Herr Prof. Dr. Plönnigs, Künstliche Intelligenz braucht Daten, um zu lernen und verlässliche Ergebnisse zu liefern. Ein gut gepflegtes BIM-Modell bietet dafür das perfekte digitale Fundament. Wo sehen Sie aktuell die Einsatzbereiche, in denen KI auf diese BIM-Daten ansetzen kann, um Planer und Bauherren schon heute im Alltag spürbar zu entlasten?
Der derzeit stärkste Einsatzbereich von KI liegt im Dokumentenmanagement und der gezielten Beantwortung von Einzelfragen. In Planung, Bau und Betrieb entstehen große Mengen an Dokumenten, die bei BIM-Prozessen zentral verwaltet werden. Diese Masse an Einzelinformationen ist für Menschen schnell unübersichtlich und einfache „W-Fragen“ wie „Was wurde wann und warum festgelegt und wo ist das dokumentiert?" lassen sich oft nur nach längerer Suche beantworten. Studien zeigen, dass Fachleute im Bauwesen 35 Prozent ihrer Arbeitszeit mit der Suche nach Informationen und der Lösung von Widersprüchen und Fehlern verbringen. KI-Modelle können solche Aufgaben deutlich beschleunigen, da sie große Textmengen schnell analysieren und gezielt zusammenfassen. Ansätze dafür sind etwa „Retrieval Augmented Generation“ oder das „Model Context Protocol“, mit dem sich auch Informationen direkt aus dem CAD-Modell abrufen lassen. Dadurch können diese Systeme Informationen verknüpfen und Fragen präzise beantworten. Dies kann Planung, Bauausführung und Betrieb künftig erheblich vereinfachen. Allerdings ist Vorsicht geboten: KI-Modelle neigen dazu, Informationen zu erfinden („halluzinieren“), wenn die Datenlage lückenhaft ist, und sind bei Berechnungen nur eingeschränkt zuverlässig.
Damit KI-Modelle geeignete Entscheidungen treffen können, müssen die zugrundeliegenden Daten fehlerfrei und standardisiert sein. Mit Blick auf die aktuelle Situation der deutschen Baubranche: Welche Schritte sind bei der Standardisierung von BIM-Daten erforderlich, damit die Potenziale von KI umfassend genutzt werden können?
Zuerst sollten wir die bestehenden Standards konsequent nutzen. Das heißt, wir müssen in der Praxis von BIM Level 1 und 2 hin zu Level 3+. Das scheitert weniger am Willen, da am Ende sicher viele gerne ein vollständiges, integriertes BIM-Modell hätten. Vielmehr ist es in der Realität der Praxis einfacher, verteilt zu arbeiten und Dokumente periodisch oder erst am Ende zusammenzuführen. Auch hier kann KI unterstützen und Informationen aus Dokumenten zusammenführen und fehlende Einträge in Modellen ergänzen.
Mittelfristig lassen sich Prüfprozesse mit KI automatisieren und damit beschleunigen. Ein Beispiel ist die automatische Vollständigkeitsprüfung eines Bauantrags bereits bei der Einreichung. Wird dabei auch das Modell geprüft und direktes Feedback gegeben, entsteht eine Rückkopplung, die schrittweise zu fehlerfreieren und konsistenteren BIM-Modellen führt. Voraussetzung sind maschinenlesbare Empfehlungen und Standards, die solche Prozesse ermöglichen und verbindlich machen.
Langfristig löst das auch nicht alle Probleme. Unsere CAD-Formate wie IFC sind stark auf geometrische Darstellung und softwareinterne Strukturen ausgerichtet. Damit können heutige KI-Modelle, insbesondere Sprachmodelle, nur begrenzt umgehen, da ihnen räumliches und kausales Verständnis fehlt. Mittelfristig erwarte ich, dass sich neue Formate entwickeln, die für KI-Anwendungen besser geeignet sind.
Bei der Nutzung von KI zur Prozessoptimierung stellt sich die Frage der Verlässlichkeit: In welchen Bereichen des Bau- und Gebäudemanagements ist der Einsatz von KI bereits heute so ausgereift, dass wir sie anwenden können, und an welchen Stellen bleibt eine manuelle Überprüfung durch Experten aufgrund von Sicherheits- oder Haftungsrisiken unerlässlich?
Die einzigen KI-Ansätze, bei denen Fehler prinzipiell ausgeschlossen werden können, sind regelbasierte, symbolische Verfahren wie formale Logik. Bereits in den 1980er Jahren zeigte sich jedoch, dass diese in der Praxis nicht breit anwendbar sind, weil die Realität sich nicht vollständig in Regeln fassen lässt. Im BIM-Bereich nutzen wir solche Verfahren seit Jahren für die Modellprüfung und kennen ihre Grenzen.
Wegen dieser Grenzen haben sich derzeit probabilistische generative Verfahren wie die Sprachmodelle durchgesetzt. Sie können mit Unsicherheiten der Realität umgehen, gerade weil sie probabilistisch und somit inhärent unsicher sind. Das bedeutet: Wir müssen uns von der Hoffnung lösen, es gebe fehlerfreie KI-Systeme, sondern erwarten, dass generative KIs Fehler machen!
Dennoch sind aktuelle Modelle meistens gut, bei allem, was Text angeht, wie Übersetzungen, Chatsysteme, Dokumentenanalyse, und gerade Programmierung. Unsere Benchmarks zeigen, dass sie deutlich schlechter sind, wenn es um Rechenaufgaben, räumliches Verständnis oder kausales Verständnis, wie Physik geht. Solche Probleme lassen sich zuverlässiger lösen, wenn man sie z. B. als Programmieraufgabe formuliert.
Wo manuelle Prüfung unerlässlich bleibt, ist überall dort, wo Sicherheit oder Haftung auf dem Spiel stehen. Das ist, wie dargelegt, strukturell bedingt und nicht eine Frage des Reifegrads. Wir sollten deshalb nicht verallgemeinern: Bloß, weil eine KI eine Übersetzung fehlerfrei liefert, bedeutet das nicht, dass sie bei der nächsten trivialen Physikaufgabe nicht vollkommen scheitert und dabei gut gelaunt bleibt. Genau in diesen gewählten, freundlichen, scheinbar souveränen Kommunikationsmustern liegt ein besonderes Risiko: Wir Menschen neigen dazu, sie als Zeichen von Verlässlichkeit zu deuten.
Damit ähneln die „künstlichen Intelligenzen“ uns Menschen mehr, als uns vielleicht lieb ist: Auch unsere Anpassungsfähigkeit basiert darauf, dass wir variieren und irren können. Da uns das bewusst ist, haben wir viele Prozesse entwickelt, um uns gegen Fehler abzusichern. Deshalb brauchen wir keine gänzlich neuen Ansätze im Umgang mit KI. Wir können und müssen ihr nicht vollständig vertrauen. Der Mensch ist und wird die letzte prüfende Instanz bleiben.
