73.000 Smart Meter fielen über Nacht aus — und entlarvten alles, was beim Bau von Infrastruktur-KI falsch läuft

Ein Freund, der den Betrieb bei einem mittelgroßen Wasserversorger leitet, rief mich an einem Samstagmorgen an. Nicht, um zu plaudern — sondern um Dampf abzulassen. Sein Team hatte gerade entdeckt, dass ein Firmware-Update, das in der Vorwoche auf ihre Smart-Meter-Flotte ausgespielt worden war, die Abrechnungsdaten für Tausende von Konten stillschweigend beschädigt hatte. Auf dem Dashboard sahen die Zähler einwandfrei aus. Überall grüne Lichter. Doch die Zahlen, die in das Abrechnungssystem flossen, waren falsch, und niemand bemerkte es, bis eine Welle von Kundenbeschwerden hereinbrach.

„Der Anbieter sagt, es sei ein bekanntes Problem", erzählte er mir. „Sie arbeiten an einem Patch."

Ich fragte, wie lange die Zähler schon fehlerhafte Daten gesendet hatten. Er zögerte. „Wir schätzen etwa neun Tage."

Dieses Gespräch ließ mich nicht mehr los — nicht, weil die Technik versagte, sondern aufgrund dessen, wie unsichtbar das Versagen war. Das waren keine Zähler, die offline gingen. Es waren Zähler, die einfach weiter vor sich hin liefen und Daten übertrugen, die plausibel aussahen, aber im Stillen falsch waren. Und als ich begann, dem Faden der Smart-Meter-Ausfälle in ganz Nordamerika und Großbritannien nachzugehen, wurde mir klar, dass die Samstagmorgen-Krise meines Freundes nur eine Fußnote in einer viel größeren Geschichte war.

Die Nacht, in der 73.000 Zähler verstummten

In Plano, Texas, hatte die Stadt 10,2 Millionen US-Dollar für 87.000 intelligente Wasserzähler von Aclara Technologies ausgegeben — in der Erwartung, dass sie zwanzig Jahre halten würden. Bis 2023 gingen die Batterien vorzeitig zur Neige. Die Lösung des Anbieters? Ein per Fernzugriff im November 2024 ausgespieltes Firmware-Update zur Optimierung des Stromverbrauchs.

Dieses Update machte 73.000 Zähler unbrauchbar.

Keine „verschlechterte Leistung". Keine „sporadischen Störungen". Die elektronischen Übertragungssysteme stellten einfach den Betrieb ein. Plano — eine Stadt mit fast 300.000 Einwohnern im Ballungsraum Dallas-Fort Worth — musste 20 Aushilfs-Zählerableser einstellen und wieder dazu übergehen, die Ablesewege von Tür zu Tür abzulaufen. Kosten: 765.000 US-Dollar über zwei Jahre, allein für die manuelle Arbeit.

Ich komme immer wieder auf die bittere Ironie hierbei zurück. Die Firmware sollte doch eigentlich beheben, was mit den Batterien nicht stimmte. Stattdessen verwandelte sie ein lokal begrenztes Hardwareproblem in einen netzweiten Zusammenbruch. Ich habe angefangen, das als Firmware-Batterie-Paradoxon zu bezeichnen — die Software, die die Lebensdauer der Hardware verlängern soll, wird zum wichtigsten Mechanismus ihres Versagens.

Die Software, die die Lebensdauer der Hardware verlängern soll, wird oft zum wichtigsten Mechanismus ihres Versagens.

Und Plano steht damit nicht allein. Toronto verlor 470.000 Sendeeinheiten durch vorzeitige Degradation — 5,6 Millionen US-Dollar an anfänglichen Sanierungskosten. Memphis Light, Gas and Water hatte über seine gesamte Smart-Meter-Flotte hinweg mit einer systemischen Ausfallrate von 8 % zu kämpfen und legte 9 Millionen US-Dollar für Reparaturen zurück. In Großbritannien wurden über 900.000 Smart Meter repariert oder ersetzt, seit die Regulierungsbehörden aufmerksam wurden.

Über die technische Architektur hinter diesen Ausfällen habe ich ausführlicher in der interaktiven Version unserer Forschungsarbeit geschrieben, aber das Muster ist überall, wo ich hinsehe, dasselbe: Versorgungsunternehmen haben Milliarden für die Digitalisierung ihrer Netze ausgegeben, und die „intelligente" Infrastruktur fällt schneller aus als die mechanischen Zähler, die sie ersetzt hat.

