{"id":43529,"date":"2026-09-21T22:16:52","date_gmt":"2026-09-22T02:16:52","guid":{"rendered":"https:\/\/intosaijournal.org\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/"},"modified":"2026-09-21T22:52:37","modified_gmt":"2026-09-22T02:52:37","slug":"using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies","status":"publish","type":"journal-entry","link":"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/","title":{"rendered":"Einsatz von KI und Datenanalyse bei einer Wirtschaftlichkeitspr\u00fcfung zur Ermittlung von \u00dcberschneidungen zwischen Energieeffizienzma\u00dfnahmen"},"content":{"rendered":"\n

Autorinnen und Autoren: Jaap Ligthart, Eline Lampers, Bing Steup, Marcus van Toor, Berrie Zielman (ORKB der Niederlande)1<\/a><\/sup><\/p>\n\n\n\n

Energieeffizienzma\u00dfnahmen in den Niederlanden<\/h3>\n\n\n\n

Anfang 2026 ver\u00f6ffentlichte die ORKB der Niederlande einen Bericht \u00fcber die Verwendung von Steuergeldern zur Finanzierung freiwilliger wie auch verpflichtender Energiesparma\u00dfnahmen. Bei der Pr\u00fcfung st\u00fctzten wir uns stark auf KI, um Daten zu analysieren sowie \u00dcberschneidungen zwischen Anreizen und verpflichtenden Ma\u00dfnahmen abzubilden. In diesem Beitrag erl\u00e4utern wir, wie wir an das Pr\u00fcfungsthema herangegangen sind und wie KI dabei zum Einsatz gekommen ist.<\/p>\n\n\n\n

Die sauberste Energieform ist Energie, die gar nicht erst verbraucht wird. Deshalb f\u00fchrten die Niederlande f\u00fcr Unternehmen und gemeinn\u00fctzige Organisationen, die j\u00e4hrlich \u00fcber 50.000 kWh Strom bzw. 25.000 m3<\/sup> Erdgas verbrauchen, eine Verpflichtung zur Investition in Energiesparma\u00dfnahmen ein (auf Niederl\u00e4ndisch \u201eenergiebesparingsplicht\u201c<\/em>). Diese Unternehmen sind dazu verpflichtet, s\u00e4mtliche Energiesparma\u00dfnahmen zu ergreifen, die sich innerhalb von f\u00fcnf Jahren amortisieren. Obwohl es sich hierbei um eine nationale Ma\u00dfnahme handelt, wurde sie von der niederl\u00e4ndischen Regierung herangezogen, um Artikel 8 der EU-Energieeffizienz-Richtlinie zu verpflichtenden Energieeinsparungen einzuhalten. Au\u00dferdem leistet die Ma\u00dfnahme einen Beitrag zum Ziel f\u00fcr nachhaltige Entwicklung Nr. 7 zu erneuerbarer Energie und Energieeffizienz.<\/p>\n\n\n\n

Zus\u00e4tzlich zu dieser Verpflichtung f\u00fchrte die Regierung mindestens 17 Beihilfenprogramme und Steuerregelungen sowie andere politische Instrumente ein, um Unternehmen und gemeinn\u00fctzige Organisationen zu ermutigen, Investitionen in freiwillige Energieeffizienzma\u00dfnahmen zu t\u00e4tigen. Diese Instrumente reichen von direkten finanziellen Anreizen \u00fcber Steuererleichterungen bis hin zu kostenlosen CO2<\/sub>-Handelsbewilligungen. Im Jahr 2024 gab die Regierung etwa 1,2 Milliarden Euro f\u00fcr diese Programme aus, wohingegen f\u00fcr die Durchsetzung der Energiesparverpflichtung Kosten in H\u00f6he von 15 Millionen Euro entstanden.<\/p>\n\n\n\n

Da sowohl die Anreize als auch die Verpflichtung das Ziel verfolgen, Unternehmen und gemeinn\u00fctzige Organisationen zu Investitionen in Energiesparma\u00dfnahmen zu bewegen, besteht die Gefahr von \u00dcberschneidungen. Diese Situation k\u00f6nnte dazu f\u00fchren, dass die Regierung Unternehmen daf\u00fcr bezahlt, in Energiesparma\u00dfnahmen zu investieren, zu denen sie ohnehin bereits verpflichtet sind, d. h. zu einer ineffizienten Verwendung von Steuergeldern.<\/p>\n\n\n\n

