Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht ist Mathematiker und Wirtschaftswissenschaftler mit einem Doktortitel in mathematischer Statistik und einer Professur für Innovations- und Technologiemanagement an der Universität Liechtenstein. Mit über 20 Jahren Erfahrung in Unternehmensberatung und angewandter Forschung sowie mehr als 10 Jahren im Investmentmanagement ist er ein führender Experte in den Bereichen Innovation, Technologie und Produktmanagement. Leo Brecht hat mehr als 100 Projekte für KMU und multinationale Unternehmen in verschiedenen Branchen unterstützt, von strategischer Beratung bis hin zu Technologiebewertungen. Er ist auch der Gründer von ALPORA, wo er und sein Team innovative Anlageprodukte entwickelt haben, die zu einem verwalteten Vermögen von über 700 Millionen Euro geführt haben. In den letzten zehn Jahren hat er mehr als 1.000 Investorenvorträge gehalten. Er war Partner bei Andersen und Arthur D. Little, Autor mehrerer Bücher und Konferenzredner. Als aktiver Investor und Serienunternehmer ist er insbesondere in den Sektoren FINTECH, SUSTTECH und EDUTECH tätig. In seiner Freizeit ist Leo Brecht ein leidenschaftlicher Regattasegler und Skifahrer und verbringt gerne Zeit mit seiner Familie.
Dieser Artikel ist Teil 8 unserer zwölfteiligen Serie «Wo Unternehmen Produktivitätsgewinne erzielen können», in der wir systematisch die Geschäftsbereiche untersuchen, in denen datengestützte und KI-unterstützte Ansätze zu nachweisbaren Produktivitätssteigerungen führen können.
In den meisten Unternehmensbereichen besteht die grösste Hürde beim Nachweis von Effizienzgewinnen im Fehlen eines Vergleichswerts: Was hätte ein Prozess ohne die neue Technologie gekostet? Bei Gebäuden stellt sich diese Frage selten. Energieverbrauch, das Volumen von Serviceanrufen für die Gebäudetechnik sowie Personalkosten für Reinigung und Sicherheit werden bereits erfasst, bevor überhaupt ein KI-System zum Einsatz kommt. Damit ist das Facility-Management einer der am direktesten überprüfbaren Produktivitätshebel unserer Serie – mit Auswirkungen, die sich bereits in der nächsten Abrechnungsperiode zeigen, anstatt erst in einem noch zu entwickelnden Messrahmen.
Gebäude sind für schätzungsweise 40 Prozent des weltweiten Energieverbrauchs verantwortlich. Innerhalb eines Gebäudes entfällt der grösste Einzelposten typischerweise auf Heizung, Lüftung und Klimatechnik (HLK): etwa 45 Prozent des jährlichen Energieverbrauchs eines gewerblichen Gebäudes. Historisch gesehen gingen schätzungsweise 30 Prozent davon durch ineffiziente Steuerungssysteme verloren – etwa durch eine starre Zeitschaltuhr für das Thermostat, die nachts in einem leeren Büro auf voller Leistung läuft, oder eine Klimaanlage, die sich nie an die tatsächliche Auslastung anpasst. Diese Kombination aus Grössenordnung, systematischer Verschwendung und einer vorhandenen, klaren Basis – der Energierechnung – macht KI-gestütztes Gebäudemanagement zu einem der beständigsten Produktivitätshebel in dieser Serie.
Warum dieser Bereich ein messbarer Produktivitätshebel ist
Der Mechanismus ist einfach zu beschreiben: Ein fester Zeitplan wird einmalig von einer Person festgelegt und selten überprüft. Er reagiert weder auf die tatsächliche Auslastung noch auf Wetterbedingungen. Ein KI-System hingegen überwacht kontinuierlich die Belegung, Wetterdaten und thermische Lastprognosen und passt die Steuerung in Echtzeit an – nicht nur täglich, sondern im Minutentakt. Da die bisher entstandene Verschwendung systematisch und vorhersehbar ist und nicht zufällig auftritt, ergibt sich daraus ein struktureller Vorteil für ein System, das sich kontinuierlich neu justiert.
Das folgende Diagramm verdeutlicht das Prinzip: Während ein starres Zeitschaltsystem unabhängig von der tatsächlichen Nutzung arbeitet, folgt eine KI-gesteuerte Anpassung der realen Auslastungskurve über den Tag hinweg – die Fläche dazwischen entspricht der vermiedenen Energieverschwendung.