Warum sterben Smart Meter so früh?

Als mein Team begann, die Grundursachen zu analysieren, erwarteten wir, schludrige Fertigung oder billige Komponenten vorzufinden. Die Realität war beunruhigender.

Smart Meter sind keine einfachen Messgeräte. Sie sind vernetzte Computer — integrierte Prozessoren, Edge-KI-Chips, sichere Kommunikationsprotokolle, Flash-Speicher zur Datenspeicherung. Und wie jeder Computer unterliegen sie Ausfallmechanismen, die mechanische Zähler nie hatten.

Das Problem des Flash-Speichers ist besonders heimtückisch. Smart Meter nutzen NAND-Flash, um Firmware und Diagnoseprotokolle zu speichern. Jeder Schreibvorgang erzeugt veraltete Daten, die durch einen Prozess namens Garbage Collection bereinigt werden, was die Speicherzellen physisch abnutzt. Wenn die eingebetteten Dateisysteme nicht optimiert sind — und in vielen ausgelieferten Zählern sind sie es nicht —, beginnt der Speicher schon Jahre vor dem angeblichen Lebensende des Geräts, Daten zu beschädigen.

Hier ergibt der Samstagmorgen-Anruf meines Freundes mehr Sinn. Die Datenbeschädigung ist oft lautlos. Der Zähler wirft keinen Fehler. Er geht nicht offline. Er beginnt einfach, leicht falsche Zahlen zu übertragen. Bis es jemand bemerkt, hat man neun Tage — oder neun Monate — an fehlerhaften Abrechnungsdaten und ein Problem mit dem Kundenvertrauen, das kein Firmware-Patch beheben kann.

Dann ist da noch die Krise der Grenzfälle. Die Softwarekomplexität in Smart Metern hat sich in den letzten Jahren in etwa verdoppelt, doch die Testmethoden haben nicht Schritt gehalten. Ein Firmware-Update funktioniert im Labor einwandfrei, doch spielt man es auf einen Zähler mit leicht geschwächter Batterie in einer ländlichen Gegend mit schwacher Signalstärke aus, bekommt man Plano.

Ein Detail aus der Forschung, das mich wirklich alarmiert hat: Moderne Smart Meter haben aus Gründen der administrativen Bequemlichkeit einen ferngesteuerten „AUS"-Schalter eingebaut. Löst ein Logikfehler in der Firmware diesen Schalter versehentlich in großem Maßstab aus, geht es nicht um Abrechnungsungenauigkeiten — dann verlieren Millionen von Haushalten gleichzeitig ihren Strom.

Was passiert, wenn Regulierungsbehörden anfangen zu zählen?

Die britische Energieregulierungsbehörde Ofgem entschied, dass sie genug gesehen hatte. Ab Februar 2026 setzt sie Guaranteed Standards of Performance durch, die automatische Zahlungen von 40 £ an Kunden vorschreiben, wenn die Servicestandards für Smart Meter nicht eingehalten werden. Länger als sechs Wochen auf einen Installationstermin warten? Automatische Zahlung. Die Installation scheitert, weil der Anbieter ohne die richtige Ausrüstung erschien? Automatische Zahlung. Ein Zählerdefekt gemeldet und kein Lösungsplan innerhalb von fünf Werktagen? Automatische Zahlung.

Das ist kein Klaps auf die Finger. Für ein Versorgungsunternehmen mit Millionen von Kunden und einer Flotte alternder Smart Meter wird die Rechnung schnell erschreckend. Der Druck zur Einhaltung der Vorschriften hat in Großbritannien bereits die Reparatur von über 900.000 zuvor nicht funktionierenden Zählern vorangetrieben.

Ich denke, Ofgems Schritt signalisiert etwas Größeres als nur eine Regulierungsbehörde, die härter durchgreift. Es ist die Formalisierung eines Prinzips, das von Anfang an offensichtlich hätte sein müssen: Wer „intelligente" Infrastruktur einsetzt, ist dafür verantwortlich, sie intelligent zu halten. Die Ära, Hardware zu installieren, sich davonzumachen und auf das Beste zu hoffen, ist vorbei.

Wer „intelligente" Infrastruktur einsetzt, ist dafür verantwortlich, sie intelligent zu halten. Die Ära des Installierens-und-Vergessens ist vorbei.