\"\"
Abbildung\u00a01: Kosten der 17\u00a0finanziellen Anreize im Vergleich zur Energiesparverpflichtung. Quelle: ORKB der Niederlande<\/figcaption><\/figure>\n\n\n\n

APr\u00fcfungsziele<\/h3>\n\n\n\n

Die Pr\u00fcfungsziele bestanden darin, festzustellen, ob es im Zeitraum\u00a02019\u20132024 zu \u00dcberschneidungen zwischen den Anreizprogrammen einerseits und der Energiesparverpflichtung andererseits kam, sowie den finanziellen Umfang dieser potenziellen \u00dcberschneidungen zu ermitteln. Die Analyse von \u00dcberschneidungen zwischen den Anreizen selbst war nicht Gegenstand der Pr\u00fcfung. Angesichts der Vielzahl an Ma\u00dfnahmen, der gro\u00dfen Anzahl an Beihilfen sowie der vielen verpflichtenden und freiwilligen Energiesparma\u00dfnahmen kamen bei dieser Wirtschaftlichkeitspr\u00fcfung KI sowie Datenanalysen zu Anwendung. Wir f\u00fchrten unsere Pr\u00fcfung in den Jahren\u00a02024\u20132025 durch, wobei der Gro\u00dfteil der KI-Analyse im Juni\/Juli\u00a02024 unter Verwendung der damals verf\u00fcgbaren Tools erfolgte. Die Pr\u00fcfung wurde im Januar\u00a02026 ver\u00f6ffentlicht.2<\/a><\/sup><\/p>\n\n\n\n

Einsatz von KI und Datenanalysen<\/h3>\n\n\n\n

Um die \u00dcberschneidungen zwischen den Anreizen und den verpflichtenden Energiesparma\u00dfnahmen zu ermitteln, mussten wir Folgendes feststellen:<\/p>\n\n\n\n

    \n
  1. ob es \u00dcberschneidungen zwischen den Anreizen und den verpflichtenden Ma\u00dfnahmen gab (unterst\u00fctzt durch KI);<\/li>\n\n\n\n
  2. wie viel Geld f\u00fcr Ma\u00dfnahmen ausgegeben wurde, die auch verpflichtend waren (Datenanalyse);<\/li>\n\n\n\n
  3. welcher Anteil dieser Mittel an Unternehmen und gemeinn\u00fctzige Organisationen floss, die ohnehin bereits zur Umsetzung von Energiesparma\u00dfnahmen verpflichtet waren (Datenanalyse).<\/li>\n<\/ol>\n\n\n\n

    Schritt 1: Abgleich der Ma\u00dfnahmen<\/em><\/h4>\n\n\n\n

    Der erste Schritt bestand darin, festzustellen, welche Ma\u00dfnahmen der 17 Anreizprogramme verpflichtend waren. Daf\u00fcr zogen wir Listen mit verpflichtenden und Anreizma\u00dfnahmen heran. Die Regierung ver\u00f6ffentlicht eine Liste verpflichtender Energieeffizienzma\u00dfnahmen (vom Niederl\u00e4ndischen \u201eErkende Maatregelenlijst\u201c<\/em> kurz EML). Diese Liste enth\u00e4lt Hunderte von Ma\u00dfnahmen, unterteilt nach Bereichen wie Gesundheitswesen, Sportst\u00e4tten, 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. F\u00fcr viele der Anreizprogramme gab es eigene Listen. Diese Listen \u00e4ndern sich jedes Jahr und k\u00f6nnen Hunderte von Ma\u00dfnahmen enthalten.<\/p>\n\n\n\n

    Die meisten Ma\u00dfnahmen \u2013 sowohl auf der EML als auch auf den Anreizlisten \u2013 werden auf einer oder mehreren Textseiten erl\u00e4utert, auf denen der Verwendungszweck, technische Vorgaben, wirtschaftliche Vorgaben, Energieeffizienzanforderungen etc. beschrieben werden. Ein manueller Vergleich der Listen im betrachteten Zeitraum (2019\u20132024) w\u00e4re sehr zeitaufwendig gewesen. Daher setzten wir KI ein.<\/p>\n\n\n\n

