KI in der Direktvermarktung und PPA-Optimierung: Wie Mittelstands-Direktvermarkter 2026 ihre Marge verteidigen

Um 11:47 Uhr an einem Mittwoch im März 2026 sieht der Leiter Handel bei einem deutschen Mittelstands-Direktvermarkter den Intraday-Preis für die 14:00-Viertelstunde von 62 Euro pro MWh auf minus 18 Euro fallen, in unter zwanzig Minuten. Drei Windparks im Portfolio produzieren gegen den Day-Ahead-Fahrplan über. Der Intraday-Desk verkauft 28 MWh in den fallenden Markt und bucht einen Verlust gegen die Ausgleichsposition. Um 14:15 Uhr hat der Preis sich auf 41 Euro erholt. Schaden in dieser Stunde: rund 4.200 Euro, die nicht hätten verloren werden sollen. Multipliziert über 8.760 Stunden pro Jahr, über ein 600-MW-Portfolio, allein an negativen Preistagen, erklärt dasselbe Muster, warum drei Direktvermarkter in diesem Segment 2025 und 2026 bereits ausgestiegen sind.

Das ist die operative Realität der Direktvermarktung 2026. EPEX-Day-Ahead ist am 30. September 2025 auf 15-Minuten-Produkte umgestellt^1,2, die Gebotskomplexität hat sich über Nacht vervierfacht. Intraday-Volatilität ist auf Rekordniveau mit zehnen Euro pro MWh Schwankung innerhalb einer Stunde inzwischen Routine². Negative Preise an sonnigen windigen Tagen sind normal, nicht Ausnahme. Corporate-PPA-Volumina in Deutschland sind um 84 Prozent gegenüber Vorjahr eingebrochen, weil die einfachen Pricing-Modelle gebrochen sind⁴. Das jahrzehntealte Spielbuch mit Stundenprognosen, regelbasierten ETRMs und einem Senior-Trader pro Schicht passt nicht mehr zum Markt.

Dieser Artikel ist ein praktischer Leitfaden für die KI-Agenten-Schicht, die tatsächlich zu der Art passt, wie Direktvermarktung 2026 funktioniert. Sieben Use Cases mit hohem ROI, die ehrliche Build-vs-Buy-Entscheidung gegen ETRM-eingebettete KI und Spezial-Trading-Anbieter, der Kostenvergleich, die Architektur, die REMIT, MAR und EU AI Act respektiert, und ein 90-Tage-Plan zum Live-Gang des ersten Agenten.

Warum Direktvermarktung jetzt KI-oder-Sterben ist

Vier strukturelle Änderungen treffen die Direktvermarktung im Fenster 2024 bis 2026. Jede einzelne wäre managbar. Gestapelt brechen sie das Betriebsmodell des letzten Jahrzehnts.

Änderung 1: Der 15-Minuten-Day-Ahead-Markt

• Was passiert ist - EPEX SPOT hat die Day-Ahead-Auktion am 30. September 2025 von 60-Minuten- auf 15-Minuten-Produkte umgestellt^1,2. Die PV-Glockenkurve und Wind-Rampen können jetzt direkt in Day-Ahead geboten werden, statt über Stundenprodukte geglättet zu werden.
• Was es operativ bedeutet - Gebotskomplexität mal vier. 96 Viertelstundenprodukte pro Tag pro Portfolio statt 24 Stunden. Die Arbeit ist für ein Portfolio mit nennenswertem Volumen nicht mehr von Hand machbar.
• Was es strukturell verändert - Prognosegenauigkeit auf Viertelstundenebene zählt in einer Art, in der sie es nie tat. Ausgleichspositionen, die sich früher innerhalb einer Stunde glätteten, stehen jetzt für einzelne Viertel exponiert.

Änderung 2: Rekord-Intraday-Volatilität

• Was passiert ist - Intraday-Preissprünge von zehnen Euro pro MWh innerhalb weniger Stunden sind in Anfang 2026 Routine². Der Intraday-Markt ist jetzt, wo Prognosefehler auf die Realität treffen.
• Was es operativ bedeutet - Der Handelsdesk kann nicht manuell jeden Produktzyklus überwachen und reagieren. Die Agentenschicht wird operativ notwendig, nicht optional.
• Was es strukturell verändert - Die Wettbewerbslücke zwischen Direktvermarktern mit algorithmischer Intraday-Fähigkeit und ohne ist jetzt 5 bis 15 Prozent des Vermarktungserlöses pro Jahr.

