KI in der Wasserwirtschaft: vom Datenberg zum Mehrwert
mit Prof. Dr. Mark Oelmann
Darum geht's in dieser Folge
Wasserversorger sitzen auf einem Datenschatz, den sie nur selten ausschöpfen. Gleichzeitig wächst der Druck: Extremwetter, steigende Kosten und schwindende Fachkräfte verlangen neue Antworten. KI kann eine davon sein. Aber wie gelingt der Einstieg? Was braucht es wirklich, damit KI in der Wasserwirtschaft einen Unterschied macht, technisch und organisatorisch? Darüber haben wir mit Prof. Dr. Mark Oelmann gesprochen. Er erklärt, warum die Datengrundlage bei vielen Versorgern besser ist als gedacht, warum erfahrene Mitarbeitende keine Konkurrenz für KI-Systeme sind, sondern ihre Voraussetzung und warum das erste Projekt klein und konkret sein sollte.
Prof. Dr. Mark Oelmann ist Professor für Wasser- und Energieökonomik an der staatlichen Hochschule Ruhr West in Mülheim an der Ruhr und Geschäftsführer der Beratungsunternehmen MOcons und MOcons Analytics. Er bewegt sich seit über 25 Jahren in der deutschen Wasser- und Abwasserwirtschaft, beschäftigt sich dort seit über zwölf Jahren mit Digitalisierungsthemen und ist Mitautor des HRW-Digitalisierungsindex für die Wasserwirtschaft. Im Bereich Künstliche Intelligenz liegt sein Schwerpunkt auf der KI-gestützten Datenvalidierung, Echtzeitproblemerkennung und Prognoseerstellung, mit dem Ziel, Wasserversorger vom reinen Datenmanagement hin zu einem intelligenten Prozessmanagement zu führen.
Unter Druck
Warum die Wasserwirtschaft stärker auf Daten setzen muss
Die Wasserwirtschaft steht vor großen Herausforderungen. Extremwetter, steigende Energiekosten, höhere Anforderungen an die Energieeffizienz und der Fachkräftemangel erhöhen den Druck auf die Branche. Für diese Entwicklungen braucht es neue Lösungsansätze. Prof. Dr. Mark Oelmann sieht großes Potenzial in KI-Systemen. Künstliche Intelligenz kann helfen, Prozesse effizienter zu gestalten und Kosten zu senken.
Alternde Infrastruktur und Investitionsdruck
Die Notwendigkeit, Ersatz- und Neuinvestitionen zu tätigen, stellt angesichts knapper Finanzmittel eine echte Herausforderung dar. Laut Oelmann geht es nicht nur um steigende Wasserpreise, sondern darum, ob die Finanzierungskraft überhaupt ausreicht. Durch KI und Datennutzung lässt sich die Instandhaltung optimieren, Assets länger nutzen und die Effizienz von Investitionen steigern.
Extremwetterereignisse
Längere Dürreperioden, sinkende Grundwasserstände, die Frage nach weiteren Quellen oder regionaler Vernetzung mit anderen Versorgern – das sind Entwicklungen, die durch Extremwetterereignisse getrieben sind. Im Abwasserbereich gewinnt das Thema Hochwasserprognosen an Bedeutung.
Fachkräftemangel und Wissensverlust
Der Fachkräftemangel ist laut Oelmann besonders drängend: “Bei vielen Versorgern gehen Leute mit jahrzehntelangem Fachwissen über die Anlagen in den nächsten Jahren in den Ruhestand.“ Die Frage ist: Wie lässt sich deren Wissen sichern?
Klassische Ansätze wie “Schreib doch mal deine Erfahrung in einem Wiki auf“ hält Oelmann für unzureichend. Es braucht intelligentere Überlegungen, wie dieses Wissen gesichert werden kann.
Gemeinsam stärker
Warum KI ohne erfahrene Fachkräfte nicht funktioniert
Das beste KI-System hat keinen Effekt, wenn der Mensch nicht mit der Maschine zusammenarbeitet. Die Stärke der KI, Daten zu analysieren, braucht die Interpretation und Erfahrung der Fachkräfte. Denn jede Anlage hat ihre Spezifika.
