Was ist Zählerstandserfassung? Wie KI Messwerte aus Fotos liest

Die automatisierte Zählerstandserfassung liest Werte von analogen Messgeräten, Digitalanzeigen und Stromzählern anhand eines Fotos oder Scans – und wandelt diese Ablesungen ohne manuelle Übertragung in strukturierte Zeilen einer Tabelle oder Datenbank um. Sie ersetzt nicht den Zähler. Sie ersetzt die Klemmbrett-Notiz, das Schielen, den abgelesenen Fehler und die Dateneingabe zwischen Außendienst und Abrechnung.

Was Zählerstandserfassung per KI tatsächlich ist

Das häufigste Missverständnis ist, dass Zählerstandserfassung per KI nur ein anderer Name für Smart Meter, AMR oder IoT-Nachrüstungen sei. Das stimmt nicht. Smart Meter und AMR-Systeme ersetzen oder modifizieren die Zählerhardware – sie installieren Funkmodule, Mobilfunkchips oder vernetzte Endpunkte an jedem Gerät. Die KI-gestützte Erfassung ändert nichts am Zähler selbst. Sie ändert, was nach dem Ablesen passiert.

Stellen Sie sich das als die Schicht zwischen einem Vor-Ort-Foto und Ihrer Abrechnungstabelle vor. Ein Techniker – oder ein Kunde – fotografiert das Zifferblatt mit dem Smartphone. Die Erfassungssoftware verarbeitet das Bild mit einem visuellen KI-Modell, das versteht, wie ein Zählerstand aussieht: wo die Nadel auf einer analogen Skala steht, welche Ziffern auf einem LCD-Display erscheinen, welche Zahlen die Rollenzählwerke anzeigen. Das Ergebnis ist ein strukturierter Wert – „04587,3 kWh“ oder „126,5 PSI“ oder „3821 m³“ – direkt in der von Ihnen festgelegten Spalte, zusammen mit Zähler-ID, Zeitstempel und Maßeinheit.

Das funktioniert über Zählertypen hinweg, die physikalisch nichts gemeinsam haben. Ein 40 Jahre alter analoger Gaszähler mit vier Drehscheiben. Ein moderner digitaler Stromzähler mit LCD-Anzeige. Ein Manometer an einem Industriekessel mit einer einzelnen Nadel und Bogenskala. Ein Wasserzähler mit mechanischen Rollenziffern hinter beschlagenem Kunststoff. Der KI muss nicht gesagt werden, um welchen Zählertyp es sich handelt – sie erkennt das Zifferblatt, versteht die Skala und liest den Wert ab. Das ist der grundlegende Unterschied zur vorlagenbasierten OCR, bei der Sie für jedes Zählermodell in Ihrem Bestand eine Zone definieren und bei jeder Formatänderung neu anpassen müssen. Für einen Überblick über die breitere Technologielandschaft mit Smart Metern, AMR und anderen Ansätzen lesen Sie unseren Leitfaden zur KI-Zählerstandserfassung.

KI-Erfassung vs. Smart Meter vs. manuelles Ablesen

Diese drei Ansätze lösen dasselbe Problem – einen Zählerstand vom Gerät in die Datenbank zu bringen – unterscheiden sich aber in Kosten, Einführungsgeschwindigkeit und den tatsächlichen Änderungen vor Ort. Wer sie verwechselt, investiert in die falsche Lösung.