Änderung 3: Kannibalisierung und Negativpreise

• Was passiert ist - Wenn Wind und Solar gleichzeitig produzieren, fallen Preise auf null oder darunter. Preiskannibalisierung in Deutschland hat sich drastisch verschärft⁴.
• Was es operativ bedeutet - Curtailment-Entscheidungen, Negativpreis-Hedging und Vertragsklauseln für Anlagen-Eigentümer brauchen jetzt aktives Management an jedem produktionsstarken Tag.
• Was es strukturell verändert - Corporate-PPA-Volumina in Deutschland sind um 84 Prozent gegenüber Vorjahr gefallen, weil die alten einfachen Pricing-Modelle gebrochen sind⁴. Der Markt wird neu gezeichnet um Erzeuger und Abnehmer, die Negativpreis-Risiko explizit quantifizieren und hedgen können.

Änderung 4: KI-Nachfrage verändert die Nachfrageseite

• Was passiert ist - KI-getriebene Stromnachfrage hat 2025 zum zweithöchsten Jahr für Corporate-Clean-Energy-PPAs global gemacht, auch wenn deutsche Volumina stark fielen³. Hyperscaler-PPAs zeichnen den europäischen Markt neu.
• Was es operativ bedeutet - Mittelstands-Direktvermarkter konkurrieren mit Versorgern mit vollen Quant-Desks um denselben erneuerbaren Output. Ohne algorithmische Schicht erodiert der Mittelstands-Anlagenwert.
• Was es strukturell verändert - „Versorger haben einen Vorteil, weil sie Intraday- und Regelreserve-Expertise besitzen, um den Wert eines PPA zu optimieren”^3,5. Die Agentenschicht ist, wie Mittelstands-Direktvermarkter diese Lücke schliessen.

Wo die Marge wirklich entsteht

Direktvermarktungs-Marge wird 2026 in vier operativen Entscheidungen gebaut oder zerstört. Zu verstehen, wo die Marge wirklich lebt, ist die Voraussetzung, um KI an die richtige Stelle zu setzen.

1. Prognosegenauigkeit

Jeder Prozentpunkt Prognosefehler auf Day-Ahead übersetzt sich direkt in Ausgleichsenergiekosten am Liefertag. Ein 100-MW-Windportfolio mit 8 Prozent mittlerem absolutem Prognosefehler zahlt 150.000 bis 400.000 Euro pro Jahr mehr Ausgleichsenergie als dasselbe Portfolio bei 7 Prozent. Prognoseverbesserung kompoundiert: bessere Prognosen heissen auch sicherere Intraday-Positionen, weniger Hedging-Strafen, besseres PPA-Pricing.

2. Intraday-Capture

Der Intraday-Markt existiert, weil der Day-Ahead-Fahrplan nie exakt zur tatsächlichen Produktion passt. Die Lücke zu schliessen kostet Geld, wenn man niedrig in einen fallenden Markt verkauft oder hoch in einer Spitze kauft. Algorithmisches Intraday-Capture verwandelt diese Kosten in ein teilweises Profit-Center - manchmal indem Rampen-Fehler antizipiert werden, bevor der Markt sie einpreist, manchmal indem Flexibilität für die richtige Minute gehalten wird.

3. Ausgleichsenergie-Kosten

Was nicht zwischen Day-Ahead-Fahrplan und tatsächlicher Lieferung passt, wird Ausgleichsenergie, abgerechnet zum Ausgleichsenergiepreis des ÜNB. Ausgleich ist asymmetrisch: wenn das System short ist und Sie short sind, ist die Strafe hart. Prognosen, Intraday-Trades und BESS-Dispatch zielen alle auf dasselbe - Ausgleichsenergie minimieren.