Was KI kann und was nicht
KI ist eine Ergänzung. Ihre Stärke liegt darin, riesige Datenmengen schnell zu durchsuchen und strukturelle Auffälligkeiten zu finden. Ihre Grenze: Sie kann nicht beurteilen, ob eine Auffälligkeit ein Messfehler, ein Betriebsproblem oder ein normaler Vorgang ist.
Prof. Dr. Oelmann beschreibt es so: „Wer seit 30 Jahren in einem Wasserwerk arbeitet und jede Schraube beim Namen kennt, ist unverzichtbar.“ Die KI kann keine Entscheidung treffen und die Fachkraft kann diese Menge an Daten nicht überblicken. Erst durch die Kombination entsteht ein Ergebnis, das keiner allein erreichen würde.
Widerstand vorbeugen: Einbindung von Anfang an
Damit diese Kooperation entsteht, braucht es Feingefühl, besonders bei der Frage, wie KI im Unternehmen eingeführt wird. Wer dabei die Erfahrung der Mitarbeitenden nicht sichtbar wertschätzt, riskiert das Gegenteil von dem, was er erreichen will.
Oelmann warnt: „Wenn ein Dienstleister ins Unternehmen geht und sagt, ihr müsst hier nichts mehr machen, mit KI wird alles besser, lautet die Botschaft: Die Tatsache, dass du hier 25, 30 Jahre arbeitest, hat keinen Wert.“
Deshalb plädiert Prof. Dr. Oelmann dafür, die betrieblichen Experten von Anfang an einzubinden. So sehen sie sich selbst als Teil des Projekts und können Potenziale der KI erkennen. Andernfalls kann sie als Konkurrenz wahrgenommen werden.
Prof. Dr. Oelmann beschreibt mögliche Folgen: „Wer die Mitarbeitenden nicht einbindet, wird erleben, dass sie Fälle sammeln, wo die vermeintliche Supersoftware nicht funktioniert. Dann landet das System im Papierkorb, das ist so sicher wie das Amen in der Kirche.“
Die erfolgreiche Umsetzung setzt voraus, dass alle Beteiligten von Anfang an dabei sind. Mensch und Maschine anstelle von Mensch versus Maschine. Die Angst der Angestellten sollte ernst genommen werden.
Die Grundlage schaffen
Was saubere Daten mit dem Erfolg eines KI-Projekts zu tun haben
Wenn die Daten nicht korrekt sind, wird die KI fehlerhafte Ergebnisse liefern. Ganz nach dem Motto „garbage in, garbage out“. Mehrwert entsteht nur, wenn die Daten geordnet und validiert sind. Datenvalidierung wird damit zu einem entscheidenden Faktor, der bestimmt, ob sich die Investition in ein KI-System lohnt oder nicht.
Vier typische Qualitätsprobleme
Oelmann nennt vier Kennzeichen geringer Datenqualität: fehlende Daten, Sensordrift, Betriebsanomalien und Fehler in der IT-Struktur.
Fehlende Daten: Um Informationen zu sammeln, müssen sie zunächst gemessen und übertragen werden. Anschließend werden die Werte gesammelt und gespeichert. Auf diesem Datenweg kann es zu verschiedenen Problemen kommen, sodass am Ende wichtige Daten fehlen. Laut Oelmann wird dann meistens der letzte Wert genommen, was Ergebnisse verfälschen kann. Ab wann fehlende Daten ein Problem sind, lässt sich nicht pauschal beantworten, sondern hängt von der Messfrequenz ab.
Sensordrift: Ein typisches Beispiel ist ein verschmutzter Sensor in der biologischen Klärung eines Abwasserwerks. Prof. Dr. Oelmann beschreibt Folgen: „Das zu reinigende Abwasser wird als verschmutzter angesehen, als es ist. Der Steuerungsimpuls geht raus und bis der Sensordrift erkannt ist, wird viel mehr Sauerstoff genutzt als eigentlich notwendig. Das sind dann alles Energiekosten.“
Oft fällt Sensordrift nicht sofort auf, die Anlage läuft weiter und die Kosten steigen. Genau deshalb ist die Überprüfung der Datenqualität kein einmaliger Schritt, sondern eine laufende Aufgabe.
