Elektrolyseure, Sensoren und KI-Modelle zur Steuerung, Regelung und Überwachung von Anlagen sind heute technisch hoch entwickelt. Dennoch haben Projektentwickler häufig Schwierigkeiten, Finanzierer zu überzeugen. Was oft fehlt, ist das Vertrauen der Finanzakteure in den Betrieb der Elektrolyseanlage, die einem Projekt letztlich zustimmen müssen.
Um dieses Problem zu lösen, muss man verstehen, was Kreditgeber, Versicherer und Abnehmer tatsächlich von einem KI-System benötigen. Und das unterscheidet sich deutlich von dem, worauf die meisten heutigen Systeme ausgelegt sind.
Das Transparenzproblem
Das vorherrschende Paradigma für KI in Elektrolyseuren konzentriert sich derzeit auf operative Transparenz. Sensordaten werden erfasst, verarbeitet und den Betriebsteams nahezu in Echtzeit bereitgestellt. Spannungskurven werden verfolgt, Effizienzkennzahlen überwacht. Werden bestimmte Grenzwerte überschritten, löst das System Warnmeldungen zu möglichen Anomalien aus. Diese Funktionen helfen Betreibern, schneller zu reagieren, Fehler früher zu erkennen und besser zu verstehen, wie sich eine konkrete Anlage unter bestimmten Bedingungen verhält.
Für die Finanzierungsentscheidung sind sie jedoch nicht das Ziel, sondern der Ausgangspunkt. Kreditgeber, technische Berater und Versicherer bewerten nicht, ob ein Elektrolyseur heute effizient arbeitet. Sie prüfen, ob er über eine Kreditlaufzeit von zwölf bis fünfzehn Jahren planbare Cashflows erwirtschaften wird. Echtzeit-Betriebsdaten sind dafür notwendig, aber nicht ausreichend.
Erforderlich ist vielmehr eine dokumentierte und prüfbare Historie der Anlagenleistung: Wie altert die Anlage? Welche Eingriffe wurden vorgenommen? Wie wird ihre verbleibende Nutzungsdauer geschätzt? Und zwar auf Grundlage nachvollziehbarer physikalischer Zusammenhänge, nicht anhand proprietärer Korrelationen, die sich nicht unabhängig überprüfen lassen.
Eine hohe Modellgenauigkeit auf Basis von Testdaten mag einen Data Scientist überzeugen. Einen auf Projektfinanzierung spezialisierten Anwalt oder einen Risikoausschuss, der künftige Cashflows einer Anlage im Wert von mehreren hundert Millionen Dollar absichern soll, überzeugt sie nicht zwangsläufig.
© Polestar Technology
Was KI für Banken glaubwürdig macht
Die Glaubwürdigkeitslücke bei KI-Systemen für Elektrolyseure hat drei zentrale Dimensionen. Alle müssen adressiert werden, wenn KI tatsächlich einen Beitrag zu Finanzierungsentscheidungen leisten soll.
· Nachvollziehbarkeit: Jede Optimierungsempfehlung, jede Fehlerklassifizierung und jede Prognose zur verbleibenden Nutzungsdauer muss auf einen zugrunde liegenden physikalischen Mechanismus zurückgeführt werden können – etwa auf den Anstieg des flächenspezifischen Widerstands (ASR), die Ausdünnung der Membran oder die Kinetik der Ablösung von Katalysatorschichten.
Kreditgeber beauftragen regelmäßig unabhängige technische Berater mit der Prüfung betrieblicher Systeme.
Kann ein KI-System nicht erklären, warum es eine bestimmte Empfehlung ausspricht – und zwar in einer Form, die ein Elektrochemieingenieur überprüfen kann –, besitzt diese Empfehlung in einem formellen Due-Diligence-Prozess keine belastbare Beweiskraft.
· Physikbasierte Grundlagen: Zwischen einem Machine-Learning-Modell, das ausschließlich mit historischen Betriebsdaten trainiert wurde, und einem Modell, dessen Lösungsraum durch thermodynamische und elektrochemische Gesetze begrenzt wird, besteht ein grundlegender Unterschied.
Ein Modell, das nur auf historischen Daten beruht, kann unter Extrembedingungen physikalisch unmögliche Ergebnisse liefern. Das kann leicht geschehen, wenn Elektrolyseure dynamisch auf die schwankende Stromerzeugung aus erneuerbaren Energien reagieren und dabei Betriebszustände erreichen, die außerhalb der Trainingsdaten liegen.
Ein Modell mit physikalisch begrenztem Lösungsraum wird dies nicht tun, weil unmögliche Zustände konstruktionsbedingt ausgeschlossen sind.
