die Autorisierung liegt im nachgelagerten System.¹⁸
Menschliche Freigabe für folgenreiche Aktionen	OWASP empfiehlt, dass eine Person folgenreiche Aktionen freigibt, bevor sie ausgeführt werden.¹⁸
Begrenzte Steuerung	Sollwerte bleiben innerhalb von Grenzen, die konventionelle Sicherheitslogik durchsetzt, egal was das Modell vorschlägt.¹⁶
Sicherheit als Produktpflicht	Vernetzte Geräte fallen unter den EU Cyber Resilience Act; Meldepflichten gelten seit September 2026.²²

Warum es jetzt zählt

In der EU ist Gebäudeautomation für größere Gebäude nicht mehr optional. Die Neufassung der Richtlinie über die Gesamtenergieeffizienz von Gebäuden verpflichtet die Mitgliedstaaten sicherzustellen, dass Nichtwohngebäude, deren Anlagen für Heizung, Klimatisierung oder kombinierte Heizung bzw. Klimatisierung und Lüftung mehr als 290 kW Leistung haben, bis Ende 2024 mit Systemen für Gebäudeautomation und -steuerung ausgestattet sind, und solche mit mehr als 70 kW bis Ende 2029, sofern technisch und wirtschaftlich machbar. Diese Systeme müssen den Energieverbrauch überwachen, protokollieren und analysieren, Effizienzverluste erkennen und über proprietäre Technologien hinweg interoperabel sein; seit dem 29. Mai 2026 müssen sie außerdem die Innenraumqualität überwachen können.²⁰ Der Smart Readiness Indicator, heute ein optionales EU-Verfahren,²¹ soll über einen delegierten Rechtsakt, den die Kommission bis zum 30. Juni 2027 erlassen muss, auf Nichtwohngebäude über 290 kW angewendet werden.²⁵

Die Pflicht erzeugt die Daten. Große Sprachmodelle machen es weit günstiger, aus diesen Daten Verständnis zu gewinnen. Organisationen, die beides sorgfältig verbinden, mit klarer Semantik, begrenzter Autonomie und Menschen, die über das Handeln des Gebäudes bestimmen, werden den Nutzen erzielen, den IoT lange versprochen hat.

Häufige Fragen

Kann ein großes Sprachmodell Sensordaten direkt analysieren?

Es kann, ist aber oft nicht das beste Werkzeug. Die Forschung zeigt, dass LLMs, die rohe Zeitreihen lesen, schlecht abschneiden, während LLMs, die Analyseregeln oder Abfragen schreiben, die dann von konventionellem Code ausgeführt werden, gut abschneiden. Das LLM ist am stärksten bei Bedeutung und Logik, nicht bei den Zahlen selbst.

Was ist ein semantisches Modell eines Gebäudes?

Eine strukturierte Beschreibung der Anlagen und Datenpunkte eines Gebäudes, etwa welcher Sensor welchen Raum misst und welches Ventil zu welchem Lüftungsgerät gehört. Brick, Project Haystack und der Entwurf des Standards ASHRAE 223 sind die wichtigsten Schemata.

Sollte ein KI-Agent HLK-Anlagen eigenständig steuern?

Nicht ohne Grenzen. Agenten sollten nur die Berechtigungen erhalten, die sie brauchen, Sollwerte sollten durch konventionelle Sicherheitslogik begrenzt sein, und folgenreiche Aktionen sollte eine Person freigeben. OWASP zählt übermäßige Handlungsfreiheit zu den größten Risiken von LLM-Anwendungen.

Braucht man dafür neue Sensoren?

Oft nicht. Der größte Gewinn liegt darin, vorhandene Daten aus Gebäudeautomation und IoT verständlich und nutzbar zu machen. Neue Sensoren helfen dort, wo wichtige Bedingungen, etwa die Raumluftqualität, gar nicht gemessen werden.

Welche Vorschriften sind relevant?

In der EU stellt die Richtlinie über die Gesamtenergieeffizienz von Gebäuden Anforderungen an Systeme für Gebäudeautomation und -steuerung in Nichtwohngebäuden, und der Cyber Resilience Act legt Sicherheits- und Meldepflichten für vernetzte Produkte fest.