    \"\"
    Abbildung\u00a02: Modell zum Abgleich verpflichtender und freiwilliger Energiesparma\u00dfnahmen. Quelle: ORKB der Niederlande<\/figcaption><\/figure>\n\n\n\n

    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 Energiesparma\u00dfnahmen) unstrukturierte Daten (PDF-Dateien); f\u00fcr jede Ma\u00dfnahme wurden eigene Formatierungskonventionen verwendet. Die Dateien, in denen die Ma\u00dfnahmen beschrieben wurden, mussten daher mithilfe eines eigens entwickelten Parsers in eine f\u00fcr die KI verwertbare Struktur, d. h. Textdateien, umgewandelt werden. Dieser Ansatz ist nicht skalierbar: F\u00fcr jeden Anreiz und jedes Jahr wird ein anderer Ansatz ben\u00f6tigt. Daher beschr\u00e4nkten wir die Anfangsphase unserer Analyse auf zwei relativ \u00fcberschaubare Dateien und verglichen die EML mit der Liste zu den Steuerverg\u00fcnstigungen f\u00fcr Investitionen im Energiebereich (vom Niederl\u00e4ndischen kurz \u201eEIA\u201c) eines bestimmten Jahres im Hinblick auf einen bestimmten Bereich (z. B. Metallindustrie).<\/p>\n\n\n\n

    Nach der Vorverarbeitung wurden die Daten an das GPT-4o-Modell von OpenAI \u00fcbermittelt. Im Wesentlichen stellten wir dem Modell Teilmengen der vorgeschriebenen Energiesparma\u00dfnahmen zur Verf\u00fcgung, beispielsweise zehn der rund 500 EML-Ma\u00dfnahmen aus dem Jahr 2019. Anschlie\u00dfend baten wir die KI, aus einem bestimmten Beihilfenprogramm jene Ma\u00dfnahmen zu ermitteln, die den Beschreibungen der vorgeschriebenen EML-Ma\u00dfnahmen entsprachen. Bei der \u00dcberpr\u00fcfung stellte das Team sowohl korrekte Entsprechungen als auch eindeutig falsch-positive und falsch-negative Ergebnisse fest. Unsere Analyse \u00fcbersah zwar einige Entsprechungen, kam aber auch zu dem Schluss, dass einige verpflichtende Ma\u00dfnahmen tats\u00e4chlich nicht in Beihilfenprogrammen enthalten waren. Ein wiederkehrendes Problem war, dass das Modell Schwierigkeiten damit hatte, was es bedeutet, \u201edem wahrgenommenen Ziel zu entsprechen\u201c. Beispielsweise werden mit EIA-Beihilfen Bel\u00fcftungssysteme gef\u00f6rdert, um warme Luft gleichm\u00e4\u00dfig im Raum zu verteilen. Die KI markierte die EIA-Beihilfen als mit einer EML-Ma\u00dfnahme \u00fcbereinstimmend. Bei dieser ging es zwar ebenfalls um Bel\u00fcftung, jedoch mit dem Ziel, verschmutzte Luft abzuf\u00fchren. Die KI ermittelte die Entsprechung vermutlich, weil der Begriff \u201eBel\u00fcftung\u201c sowohl in der EIA als auch in der EML verwendet wurde. Die betreffende Technologie kam jedoch auf unterschiedliche Weise zum Einsatz.<\/p>\n\n\n\n

    Der Erfolg einer KI-Analyse h\u00e4ngt stark von der Qualit\u00e4t und Spezifit\u00e4t des Kontexts ab. Die gro\u00dfe Bandbreite an Anreizprogrammen f\u00fchrte zu erheblichen St\u00f6rfaktoren und unn\u00f6tigem, irrelevantem Text. Um dem entgegenzuwirken, f\u00fcgten wir einen Schritt hinzu: Die KI filterte zun\u00e4chst die freiwilligen Ma\u00dfnahmen anhand ihrer semantischen Relevanz f\u00fcr jede verpflichtende Energiesparma\u00dfnahme (weitere Informationen finden Sie unter https:\/\/de.wikipedia.org\/wiki\/Semantische_Suche). Dies f\u00fchrte zwar zu besseren Ergebnissen, die Verbesserungen waren jedoch nur marginal. Die Verfeinerung der Prompts \u2013 der Anweisungen, die wir dem KI-Modell gaben \u2013 f\u00fchrte zu besseren Ergebnissen, doch es wurde klar, dass wir uns einer Leistungsgrenze n\u00e4herten. Schlie\u00dflich 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 tats\u00e4chlicher Relevanz f\u00fcr eine bestimmte verpflichtende Ma\u00dfnahme war. Auf Grundlage der groben Erkenntnisse (und manueller \u00dcberpr\u00fcfungen) ermittelten wir jedoch acht Programme, die eine hohe \u00dcberschneidungswahrscheinlichkeit mit der Verpflichtung aufwiesen.<\/p>\n\n\n\n

