KI-Regelung: vier Lücken

Seit der Covid-19-Pandemie ist das Interesse an einer datengetriebenen Steuerung des Innenraumklimas gestiegen. Ein Team um Nurul Athirah Aziz und Tajul Rosli Razak (Universiti Teknologi MARA, Malaysia) und Yuehong Su sowie Saffa Riffat (University of Nottingham) hat 72 begutachtete Arbeiten aus den Jahren 2020 bis 2024 zur KI-gestützten Modellierung von Innenraumluftqualität und thermischer Behaglichkeit systematisch ausgewertet und daraus vier wiederkehrende Forschungslücken abgeleitet.

Was die Übersicht auswertet

Die Suche über Scopus, Web of Science und IEEE Xplore lieferte 420 Treffer. Nach Entfernung von 90 Dubletten wurden 330 Datensätze auf Titel- und Abstract-Ebene gesichtet, 130 davon ausgeschlossen. Die verbleibenden 200 Arbeiten durchliefen eine Volltextprüfung; 128 fielen wegen unzureichender methodischer Angaben, fehlendem KI-Bezug oder fehlendem Bezug zu Luftqualität oder Behaglichkeit weg. Am Ende standen 72 eingeschlossene Studien – ein nach PRISMA-Leitlinien dokumentierter Ablauf mit boolescher Suchstrategie: («Indoor Air Quality» OR «Thermal Comfort») AND («Artificial Intelligence» OR «Machine Learning» OR «Predictive Model» OR «Fuzzy Logic» OR «Neural Network»).

Die Auswertung folgt vier Leitfragen: Welche Umwelt- und Nutzerparameter werden typischerweise modelliert? Welche KI- und Soft-Computing-Verfahren dominieren? Wie weit werden Luftqualität und Behaglichkeit in gemeinsamen Modellen zusammengeführt? Und wie fliesst Personalisierung über Nutzerfeedback ein? Die häufigsten Stichworte in den eingeschlossenen Arbeiten sind «Thermal Comfort» (21 Nennungen), «Indoor Air Quality» (19), «Convolutional Neural Network» (16), «Fuzzy Logic» (14), «PM2.5» (11) und «Long Short-Term Memory» (10). Das deutet darauf hin, dass Bildverarbeitungs- und Zeitreihenmethoden im Feld verbreiteter sind als etwa interpretierbare Modelle.

Wo die Modelle heute stehen

23 der 72 Studien befassen sich vorrangig mit der Vorhersage der Luftqualität, meist von CO&sub2;, PM2.5 und flüchtigen organischen Verbindungen; seit 2022 nimmt ihre Zahl deutlich zu. Deep-Learning-Verfahren wie CNN und LSTM dominieren bei Zeitreihen- und Sensorfusionsaufgaben. Fuzzy-Logik wird für schwer messbare Grössen wie die wahrgenommene Luftfrische eingesetzt, Ensemble-Methoden wie Random Forest und XGBoost gelten als robust gegenüber verrauschten Sensordaten. Frühere Arbeiten aus den Jahren 2020 und 2021 arbeiteten häufiger mit intransparenten Modellen ohne Praxisvalidierung.

31 Studien behandeln thermische Behaglichkeit. Die etablierten Grössen PMV und PPD nach ASHRAE 55 und ISO 7730 bleiben Referenz, setzen aber statische Bedingungen und einheitliche Nutzerreaktionen voraus. Adaptive Modelle, die Verhalten, Aussenklima und saisonale Anpassung einbeziehen, gelten als praxisnäher – insbesondere in natürlich belüfteten oder tropischen und subtropischen Gebäuden. Die Übersicht bemängelt, dass viele Arbeiten ihr KI-Verfahren nur vage als «KI-basiert» bezeichnen, ohne Modellarchitektur offenzulegen, was Vergleichbarkeit erschwert. Fuzzy-Logik würde sich für die siebenstufige ASHRAE-Komfortskala eignen, wird aber selten genutzt; Multi-Agenten-Systeme, mehrkriterielle Entscheidungsfindung und bestärkendes Lernen bleiben ebenfalls Ausnahmen. Vulnerable Gruppen wie ältere Menschen, Kinder oder chronisch Kranke kommen in den Modellen kaum vor. Mit den Grenzen der thermischen Behaglichkeit bei sommerlicher Überhitzung hat sich das IBH bereits befasst («Innenraumklima an Hitzetagen und in Tropennächten»).