Merkmal	Manuelles Ablesen	Smart Meter / AMR	KI-Erfassung
Was ändert sich	Nichts – Person läuft Route ab	Zählerhardware ersetzt oder Funk nachgerüstet	Nichts – Foto wird in Workflow eingefügt
Einführungszeit	Sofort (bestehend)	Jahre bis Jahrzehnte	Am selben Tag
Anschaffungskosten	Nur Arbeitskosten	150–400 € pro Zähler + Infrastruktur	Pro Foto oder Abonnement
Fehlerrate	Bis zu 10 % (Ablese-/Übertragungsfehler)	Nahe null (digitale Übertragung)	95–99 % bei Ziffern; variiert bei Analog
Analoge Skalen	Ja, aber fehleranfällig	Nein – erfordert Digitalzähler	Ja – erfasst Nadelposition
Gemischte Zählerbestände	Ja	Nein – ein Standard pro Einsatz	Ja – ein System für alle Typen
Vor-Ort-Besuch nötig	Ja, jeder Zähler, jeder Turnus	Nein	Ja – aber schneller pro Besuch

Manuelles Ablesen ist der Standard: 700–900 Meter pro Tag und Ableser, Außendienstmitarbeiter, die mit verschlossenen Toren und aggressiven Hunden umgehen müssen, Zahlen handschriftlich oder per Handgerät erfasst. Das Washington State Auditor's Office stellt fest, dass manuelles Ablesen für die meisten Versorgungsunternehmen noch immer Realität ist und die Fehlerquote durch Ablese- und Übertragungsfehler bis zu 10 % betragen kann – jede zehnte Rechnung ist falsch.

Smart Meter lösen das Personalproblem dauerhaft: keine Vor-Ort-Besuche, 15-Minuten-Intervalldaten, ferngesteuerte Trennung. Doch der Zeitplan für die Einführung wird in Jahren gemessen, die Kosten betragen 150–400 $ pro Endpunkt plus Infrastruktur für das Festnetz, und die Zähler selbst müssen digital sein – ein analoges Zifferblatt kann nichts übertragen. Der Vorschlag der Eugene Water & Electric Board aus dem Jahr 2025 für einen Zuschlag von 20 $/Monat für manuelles Ablesen zeigt die Richtung: Manuelles Ablesen wandelt sich von einer akzeptierten Kostenposition zu einer expliziten Strafgebühr. Für kleine Versorgungsunternehmen mit gemischten Zählerbeständen, die über 30 Jahre installiert wurden – einige analoge Neptune-Zifferblätter, einige digitale Badger-Kilometerzähler, einige mechanische Sensus-Register – ist der Austausch jedes Zählers ein Investitionsprojekt, keine vierteljährliche Entscheidung.

Die Extraktion schließt die Lücke dazwischen. Der Zählerableser besucht den Zähler weiterhin – aber anstatt den Wert abzulesen, zu notieren und später einzugeben, macht er ein Foto und geht weiter. Der Ablesewert gelangt durch KI in die Datenbank, nicht durch die Augen und Finger einer Person. Die Arbeitsablaufänderung für das Außendienstpersonal beträgt eine zusätzliche Sekunde pro Zähler. Die Arbeitsablaufänderung für die Back-Office-Abteilung ist transformativ: Anstatt 2.000 Ablesungen von einem Routenblatt einzugeben, öffnet der Abrechnungssachbearbeiter eine Excel-Datei, die sich selbst befüllt hat. Einen detaillierten Kostenvergleich zwischen manuellen und automatisierten Ansätzen finden Sie in unserer Analyse der Kosten für manuelles vs. KI-gestütztes Zählerablesen.

So funktioniert die Zählerstandserfassung

Der Mechanismus, der die Erfassung über so unterschiedliche Zählertypen hinweg ermöglicht, ist das semantische visuelle Verständnis – dieselbe Klasse von KI, die ein Foto in natürlicher Sprache beschreiben kann, hier jedoch angewandt auf die strukturierte Datenerfassung.

Ein traditioneller OCR-Ansatz würde versuchen, Textbereiche zu lokalisieren, Zeichen zu erkennen und alle gefundenen Zeichenfolgen auszugeben – ohne Konzept dafür, welche Zeichenfolge der Zählerstand, welche die Seriennummer und welche ein Herstelleretikett ist. Das funktioniert auf einem digitalen LCD mit sauberen Segmentziffern, scheitert aber an einer analogen Skala ohne Ziffern.