    \"\"
    Abbildung\u00a03: Prompts zum Abgleich von verpflichtenden Energieeffizienzma\u00dfnahmen und Anreizen. Quelle: ORKB der Niederlande<\/figcaption><\/figure>\n\n\n\n

    Schritt 2: Vergleich der Kosten f\u00fcr Anreize mit den Kosten f\u00fcr verpflichtende Ma\u00dfnahmen<\/em><\/h4>\n\n\n\n

    Auf der Grundlage der in Schritt 1 ausfindig gemachten \u00dcbereinstimmungen ermittelten wir in Schritt 2 anhand von Daten der zust\u00e4ndigen Ministerien, welcher Anteil der Ma\u00dfnahmenkosten f\u00fcr Energieeffizienzanreize, die ohnehin verpflichtend gewesen w\u00e4ren, aufgewendet wurde (Abbildung 4). Bei vier der Programme war dies aufgrund mangelhafter Datenqualit\u00e4t oder aus anderen Gr\u00fcnden nicht m\u00f6glich. Letztendlich blieben vier Programme \u00fcbrig, bei denen sich die finanzielle \u00dcberschneidung quantifizieren lie\u00df. Die \u00dcberschneidung reichte von 5,2 Millionen Euro im Jahr 2019 bis hin zu einem H\u00f6chstwert von 51,4 Millionen Euro im Jahr 2023 (mit einem R\u00fcckgang auf 44,3 Millionen Euro im Jahr 2024). Dies ist das absolute Maximum an m\u00f6glicherweise ineffizient verwendeten Steuergeldern, das bei dieser Pr\u00fcfung ermittelt wurde.<\/p>\n\n\n\n

    \"\"
    Abbildung\u00a04: Modell zur Ermittlung der \u00dcberschneidung zwischen Anreizen und verpflichtenden Ma\u00dfnahmen. Quelle: ORKB der Niederlande<\/figcaption><\/figure>\n\n\n\n

    Schritt 3: F\u00f6rdermittel, die an der Energieeffizienzpflicht unterliegende Unternehmen und gemeinn\u00fctzige Organisationen ausbezahlt wurden<\/em><\/h4>\n\n\n\n

    In unserem dritten und letzten Schritt ermittelten wir, welche der (in Schritt 2 bestimmten) Energieeffizienz-F\u00f6rdermittel an Unternehmen ausbezahlt wurden, die der nationalen Energieeffizienzpflicht unterliegen. Dies erwies sich als schwierig \u2013 das zust\u00e4ndige Ministerium wusste nicht, welche Unternehmen verpflichtet waren, Energiesparma\u00dfnahmen durchzuf\u00fchren. Unternehmen und gemeinn\u00fctzige Organisationen m\u00fcssen lokalen Beh\u00f6rden melden, dass sie zur Durchf\u00fchrung von Energiesparma\u00dfnahmen verpflichtet sind. Allerdings tun dies nur etwa 45 % der rund 100.000 Unternehmen, die dieser Verpflichtung mit gro\u00dfer Wahrscheinlichkeit unterliegen. Wir glichen die Meldungen der Unternehmen mit den Empf\u00e4ngern von Energiesparanreizen ab. Der Abgleich ergab \u00dcberschneidungen zwischen 0,7 Millionen Euro (2019) und 9,5 Millionen Euro (2023). Dies sind die absoluten Mindestbetr\u00e4ge der finanziellen \u00dcberschneidungen zwischen den Anreizma\u00dfnahmen und der Energieeffizienzverpflichtung.<\/p>\n\n\n\n