Diese strukturelle Logik erklärt, warum die in der Praxis dokumentierten Energieeinsparungen – je nach Ausgangslage typischerweise zwischen 25 und 43 Prozent – zu den konstant grössten Produktivitätsgewinnen zählen, die bisher in dieser Serie nachgewiesen wurden.
Der Werkzeugkasten: vier technologische Bausteine
KI-gestützte HLK-Steuerung erregt die meiste öffentliche Aufmerksamkeit, da sich die Energieeinsparungen am einfachsten beziffern lassen. Die tatsächlichen Produktivitätsgewinne in diesem Bereich resultieren jedoch aus einem breiteren Instrumentarium, das Klimatisierung, physische Arbeit, Flächennutzung und Instandhaltung umfasst:
- Überwachung der lebenswichtigen Funktionen eines Gebäudes (KI-Gebäudemanagementsysteme): Deep-Learning-Modelle passen die HLK-Steuerung in Echtzeit an Belegung, Wettervorhersagen und prognostizierte Wärmelasten an – anstatt starrer, voreingestellter Zeitpläne optimiert sich das System alle paar Minuten selbst.
- • Grössere Flächenabdeckung pro Schicht (autonome Reinigungs- und Sicherheitsroboter): KI-gesteuerte Roboter reinigen oder überwachen grössere, repetitive Bereiche – wie Lagerhallen, Flughäfen oder Verkaufsflächen – konsistenter und zu geringeren Gesamtkosten als vergleichbares Personal.
- Messung der tatsächlichen Flächennutzung (Belegungsanalytik): Sensornetzwerke und Computer-Vision-Systeme erfassen, welche Arbeitsplätze und Besprechungsräume tatsächlich genutzt werden – dies bietet eine Entscheidungsgrundlage für die angemessene Grösse eines Immobilienportfolios, anstatt sich auf Annahmen oder veraltete Grundrisse zu verlassen.
- Fehlererkennung vor dem Ausfall (vorausschauende Gebäudeinstandhaltung): Die gleichen physikbasierten Methoden, die in der industriellen Instandhaltung eingesetzt werden, lassen sich auf HLK-Kompressoren, Aufzüge und andere Gebäudeinfrastruktur anwenden, um Vibrations- oder Temperatursignaturen zu erkennen, die einem Ausfall vorausgehen, noch bevor ein Fachmann sie bemerken würde.
Was das in Zahlen bedeutet – Drei Fallstudien
Die dokumentierten Ergebnisse stammen aus unterschiedlichen geografischen Kontexten und sind jeweils durch Unternehmensdaten oder unabhängige Zertifizierungen belegt – nicht durch unbestätigte Schätzungen von Anbietern.
- Schneider Electric – Le Vaudreuil, Frankreich: An seinem Smart-Factory-Standort erzielte Schneider Electric durch die Integration von KI und IIoT eine dokumentierte Senkung des Energieverbrauchs um 25 Prozent und eine Reduzierung des Materialabfalls um 17 Prozent. Bemerkenswert ist hier die Doppelrolle des Unternehmens als Anwender und Anbieter derselben Technologie: Nachdem Schneider Electric den Ansatz am eigenen Standort getestet hat, vermarktet das Unternehmen nun die zugrunde liegenden Funktionen für Energiemanagement und digitale Gebäude an Kunden aus der Industrie und der Gewerbeimmobilienwirtschaft.
- Meera Tower, Dubai: Durch den Einsatz der Deep-Learning-HLK-Optimierung von BrainBox AI – geschützt durch ein erteiltes US-Patent – wurde der HLK-Energieverbrauch innerhalb von vier Monaten um 42,7 Prozent gesenkt, eines der stärksten dokumentierten Ergebnisse für ein einzelnes Gebäude in diesem Bereich. BrainBox AI steuert heute die HLK-Systeme in mehr als 4'000 Gebäuden weltweit, von kleinen Einzelhandelsflächen bis zu Flughäfen.
- Treptower Berlin: Der Immobilienverwalter Patrizia AG arbeitete mit DABBEL AI zusammen, um das HLK-Steuerungssystem im Bürokomplex Treptower Berlin zu optimieren. Das System erfasst Echtzeitdaten von Sensoren, Zählern, Belegungssignalen und Wettervorhersagen und passt die HLK-Einstellungen autonom an. Das Ergebnis – zertifiziert im Rahmen des «Effiziente Solutions Programme» der Solar-Impulse-Foundation – war eine Senkung des HLK-Energieverbrauchs um 36 Prozent, was jährlich 1,76 Millionen Kilowattstunden und rund 605 Tonnen CO₂ entspricht.