Ein visuelles KI-Modell arbeitet anders. Wenn es ein analoges Manometer mit einer Nadel zwischen 4 und 5 auf einer Skala von 0–10 sieht, berechnet es nicht den Zeigerwinkel und interpoliert. Es erkennt: „Die Nadel zeigt auf etwa 4,3 bar.“ Wenn es eine Digitalanzeige mit 0554876 in leichtem Winkel bei schwachem Licht sieht, liest es die Ziffernfolge, indem es kontextuell versteht, was die Zeichen darstellen – nicht durch Pixelmustervergleich mit einer Schriftbibliothek. Wenn es einen Gaszähler mit vier separaten analogen Zifferblättern sieht, liest es die Nadelposition jedes Zifferblatts und setzt den vollständigen Stand von rechts nach links zusammen – genauso wie ein geschulter menschlicher Ableser.

Das ist es, was die benutzerdefinierte Spaltenextraktion zum ermöglichenden Mechanismus macht. Sie definieren die gewünschten Ausgabespalten – „Zähler-ID“, „Aktueller Stand“, „Einheit“, „Ablesedatum“ – und die KI lokalisiert jeden Wert in jedem Foto, indem sie versteht, was er bedeutet, nicht wo er auf dem Zifferblatt steht. Eine Spaltenvorlage funktioniert für jeden Zählertyp im Fuhrpark. Kein Zeichnen von Bereichen, keine modellspezifische Vorlage, kein erneutes Training, wenn ein neuer Zählerhersteller ins Inventar kommt. Eine praktische Einführung in diesen Workflow finden Sie in unserem Leitfaden zur automatisierten Zählerstandserfassung mit KI.

JPG/PNG/PDF KI-Extraktion

Dateien werden sicher verarbeitet und nicht gespeichert.

Der End-to-End-Prozess ist so einfach, dass Außendienstmitarbeiter ihn ohne Schulung nutzen können, und so flexibel, dass Büromitarbeiter Stapel von Hunderten Zählern in einer einzigen Sitzung verarbeiten:

Foto aufnehmen

Jede Smartphone-Kamera reicht. Eine klare, frontale Aufnahme des Zählers liefert die besten Ergebnisse, aber die KI kommt mit leichten Winkeln, Spiegelungen und den realen Bedingungen eines Zählers im dunklen Keller oder einer Anzeige hinter staubigem Glas zurecht. Kein Speziallicht, kein Stativ, keine Kalibrierung nötig.

Ausgabespalten definieren

Geben Sie die gewünschten Feldnamen ein – „Zähler-ID", „Ablesewert", „Einheit", „Standort", „Datum". Diese werden zu den Kopfzeilen Ihrer Ausgabetabelle. Dieselbe Spaltenvorlage funktioniert für Wasser-, Gas-, Druck- und Digitalanzeigen im selben Durchlauf. Keine Vorlagenanpassung pro Zählertyp.

KI liest und strukturiert die Daten

Das Vision-Modell scannt jedes Foto, identifiziert das Zifferblatt, liest den Wert – ob Zeigerposition, LCD-Ziffern oder Rollenzählwerk – und ordnet ihn Ihren Ausgabespalten zu. Ein Foto, eine Zeile. Laden Sie 50 Fotos hoch, erhalten Sie 50 Zeilen in einer Datei.

Exportieren oder integrieren

Herunterladen als Excel (XLSX), CSV oder JSON. Oder Ergebnisse direkt in Google Sheets schreiben. Die Daten sind bereit für Abrechnung, Trendanalyse, Compliance-Berichte oder die Einspeisung in Ihr CMMS – ohne manuelle Übertragung, ohne erneutes Eintippen, ohne Kopieren und Einfügen.