4. Multi-Markt- und BESS-Stacking

Ein gegebenes Megawatt Flexibilität kann auf Day-Ahead, Intraday, Regelreserve, Capacity und über Netzentgelt-Optimierung verdienen. Die meisten Mittelständler monetisieren ein oder zwei davon. Die Agentenschicht macht Stacking operativ möglich, hebt BESS-NPV oft 20 bis 50 Prozent gegenüber Single-Revenue-Betrieb.

Sieben KI-Use-Cases mit hohem ROI

Die Use Cases unten sind nach typischem Mittelstands-Direktvermarktungs-ROI in den ersten 12 Monaten sortiert. Jeder integriert sich in bestehende ETRM-, SCADA-, Wetter- und Marktdaten-Feeds - keiner verlangt, Kernsysteme zu ersetzen.

Use Case 1: Produktionsprognose (Wind, Solar, Hybrid)

• Was der Agent tut - Ensemblet Wetter-Anbieter-Daten (DWD, ECMWF, MetOffice, kommerzielles Nowcasting), SCADA-Historie, standortspezifische Mikroklima-Korrekturen und Saisonmuster. Liefert probabilistische 15-Minuten-Prognosen bis zu 14 Tage voraus mit expliziten Unsicherheitsbändern.
• Wo er sitzt - Zwischen Wetterdaten und ETRM. Speist Prognosen in den Bieting-Agenten und in PPA-Risikomodelle.
• Was er entfernt - Abhängigkeit von einem einzelnen Anbieter, der lokale Bedingungen verpasst. Prognosefehler, die sowohl Day-Ahead-Gebot als auch Intraday-Korrekturen propagieren.
• Typischer ROI - 0,5 bis 2 Prozentpunkte Prognosegenauigkeit-Verbesserung gegenüber Single-Vendor-Baseline. Bei 100 MW Wind 150.000 bis 800.000 Euro pro Jahr Ausgleichsenergie-Einsparung.
• Time-to-ROI - 3 bis 6 Monate.

Use Case 2: 15-Minuten-Day-Ahead-Gebot

• Was der Agent tut - Konstruiert die 96 Viertelstunden-Gebotskurven täglich, balanciert Prognose-Konfidenz, Markt-View, Portfolio-Constraints, BESS-Flexibilität und PPA-Pflichten. Sendet Gebote in die EPEX-SPOT-Day-Ahead-Auktion vor Gate Closure.
• Wo er sitzt - Über dem ETRM. Liest Prognosen und Vertragspflichten, schlägt Gebotskurven vor, Trader gibt frei oder Agent sendet innerhalb Limits.
• Was er entfernt - Manuelle Konstruktion von 96 Gebotspunkten pro Portfolio pro Tag. Konservativen Bias, der enge Prognosestunden untermonetisiert.
• Typischer ROI - 2 bis 5 Prozent Uplift auf Day-Ahead-Erlös-Capture gegenüber regelbasiertem Bieting.
• Time-to-ROI - 6 bis 9 Monate.

Use Case 3: Intraday-Continuous-Trading-Agent

• Was der Agent tut - Überwacht das EPEX-SPOT-Intraday-Continuous-Orderbuch 24/7 innerhalb definierter Risikolimits. Erkennt Fehlbepreisung, passt die Position an, sobald Produktionsprognose intraday aktualisiert, nimmt Gewinn auf Volatilitätsspitzen wenn zulässig, schliesst Ausgleichs-Exposure vor Lieferung.
• Wo er sitzt - Zwischen ETRM und EPEX-SPOT-API. Operiert innerhalb expliziter Risikolimits (max Position, max Einzelorder-MW, Tages-P&L-Drawdown, Frequenz-Caps).
• Was er entfernt - Das 24/7-Manuell-Monitoring-Problem. Die Latenz zwischen Produktionsupdate und Marktaktion.
• Typischer ROI - 3 bis 8 Prozent Uplift auf Intraday-Erlös-Capture. Ausgleichsenergie-Reduktion von 20 bis 40 Prozent.
• Time-to-ROI - 6 bis 12 Monate.