    Ergebnisse<\/h3>\n\n\n\n

    Der Einsatz von KI und Datenanalysen im Rahmen dieser Wirtschaftlichkeitspr\u00fcfung f\u00fchrte zu zwei Ergebnissen. Einerseits erm\u00f6glichte uns diese neue Pr\u00fcfungsmethode, unsere Pr\u00fcfungsfrage zu beantworten: \u00dcber Beihilfenprogramme und Steuerregelungen wurden Steuergelder f\u00fcr verpflichtende Energieeffizienzma\u00dfnahmen verwendet. Ein Teil dieser Mittel wurde f\u00fcr die Unterst\u00fctzung von Unternehmen und gemeinn\u00fctzigen 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 zust\u00e4ndigen Ministerien zur\u00fcckzuf\u00fchren, \u00dcberschneidungen ihrer erg\u00e4nzenden Ma\u00dfnahmen mit der Energieeffizienzverpflichtung zu vermeiden.<\/p>\n\n\n\n

    \"\"
    Abbildung\u00a05: sich \u00fcberschneidende Kosten im Verh\u00e4ltnis zu den Gesamtkosten der Energiesparanreize. Quelle: ORKB der Niederlande<\/figcaption><\/figure>\n\n\n\n

    Andererseits vermittelte uns diese neue Methode Einblicke in den Einsatz von KI im Pr\u00fcfwesen. Es stellte sich heraus, dass es f\u00fcr ein Large Language Model (dt. etwa \u201egro\u00dfes Sprachmodell\u201c), kurz LLM, eine Herausforderung war, die Anreize konsistent mit den verpflichtenden Ma\u00dfnahmen abzugleichen. Das k\u00f6nnte daran liegen, dass die Hauptst\u00e4rke eines LLM die Texterstellung und nicht Genauigkeit ist \u2013 insbesondere wenn es um Zahlen geht. Noch wichtiger: Die Verwendung desselben Modells mit denselben Werten f\u00fchrt zu unterschiedlichen Ergebnissen, wodurch es unm\u00f6glich ist, die Ergebnisse zu reproduzieren. Dies stellt insbesondere f\u00fcr Rechnungskontrollbeh\u00f6rden eine Herausforderung dar. Letztendlich stellten die KI-Ergebnisse einen guten Ausgangspunkt dar. Eine gr\u00fcndliche manuelle \u00dcberpr\u00fcfung blieb jedoch weiterhin notwendig.<\/p>\n\n\n\n

    R\u00fcckblickend h\u00e4tten mehrere Aspekte unseres Ansatzes verbessert werden k\u00f6nnen. Selbst nach der Datenbereinigung zur Verbesserung der Vergleichbarkeit blieben zu viele St\u00f6rfaktoren bestehen, weshalb eine manuelle \u00dcberpr\u00fcfung der vom Modell gelieferten Ergebnisse erforderlich war. Eine wirksamere Strategie w\u00e4re gewesen, jedes Verpflichtungs-Anreiz-Paar einzeln zu bewerten und statt einer bin\u00e4ren Entscheidung einen Relevanzwert mit einer Erkl\u00e4rung zu fordern. Zudem war unsere urspr\u00fcngliche Fragestellung zu weit gefasst und bot dem Modell kaum Anhaltspunkte, um n\u00fctzliche Entsprechungsvorschl\u00e4ge zu liefern. LLM sind Generalisten. Daher h\u00e4tten wir explizitere Definitionen und Beispiele daf\u00fcr liefern sollen, was wir unter dem \u201eAbgleich der Ma\u00dfnahmen\u201c verstehen. All diese zus\u00e4tzlichen Schritte erh\u00f6hen den ben\u00f6tigten Zeitaufwand, um diesen Ansatz zum Erfolg zu f\u00fchren. Trotz dieser Einschr\u00e4nkungen war das Projekt \u00e4u\u00dferst wertvoll: Es bot einen Ausgangspunkt f\u00fcr unsere finale Analyse, erm\u00f6glichte dem Team, seine Anforderungen zu pr\u00e4zisieren, und lieferte ein Fundament f\u00fcr zuk\u00fcnftige KI-Analyseprojekte an der ORKB der Niederlande.<\/p>\n\n\n\n