Die Fähigkeit des Modells, die gesamte Vielfalt an Zählertypen mit einer einzigen Spaltendefinition zu verarbeiten, unterscheidet semantische Extraktion von Template-OCR. Ein Template-Tool benötigt eine Zonendefinition für jedes Zählermodell. Semantische Extraktion benötigt nur einen Satz Spaltennamen – Zähler-ID, Ablesewert, Einheit – und funktioniert für Ihre gesamte Flotte. Eine Anleitung zur zuverlässigen Genauigkeit unter Feldbedingungen finden Sie in unserem Leitfaden zur Feldgenauigkeit für KI-gestützte Zählerablesung.

Wann Sie Zählerstandserfassung benötigen

Nicht jeder Betrieb benötigt eine Erfassungslösung. Ein Gebäude mit vier Wasser-Unterzählern, die der Hauswart vierteljährlich prüft, kann weiterhin den Klemmbrett nutzen. Die Erfassung wird dann zur richtigen Wahl, wenn Menge, Vielfalt oder Häufigkeit der Ablesungen eine Schwelle überschreiten, ab der die manuelle Übertragung nicht mehr lästig, sondern zum Engpass in einem umsatzrelevanten oder compliance-kritischen Prozess wird.

1. Sie betreiben ein Versorgungsunternehmen mit gemischtem Zählerbestand. Kleine und mittlere Wasser-, Gas- und Stromversorger haben selten den Luxus eines einheitlichen Zählerstandards. Zähler werden über Jahrzehnte installiert, je nach Budget – einige Neptune-Analogzifferblätter aus den 1990ern, einige Badger-Digitalzähler von 2005, einige Sensus-Mechanikregister von 2015. Ein Smart-Meter-Rollout würde den Austausch jedes einzelnen erfordern, zu 150–400 $ pro Endpunkt plus Netzinfrastruktur – ein mehrjähriges Investitionsprojekt. Die Erfassung erlaubt dem Außendienstmitarbeiter, jeden beliebigen Zähler zu fotografieren und unabhängig vom Typ strukturierte Daten zu erhalten – bereits ab diesem Abrechnungszyklus. Zur Skalierungsmathematik einer kompletten Route siehe unsere Analyse zum Skalieren von KI-Zählerstandserfassung ohne IoT-Infrastruktur.

2. Sie verwalten Industrieanzeigen auf einer Werkshalle. Fertigungsbetriebe, Kläranlagen und Chemieanlagen haben hunderte analoge Druckmesser, Temperaturskalen und Durchflusszähler im gesamten Betrieb montiert. Diese Anzeigen sind funktionsfähig, kalibriert und kosten tausende im Austausch – erfordern aber physische Rundgänge zur Ablesung, oft stündlich. Ein Wartungstechniker, der bei seinen Rundgängen jede Anzeige fotografiert und die Werte ins CMMS extrahiert, eliminiert den Klemmbrett-Schritt, ohne ein einziges Gerät anzufassen.

3. Außendienstprüfer benötigen schnelle, prüfbare Datenerfassung. Versicherungsgutachter, Energieberater und Regulierungsprüfer fotografieren Zähler und Anzeigen im Rahmen von Vor-Ort-Bewertungen. Das Foto dient als Besuchsnachweis; die Extraktion macht aus dem Foto verwertbare Daten. Dies ist besonders relevant für Compliance-Berichte – Zählerstände, die in jährliche Energieaudits, Umweltberichte oder Zustandsbewertungen einfließen, verlieren ihre Prüfkette, wenn sie Stunden nach der Inspektion aus dem Gedächtnis abgetippt werden.

4. Sie haben verschiedene Zählertypen, die keine einzelne Hardware-Lösung abdeckt. Ein Facility-Management-Unternehmen hat es mit Stromzählern (digital kWh), Gaszählern (Analogzifferblätter in Kubikfuß), Wasserzählern (Rollziffern in Gallonen) und HVAC-Druckmessern (analog PSI) zu tun – in verschiedenen Gebäuden, verschiedenen Marken, verschiedenen Epochen. Eine einzelne Hardware-Lösung, die alle ausliest, gibt es nicht. Ein einzelnes Extraktionswerkzeug, das alle aus einem Foto ausliest, schon.

