KI-Barometer 2026: Deutsche Glasfaser macht Vertriebshistorie mit KI zum Wettbewerbsvorteil

Für das KI-Barometer 2026 haben wir qualitative Interviews mit Unternehmen verschiedener Branchen und Größen geführt. Im Mittelpunkt stehen keine abstrakten Kennzahlen, sondern konkrete Erfahrungsberichte: Welche KI-Anwendungen haben sich im Alltag bewährt? Wo hat die Umsetzung länger gedauert als geplant, und warum? Welche organisatorischen Voraussetzungen trennen funktionierende KI-Einführungen von solchen, die im Sande verlaufen? Das ist Teil 2 unserer Artikelserie. Während der Glasfaserausbau in Deutschland stockt und Wettbewerber spät einsteigen, nutzt Deutsche Glasfaser über ein Jahrzehnt Vertriebshistorie als Burggraben. Ein Algorithmus priorisiert das verbliebene Restpotenzial über Nacht monatlich neu. Die Ausgangslage Deutsche Glasfaser steckt mitten in einem Strategiewechsel. Das Unternehmen hat über zehn Jahre lang hauptsächlich den ländlichen Raum erschlossen und galt dort lange als größter Anbieter, bis die Telekom kürzlich aufschloss. Jetzt fährt der Konzern den Tiefbau zurück und positioniert sich neu, weg vom klassischen Bauunternehmen, hin zum Telekommunikationsbetreiber, der seine Netze monetarisiert und Bestandskunden gewinnt. Marco Giese, Lead Data Scientist Deutsche Glasfaser In dieser Phase wird die Auswahl neuer Ausbaugebiete heikler als zuvor. Jeder Quadratkilometer, in den investiert wird, muss sich über Vertragsabschlüsse refinanzieren. Hier setzt eine zentrale KI-Anwendung an, die Marco Giese als Lead Data Scientist verantwortet. Sie bewertet jede Nacht das verbliebene Restpotenzial im deutschen Glasfasermarkt und sortiert es nach Wirtschaftlichkeit. Die Technologie Das Modell besteht aus drei aufeinander aufbauenden Stufen. In der ersten Stufe zeichnet ein Algorithmus automatisch sogenannte Polygone, also umrandete Ausbaugebiete, um Adresscluster, die noch von keinem Wettbewerber gesichert sind. Stufe zwei schätzt die Ausbaukosten und stützt sich dabei auf ein Verfahren, das die kürzeste nötige Tiefbaustrecke zwischen den Adresspunkten und dem öffentlichen Straßennetz kalkuliert. Stufe drei prognostiziert für jedes Polygon, wie viele Verträge dort später tatsächlich abgeschlossen werden. Längenschätzung der möglichen Leitungen des KI-Modells Für die Kostenschätzung hat Deutsche Glasfaser zwölf Mobile-Mapping-Fahrzeuge im Einsatz, vergleichbar mit den bekannten Kameraautos von Google. Sie filmen relevante Gebiete, ein Bilderkennungsmodell auf Basis frei verfügbarer Codes klassifiziert die Oberflächen anschließend in Asphalt, Pflaster, Mosaik oder Grasland. Die Unterscheidung ist relevant, weil sich die Aufgrabungskosten je nach Belag drastisch unterscheiden. Asphalt ist der teuerste Untergrund, Pflaster liegt darunter, Grasland ist am günstigsten. Mobiles Kartografieren von Oberflächen (Mobile Mapping) Mobiles Kartografieren von Oberflächen (Mobile Mapping) Mobiles Kartografieren von Oberflächen (Mobile Mapping) Mobiles Kartografieren von Oberflächen (Mobile Mapping) Diese Klassifikation lief früher rein manuell. „Da saßen tatsächlich Leute stundenlang vor dem Computer und haben Millionen von Bilddaten ausgewertet und angeklickt, was das jetzt für eine Oberfläche ist“, sagt Giese. In das Sales-Modell selbst fließen rund 45 Kennzahlen ein, ausgewählt aus mehreren Hundert Kandidaten. Datenquellen sind unter anderem der Zensus, der Breitbandatlas mit Wettbewerberinformationen sowie zugekaufte sozioökonomische Daten. Der gesamte Bestand liegt inzwischen auf einer Cloud-Datenplattform, nachdem das Unternehmen seine bisherige SQL-Hosting-Konstellation abgelöst hat. Die Hürde Schwierig wurde es primär beim Mobile Mapping. „Auf Anhieb klappt sowas selten“, räumt Giese ein. Erste Eigenentwicklungen blieben hinter den Erwartungen zurück, erst der Wechsel auf eine öffentlich verfügbare Modellgrundlage plus eigene Trainingsdaten brachte die nötige Trefferquote. Selten vorkommende Oberflächen wie Mosaikpflaster bleiben bis heute ein Schwachpunkt. „Dadurch, dass wir relativ wenig Mosaike in unseren Daten haben, lernt