    KI-Modelle haben sich seit unserer urspr\u00fcnglichen Analyse weiterentwickelt. Aktuelle Modelle sind daher m\u00f6glicherweise in der Lage, die f\u00fcr unsere Pr\u00fcfungsziele erforderlichen Aufgaben zu erf\u00fcllen. Sollten andere ORKB beabsichtigen, KI k\u00fcnftig bei Pr\u00fcfungen einzusetzen, oder KI bereits eingesetzt haben, w\u00fcrden wir uns freuen, von ihnen zu h\u00f6ren.<\/p>\n\n\n\n

    \n\n\n\n

    Fu\u00dfnoten<\/h2>\n\n\n
    1. \u00a0Jaap Ligthart: Projektleiter und Pr\u00fcfer. Eline Lampers: Datenexpertin und Pr\u00fcferin. Bing Steup: KI-Experte. Marcus van Toor: Pr\u00fcfer. Berrie Zielman: Datenexpertin. \u21a9\ufe0e<\/a><\/li>
    2. \u00a0https:\/\/english.rekenkamer.nl\/latest\/news\/2026\/01\/15\/very-limited-overlap-between-energy saving-obligation-and-financial-incentives<\/a> (auf Englisch) \u21a9\ufe0e<\/a><\/li><\/ol>","protected":false},"excerpt":{"rendered":"

