Einsatz von KI und Datenanalyse bei einer Wirtschaftlichkeitsprüfung zur Ermittlung von Überschneidungen zwischen Energieeffizienzmaßnahmen

Autorinnen und Autoren: Jaap Ligthart, Eline Lampers, Bing Steup, Marcus van Toor, Berrie Zielman (ORKB der Niederlande)¹

Energieeffizienzmaßnahmen in den Niederlanden

Anfang 2026 veröffentlichte die ORKB der Niederlande einen Bericht über die Verwendung von Steuergeldern zur Finanzierung freiwilliger wie auch verpflichtender Energiesparmaßnahmen. Bei der Prüfung stützten wir uns stark auf KI, um Daten zu analysieren sowie Überschneidungen zwischen Anreizen und verpflichtenden Maßnahmen abzubilden. In diesem Beitrag erläutern wir, wie wir an das Prüfungsthema herangegangen sind und wie KI dabei zum Einsatz gekommen ist.

Die sauberste Energieform ist Energie, die gar nicht erst verbraucht wird. Deshalb führten die Niederlande für Unternehmen und gemeinnützige Organisationen, die jährlich über 50.000 kWh Strom bzw. 25.000 m³ Erdgas verbrauchen, eine Verpflichtung zur Investition in Energiesparmaßnahmen ein (auf Niederländisch „energiebesparingsplicht“). Diese Unternehmen sind dazu verpflichtet, sämtliche Energiesparmaßnahmen zu ergreifen, die sich innerhalb von fünf Jahren amortisieren. Obwohl es sich hierbei um eine nationale Maßnahme handelt, wurde sie von der niederländischen Regierung herangezogen, um Artikel 8 der EU-Energieeffizienz-Richtlinie zu verpflichtenden Energieeinsparungen einzuhalten. Außerdem leistet die Maßnahme einen Beitrag zum Ziel für nachhaltige Entwicklung Nr. 7 zu erneuerbarer Energie und Energieeffizienz.

Zusätzlich zu dieser Verpflichtung führte die Regierung mindestens 17 Beihilfenprogramme und Steuerregelungen sowie andere politische Instrumente ein, um Unternehmen und gemeinnützige Organisationen zu ermutigen, Investitionen in freiwillige Energieeffizienzmaßnahmen zu tätigen. Diese Instrumente reichen von direkten finanziellen Anreizen über Steuererleichterungen bis hin zu kostenlosen CO₂-Handelsbewilligungen. Im Jahr 2024 gab die Regierung etwa 1,2 Milliarden Euro für diese Programme aus, wohingegen für die Durchsetzung der Energiesparverpflichtung Kosten in Höhe von 15 Millionen Euro entstanden.

Da sowohl die Anreize als auch die Verpflichtung das Ziel verfolgen, Unternehmen und gemeinnützige Organisationen zu Investitionen in Energiesparmaßnahmen zu bewegen, besteht die Gefahr von Überschneidungen. Diese Situation könnte dazu führen, dass die Regierung Unternehmen dafür bezahlt, in Energiesparmaßnahmen zu investieren, zu denen sie ohnehin bereits verpflichtet sind, d. h. zu einer ineffizienten Verwendung von Steuergeldern.

APrüfungsziele

Die Prüfungsziele bestanden darin, festzustellen, ob es im Zeitraum 2019–2024 zu Überschneidungen zwischen den Anreizprogrammen einerseits und der Energiesparverpflichtung andererseits kam, sowie den finanziellen Umfang dieser potenziellen Überschneidungen zu ermitteln. Die Analyse von Überschneidungen zwischen den Anreizen selbst war nicht Gegenstand der Prüfung. Angesichts der Vielzahl an Maßnahmen, der großen Anzahl an Beihilfen sowie der vielen verpflichtenden und freiwilligen Energiesparmaßnahmen kamen bei dieser Wirtschaftlichkeitsprüfung KI sowie Datenanalysen zu Anwendung. Wir führten unsere Prüfung in den Jahren 2024–2025 durch, wobei der Großteil der KI-Analyse im Juni/Juli 2024 unter Verwendung der damals verfügbaren Tools erfolgte. Die Prüfung wurde im Januar 2026 veröffentlicht.²

Einsatz von KI und Datenanalysen

Um die Überschneidungen zwischen den Anreizen und den verpflichtenden Energiesparmaßnahmen zu ermitteln, mussten wir Folgendes feststellen:

1. ob es Überschneidungen zwischen den Anreizen und den verpflichtenden Maßnahmen gab (unterstützt durch KI);
2. wie viel Geld für Maßnahmen ausgegeben wurde, die auch verpflichtend waren (Datenanalyse);
3. welcher Anteil dieser Mittel an Unternehmen und gemeinnützige Organisationen floss, die ohnehin bereits zur Umsetzung von Energiesparmaßnahmen verpflichtet waren (Datenanalyse).