Sensordrift ist dabei kein Problem, das auf die Abwasserentsorgung beschränkt ist. Oelmann beobachtet es in gleicher Weise in der Wasserversorgung und im Gewässermonitoring.
Betriebsanomalien: Betriebsanomalien sind keine falschen, sondern auffällige Werte, z. B. beim Spülen einer Leitung oder bei einer Pumpenstörung. Sie lösen falsche Schlüsse aus und lassen sich oft nur im Zusammenspiel mehrerer Messreihen und mit betrieblichem Fachwissen einordnen.
Fehler in der IT-Struktur: Datenvalidierung bedeutet auch, ob Daten nutzbar und verlässlich sind. Prof. Dr. Oelmann erklärt, wie scheinbar kleine Unstimmigkeiten die Aussagekraft ganzer Analysen untergraben können: „Wenn ich Zeitreihen miteinander verknüpfe und sie mal Sommerzeit-bereinigt sind und mal nicht, verhagelt das die Aussagekraft. Gleiches gilt für unterschiedliche physikalische Einheiten.” Solche Fehler fallen selten auf den ersten Blick auf und verfälschen die Ergebnisse.
Eine No-Regret-Maßnahme
Für Oelmann ist Datenvalidierung eine „No-Regret-Maßnahme“, und zwar aus einem entscheidenden Grund: Wer Auffälligkeiten in seinen Datenspuren analysiert, findet dort mitunter reale Betriebsprobleme.
„Plötzlich ist man nicht mehr nur im Thema Datenpflege, man ist mitten im Prozessmanagement“, sagt Oelmann. Was als Datenqualitätsprojekt beginnt, wird schnell zu etwas anderem: Die Maschine analysiert in Echtzeit große Datenmengen, Fachkräfte erkennen Auffälligkeiten und können gezielt handeln.
Damit vollzieht sich der Übergang vom Datenmanagement zum Prozessmanagement – organisch und unmittelbar.
Fünf Bereiche, in denen Wasserversorger heute schon profitieren
KI ist kein abstraktes Zukunftsthema, sondern ein Werkzeug, das heute schon konkrete Probleme löst.
Ressourcenmanagement
Klimawandel und Extremwetter werfen Fragen auf: Wie entwickeln sich Grundwasserstände? Wie verändern sich Grundwasserstände in Abhängigkeit von Niederschlägen und Bodenbeschaffenheit? Ein Gefühl für diese Dynamik zu bekommen, ist ein wichtiger Anwendungsfall.
Wasserförderung und -aufbereitung
Hier geht es um die Effizienz und Funktionsfähigkeit von Pumpen. Ein aktuelles Beispiel aus Oelmanns Arbeit: Ozonierung. Ziel ist es, die Bildung von Bromat, einer krebserregenden Substanz, frühzeitig zu erkennen und betrieblich gegenzusteuern. „Wie entdecken wir die Bildung von Bromat mittels Datenanalysen? Und wie schaffen wir Systeme, die das Betriebspersonal frühzeitig warnt?“, beschreibt Oelmann die Fragestellungen.
Verteilung
Ein klassisches Thema sind Schäden in öffentlichen Leitungen. Hier wird mit Druckzeitreihen gearbeitet, die mit Zeitreihendaten anderer Pumpen verknüpft werden, um Auffälligkeiten zu identifizieren.
Verwaltung
Dieser Bereich wird laut Oelmann oft stiefmütterlich behandelt, bietet aber einfache Möglichkeiten, Mehrwert zu schaffen. Ein Beispiel: Prognosen über das Zahlungsverhalten von Kunden. Jeder Wasserversorger muss seine Liquidität sicherstellen. Oft werden dafür Kreditlinien bei Banken eingeräumt, gegen Gebühr. „Mit KI bekomme ich ein Gefühl dafür, wann welche Zahlungen eingehen. Wenn ich dort eine größere Sicherheit generiere, führt das dazu, dass ich möglicherweise weniger Kreditlinien brauche“, erklärt Oelmann.