Für die Führungskräfte von Versorgungsunternehmen, die dies lesen, ist die Konsequenz eindeutig. Die Kosten für die Wartung eines fehlerhaften Zählers — in Form von behördlichen Strafen, manueller Fehlerbehebung, Kundenabwanderung und Abrechnungsstreitigkeiten — übersteigen inzwischen die Kosten für die Einführung einer KI-gestützten Echtzeitdiagnostik. Die Wirtschaftlichkeit hat sich umgekehrt.

„Nimm doch einfach GPT" — Der Rat, der mich nachts wachhält

Nachdem ich einige erste Erkenntnisse zur Fragilität von Smart Metern veröffentlicht hatte, führte ich ein Gespräch mit einem potenziellen Investor, an das ich immer noch denke. Er hatte die Daten zu den Firmware-Ausfällen gesehen, stimmte zu, dass das Problem real war, und sagte dann: „Dann bau doch einen ChatGPT-Wrapper, der Zählerdaten analysiert. Bring ihn in drei Monaten auf den Markt."

Ich versuchte zu erklären, warum das nicht funktionieren würde. Er unterbrach mich. „Jedes KI-Startup sagt, es müsse eigene Modelle bauen. Die meisten von ihnen machen es sich nur unnötig kompliziert."

Ich verstehe seine Logik. Der Markt ist überschwemmt mit Unternehmen, die im Grunde nur dünne Schnittstellen zu den APIs von OpenAI oder Anthropic sind — das, was die Branche „LLM-Wrapper" nennt. Einige davon sind für Anwendungen mit geringem Risiko durchaus nützlich. Aber für kritische Infrastruktur? Der Ansatz ist grundlegend fehlerhaft, und ich muss erklären, warum.

Wohin gehen die Daten?

Wenn Sie eine öffentliche KI-API nutzen, verlassen Ihre Daten Ihr Netzwerk und gelangen auf die Server eines Dritten. Bei einem Versorgungsunternehmen umfassen diese Daten die Netzarchitektur, das Verbrauchsverhalten der Kunden, proprietären Firmware-Code und möglicherweise als geheim eingestufte Schwachstellen der Infrastruktur. Das ist kein hypothetisches Risiko — es bedeutet, dem US CLOUD Act ausgesetzt zu sein, samt allen Datenaufbewahrungsrichtlinien, die der API-Anbieter in diesem Quartal gerade zufällig hat.

Ich nenne das Security Theater. Das Werkzeug sieht aus und fühlt sich an wie eine private Unternehmensanwendung. Auf dem Dashboard prangt Ihr Firmenlogo. Doch das Backend ist ein öffentlicher Versorger, und Ihre sensibelsten Betriebsdaten fließen durch die Infrastruktur eines anderen.

Kann ein generisches Modell Ihr Netz verstehen?

Ein öffentliches LLM hat das Internet gelesen. Es weiß abstrakt, was ein Smart Meter ist. Was es nicht weiß, ist die konkrete Firmware-Version, die auf Ihren Aclara-Zählern im Nordost-Quadranten läuft, die Wartungshistorie der Transformatoren, die jenes Viertel versorgen, oder die Tatsache, dass Ihr Alt-Abrechnungssystem Dezimalstellen auf eine Weise abschneidet, die kleine Messfehler verschleiert.

Das Kontextfenster einer öffentlichen API vergisst die Feinheiten Ihrer spezifischen Infrastruktur. Es kann nicht die Binäranalyse durchführen, die nötig ist, um zu überprüfen, ob ein Firmware-Update für eine bestimmte, in einer bestimmten Klimazone eingesetzte Hardware-Revision sicher ist. Es darum zu bitten, ist, als würde man einen Touristen nach dem Weg fragen — er klingt vielleicht selbstsicher, weiß aber in Wirklichkeit nicht, wohin er geht.

Was passiert, wenn sich die API ändert?

Das ist der Teil, über den Führungskräfte von Versorgungsunternehmen selten nachdenken, bis es zu spät ist. Wenn Ihre „KI-Lösung" nur eine Prompt-Schicht über dem Modell eines anderen ist, sind Sie von dessen Preisgestaltung, dessen Modell-Updates, dessen Verfügbarkeit und dessen Geschäftsentscheidungen abhängig. Wenn OpenAI seine API-Struktur ändert oder eine Modellversion abkündigt, ist Ihr Werkzeug für kritische Infrastruktur so lange defekt, bis jemand die Prompts neu schreibt.