Worauf Sie bei einem Werkzeug zur Zählerstandserfassung achten sollten

Erfassungstools reichen von einfachen OCR-Apps, die Ziffern lesen, bis hin zu KI-gestützten Plattformen, die Zifferblätter verstehen. Hier sind die Kriterien, die sie tatsächlich unterscheiden:

Echte Analog-Dial-Unterstützung. Dies ist die schwierigste Fähigkeit und der wichtigste Filter. Viele Tools behaupten "Zählerablesung", verarbeiten aber nur digitale LCDs mit sauberen Segmentziffern. Ein analoges Zifferblatt mit Zeiger – wie bei den meisten Gaszählern und industriellen Druckmessgeräten – erfordert, dass die KI das Zifferblatt versteht, die Skalenmarkierungen erkennt und die Zeigerposition interpretiert. Wenn ein Anbieter nicht zeigen kann, dass sein Tool an einem Gaszähler mit vier analogen Zifferblättern oder einem Druckmessgerät mit gebogener Skala funktioniert, ist seine "Zählerablesung" rein digital. Verlangen Sie eine Demo mit Ihren tatsächlichen Zählern, nicht mit deren ausgesuchten Beispielen.

Vorlagenfreier, formatunabhängiger Betrieb. Ein Tool, das Sie auffordert, Bereiche um das Anzeigefeld jedes Zählers zu zeichnen oder Parsing-Regeln pro Zählermodell zu konfigurieren, ist keine Erfassung – es ist Vorlagenverwaltung. Das richtige Tool liest jeden Zählertyp aus derselben Spaltendefinition. Wenn Ihre Flotte nächsten Monat eine neue Zählermarke hinzufügt, sollte das Tool dies ohne Konfigurationsänderungen bewältigen.

Stapelverarbeitung mit zusammengeführter Ausgabe. Können Sie 200 Zählerfotos auf einmal hochladen und eine einzige Tabelle mit einer Zeile pro Zähler erhalten? Oder verarbeiten Sie sie einzeln? Für jeden Betrieb mit mehr als 20 Zählern pro Zyklus ist die Stapelverarbeitung der Unterschied zwischen "das spart Zeit" und "ich habe Dateneingabe gegen Upload-Verwaltung eingetauscht".

Robustheit gegenüber realen Fotobedingungen. Zähler befinden sich in Kellern, hinter verschlossenen Toren, in direktem Sonnenlicht, hinter beschlagenen Kunststoffabdeckungen. Die KI muss mit Spiegelungen auf Glas, mäßigen Aufnahmewinkeln, Staub und Schmutz auf dem Zifferblatt sowie gemischter Beleuchtung in einem Technikraum umgehen können. Ein Tool, das nur mit studioausgeleuchteten, frontalen Fotos funktioniert, überlebt seine erste Außeneinsatzrunde nicht. Testen Sie mit den schlechtesten Fotos in Ihrer Sammlung, nicht den besten.

Ausgabe, die zu Ihrem nachgelagerten Workflow passt. Wenn die Abrechnung über Excel läuft, ist XLSX mit korrekt typisierten numerischen Spalten unverzichtbar. Wenn Daten in ein CMMS fließen, sind CSV oder JSON wichtig. Wenn das Team in Google Sheets arbeitet, eliminiert ein Tool, das Ergebnisse direkt in ein Blatt schreibt, den Export-Import-Zyklus. Speziell für den Sheets-nativen Workflow finden Sie hier unser Google Sheets-Add-on zur Zählerstandserfassung.

Häufig gestellte Fragen

Kann KI analoge Zifferblätter mit Zeigern lesen?