Für einen Kreditgeber, der eine Anlage bewertet, die 13 Jahre lang mit variablen erneuerbaren Energiequellen betrieben werden soll, entscheidet dieser Unterschied darüber, ob KI-Ergebnisse auch unter bislang nicht beobachteten Bedingungen verlässlich sind. Für Finanzierer ist entscheidend, ob sich KI-Ergebnisse auf neue Betriebszustände übertragen lassen – eine Frage, die insbesondere in den späteren Jahren vieler Wasserstoff-Projektfinanzierungen an Bedeutung gewinnt.
· Prüfbarkeit: Ein glaubwürdiges KI-System muss nicht nur Erkenntnisse liefern, sondern auch Nachweise. Dazu gehören:
· zeitgestempelte Leistungsprotokolle
· Historien von Eingriffen und Wartungsmaßnahmen
· die Dokumentation von Degradationsverläufen
· Vergleiche zwischen prognostiziertem und tatsächlichem Verhalten.
Auf Grundlage dieser Informationen werden technische Due-Diligence-Berichte erstellt. Fehlen sie, gibt es für technische Berater nichts zu prüfen – und dann leistet selbst ein technisch hochentwickeltes System keinen Beitrag zum Finanzierungsprozess.
Analysten und Berater sprechen im Zusammenhang mit grünem Wasserstoff häufig von einer „Bankability Gap“, also einer Lücke bei der Finanzierbarkeit: Projekte sind technisch solide, können aber nicht die operative Planbarkeit nachweisen, die eine Projektfinanzierung ohne umfassenden Rückgriff auf die Projektträger voraussetzt.
Die Finanzierungslücke: ein Beispiel
Diese Lücke bei der Finanzierbarkeit betrifft in erster Linie nicht die Anlagen selbst. Sie betrifft die Intelligenzebene zwischen der physischen Anlage und den Finanzakteuren, die sie bewerten müssen.
Nehmen wir einen Elektrolyseur, der zwei Jahre lang mit herkömmlichen Überwachungssystemen betrieben wurde. Der technische Berater eines Kreditgebers erhält Spannungskurven, Druckprotokolle und Wartungsunterlagen. Er kann den Kapazitätsfaktor berechnen und die verbleibende Nutzungsdauer anhand konservativer Annahmen abschätzen.
Was der technische Berater jedoch nicht kann:
· den Effizienzverlust durch eine unerkannte Zunahme des ASR quantifizieren
· überprüfen, ob der dynamische Lastbetrieb die Membran stärker als vorgesehen beansprucht hat
· Risiken bewerten, die im vorhandenen Datensatz nicht sichtbar sind.
Er kalkuliert also buchstäblich ein Risiko ein, das er nicht sehen kann.
Betrachten wir nun dieselbe Anlage mit einem physikalisch fundierten KI-System. Dieses überwacht Degradationsprozesse kontinuierlich, erstellt nachvollziehbare Protokolle zu Eingriffen und liefert Prognosen zur verbleibenden Nutzungsdauer auf Grundlage elektrochemischer Kinetik.
Der technische Berater kann nun:
· den bisherigen Degradationsverlauf prüfen
· die physikalische Grundlage der Lebensdauerprognose nachvollziehen
· beurteilen, ob die Betriebsentscheidungen der vergangenen zwei Jahre auf eine maximale Lebensdauer ausgerichtet waren.
Das Risiko wird sichtbar. Und was sichtbar ist, lässt sich bewerten und bepreisen. So wird ein Projekt finanzierbar.
Ein Rahmen für die Branche
Die KI-Branche im Elektrolyseur-Sektor muss sich auf eine zentrale Frage konzentrieren: Liefert dieses System Nachweise, auf die sich ein Kreditgeber verlassen kann?
Daraus ergeben sich mehrere konkrete Anforderungen:
· Physikalische Randbedingungen müssen den Lösungsraum der KI begrenzen – nicht als nachträgliche Zusatzfunktion, sondern als grundlegendes Architekturprinzip.
· Jede Ausgabe muss eine nachvollziehbare Erklärung in der Sprache der jeweiligen Zielgruppe enthalten.
· Betriebsdaten und Degradationsverläufe müssen kontinuierlich in Formaten dokumentiert werden, die eine unabhängige Prüfung ermöglichen.
· Leistungsprognosen müssen durch eine Quantifizierung der Unsicherheit ergänzt werden – auf Basis physikalischer Modelle und nicht allein durch Punktprognosen.
Die besten Dashboards und Visualisierungen helfen hier nicht weiter. Das bedeutet nicht, dass auf Echtzeitfunktionen verzichtet werden müsste. Es erfordert lediglich die Entscheidung, die Glaubwürdigkeit gegenüber Kreditgebern bereits bei der Systemarchitektur als zentrale Anforderung zu behandeln – und nicht erst als nachgelagertes Problem.