Use Case 4: Ausgleichsenergie-Minimierung

• Was der Agent tut - Schaut auf die Lieferung voraus, liest aktualisierte Prognosen und Intraday-Positionen, entscheidet ob die Position in Intraday geschlossen oder gegen den Ausgleichspreis gehalten wird. Optimiert über das Portfolio, nicht pro Anlage.
• Wo er sitzt - Über dem Intraday-Agenten und BESS-Dispatcher. Verbraucht das Ausgleichspreis-Prognose-Modell.
• Was er entfernt - Reflexives Intraday-Schliessen von Positionen, die gegen den Ausgleich günstig genettet hätten. Den grössten variablen Kostenblock der Direktvermarktung.
• Typischer ROI - 15 bis 35 Prozent Reduktion der Netto-Ausgleichsenergiekosten.
• Time-to-ROI - 6 bis 12 Monate.

Use Case 5: BESS-Multi-Revenue-Dispatch

• Was der Agent tut - Für jede MWh BESS-Kapazität optimiert er über Energy-Arbitrage (Day-Ahead, Intraday), Regelreserve (PRL, SRL, MRL), Capacity und Netzentgelt-Optimierung (§14a EnWG, atypische Netznutzung). Reasont über SOC-Constraints, Zyklen-Limits, Garantie-Implikationen.
• Wo er sitzt - Über BESS-EMS und ETRM. Liest Marktdaten, Verträge, technische Limits.
• Was er entfernt - Single-Strategy-Betrieb, der 20 bis 50 Prozent des NPV auf dem Tisch lässt.
• Typischer ROI - 20 bis 50 Prozent NPV-Uplift bei neuen co-lokierten BESS-Projekten. Oft der Unterschied zwischen finanzierbarem und nicht-finanzierbarem Case.
• Time-to-ROI - 9 bis 18 Monate (steigt mit Skalierung).

Use Case 6: PPA-Pricing, Risikomodellierung, Verhandlungs-Unterstützung

• Was der Agent tut - Liest historische Preisdaten, Forward-Kurven, Wetterszenarien, Anlagen-Profil, Vertragsklauseln, Abnehmer-Kredit. Fährt Monte Carlo über Negativpreis-, Profil-, Bilanz-, Kredit-Risiko. Liefert eine verteidigbare Preis-Range mit expliziten Annahmen.
• Wo er sitzt - Über ETRM, Wetter, Marktdaten, Vertragsdatenbank. Speist Origination-, Strukturierungs- und Pricing-Entscheidungen.
• Was er entfernt - Das Raten auf drei von vier PPA-Risikodimensionen, das Deals zerschlägt, wenn eines bricht. Der Grund, warum deutsche Corporate-PPA-Volumina 2025 um 84 Prozent fielen⁴.
• Typischer ROI - 50 bis 200 Basispunkte Pricing-Genauigkeit. Höheres Origination-Volumen, weil mehr Deals glaubwürdig gepreist werden.
• Time-to-ROI - 12 bis 18 Monate.

Use Case 7: Multi-Markt- und Regelreserve-Stacking

• Was der Agent tut - Koordiniert Portfolio-Teilnahme über Day-Ahead, Intraday, Regelreserve (PRL, SRL, MRL) und Capacity-Produkte. Reasont über Cross-Market-Opportunitätskosten und Time-Locking.
• Wo er sitzt - Top-of-Stack-Koordinator über den einzelnen Bieting-Agenten.
• Was er entfernt - Suboptimale Markt-Allokation, wenn Reserve billig verkauft wird und die Energie-Spike verpasst wird, oder umgekehrt.
• Typischer ROI - 3 bis 7 Prozent Gesamt-Erlös-Uplift über den Stack.
• Time-to-ROI - 12 bis 18 Monate.

Build vs Buy: ETRM, Spezial, Custom

Jeder Mittelstands-Direktvermarkter wählt zwischen drei Wegen. Die richtige Antwort hängt vom Use-Case-Mix, der internen Quant-Fähigkeit und davon ab, wie differenzierend die Portfolio-Strategie ist.