Nur 9 der 72 Studien verbinden Luftqualität und thermische Behaglichkeit in einem gemeinsamen Modell. Der Zielkonflikt dahinter ist real: Mehr Aussenluft verdünnt CO&sub2; und Feinstaub, verschlechtert aber bei Hitze oder Kälte die thermische Bilanz und erhöht den Energiebedarf. Weniger Luftwechsel spart dagegen Energie, lässt aber die Schadstoffkonzentration steigen. Fuzzy-Logik, LSTM und modellprädiktive Regelung (MPC) sind die einzigen Verfahren, die in beiden Domänen auftauchen und damit als Brücke dienen könnten.

Vier Lücken, mit Zahlen unterlegt

Aus der thematischen Synthese leitet die Übersicht vier durchgehende Schwächen ab, die sich nun mit konkreten Anteilen belegen lassen. Erstens fehlen einheitliche Modelle für Komfort, Luftqualität und Energie: Nur 9 von 72 Studien integrieren sie. Zweitens bleibt erklärbare KI unterentwickelt: Methoden wie SHAP und LIME, die offenlegen könnten, wie einzelne Merkmale eine Vorhersage beeinflussen, kommen in der ausgewerteten Literatur kaum vor. Drittens integrieren weniger als 15 Prozent der Studien Echtzeit-Feedback der Nutzenden oder adaptive Komfortschwellen; die meisten Modelle behandeln Bewohnende als statische Grösse. Viertens bleibt die Erprobung unter realen Bedingungen selten – die meisten Modelle sind in Simulation oder Labor entstanden, ohne longitudinale Feldvalidierung oder Anbindung an bestehende Gebäudeleitsysteme. Nur 8 der 72 Studien decken Luftqualität, Behaglichkeit und Nutzerzentrierung gemeinsam ab.

Einordnung

Der methodische Ablauf (PRISMA-Flussdiagramm, boolesche Suchstrategie, dokumentierte Ein- und Ausschlusskriterien) ist nachvollziehbar dargestellt und in dieser Form Standard für systematische Reviews. Zurückhaltung ist dagegen bei der Publikationsform angebracht. Der «Journal of Climate Change» wird von einem in Hongkong postalisch erreichbaren Kleinverlag herausgegeben und ist für ein Thema aus Gebäudetechnik und Innenraumklima ein untypisches Publikationsorgan. Zudem widersprechen sich die auf der Verlagsseite angegebenen Datumsangaben – Copyright und Ausgabenbezeichnung nennen 2025, das Publikationsdatum lautet auf den 3. März 2026. Ein tatsächliches Peer-Review-Verfahren lässt sich von aussen nicht verifizieren. Aus Sicht des IBH sind die referierten 72 Primärstudien deshalb die eigentlich verlässliche Informationsquelle, die vorliegende Übersicht liefert dazu in erster Linie eine Gliederung und keine eigenen Messdaten.

Die Autorenschaft selbst benennt Grenzen: Nur englischsprachige Publikationen wurden berücksichtigt, was zu einer Sprachverzerrung führen kann, und mehrere eingeschlossene Studien enthielten zu wenige Angaben zu KI-Architektur und Validierung, sodass die Einordnung interpretativ erfolgte. Beides schwächt die Reproduzierbarkeit der Synthese, auch wenn das Vorgehen transparent offengelegt wird. Finanzierung und Interessenkonflikte sind dagegen klar dokumentiert: Die Autorenschaft erklärt, keine externe Finanzierung erhalten zu haben und keine Interessenkonflikte zu haben.

Inhaltlich bleibt zu beachten, dass der Betrachtungszeitraum Ende 2024 endet. Im Bereich generativer und multimodaler KI-Verfahren hat sich das Feld seither sichtbar weiterentwickelt, was die Aktualität der benannten Lücken – insbesondere zu erklärbaren Modellen – einschränken dürfte. Für die bauhygienische Praxis in der Schweiz bleiben die vier Lücken dennoch eine brauchbare Checkliste, wenn KI-gestützte Gebäuderegelungen beschafft oder evaluiert werden. Wer Komfort, Luftqualität und Energieverbrauch nicht gemeinsam abbildet, wer keine Erklärbarkeit vorweisen kann und wer die Wirksamkeit nicht unter realen Nutzungsbedingungen belegt, bewegt sich in genau den Lücken, die diese Übersicht mit Zahlen unterlegt.