Implementierungsstrategie
"Der Use Case wird organisatorisch an der Schnittstelle von IT Betrieb, Energiemanagement und Nachhaltigkeitsstrategie verankert. Zu Beginn erfolgt eine Analyse der verfügbaren Datenquellen, der Workloadtypen und der Flexibilitätsgrade. Anschließend werden jene Aufgaben identifiziert, die zeitlich verschoben oder auf andere Standorte ausgelagert werden können, ohne die Service Level Agreements (SLA) zu verletzen. In einer Pilotphase wird die KI Plattform zunächst als Empfehlungssystem betrieben. Das Betriebsteam kann die vorgeschlagenen Verschiebungen prüfen, bewerten und schrittweise automatisieren. Für die technische Umsetzung werden vorhandene Monitoring Systeme, Orchestrierungsplattformen und Container Umgebungen integriert. Häufig kommt Kubernetes oder vergleichbare Workload Orchestrierungssoftware zum Einsatz, ergänzt durch eine KI Schicht, die Optimierung und Scheduling übernimmt. Die IT Strategie kann entweder auf Standardplattformen basieren, die mit eigenen Trainingsdaten erweitert werden, oder auf maßgeschneiderten Lösungen aufbauen, die an interne Datenmodelle und Prozesse angepasst sind. Wichtig ist eine klare Abgrenzung der Verantwortlichkeiten: Die KI trifft ausschließlich Entscheidungen innerhalb des Rechenzentrums und ist strikt auf die Sicherstellung der 100% Verfügbarkeit ausgerichtet. Infrastrukturbezogene Anforderungen umfassen Datenqualität, Zugriffsrechte und standardisierte Protokolle. Die Wahl zwischen Cloud und lokaler Installation hängt von Datenschutz, Integrationsaufwand und Kosten ab. Rechtlich fällt der Use Case im Rahmen des EU AI Act in die Kategorie geringes Risiko, da keine personenbezogenen Daten verarbeitet und keine sicherheitskritischen Entscheidungen getroffen werden. Data Governance Regeln definieren, welche Betriebsdaten für Optimierungszwecke genutzt werden dürfen. Relevante nationale Energie- und Klimaregelungen betreffen vor allem Berichtspflichten zu Energieeffizienz und Abwärmenutzung."

Lessons Learned
Die technischen und organisatorischen Risiken sind insgesamt mittel. Die größte Herausforderung besteht darin, flexible Workloads zuverlässig zu identifizieren, ohne die Stabilität oder Verfügbarkeit des Rechenzentrums zu beeinträchtigen. Ebenso wichtig ist eine enge Abstimmung zwischen IT Betrieb, Energiemanagement und Nachhaltigkeitsverantwortlichen. Die erwartete Wirkung ist hoch: KI gesteuerte Lastverteilung kann den CO₂ Ausstoß pro Recheneinheit deutlich reduzieren und Energieverbrauch sowie Kühlspitzen spürbar senken. Erfolgsfaktoren sind eine hochwertige Datenbasis, klare SLA Vorgaben (welche Dienste müssen wann verfügbar sein) und ein schrittweiser Übergang vom Empfehlungssystem zur teilautomatisierten Steuerung. Die Übertragbarkeit auf andere Städte ist hoch, da viele urbane Rechenzentren ähnliche Strukturen aufweisen. Nachhaltige Nutzung entsteht, wenn eigene Betriebsdaten zur kontinuierlichen Verbesserung der Modelle eingesetzt werden und die KI langfristig in die Standard Orchestrierung integriert wird. Nutzen für städtisches Umfeld ist fraglich, da der Fokus zumeist auf internen Zielen (100% Uptime) liegt.