Weg 1: ETRM-eingebettete KI (ProCom, eZ-Trade, eigene ETRMs)

• Was Sie bekommen - Algorithmisches Bieten und Prognose-Integration im ETRM. Workflow bleibt in einem System. Hersteller folgt regulatorischen und Markt-Änderungen.
• Wo es passt - Direktvermarkter, die einen Single-Vendor-Stack mögen, mit Workflows weitgehend im ETRM. Kleinere Portfolios, in denen die Spezialisten-Edge keine eigene Plattform rechtfertigt.
• Wo es nicht passt - Multi-Revenue-BESS-Stacking. PPA-Risikomodellierung, die zu Wetter- und Kreditdaten kreuzt. Portfolio-Strategien, die Teil des Wettbewerbsvorteils sind. ETRMs folgen dem Markt, sie führen ihn selten.
• Typische Kosten - Im Bundle mit ETRM-Lizenz plus KI-Modul-Gebühr, nutzungsbasierte Marktdaten-Kosten separat.

Weg 2: Spezialisierte Trading-KI-Anbieter (Suena, Entrix, Inavitas, enercast, ProCom-AI)

• Was Sie bekommen - Best-in-Class in einer engen Domäne. Prognose (enercast, energy & meteo systems, EWC). Intraday-Algos (Suena, Entrix). BESS-Optimierung (Inavitas, kiwigrid).
• Wo es passt - Wenn Sie einen spezifischen Use Case haben (meist Prognose oder Intraday) und der Workflow weitgehend in sich geschlossen ist.
• Wo es nicht passt - Use-Case-übergreifende Koordination (Prognose plus Intraday plus BESS plus PPA). Differenzierende Logik, die der Hersteller nicht anpasst.
• Typische Kosten - 50.000 bis 500.000 Euro pro Jahr pro Spezialplattform, plus Implementierung, plus Integration zurück zu ETRM und SCADA.

Weg 3: Custom-KI-Agenten auf Ihrem Stack

• Was Sie bekommen - Eine Agentenschicht, gebaut für Ihr Portfolio, sitzend über ETRM, SCADA, Wetter, Marktdaten, BESS-EMS. Use-Case-übergreifend, systemübergreifend, portierbar über ETRM-Hersteller, und der Agent gehört Ihnen statt gemietet zu sein.
• Wo es passt - Wenn Use Cases Prognose plus Gebot plus BESS plus PPA kreuzen. Wenn Portfolio-Strategie Teil Ihrer Edge ist. Wenn Sie gemischte Anlagen und Vertragsstrukturen fahren.
• Wo es nicht passt - Wenn der einzige Use Case wirklich abgegrenzt ist und ein Spezialanbieter es schon gut macht. Wenn das Portfolio zu klein für einen Custom-Build ist.
• Typische Kosten - 80.000 bis 250.000 Euro pro Use Case für den Build, plus 5.000 bis 15.000 Euro pro Monat pro aktivem Agenten, plus Marktdaten- und LLM-Inferenz im Cent-Bereich pro Task.

Der ehrliche 3-Jahres-Kostenvergleich

Nehmen wir einen Mittelstands-Direktvermarkter mit 400-MW-Mischportfolio (220 MW Wind, 150 MW Solar, 30 MW co-lokierter BESS), 1,4 TWh Jahresproduktion, REMIT-Berichtspflicht und Ambition, Corporate-PPAs aufzubauen. Drei Jahre auf drei Wegen.

Was nicht in der Tabelle steht

• Anlagenwert-Uplift - Besser gemanagte Anlagen sind im Secondary-Market mehr wert. Schwer präzise zuzuordnen, real in M&A-Pricing.
• Counterparty-Risiko - PPAs mit risikobewussten Modellen reduzieren Abnehmer-Ausfall-Exposure. Zeigte sich scharf, als mehrere Abnehmer 2024 und 2025 wackelten.
• Trader-Retention - Senior-Trader bevorzugen Agenten-Unterstützung gegenüber manuellem Bau von 96 Viertelstunden-Geboten.
• Strategische Optionalität - Mit der Agentenschicht ist das Hinzufügen neuer Märkte oder Asset-Klassen ein 2-Monats-Projekt, kein Jahresprojekt.

SCADA-plus-ETRM-plus-Agent-Architektur

Die Architektur, die die ersten 18 Monate in einer Direktvermarktungs-Operation überlebt, ist bewusst gewählt und audit-konform. Das ETRM bleibt System of Record für Positionen, Fahrpläne, Abrechnung und regulatorisches Reporting. Der Agent liest SCADA, Wetter, Marktdaten, Verträge und schreibt Orders über ordentliche APIs ins ETRM. Der Agent umgeht das ETRM für den regulatorischen Trail nie.