Kritische Infrastruktur darf nicht von der Geschäftskontinuität der API-Preisseite eines Silicon-Valley-Startups abhängen.

Wie Deep AI tatsächlich aussieht

Nach diesem Investorengespräch war ich eine Woche lang frustriert. Dann verbrachte ich drei Monate damit, das aufzubauen, was meiner Meinung nach die eigentliche Antwort ist.

Bei Veriprajna verkaufen wir keine API-Schlüssel weiter. Wir bauen keine Wrapper. Wir setzen den vollständigen KI-Inferenz-Stack — Engines wie vLLM, Text Generation Inference und BentoML — direkt auf der eigenen Infrastruktur des Kunden ein. Auf seinen Kubernetes-Clustern. Auf seinen Bare-Metal-GPUs. In seiner Virtual Private Cloud.

Als wir zum ersten Mal eine Zero-Egress-VPC für einen Versorgungskunden konfigurierten — was bedeutete, dass das Netzwerk physisch so eingerichtet war, dass Daten seine Umgebung nicht verlassen konnten, selbst wenn jemand etwas falsch konfigurierte —, sah sich einer der Sicherheitsingenieure des Kunden das Architekturdiagramm an und sagte: „Das ist das erste Mal, dass ein KI-Anbieter mich nicht gebeten hat, eine Ausnahme von unserer Datenrichtlinie zu machen." Dieser Moment sagte mir, dass wir auf dem richtigen Weg waren.

Ein semantisches Gehirn bauen

Das Kontextproblem — jenes, das generische LLMs für echte Infrastrukturarbeit nutzlos macht — lösen wir mit dem, was ich mir als „semantisches Gehirn" vorstelle. Wir nehmen die proprietären Dokumente des Versorgungsunternehmens auf: technische Handbücher, historische Wartungsberichte, Firmware-Quellcode, Störfallprotokolle. All das wird in lokalen Vektordatenbanken wie Milvus oder Qdrant indexiert und verlässt niemals die Umgebung des Kunden.

Aber jetzt kommt der Teil, auf den ich am stolzesten bin: Das System respektiert die bestehenden Zugriffskontrollen. Wenn ein Mitarbeiter keine Berechtigung hat, ein Dokument in SharePoint einzusehen, ruft die KI diese Information nicht ab, um seine Anfrage zu beantworten. Wir haben die Sicherheit nicht nachträglich angeflanscht — wir haben die Intelligenzschicht so gebaut, dass sie die bestehenden Sicherheitsvorkehrungen der Organisation erbt.

Die letzte Meile der Genauigkeit

Wir nehmen offene Foundation-Modelle wie Llama 3 und passen sie mit Techniken wie LoRA (Low-Rank Adaptation) an den spezifischen Korpus des Versorgungsunternehmens an. Das Ergebnis ist ein maßgeschneidertes Modell, das die Nomenklatur des Kunden, seine Altsysteme und seine betrieblichen Eigenheiten versteht. In unseren Tests steigert dieses domänenspezifische Fine-Tuning die Genauigkeit bei spezialisierten Aufgaben im Vergleich zum Basismodell um bis zu 15 %.

Diese 15 % mögen marginal klingen. Sind sie aber nicht. Bei der Firmware-Verifizierung ist der Unterschied zwischen 85 % und 100 % Genauigkeit der Unterschied zwischen dem Abfangen eines gefährlichen Updates und dem Zulassen, dass es 73.000 Zähler unbrauchbar macht.

Wie fängt man einen Firmware-Fehler ab, bevor er ins Feld gelangt?

Das ist die Frage, die mich nach der Untersuchung der Plano-Katastrophe umgetrieben hat. Das Firmware-Update, das jene Zähler tötete, war nicht bösartig. Es wurde nicht von inkompetenten Ingenieuren geschrieben. Es wurde einfach nicht gegen die gesamte Bandbreite realer Bedingungen getestet, auf die es treffen würde.

Wir haben dafür eine Pipeline gebaut. Sie beginnt mit der Binäridentifikation — mit Werkzeugen wie EMBA und Firmwalker, um Firmware-Dateisysteme zu extrahieren und zu analysieren, selbst wenn kein Quellcode verfügbar ist. Anschließend dekompilieren wir die Binärdatei mit Ghidra, und unser privates LLM analysiert den dekompilierten Code auf Logikfehler, unsichere Praktiken und potenzielle Schwachstellen.