      Anfang\u00a02026 ver\u00f6ffentlichte die ORKB der Niederlande einen Bericht \u00fcber die Verwendung von Steuergeldern zur Finanzierung freiwilliger wie auch verpflichtender Energiesparma\u00dfnahmen. Bei der Pr\u00fcfung st\u00fctzten wir uns stark auf KI, um Daten zu analysieren sowie \u00dcberschneidungen zwischen Anreizen und verpflichtenden Ma\u00dfnahmen abzubilden. In diesem Beitrag erl\u00e4utern wir, wie wir an das Pr\u00fcfungsthema herangegangen sind und wie KI dabei zum Einsatz gekommen ist.<\/p>\n","protected":false},"author":474,"featured_media":42928,"template":"","meta":{"_acf_changed":false,"footnotes":"[{\"content\":\"\u00a0Jaap Ligthart: Projektleiter und Pr\u00fcfer. Eline Lampers: Datenexpertin und Pr\u00fcferin. Bing Steup: KI-Experte. Marcus van Toor: Pr\u00fcfer. Berrie Zielman: Datenexpertin.\",\"id\":\"b26126b5-302b-43c1-b761-c0c04417341e\"},{\"content\":\"\u00a0https:\/\/english.rekenkamer.nl\/latest\/news\/2026\/01\/15\/very-limited-overlap-between-energy saving-obligation-and-financial-incentives<\/a> (auf Englisch)\",\"id\":\"7f802be2-48d4-4db8-ad84-0e78d6afd995\"}]"},"journal-categories":[4562],"content-tags":[2240,2219,2151,2268,2312,2175],"country":[3183],"region":[2597],"section":[2603],"coauthors":[4544,4540,4541,4542,4543],"class_list":["post-43529","journal-entry","type-journal-entry","status-publish","has-post-thumbnail","hentry","journal-categories-q3-2026","content-tags-audit-innovation-de","content-tags-datenanalytik","content-tags-innovation-de","content-tags-kunstliche-intelligenz","content-tags-umweltauditierung","content-tags-wirtschaftlichkeitsprufung","country-netherlands-de","region-eurosai-de","section-fachartikel"],"acf":[],"yoast_head":"\nEinsatz von KI und Datenanalyse bei einer Wirtschaftlichkeitspr\u00fcfung zur Ermittlung von \u00dcberschneidungen zwischen Energieeffizienzma\u00dfnahmen - INTOSAI Journal<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Einsatz von KI und Datenanalyse bei einer Wirtschaftlichkeitspr\u00fcfung zur Ermittlung von \u00dcberschneidungen zwischen Energieeffizienzma\u00dfnahmen - INTOSAI Journal\" \/>\n<meta property=\"og:description\" content=\"Anfang\u00a02026 ver\u00f6ffentlichte die ORKB der Niederlande einen Bericht \u00fcber die Verwendung von Steuergeldern zur Finanzierung freiwilliger wie auch verpflichtender Energiesparma\u00dfnahmen. Bei der Pr\u00fcfung st\u00fctzten wir uns stark auf KI, um Daten zu analysieren sowie \u00dcberschneidungen zwischen Anreizen und verpflichtenden Ma\u00dfnahmen abzubilden. In diesem Beitrag erl\u00e4utern wir, wie wir an das Pr\u00fcfungsthema herangegangen sind und wie KI dabei zum Einsatz gekommen ist.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/\" \/>\n<meta property=\"og:site_name\" content=\"INTOSAI Journal\" \/>\n<meta property=\"article:modified_time\" content=\"2026-09-22T02:52:37+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/intosaijournal.org\/wp-content\/uploads\/2026\/09\/Q3_2026_Netherlands-Court-of-Audit.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1326\" \/>\n\t<meta property=\"og:image:height\" content=\"880\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:site\" content=\"@intosaijournal\" \/>\n<meta name=\"twitter:label1\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data1\" content=\"10 minutes\" \/>\n\t<meta name=\"twitter:label2\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data2\" content=\"Marcus van Toor, Berrie Zielman, Bing Steup, Eline Lampers, Jaap Ligthart\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/de\\\/journal-entry\\\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\\\/\",\"url\":\"https:\\\/\\\/intosaijournal.org\\\/de\\\/journal-entry\\\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\\\/\",\"name\":\"Einsatz von KI und Datenanalyse bei einer Wirtschaftlichkeitspr\u00fcfung zur Ermittlung von \u00dcberschneidungen zwischen Energieeffizienzma\u00dfnahmen - INTOSAI Journal\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/de\\\/journal-entry\\\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/de\\\/journal-entry\\\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/intosaijournal.org\\\/wp-content\\\/uploads\\\/2026\\\/09\\\/Q3_2026_Netherlands-Court-of-Audit.png\",\"datePublished\":\"2026-09-22T02:16:52+00:00\",\"dateModified\":\"2026-09-22T02:52:37+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/de\\\/journal-entry\\\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\\\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/intosaijournal.org\\\/de\\\/journal-entry\\\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/de\\\/journal-entry\\\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\\\/#primaryimage\",\"url\":\"https:\\\/\\\/intosaijournal.org\\\/wp-content\\\/uploads\\\/2026\\\/09\\\/Q3_2026_Netherlands-Court-of-Audit.png\",\"contentUrl\":\"https:\\\/\\\/intosaijournal.org\\\/wp-content\\\/uploads\\\/2026\\\/09\\\/Q3_2026_Netherlands-Court-of-Audit.png\",\"width\":1326,\"height\":880,\"caption\":\"Windkraftanlagen zur Erzeugung erneuerbarer Energie in Espel, Niederlande. Quelle: Adobe Stock Images, Fokke Baarssen\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/de\\\/journal-entry\\\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/intosaijournal.org\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Einsatz von KI und Datenanalyse bei einer Wirtschaftlichkeitspr\u00fcfung zur Ermittlung von \u00dcberschneidungen zwischen Energieeffizienzma\u00dfnahmen\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/#website\",\"url\":\"https:\\\/\\\/intosaijournal.org\\\/\",\"name\":\"INTOSAI Journal\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/intosaijournal.