Der vier-schichtige Trading-Stack

• Schicht 1: Externe Daten - Wetter-Anbieter (DWD, ECMWF, MetOffice, kommerzielles Nowcasting), EPEX-SPOT-Marktdaten, TenneT/Amprion/50Hertz/TransnetBW-Netzdaten, BNetzA-REMIT-Publikationen, News-Feeds. Der volatile Rand des Tradings.
• Schicht 2: KI-Agenten - Produktionsprognose, Day-Ahead-Bieten, kontinuierliches Intraday-Trading, Ausgleichs-Optimierung, BESS-Dispatch, PPA-Pricing. Die neue Reasoning-Schicht.
• Schicht 3: ETRM als System of Record - ProCom, eZ-Trade, eigene Systeme. Positionen, Fahrpläne, Abrechnung, REMIT-Reporting, MaBiS, P&L. Der offizielle Record.
• Schicht 4: Angrenzende Systeme - SCADA (Asset-Level-Produktion, Verfügbarkeit, Curtailment), BESS-EMS, Abrechnung, Finance, Vertragsdatenbank (PPAs, EEG, Capacity-Verträge).

Wo der Agent liest und schreibt

BNetzA, REMIT, MAR und EU AI Act

Direktvermarktungs-KI sitzt direkt in drei sich überlappenden Regulierungsregimen. Bewusst designt, macht die Agentenschicht alle drei einfacher, nicht schwerer.

REMIT (Regulation on wholesale Energy Market Integrity and Transparency)

• Trade-Reporting - Alle Energiegrosshandelsabschlüsse müssen über das ETRM an ACER gemeldet werden. Der Agent generiert Trades, die das ETRM meldet - der regulatorische Trail ist intakt.
• Inside Information - Der Agent darf nicht auf nicht-offenbartem Insider-Wissen handeln (geplantes Curtailment, Anlagenausfall, regulatorisches Vorwissen). Die Agentenplattform dokumentiert, welche Daten zum Zeitpunkt jeder Entscheidung verfügbar waren - sauberer als menschliche Trader-Aufzeichnungen.
• Marktmanipulations-Prävention - Der Agent darf kein Spoofing, Layering, Wash-Trades oder Cross-Product-Manipulation betreiben. Risikolimits, Order-Frequenz-Caps und Audit-Logs verhindern die Muster und dokumentieren Konformität.

MAR (Market Abuse Regulation)

• Algorithmus-Dokumentation - Strategie, Parameter und Risikolimits des Agenten sind dokumentiert und versionskontrolliert. Ein Regulator, der den Desk inspiziert, bekommt eine klarere Antwort als von einem menschlichen Trader mit Notizbuch.
• Überwachung und Kill-Switch - Der Agent überwacht sein eigenes Verhalten und stoppt, wenn Limits triggern. Ein Kill-Switch über dem Agenten ist Pflicht und dokumentiert.
• Order-Audit - Jede Order ist mit den Modellinputs geloggt, die sie produziert haben. Rekonstruieren, warum ein bestimmter Trade passiert ist, dauert Sekunden, nicht Tage.

EU AI Act

• Risikoklassifikation - Die meiste Direktvermarktungs-KI sitzt in limited-risk. Artikel-12-Logging wird nativ erfüllt.
• Dokumentation - Risikoklassifikation, Datenquellen, Entscheidungslogik, menschlicher Override-Pfad. Standard-Datenblatt.
• Menschliche Aufsicht - Der Agent operiert innerhalb expliziter menschlich gesetzter Limits. Ein Trader kann jederzeit übersteuern. Sowohl EU AI Act als auch MAR verlangen das.

BNetzA, EEG, MaBiS

• Marktprämie - Direktvermarktung nach §20 EEG bleibt eine regulierte Erlösstrom. Der Agent muss Marktprämie-Eignungsregeln pro Anlage respektieren.
• MaBiS-Ausgleich - Reporting an die ÜNBs für Ausgleichsabrechnung läuft über das ETRM. Der Agent speist korrekte Positionen; das ETRM meldet.
• BNetzA-Reporting - Aggregator- und Direktvermarkter-Berichtspflichten bleiben im ETRM. Der Agent ersetzt das nicht, er speist saubere Daten hinein.