Ja. Vision-KI-Modelle erkennen das Zifferblatt, verstehen die Skalenstriche und interpretieren die Zeigerposition – genau wie ein menschlicher Leser. Ein klares, frontales Foto eines analogen Manometers oder Gaszählers liefert zuverlässig korrekte Werte. Die Genauigkeit sinkt bei extremen Schrägaufnahmen, starken Schatten auf dem Zeiger oder gesprungenem Glas, das die Skala verzerrt. Das System kommt mit mehr Bedingungen zurecht als eine vorlagenbasierte OCR, ist aber nicht immun gegen schlechte Eingaben – so wie ein Mensch einen beschlagenen Zähler falsch ablesen kann. Für eine genauere Betrachtung der Einflussfaktoren auf die Genauigkeit, siehe unseren Feldleitfaden zur Genauigkeit.

Welche Arten von Zählern und Messgeräten werden unterstützt?

Dieselbe KI-Engine verarbeitet analoge Zifferblätter (Gaszähler, Manometer, Thermometer), digitale LCD-Anzeigen (Stromzähler, Durchflussmesser), Rollenzählwerke (Wasserzähler) und gemischte Tafeln mit analogen und digitalen Anzeigen nebeneinander. Dies umfasst Haushaltszähler, gewerbliche Unterzähler, industrielle Prozessmessgeräte und Feldinstrumente. Die Hauptvoraussetzung ist, dass das Zifferblatt im Foto sichtbar und einigermaßen lesbar ist – die KI muss weder Marke noch Modell des Zählers kennen.

Ersetzt die Zählerstandserfassung intelligente Zähler?

Nicht vollständig. Intelligente Zähler bieten Funktionen, die eine fotobasierte Erfassung nicht leisten kann: 15-Minuten-Intervalldaten, Fernschalten, Echtzeit-Störungserkennung und bidirektionale Kommunikation mit dem Netz. Wenn das Budget und der Zeitplan für eine vollständige AMI-Einführung vorhanden sind, sind intelligente Zähler die umfassendere Lösung. Die Erfassung schließt die Lücke für Betriebe, die nicht Jahre auf diese Einführung warten können, sich die Hardwarekosten pro Zähler nicht leisten können oder analoge Messgeräte haben, die nie „intelligent" werden können. Viele Versorgungsunternehmen nutzen die Erfassung als Zwischenschicht während eines mehrjährigen Rollouts intelligenter Zähler – oder als dauerhafte Lösung für ihre rein analogen Zählertypen. Zur Skalierungsperspektive siehe Skalierung der KI-Zählerstandserfassung ohne IoT.

Kann die Erfassung verschiedene Zählertypen im selben Batch verarbeiten?

Ja – das ist eine ihrer Kernstärken. Sie können einen Batch mit Fotos von analogen Gaszählern, digitalen Stromzählern, Rollenzählwerken und industriellen Manometern hochladen, Ihre Ausgabespalten einmal definieren (Zähler-ID, Stand, Einheit, Ort) und erhalten alle Werte in einer einzigen zusammengeführten Tabelle. Die KI identifiziert jeden Zählertyp anhand des Fotos und liest den Wert entsprechend aus. Kein Vorsortieren, keine separaten Verarbeitungsläufe pro Zählertyp.

Welche Fotoqualität benötigt die KI für genaue Ablesungen?

Ein klares, gut beleuchtetes Foto des Zifferblatts liefert die besten Ergebnisse – so wie es jedes moderne Smartphone ohne spezielle Einstellungen macht. Die KI verarbeitet moderate Winkel (bis zu etwa 30 Grad Abweichung), typische Innen- und Außenbeleuchtung und etwas Blendung auf Glasabdeckungen. Was die Genauigkeit verringert: extremes Gegenlicht, das das Messgerät silhouettiert, starke Schatten direkt über Zeiger oder Ziffern, Bewegungsunschärfe und Fotos durch stark beschlagenes oder gesprungenes Glas. Faustregel: Wenn ein Mensch den Zähler auf dem Foto ablesen kann, kann das die KI auch. Wenn ein Mensch Schwierigkeiten hätte, könnte die KI ebenfalls Probleme haben. Zu spezifischen Fehlerarten und deren Vermeidung lesen Sie über häufige Ursachen für Erfassungsfehler.