Schritt 1: Abgleich der Maßnahmen

Der erste Schritt bestand darin, festzustellen, welche Maßnahmen der 17 Anreizprogramme verpflichtend waren. Dafür zogen wir Listen mit verpflichtenden und Anreizmaßnahmen heran. Die Regierung veröffentlicht eine Liste verpflichtender Energieeffizienzmaßnahmen (vom Niederländischen „Erkende Maatregelenlijst“ kurz EML). Diese Liste enthält Hunderte von Maßnahmen, unterteilt nach Bereichen wie Gesundheitswesen, Sportstätten, Industrie etc. Fast alle Unternehmen, die dieser Verpflichtung unterliegen, nutzen die Liste, um der Verpflichtung nachzukommen, wenngleich einige Ausnahmen bestehen. Die Liste wird alle vier Jahre aktualisiert. Für viele der Anreizprogramme gab es eigene Listen. Diese Listen ändern sich jedes Jahr und können Hunderte von Maßnahmen enthalten.

Die meisten Maßnahmen – sowohl auf der EML als auch auf den Anreizlisten – werden auf einer oder mehreren Textseiten erläutert, auf denen der Verwendungszweck, technische Vorgaben, wirtschaftliche Vorgaben, Energieeffizienzanforderungen etc. beschrieben werden. Ein manueller Vergleich der Listen im betrachteten Zeitraum (2019–2024) wäre sehr zeitaufwendig gewesen. Daher setzten wir KI ein.

Den ersten Schritt jeder Datenanalyse oder jedes KI-Projekts bildet die Aufbereitung und Bereinigung der Daten. In unserem Fall enthielten die Quelldateien (d. h. die Listen mit den verpflichtenden und freiwilligen Energiesparmaßnahmen) unstrukturierte Daten (PDF-Dateien); für jede Maßnahme wurden eigene Formatierungskonventionen verwendet. Die Dateien, in denen die Maßnahmen beschrieben wurden, mussten daher mithilfe eines eigens entwickelten Parsers in eine für die KI verwertbare Struktur, d. h. Textdateien, umgewandelt werden. Dieser Ansatz ist nicht skalierbar: Für jeden Anreiz und jedes Jahr wird ein anderer Ansatz benötigt. Daher beschränkten wir die Anfangsphase unserer Analyse auf zwei relativ überschaubare Dateien und verglichen die EML mit der Liste zu den Steuervergünstigungen für Investitionen im Energiebereich (vom Niederländischen kurz „EIA“) eines bestimmten Jahres im Hinblick auf einen bestimmten Bereich (z. B. Metallindustrie).

Nach der Vorverarbeitung wurden die Daten an das GPT-4o-Modell von OpenAI übermittelt. Im Wesentlichen stellten wir dem Modell Teilmengen der vorgeschriebenen Energiesparmaßnahmen zur Verfügung, beispielsweise zehn der rund 500 EML-Maßnahmen aus dem Jahr 2019. Anschließend baten wir die KI, aus einem bestimmten Beihilfenprogramm jene Maßnahmen zu ermitteln, die den Beschreibungen der vorgeschriebenen EML-Maßnahmen entsprachen. Bei der Überprüfung stellte das Team sowohl korrekte Entsprechungen als auch eindeutig falsch-positive und falsch-negative Ergebnisse fest. Unsere Analyse übersah zwar einige Entsprechungen, kam aber auch zu dem Schluss, dass einige verpflichtende Maßnahmen tatsächlich nicht in Beihilfenprogrammen enthalten waren. Ein wiederkehrendes Problem war, dass das Modell Schwierigkeiten damit hatte, was es bedeutet, „dem wahrgenommenen Ziel zu entsprechen“. Beispielsweise werden mit EIA-Beihilfen Belüftungssysteme gefördert, um warme Luft gleichmäßig im Raum zu verteilen. Die KI markierte die EIA-Beihilfen als mit einer EML-Maßnahme übereinstimmend. Bei dieser ging es zwar ebenfalls um Belüftung, jedoch mit dem Ziel, verschmutzte Luft abzuführen. Die KI ermittelte die Entsprechung vermutlich, weil der Begriff „Belüftung“ sowohl in der EIA als auch in der EML verwendet wurde. Die betreffende Technologie kam jedoch auf unterschiedliche Weise zum Einsatz.