Wie Superkind hineinpasst

Superkind baut Custom-KI-Agenten, die auf bestehenden Direktvermarktungs-Stacks sitzen - ProCom, eZ-Trade, eigene ETRMs - und den SCADA-, BESS-EMS-, Wetter-, Marktdaten- und Vertragssystemen daneben. Wir ersetzen das ETRM nicht. Wir bauen die Reasoning-Schicht, die das macht, wofür das ETRM nicht gebaut wurde, über den vollen Direktvermarktungs-Workflow.

Kernfähigkeiten für Direktvermarktungs-Umgebungen

• ETRM-Integration - ProCom, eZ-Trade, BelVis Trading, eigene Systeme. Stabile Schnittstellen und Datenbankkonnektoren für Positionen, Fahrpläne, Abrechnung.
• EPEX-SPOT-Integration - Day-Ahead-Bidding-API, Intraday-Continuous-Orderbuch, M7-Trading-Interface.
• SCADA und Asset-Daten - Wind, PV, BESS, Biogas, Wasser. Echtzeit-Produktion, Verfügbarkeit, Curtailment-Status.
• Wetter-Anbieter-Ensembling - DWD, ECMWF, MetOffice, kommerzielle Anbieter (enercast, energy & meteo systems, EWC, ConWX). Multi-Vendor-probabilistische Prognosen.
• BESS-EMS-Integration - Tesla, Sungrow, BYD, Fluence, Kraftblock, Wärtsilä. Ladezustand, Zyklen-Limits, Garantie-Constraints.
• Prognose-Agenten - 15-Minuten-probabilistische Prognosen für Wind, Solar, Hybrid, mit expliziten Unsicherheitsbändern und Szenario-Fan-Charts.
• Day-Ahead-Bieting-Agenten - 96-Viertelstunden-Gebotskurven-Konstruktion mit Portfolio-Constraints, BESS-Flexibilität und PPA-Pflichten.
• Intraday-Continuous-Agenten - 24/7-algorithmisches Trading mit harten Risikolimits und menschlichem Kill-Switch.
• Ausgleichs-Optimierung - Cross-Portfolio-Ausgleichsmanagement mit Ausgleichspreis-Prognose-Modell.
• BESS-Multi-Revenue-Dispatch - Energy + Regelreserve + Capacity + Netzentgelt-Optimierung in einem Reasoning-Modell.
• PPA-Pricing und Risiko - Monte Carlo auf Negativpreis-Risiko, Profilrisiko, Bilanzrisiko, Kreditrisiko.
• REMIT-, MAR-, EU-AI-Act-Audit-Trail - Jede Entscheidung mit Inputs und Modellzustand geloggt. Ein Log, drei regulatorische Zwecke.
• EU-Deployment und DSGVO-Konformität - Agenten laufen auf EU-Cloud oder Ihrer eigenen Infrastruktur. Daten verlassen den definierten Perimeter nicht.
• 8 bis 12 Wochen bis zur ersten Produktionsimplementierung - Von der Prozessanalyse bis zum Live-Betrieb auf einem fokussierten ersten Use Case.

Der 90-Tage-Plan

Dieser Plan deckt die Auswahl des richtigen ersten Use Case, die Datenvalidierung, das Deployment des Agenten mit eingeschränktem Scope und das Erreichen erstem messbaren Wert ab. Nutzen Sie ihn, um Handelsleitung, Asset-Management, IT und Risiko auszurichten.