Wie geht die KI mit Spiegelungen und Reflexionen auf dem Zählerglas um?

Vision-KI-Modelle sind widerstandsfähiger gegen Spiegelungen als herkömmliche OCR, da sie das Zifferblatt ganzheitlich interpretieren und nicht Zeichen für Zeichen. Eine Reflexion, die eine Ziffer auf einem LCD teilweise verdeckt, lässt oft genug Sichtbares übrig, damit die KI den Wert aus dem Kontext ableiten kann – so wie Sie eine Zahl durch eine Spiegelung lesen können, indem Sie die nicht verdeckten Bereiche betrachten. Starke Spiegelungen, die den Ablesebereich vollständig überdecken, führen zu Fehlern. Der einfachste Fix beim Fotografieren von Zählern mit Glasabdeckung: das Handy leicht neigen, um die Reflexion vom Ablesebereich wegzubewegen – die KI kommt mit moderaten Schrägwinkeln besser zurecht als mit völliger Überdeckung.

Kann die Extraktion handschriftliche Zählerstände aus Protokollbögen lesen?

Ja, aber mit Einschränkungen. Vision-KI-Modelle können Handschrift lesen – einschließlich handschriftlicher Zahlen auf Zählerprotokollen, Prüfformularen und Feldnotizen – mit einer Genauigkeit, die von der Leserlichkeit der Handschrift abhängt. Klare Druckbuchstaben werden zuverlässig extrahiert; dichte, schräge Schreibschrift in schlecht beleuchteten Fotos liefert geringere Ergebnisse. Der entscheidende Vorteil gegenüber herkömmlicher OCR: Die KI nutzt den Feldkontext, um Mehrdeutigkeiten aufzulösen. Wenn sie nach einem „Zählerstand“ sucht und sowohl handschriftliche als auch gedruckte Zahlen im Foto sieht, kann sie ableiten, welche den Zählerstand darstellen und nicht die Seriennummer oder ein Datum.

Wie es weitergeht

Die Zählerstandserfassung steht an der Schnittstelle zweier Realitäten: Die meisten Zähler vor Ort sind noch analoge oder gemischte Geräte, die noch Jahre im Einsatz sein werden – und KI ist inzwischen so weit, dass sie diese von einem Foto aus genauso zuverlässig ablesen kann wie ein geschulter Mensch, nur schneller und ohne Übertragungsfehler. Der Weg des Hardware-Austauschs (Smart Meter, AMI) ist die langfristige Lösung für Versorger mit entsprechendem Budget. Der Weg der Extraktion ist die Lösung für dieses Quartal, diesen Abrechnungszyklus, dieses Messgerät, das nicht ausgetauscht werden kann.

Der beste Weg, um zu prüfen, ob die Lösung zu Ihrem Betrieb passt, ist ein Test mit Ihren tatsächlichen Zählern – nicht mit kuratierten Demo-Bildern, sondern mit dem Zähler im Keller mit der staubigen Glasscheibe und dem Manometer am Kessel mit der verblassten Skala. Wenn die Lösung Ihre schwierigsten Fälle bewältigt, sind die einfachen Fälle selbstverständlich. Laden Sie ein paar Fotos der Zähler in Ihrem Bestand hoch, definieren Sie die Spalten, die Sie verwenden würden, und sehen Sie sich die Ausgabe an. Für den vollständigen Workflow vom Foto zu strukturierten Daten beginnen Sie mit unserem Leitfaden zur Automatisierung der Zählerstandserfassung. Oder wenn Sie es jetzt testen möchten, laden Sie ein Beispiel-Zählerfoto hoch und sehen Sie die Ergebnisse.