Der Erfolg einer KI-Analyse hängt stark von der Qualität und Spezifität des Kontexts ab. Die große Bandbreite an Anreizprogrammen führte zu erheblichen Störfaktoren und unnötigem, irrelevantem Text. Um dem entgegenzuwirken, fügten wir einen Schritt hinzu: Die KI filterte zunächst die freiwilligen Maßnahmen anhand ihrer semantischen Relevanz für jede verpflichtende Energiesparmaßnahme (weitere Informationen finden Sie unter https://de.wikipedia.org/wiki/Semantische_Suche). Dies führte zwar zu besseren Ergebnissen, die Verbesserungen waren jedoch nur marginal. Die Verfeinerung der Prompts – der Anweisungen, die wir dem KI-Modell gaben – führte zu besseren Ergebnissen, doch es wurde klar, dass wir uns einer Leistungsgrenze näherten. Schließlich verfeinerten wir den Prompt zu der in Abbildung 3 abgebildeten Formulierung, wobei wir lernten, gezielt nach strukturierten Ergebnissen zu fragen. Selbst nach all diesen Schritten konnte das Modell nicht konsistent feststellen, ob ein Anreizprogramm von tatsächlicher Relevanz für eine bestimmte verpflichtende Maßnahme war. Auf Grundlage der groben Erkenntnisse (und manueller Überprüfungen) ermittelten wir jedoch acht Programme, die eine hohe Überschneidungswahrscheinlichkeit mit der Verpflichtung aufwiesen.

Schritt 2: Vergleich der Kosten für Anreize mit den Kosten für verpflichtende Maßnahmen

Auf der Grundlage der in Schritt 1 ausfindig gemachten Übereinstimmungen ermittelten wir in Schritt 2 anhand von Daten der zuständigen Ministerien, welcher Anteil der Maßnahmenkosten für Energieeffizienzanreize, die ohnehin verpflichtend gewesen wären, aufgewendet wurde (Abbildung 4). Bei vier der Programme war dies aufgrund mangelhafter Datenqualität oder aus anderen Gründen nicht möglich. Letztendlich blieben vier Programme übrig, bei denen sich die finanzielle Überschneidung quantifizieren ließ. Die Überschneidung reichte von 5,2 Millionen Euro im Jahr 2019 bis hin zu einem Höchstwert von 51,4 Millionen Euro im Jahr 2023 (mit einem Rückgang auf 44,3 Millionen Euro im Jahr 2024). Dies ist das absolute Maximum an möglicherweise ineffizient verwendeten Steuergeldern, das bei dieser Prüfung ermittelt wurde.

Schritt 3: Fördermittel, die an der Energieeffizienzpflicht unterliegende Unternehmen und gemeinnützige Organisationen ausbezahlt wurden

In unserem dritten und letzten Schritt ermittelten wir, welche der (in Schritt 2 bestimmten) Energieeffizienz-Fördermittel an Unternehmen ausbezahlt wurden, die der nationalen Energieeffizienzpflicht unterliegen. Dies erwies sich als schwierig – das zuständige Ministerium wusste nicht, welche Unternehmen verpflichtet waren, Energiesparmaßnahmen durchzuführen. Unternehmen und gemeinnützige Organisationen müssen lokalen Behörden melden, dass sie zur Durchführung von Energiesparmaßnahmen verpflichtet sind. Allerdings tun dies nur etwa 45 % der rund 100.000 Unternehmen, die dieser Verpflichtung mit großer Wahrscheinlichkeit unterliegen. Wir glichen die Meldungen der Unternehmen mit den Empfängern von Energiesparanreizen ab. Der Abgleich ergab Überschneidungen zwischen 0,7 Millionen Euro (2019) und 9,5 Millionen Euro (2023). Dies sind die absoluten Mindestbeträge der finanziellen Überschneidungen zwischen den Anreizmaßnahmen und der Energieeffizienzverpflichtung.