Wochen 1 bis 3: Use-Case-Auswahl und Datenaudit

• Die drei grössten Erlös-Leckagen quantifizieren - Prognose-MAE pro Asset-Klasse, Ausgleichskosten pro MWh, Intraday-Capture vs Benchmark, BESS-Erlös pro MW, PPA-Preis-Gap vs Referenz. Zahlen, keine Meinungen.
• Drei Kandidaten-Use-Cases aus den sieben auswählen - Jeden auf Erlös-Hebel, Deployment-Komplexität, Datenreife und regulatorische Reife bewerten.
• Einen Use Case für den 90-Tage-Pilot wählen - Bias zu Produktionsprognose (fundamental) oder Intraday-Continuous-Trading (grösster Einzel-Erlöshebel nach Prognosen).
• Die Daten prüfen, die der Use Case braucht - SCADA-Historie (mindestens 12 Monate), Wetter-Vendor-Daten, Marktdaten-Historie, Vertragsbedingungen. Lücken identifizieren.
• API-Zugang bestätigen - ETRM, SCADA, Wetter, EPEX SPOT, BESS-EMS. Integrationsplan dokumentieren.
• Risiko und Compliance briefen - REMIT-, MAR-, BNetzA-Implikationen gemappt, bevor Code geschrieben wird.

Wochen 4 bis 8: Bauen und Testen

• Detailliertes Prozess-Mapping - Inputs, Outputs, Entscheidungspunkte, Risikolimits, Eskalations-Trigger, Kill-Switch-Logik.
• Agent-Build gegen das Prozess-Mapping - Modellarchitektur, ETRM-Integration, Risikolimits, Human-in-the-Loop-Checkpoints, Audit-Logging.
• Backtest gegen historische Marktdaten - 12 bis 24 Monate Marktdaten und Anlagenproduktion. Mit tatsächlichen Trader-Entscheidungen vergleichen. Lücken und Edge-Cases dokumentieren.
• Ausnahmebehandlung validieren - Was tut der Agent, wenn ein Wetter-Anbieter ausfällt, wenn eine Anlage curtailed ist, wenn Intraday illiquide ist, wenn eine Order abgelehnt wird.
• REMIT- und MAR-Audit-Logging bestätigen - Jede Entscheidung rückverfolgbar zu Inputs und Modellzustand.
• Den Desk schulen - Trader lernen die Strategie, Limits und Override-Pfade des Agenten.

Wochen 9 bis 12: Produktion und Lernen

• Auf eingeschränkten Scope deployen - Eine Zone, eine Asset-Klasse oder ein Bruchteil des Portfolio-Volumens. Parallelbetrieb mit dem bestehenden Desk.
• Tägliche Review-Kadenz - Jede Entscheidung des Agenten, jede Eskalation, jeder Limit-Hit. Was hat funktioniert, was nicht.
• Gegen Baseline messen - Ausgleich pro MWh, Intraday-Capture, BESS-Erlös, Prognose-MAE. Wenn die Zahlen sich nicht bewegen, diagnostizieren, bevor skaliert wird.
• Skalieren, sobald Metriken bestätigen - Zwei bis drei Wochen stabiler Betrieb im eingeschränkten Scope, bevor auf das volle Volumen skaliert wird.
• Lehren für den nächsten Use Case dokumentieren - Der zweite Agent wird doppelt so schnell deployt.

Verwandte Artikel

• ERP oder KI-Agent: Wo die Grenze in Mittelstands-Prozessen 2026 verläuft
• Predictive Maintenance für Hidden Champions: Von Sensordaten zum autonomen Wartungsagenten
• KI-Agenten-ROI: Das KPI-Framework, das CFOs in 90 Tagen überzeugt
• Souveräne KI für den Mittelstand: Warum deutsche KMU Custom-Agenten gegenüber US-gehosteten Tools wählen
• KI-Agenten-Sicherheit für den Mittelstand: Wie deutsche KMU autonome KI absichern
• Multi-Agenten-Systeme für den Mittelstand: Wenn ein Agent nicht reicht
• Standardsoftware oder KI-Agent: Wie der Mittelstand 2026 sein Softwarebudget verteilt

Häufig gestellte Fragen

Henri Jung

Co-Founder bei Superkind

Co-Founder von Superkind, wo er KMU und Konzernen hilft, Custom-KI-Agenten einzusetzen, die wirklich zu der Art passen, wie ihre Teams arbeiten. Henri brennt dafür, die Lücke zwischen dem, was KI kann, und dem Wert, den sie in echten Unternehmen schafft, zu schliessen. Er glaubt, dass der Mittelstand alles hat, was er braucht, um in KI zu führen - er braucht nur den richtigen Ansatz.