der Algorithmus auch schlecht, wo Mosaik liegt“, erklärt Giese. Genau diese Stellen sind im Tiefbau besonders teuer. Parallel war der Datenschutz aufzubauen. Bevor die Bilder bewertet werden, müssen Personen und Nummernschilder automatisiert unkenntlich gemacht werden. Auch dieses Blurring lieferte anfangs nicht überall saubere Ergebnisse und benötigte mehrere Trainingsrunden, bis Deutsche Glasfaser nach eigener Aussage eine vollständige Trefferquote erreichte. Der Datenvorsprung Der eigentliche Hebel des Modells liegt nicht in der Architektur, sondern in der Historie. Deutsche Glasfaser hat seit über zehn Jahren denselben Vertriebsansatz im ländlichen Raum gefahren und kennt die Korrelation zwischen Baustruktur, Konkurrenzabdeckung und tatsächlichen Vertragsabschlüssen aus eigenem Datenbestand. Ergebnis des Mobile Mappings Mittlerweile nutzt das Unternehmen laut eigener Aussage fünfzehn Jahre Vertriebs- und Bodenklassendaten als Trainingsgrundlage, die Konkurrenten so nicht zur Verfügung steht. „Andere sind viel später in den Glasfaserausbau eingestiegen als wir“, sagt Giese. „Die wissen möglicherweise noch gar nicht genau, in welchen Gebieten sie wie erfolgreich sind, oder haben ein viel zu kleines Datensample, um ein solches Modell sinnvoll aufzubauen.“ Diese Asymmetrie übersetzt sich laut dem Unternehmen direkt in die Modellgüte. Für Deutsche Glasfaser wird die jahrelange Bautätigkeit damit nachträglich zum Trainingskorpus. Die Wirkung Vor dem Modell bewertete ein 70-köpfiges Team in der Gebietsentwicklung die Polygone weitgehend manuell. Heute läuft der Algorithmus parallelisiert über Nacht etwa viereinhalb Stunden und sortiert die rund 7,5 Millionen Adressen, die noch in unerschlossenen Polygonen liegen. Aktualisiert wird mindestens einmal monatlich, weil sich primär das Restpotenzial durch Wettbewerberbewegungen ständig verschiebt. Die Modellgüte ist messbar. Eine gängige statistische Kennzahl, die zeigt, wie genau ein Modell die tatsächlichen Schwankungen erklärt, lag bei der früheren Bewertung anhand weniger Faktoren bei rund 10 Prozent. Das aktuelle Sales-Modell erreicht laut Giese über 60 Prozent. Allein durch eine maßgeschneiderte Aussteuerung der Vertriebsmaßnahmen – von Plakatkampagnen über Door-to-Door-Vertrieb – ergäbe sich ein signifikantes Einsparpotenzial. „Das liegt bestimmt im siebenstelligen Bereich“, sagt Giese zu den Einsparungen. Hinzu kommen konkret Millionenbeträge, die durch das automatisierte Bild-Labeling der Mapping-Daten nicht mehr in die manuelle Auswertung der Dienstleistung fließen. „Das ist ja der Sinn davon, dass wir effizienter sind: Geschwindigkeit und Datenqualität zahlen sich am Ende aus“, so Giese. Der Ausblick Auf der Roadmap steht ein Modell zur Vorhersage von Überbau, also der Frage, ob ein Wettbewerber in ein bereits erschlossenes Gebiet hineinbaut. Auch dieses Risiko soll perspektivisch in die Gebietsbewertung einfließen. Parallel existiert bereits ein Modell, das die Erfolgswahrscheinlichkeit in der Verhandlung mit einzelnen Kommunen prognostiziert, in die Deutsche Glasfaser vor jedem Ausbau gehen muss. Daneben setzt das Unternehmen KI in der Produktion von Social-Media-Inhalten ein. Insgesamt ist die Data-Community auf rund 50 Mitarbeitende gewachsen, die im weitesten Sinne an KI-Anwendungen arbeiten, von Bilderkennung über Vertriebsprognosen bis zu Verhandlungs-Scoring. Das Unternehmen Deutsche Glasfaser baut Glasfaserinfrastruktur mit Schwerpunkt auf dem ländlichen und suburbanen Raum. Der 2011 gegründete Konzern mit Sitz in Düsseldorf beschäftigt rund 1.900 Mitarbeitende und ist nach eigenen Angaben in mehr als 1.750 Kommunen präsent. Aktuell befindet sich das Unternehmen in einer Transformationsphase, in der es sich vom ausbaugetriebenen Tiefbauunternehmen zum kundenorientierten Netzbetreiber weiterentwickelt. Die KI-gestützte Gebietsauswahl spielt in dieser neuen Ausrichtung eine zentrale Rolle.

KI-Barometer 2026: Deutsche Glasfaser macht Vertriebshistorie mit KI zum Wettbewerbsvorteil

heise KI PROKI VERSTEHEN UND ANWENDEN

heise KI PRO
KI VERSTEHEN UND ANWENDEN