Doch der Teil, der meine Sichtweise auf die Firmware-Sicherheit verändert hat, ist der Ansatz des digitalen Zwillings. Firmware an physischen Geräten im Feld zu testen, ist langsam, teuer und riskant. Stattdessen bauen wir detaillierte virtuelle Nachbildungen von Smart Homes und Netzsegmenten und setzen dann KI-Agenten ein, die mittels Reinforcement Learning mit diesen digitalen Zwillingen interagieren — und systematisch nach den Grenzfällen suchen, die menschliche Tester übersehen.

In unserer Forschung fand diese Methode Schwachstellen um 38 % schneller als zufällige Testansätze. Für die vollständige technische Aufschlüsselung der Firmware-Verifizierungs-Pipeline und der Digital-Twin-Methodik empfehle ich Ihnen, die Arbeit zu lesen — doch die entscheidende Erkenntnis lautet: Wir können jetzt die Bedingungen simulieren, die den Plano-Ausfall verursacht haben, bevor das Update ausgeliefert wird.

Wir können jetzt die Bedingungen simulieren, die katastrophale Firmware-Ausfälle verursacht haben, noch bevor das Update jemals ins Feld ausgeliefert wird.

Von reaktiv zu prädiktiv: Was sich ändert, wenn KI das Netz überwacht

Der traditionelle Ansatz zur Wartung von Versorgungsanlagen ist entweder reaktiv (reparieren, wenn etwas kaputtgeht) oder terminiert (alle X Monate inspizieren, ob nötig oder nicht). Beides ist teuer und beides übersieht die Ausfälle, die am meisten zählen — die langsamen, stillen Degradationen, die sich nicht bemerkbar machen, bis sie bereits Schaden angerichtet haben.

Deep-AI-Modelle, die mit hochfrequenten Sensordaten trainiert werden, lernen, wie „normal" für jedes Gerät, jeden Transformator, jedes Netzsegment aussieht. Wenn etwas abweicht — ein ungewöhnliches Vibrationsmuster, eine Temperaturschwankung, die nicht zum Wetter passt, eine Gruppe von Zählern, die alle gleichzeitig eine erhöhte Kommunikationslatenz zeigen —, meldet das System es, bevor es zur Krise wird.

Es gab einen Moment während unserer frühen Tests, als das Anomalieerkennungssystem eine Gruppe von Zählern meldete, die alle einen subtilen Anstieg der Antwortlatenz zeigten. Nichts Dramatisches — vielleicht 15 Millisekunden langsamer als der Ausgangswert. Mein Team debattierte, ob das Rauschen oder Signal war. Unser Ingenieur argumentierte, es sei umweltbedingt — temperaturbedingt. Ich drängte darauf, weiter nachzuforschen. Es stellte sich als Frühindikator für eine Degradation des Flash-Speichers in einer bestimmten Gerätecharge heraus. Unbeachtet hätten jene Zähler innerhalb von Monaten begonnen, Daten zu beschädigen.

Das ist die Art von Treffer, die die gesamte Investition rechtfertigt. Und die Zahlen belegen es: Es wurde gezeigt, dass KI-gestützte vorausschauende Wartung Infrastrukturausfälle um 73 % reduziert, die Wartungskosten um 18–25 % senkt und die Lebensdauer von Anlagen um bis zu 40 % verlängert.

Das System nutzt außerdem erklärbare KI — wenn es eine Anomalie meldet, zeigt es dem menschlichen Bediener, warum, mithilfe von Visualisierungswerkzeugen wie GradCAM. Der Bediener kann das Urteil der KI bestätigen, korrigieren oder außer Kraft setzen. Diese Rückkopplungsschleife bedeutet, dass das System mit der Zeit klüger wird, Fehlalarme reduziert und die Art von institutionellem Wissen aufbaut, das sonst meist nur in den Köpfen erfahrener Ingenieure steckt, die fünf Jahre vor der Rente stehen.

Und was ist mit dem ROI?

Leute wenden immer wieder die Kosten für den Einsatz privater KI-Infrastruktur gegenüber der bloßen Nutzung einer API ein. Das ist eine berechtigte Frage. Eigene GPU-Cluster zu betreiben und eigene Modelle zu pflegen, ist nicht billig.