Ergebnisse

Der Einsatz von KI und Datenanalysen im Rahmen dieser Wirtschaftlichkeitsprüfung führte zu zwei Ergebnissen. Einerseits ermöglichte uns diese neue Prüfungsmethode, unsere Prüfungsfrage zu beantworten: Über Beihilfenprogramme und Steuerregelungen wurden Steuergelder für verpflichtende Energieeffizienzmaßnahmen verwendet. Ein Teil dieser Mittel wurde für die Unterstützung von Unternehmen und gemeinnützigen Organisationen, die der Energieeffizienzverpflichtung unterliegen, aufgewendet. Im Vergleich zu den Gesamtkosten der 17 Energieeffizienzanreize, die sich allein im Jahr 2024 auf 1,2 Milliarden Euro beliefen, ist die Ineffizienz jedoch relativ gering (Abbildung 5). Dies ist auf den aktiven Versuch der jeweils zuständigen Ministerien zurückzuführen, Überschneidungen ihrer ergänzenden Maßnahmen mit der Energieeffizienzverpflichtung zu vermeiden.

Andererseits vermittelte uns diese neue Methode Einblicke in den Einsatz von KI im Prüfwesen. Es stellte sich heraus, dass es für ein Large Language Model (dt. etwa „großes Sprachmodell“), kurz LLM, eine Herausforderung war, die Anreize konsistent mit den verpflichtenden Maßnahmen abzugleichen. Das könnte daran liegen, dass die Hauptstärke eines LLM die Texterstellung und nicht Genauigkeit ist – insbesondere wenn es um Zahlen geht. Noch wichtiger: Die Verwendung desselben Modells mit denselben Werten führt zu unterschiedlichen Ergebnissen, wodurch es unmöglich ist, die Ergebnisse zu reproduzieren. Dies stellt insbesondere für Rechnungskontrollbehörden eine Herausforderung dar. Letztendlich stellten die KI-Ergebnisse einen guten Ausgangspunkt dar. Eine gründliche manuelle Überprüfung blieb jedoch weiterhin notwendig.

Rückblickend hätten mehrere Aspekte unseres Ansatzes verbessert werden können. Selbst nach der Datenbereinigung zur Verbesserung der Vergleichbarkeit blieben zu viele Störfaktoren bestehen, weshalb eine manuelle Überprüfung der vom Modell gelieferten Ergebnisse erforderlich war. Eine wirksamere Strategie wäre gewesen, jedes Verpflichtungs-Anreiz-Paar einzeln zu bewerten und statt einer binären Entscheidung einen Relevanzwert mit einer Erklärung zu fordern. Zudem war unsere ursprüngliche Fragestellung zu weit gefasst und bot dem Modell kaum Anhaltspunkte, um nützliche Entsprechungsvorschläge zu liefern. LLM sind Generalisten. Daher hätten wir explizitere Definitionen und Beispiele dafür liefern sollen, was wir unter dem „Abgleich der Maßnahmen“ verstehen. All diese zusätzlichen Schritte erhöhen den benötigten Zeitaufwand, um diesen Ansatz zum Erfolg zu führen. Trotz dieser Einschränkungen war das Projekt äußerst wertvoll: Es bot einen Ausgangspunkt für unsere finale Analyse, ermöglichte dem Team, seine Anforderungen zu präzisieren, und lieferte ein Fundament für zukünftige KI-Analyseprojekte an der ORKB der Niederlande.

KI-Modelle haben sich seit unserer ursprünglichen Analyse weiterentwickelt. Aktuelle Modelle sind daher möglicherweise in der Lage, die für unsere Prüfungsziele erforderlichen Aufgaben zu erfüllen. Sollten andere ORKB beabsichtigen, KI künftig bei Prüfungen einzusetzen, oder KI bereits eingesetzt haben, würden wir uns freuen, von ihnen zu hören.

---

Fußnoten

1.  Jaap Ligthart: Projektleiter und Prüfer. Eline Lampers: Datenexpertin und Prüferin. Bing Steup: KI-Experte. Marcus van Toor: Prüfer. Berrie Zielman: Datenexpertin. ↩︎
2.  https://english.rekenkamer.nl/latest/news/2026/01/15/very-limited-overlap-between-energy saving-obligation-and-financial-incentives (auf Englisch) ↩︎