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de-DE\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/#organization\",\"name\":\"INTOSAI Journal\",\"url\":\"https:\\\/\\\/intosaijournal.org\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/intosai.nclud.com\\\/wp-content\\\/uploads\\\/2023\\\/04\\\/logo.png\",\"contentUrl\":\"https:\\\/\\\/intosai.nclud.com\\\/wp-content\\\/uploads\\\/2023\\\/04\\\/logo.png\",\"width\":736,\"height\":122,\"caption\":\"INTOSAI Journal\"},\"image\":{\"@id\":\"https:\\\/\\\/intosaijournal.org\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/x.com\\\/intosaijournal\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Einsatz von KI und Datenanalyse bei einer Wirtschaftlichkeitspr\u00fcfung zur Ermittlung von \u00dcberschneidungen zwischen Energieeffizienzma\u00dfnahmen - INTOSAI Journal","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/","og_locale":"de_DE","og_type":"article","og_title":"Einsatz von KI und Datenanalyse bei einer Wirtschaftlichkeitspr\u00fcfung zur Ermittlung von \u00dcberschneidungen zwischen Energieeffizienzma\u00dfnahmen - INTOSAI Journal","og_description":"Anfang\u00a02026 ver\u00f6ffentlichte die ORKB der Niederlande einen Bericht \u00fcber die Verwendung von Steuergeldern zur Finanzierung freiwilliger wie auch verpflichtender Energiesparma\u00dfnahmen. Bei der Pr\u00fcfung st\u00fctzten wir uns stark auf KI, um Daten zu analysieren sowie \u00dcberschneidungen zwischen Anreizen und verpflichtenden Ma\u00dfnahmen abzubilden. In diesem Beitrag erl\u00e4utern wir, wie wir an das Pr\u00fcfungsthema herangegangen sind und wie KI dabei zum Einsatz gekommen ist.","og_url":"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/","og_site_name":"INTOSAI Journal","article_modified_time":"2026-09-22T02:52:37+00:00","og_image":[{"width":1326,"height":880,"url":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2026\/09\/Q3_2026_Netherlands-Court-of-Audit.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_site":"@intosaijournal","twitter_misc":{"Est. reading time":"10 minutes","Written by":"Marcus van Toor, Berrie Zielman, Bing Steup, Eline Lampers, Jaap Ligthart"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/","url":"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/","name":"Einsatz von KI und Datenanalyse bei einer Wirtschaftlichkeitspr\u00fcfung zur Ermittlung von \u00dcberschneidungen zwischen Energieeffizienzma\u00dfnahmen - INTOSAI Journal","isPartOf":{"@id":"https:\/\/intosaijournal.org\/#website"},"primaryImageOfPage":{"@id":"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/#primaryimage"},"image":{"@id":"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/#primaryimage"},"thumbnailUrl":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2026\/09\/Q3_2026_Netherlands-Court-of-Audit.png","datePublished":"2026-09-22T02:16:52+00:00","dateModified":"2026-09-22T02:52:37+00:00","breadcrumb":{"@id":"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/"]}]},{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/#primaryimage","url":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2026\/09\/Q3_2026_Netherlands-Court-of-Audit.png","contentUrl":"https:\/\/intosaijournal.org\/wp-content\/uploads\/2026\/09\/Q3_2026_Netherlands-Court-of-Audit.png","width":1326,"height":880,"caption":"Windkraftanlagen zur Erzeugung erneuerbarer Energie in Espel, Niederlande. Quelle: Adobe Stock Images, Fokke Baarssen"},{"@type":"BreadcrumbList","@id":"https:\/\/intosaijournal.org\/de\/journal-entry\/using-ai-and-data-analysis-in-a-performance-audit-to-determine-overlap-between-energy-efficiency-policies\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/intosaijournal.org\/de\/"},{"@type":"ListItem","position":2,"name":"Einsatz von KI und Datenanalyse bei einer Wirtschaftlichkeitspr\u00fcfung zur Ermittlung von \u00dcberschneidungen zwischen Energieeffizienzma\u00dfnahmen"}]},{"@type":"WebSite","@id":"https:\/\/intosaijournal.org\/#website","url":"https:\/\/intosaijournal.org\/","name":"INTOSAI Journal","description":"","publisher":{"@id":"https:\/\/intosaijournal.org\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/intosaijournal.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de-DE"},{"@type":"Organization","@id":"https:\/\/intosaijournal.org\/#organization","name":"INTOSAI Journal","url":"https:\/\/intosaijournal.org\/","logo":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/intosaijournal.org\/#\/schema\/logo\/image\/","url":"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png","contentUrl":"https:\/\/intosai.nclud.com\/wp-content\/uploads\/2023\/04\/logo.png","width":736,"height":122,"caption":"INTOSAI Journal"},"image":{"@id":"https:\/\/intosaijournal.org\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/x.com\/intosaijournal"]}]}},"_links":{"self":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry\/43529","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry"}],"about":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/types\/journal-entry"}],"author":[{"embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/users\/474"}],"version-history":[{"count":3,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry\/43529\/revisions"}],"predecessor-version":[{"id":43559,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-entry\/43529\/revisions\/43559"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/media\/42928"}],"wp:attachment":[{"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/media?parent=43529"}],"wp:term":[{"taxonomy":"journal-categories","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/journal-categories?post=43529"},{"taxonomy":"content-tags","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/content-tags?post=43529"},{"taxonomy":"country","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/country?post=43529"},{"taxonomy":"region","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/region?post=43529"},{"taxonomy":"section","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/section?post=43529"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/intosaijournal.org\/de\/wp-json\/wp\/v2\/coauthors?post=43529"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}