Aber bedenken Sie, was die Alternative kostet. Plano: 765.000 US-Dollar für manuelle Zählerableser, plus die ursprüngliche Investition von 10,2 Millionen US-Dollar, die nun erheblich wertgemindert ist. Memphis: 9 Millionen US-Dollar Reparaturfonds. Toronto: 5,6 Millionen US-Dollar, Tendenz steigend. Britische Versorgungsunternehmen: die kumulierten Kosten für 900.000 Zähleraustausche plus die behördlichen Bußgelder, die gleich zu greifen beginnen.

Branchen berichten von durchschnittlichen Ausfallkosten von 125.000 US-Dollar pro Stunde. Eine Reduzierung der Ausfallzeit um 30–50 % bezahlt nicht nur die KI — sie verändert das Finanzprofil des Versorgungsunternehmens grundlegend. Rechnet man den aufgeschobenen Investitionsaufwand durch eine um 40 % verlängerte Anlagenlebensdauer, eine um 28 % geringere Verzögerung in der Komponenten-Lieferkette und eine um 40 % geringere Zahl an Sicherheitsvorfällen hinzu, ist die ROI-Rechnung nicht einmal knapp.

Die Frage ist nicht, ob Versorgungsunternehmen sich souveräne KI-Infrastruktur leisten können. Sie lautet, ob sie sich ein weiteres Plano leisten können.

Der wahre Burggraben für ein Versorgungsunternehmen ist nicht das KI-Modell selbst — Llama 3 können Sie kostenlos herunterladen. Der Burggraben ist die tiefe Integration mit proprietären Daten, das domänenspezifische Fine-Tuning, das institutionelle Wissen, das in ein System eingebettet ist, das auf einer von Ihnen kontrollierten Infrastruktur läuft. Das ist ein Vermögenswert, der mit der Zeit an Wert gewinnt. Ein API-Abonnement ist ein Kostenfaktor, der einem wieder entzogen werden kann.

Das Netz, auf das wir hinarbeiten

Da für 2026 mehr als 30 Milliarden IoT-Geräte prognostiziert werden, verschwindet das Komplexitätsproblem nicht. Es beschleunigt sich. Die nächste Grenze — und worauf mein Team aktiv hinarbeitet — sind agentische KI-Workflows: Systeme, die Anomalien nicht nur melden, sondern handeln. Ein kompromittiertes IoT-Gerät automatisch unter Quarantäne stellen. Transformatorparameter in Echtzeit auf Basis prognostizierter Lastmuster anpassen. Firmware-Rollbacks ausführen, sobald ein Update Anzeichen dafür zeigt, Probleme zu verursachen.

Edge-KI wird die Intelligenz noch weiter nach außen verlagern — Smart Meter, die als Mikro-Entscheidungsmaschinen fungieren, lokale Anomalieerkennung mit einer Latenz von unter 10 Millisekunden ausführen und Entscheidungen treffen, ohne auf einen Roundtrip zur Cloud zu warten.

Doch nichts davon funktioniert, wenn das Fundament falsch ist. Und im Moment ist das Fundament für die meisten Versorgungsunternehmen falsch. Sie betreiben Infrastruktur des 21. Jahrhunderts mit Wartungsparadigmen des 20. Jahrhunderts, und wenn sie zur KI greifen, greifen sie zur billigsten, bequemsten Option — einem Wrapper um die Intelligenz eines anderen — statt souveräne Fähigkeiten aufzubauen.

Die Ausfälle in Plano, Toronto, Memphis und in ganz Großbritannien sind keine technischen Pannen. Sie sind das vorhersehbare Ergebnis eines systemischen Missverhältnisses zwischen der Komplexität moderner Infrastruktur und den Werkzeugen, mit denen wir sie verwalten. Jedes Versorgungsunternehmen, das Smart Meter einsetzt, ohne in die Intelligenz zu investieren, um sie tatsächlich zu steuern, baut ein System, das dazu bestimmt ist, auf eine Weise zu versagen, die es nicht erkennen kann.

Die Wahl, vor der Führungskräfte von Versorgungsunternehmen stehen, ist nicht die zwischen KI und keiner KI. Diese Debatte ist vorbei. Die Wahl besteht darin, Intelligenz von Anbietern zu mieten, die kein Interesse an der Zuverlässigkeit Ihres Netzes haben, oder souveräne Fähigkeiten aufzubauen, die Ihre Betriebsdaten in Ihren wertvollsten Vermögenswert verwandeln. Einer dieser Wege führt zum nächsten Plano. Der andere führt zu einem Netz, das wirklich so intelligent ist, wie wir es ständig versprechen.