Diese drei Ergebnisse beziehen sich auf unterschiedliche Gebäude, Ausgangsbedingungen sowie Messzeiträume und sind daher nicht direkt miteinander vergleichbar; sie verdeutlichen jedoch eine konsistente Grössenordnung des Effekts.
Wie sich die Anbieterlandschaft konsolidiert
Für Investoren hat dieser Sektor bereits zwei klare Beispiele für Konsolidierung hervorgebracht: BrainBox AI wurde im Januar 2025 nach einer Finanzierungsrunde über 103 Millionen US-Dollar von Trane Technologies übernommen. Nantum AI wurde im April 2026 von Johnson Controls akquiriert, um das eigene OpenBlue-Ökosystem mit KI-Algorithmen zu stärken, die das Unternehmen lieber zukaufte, als sie intern zu entwickeln. Dieses Muster – ein etablierter Anbieter erwirbt bewährte KI-Technologie, anstatt sie selbst zu entwickeln – deckt sich mit Beobachtungen aus anderen Sektoren dieser Serie, wie der vorausschauenden Wartung und der Bedarfsplanung.
Im Gegensatz dazu zeigen zwei Technologiefelder vergleichsweise wenig unabhängige Venture-Aktivitäten: autonome Reinigungs- und Sicherheitsrobotik, bei denen die Rentabilität eher aus gebündelten Facility-Service-Verträgen als aus eigenständigen KI-Lizenzen resultiert, sowie die vorausschauende Gebäudeinstandhaltung, die zunehmend als Funktion innerhalb bestehender Gebäudemanagement- und IoT-Sensorplattformen angeboten wird. Belegungsanalysen und Gebäudedaten-Infrastruktur bleiben hingegen offen: Anbieter wie VergeSense, Infogrid und Metrikus verfolgen hier unterschiedliche Ansätze – sensorbasierte Belegungsanalyse, vereinheitlichte Gebäudedatenintegration oder portfolioweite Analysen –, ohne dass sich bisher ein einzelner Anbieter klar als Marktführer etabliert hätte.
Kontext für institutionelle Investoren
Für Averdas ist dieser Bereich im Kontext der Ressourcenproduktivität besonders relevant: wie effektiv ein Unternehmen Energie und andere Ressourcen in wirtschaftlichen Output umwandelt. Er berührt auch das Thema Prozessproduktivität, da der Übergang von starrer zu kontinuierlicher Steuerung letztlich eine Verbesserung der operativen Abläufe darstellt. Die hier beschriebenen Einzelergebnisse sind historische Resultate – zertifiziert entweder durch die Unternehmen selbst oder durch unabhängige Stellen –, die sich auf einzelne Gebäude und Projekte beziehen; sie lassen sich nicht direkt auf ein Unternehmen als Ganzes, einen Index oder ein Anlageprodukt hochrechnen. Zudem sind historische Ergebnisse kein verlässlicher Indikator für die zukünftige Wertentwicklung.
Bei der Bewertung von Unternehmen im Rahmen des Averdas-Ansatzes ist es relevant, zu berücksichtigen, inwieweit ein Unternehmen strukturelle Effizienzpotenziale in seinen Immobilien- und Energiesektoren bereits realisiert hat oder angeht – als eine Komponente unter mehreren innerhalb der vier Averdas-Produktivitätsfaktoren, nicht als alleiniges Auswahlkriterium.
Fazit und Ausblick
Gebäude stellen einen seltenen Fall dar, bei dem Produktivitätsgewinne direkt an einem bestehenden Leistungskennwert gemessen werden können: der Energierechnung. Die dokumentierten Fallstudien zeigen Einsparungen zwischen 25 und 43 Prozent bei vergleichsweise kurzer Wirkungsdauer, und die Konsolidierung unter etablierten Anbietern von HLK- und Gebäudedienstleistungen deutet darauf hin, dass die Kerntechnologie zu einem Standardbestandteil von Gebäudemanagementplattformen wird.
Dieser Artikel ist Teil 8 unserer zwölfteiligen Serie über Produktivitätshebel für Unternehmen. Die weiteren Teile der Serie beleuchten zusätzliche Bereiche, in denen Unternehmen durch datengestützte Ansätze strukturelle Effizienzpotenziale erschliessen können – eine Übersicht aller 12 Bereiche finden Sie in der Serienübersicht.