Behältermanagement
Für einen großen Fernwasserversorger arbeitet Oelmann aktuell am Behältermanagement. Ziel ist es, Anlagen energieeffizienter und gleichmäßiger laufen zu lassen, damit sie länger störungsfrei betrieben werden können. Grundlage dafür ist eine Wasserbedarfsprognose. „Eine Wasserbedarfsprognose ist notwendig, um Energie- und Betriebskosten zu senken, aber möglicherweise auch die einzelnen Anlagen länger nutzen zu können“, sagt Oelmann. Damit ist man wieder beim Thema Investitionskosten.
Der erste Schritt
Warum das erste KI-Projekt konkret und nah am Arbeitsalltag sein muss
Prof. Dr. Oelmann rät: Fangen Sie mit etwas Konkretem an. Manche Unternehmen wollen zunächst „die Basis schaffen“, z. B. einen digitalen Zwilling bauen und in diesem Zuge sämtliche Zeitreihen validieren. Davon rät er ab, weil es nicht nah genug am Arbeitsalltag ist: „Wenn man sich im luftleeren Raum über abstrakte Themen unterhält, langweilt uns das alle.“
Wer klein anfängt, kann schnell zeigen, dass KI entlastet und die Mitarbeitenden nicht ersetzt. Das ist der Grundstein, damit sie das nächste Projekt mittragen.
Die Rolle der internen „Link-Person“
Gleichzeitig ist es laut Oelmann sinnvoll, im Unternehmen mindestens eine Person zu haben, die ein Gefühl dafür hat, worin die Anwendungsmöglichkeiten von KI bestehen. Diese Person fungiert als Brücke zwischen den Menschen im Unternehmen und externen Dienstleistern. „Wenn es diese Person nicht gibt, reden die Leute in den Unternehmen und Dienstleister aneinander vorbei“, erklärt Oelmann.
Vollständiges KI-Know-how intern aufzubauen, hält er für nicht realistisch. In seinem Team arbeiten Mathematiker, Physiker, Informatiker, Data Scientists, Statistiker und Programmierer, die Backend, Frontend und Cloud Computing beherrschen. “Ich sehe nicht, dass sich dieses Wissen in Unternehmen aufbauen lässt“, sagt Oelmann. Die Zusammenarbeit mit externen Dienstleistern wird aus seiner Sicht eher zu- als abnehmen.
Wenn man anfängt, seine Daten wirklich zu verstehen
Sie haben die Daten geordnet, validiert und alle Fehlerquellen ausgemerzt. Die Mitarbeitenden sind eingebunden und haben die Prozesse aktiv mitgestaltet. Jetzt lässt sich echter Mehrwert aus den Daten ziehen:
Die Maschine analysiert in Echtzeit große Datenmengen, Fachkräfte erkennen Auffälligkeiten und können gezielt handeln. Was als Datenqualitätsprojekt beginnt, wird dabei schnell zu etwas anderem.
Oelmann betont, dass Datenvalidierung schnell über sich selbst hinauswächst: Wer Auffälligkeiten in seinen Datenspuren analysiert, stößt mitunter auf reale Betriebsprobleme. Was als Datenqualitätsprojekt beginnt, führt so organisch ins Prozessmanagement.
Datenvalidierung als Einstiegsprojekt
Ein guter Startpunkt ist die Datenvalidierung. Sie hat eine niedrige Hürde, liefert unmittelbaren Mehrwert und führt organisch zu weiteren Anwendungsfällen, weil sie, wie Oelmann zeigt, unweigerlich ins Prozessmanagement mündet. Die gute Nachricht: Viele Versorger haben die Grundlage bereits. Die Daten sind da. Sie müssen nur geordnet und genutzt werden.