KI-Assistenten im Bau: Projektunterlagen erschließen, Anforderungen verstehen und Antworten fundiert nutzen

Ein KI-Assistent wird dazu an einen bestimmten Bestand angebunden. Beschäftigte formulieren ihre Frage in normaler Sprache; die Anwendung sucht passende Inhalte und entwickelt daraus eine Antwort. Das kann zunächst eine Orientierung sein: Welche Abschnitte einer Ausschreibung betreffen die Gebäudeautomation? Im nächsten Schritt werden Bedingungen zusammengetragen oder zwei Stände verglichen. Schließlich lässt sich aus einem erkannten Unterschied eine Rückfrage entwerfen. Suche, Zusammenfassung, Vergleich und Entwurf bauen aufeinander auf, benötigen aber jeweils eine andere fachliche Bearbeitung.

Für die Projektleitung zählt dabei häufig der Überblick über Festlegungen und offene Punkte. Die Fachplanung braucht zusätzlich Maße, Geltungsbedingungen und den Bezug zum richtigen Bauteil. Auf der Baustelle muss eine technische Antwort in der konkreten Ausführungssituation auffindbar und verständlich sein. Ein und derselbe Chat kann diese Aufgaben nur dann sinnvoll unterstützen, wenn Bestand, Fragestellung und Ausgabe auf die jeweilige Arbeit ausgerichtet sind. „Fasse das Projekt zusammen“ und „Welche Festlegung gilt für diese Tür?“ sind unterschiedliche Aufträge.

Unser durchgängiges Beispiel ist vollständig fiktiv: Im Projekt „Werkhof Nord“ soll Tür T-204 wegen eines Transportwegs eine lichte Durchgangsbreite von 1,00 Meter erhalten. Ein bestätigtes Protokoll und die aktuelle Türliste führen diese Änderung; der LV-Entwurf enthält noch 0,90 Meter. Der Assistent soll diese Abweichung erkennen und die zuständige Bearbeiterin zur passenden Stelle führen. Alle Kennungen, Maße und Dokumentstände dieses Beispiels sind erfunden; sie erläutern einen Arbeitsablauf und keine allgemeine Bauanforderung.

Aus der Frage entsteht damit ein klares Ergebnisversprechen: eine nachvollziehbare Gegenüberstellung mit konkretem Handlungsbedarf. Die Bearbeiterin kann den LV-Entwurf abgleichen und gegebenenfalls weitere Angaben anfordern. Dieses Ergebnis reicht über eine Trefferliste hinaus. Zugleich bleibt erkennbar, wo die Assistenz endet und die Bearbeitung im Projekt beginnt. Um diese Verbindung zuverlässig herzustellen, muss der Dokumentbestand die entscheidenden Beziehungen überhaupt enthalten.

Quellen: 1, 2, 3, 4, 5, 6, 7.

Diese Verbindung ist ein typischer Baustein von Retrieval-Augmented Generation, kurz RAG. Dokumente werden in auffindbare Einheiten zerlegt und in einem Suchindex erschlossen. Bei einer Anfrage werden geeignete Einheiten abgerufen, erneut nach ihrer Passung geordnet und dem Sprachmodell als Kontext mitgegeben. Der Bestand bleibt dabei außerhalb des eigentlichen Modellwissens. Eine neue Türliste kann über den aktualisierten Index in die nächste Antwort eingehen, ohne dafür das Sprachmodell neu zu trainieren.

Entscheidend ist, was in diesem Kontext landet. Im Beispiel gehören die Tabellenzeile, ihre Maßdefinition und der verknüpfte Beschluss zusammen. Die Suchkette kann zunächst die Türliste finden und anschließend deren Protokollverweis verfolgen. Ein Dokumentgraph bildet solche Verweise oder Kapitelbeziehungen ausdrücklich ab; ein Wissensgraph ergänzt fachliche Beziehungen zwischen Objekten und Anforderungen. Die Forschung zu BifrostRAG untersucht diesen mehrstufigen Abruf. Sein Nutzen liegt hier in einer einfachen fachlichen Idee: Eine relevante Fundstelle kann den Weg zu einer zweiten, für die Antwort notwendigen Stelle weisen.

Der Weg zur Antwort

Projektfrage eingrenzen → passende Stellen finden → Bedingungen und Verweise ergänzen → Angaben zusammenführen → Antwort mit Fundstellen bilden → fachlich weiterbearbeiten

Bei wenigen überschaubaren Unterlagen kann es auch zweckmäßig sein, den vollständigen Text als Kontext zu verwenden. Das spart zunächst die Auswahl einzelner Suchstücke. Mit wachsenden Beständen werden jedoch Umfang, Änderungsfrequenz und Rechtezuordnung wichtiger. RAG erlaubt einen gezielteren Zugriff, verlangt dafür eine sorgfältige Auswahl. Ein Vergleich zu US-Inspektionsunterlagen zeigt, wie sich gezielter Abruf und Vollkontext bei bereits bekannten Quelldokumenten gegenüberstellen lassen. Für ein Unternehmen ist daraus vor allem eine praktische Aufgabe ableitbar: Beide Wege an den eigenen typischen Fragen vergleichen und die Qualität des fertigen Arbeitsstands betrachten.

Pläne und anspruchsvolle Tabellen erweitern die Kette um visuelle Informationen. Seitenbilder oder Ausschnitte können eine Legende oder räumliche Beziehung sichtbar machen, die im extrahierten Text verloren ging. Der Ausschnitt muss zugleich genug Zusammenhang enthalten. In einer aktuellen Studie zur Dokumentprüfung änderte sich der zunächst günstige Befund für kleine Bildbereiche bei weiteren Projekten. Auch wissensgraphgestützte Normantworten reagierten in BEST-KAG deutlich auf das verwendete Sprachmodell. Gute Systeme stimmen daher Aufbereitung, Suche und Antwortbildung gemeinsam auf die Bauaufgabe ab. Die nächste Frage lautet, wie das Team diese Antwort in einen verwendbaren Arbeitsstand überführt.

Quellen: 5, 6, 7, 8, 12, 13, 14.

Bei Drees & Sommer unterstützt die intern entwickelte Plattform Dreso.AI unter anderem die Sichtung umfangreicher Ausschreibungsunterlagen. IT und Innovation Center arbeiteten dabei mit Rückmeldungen aus den Fachbereichen. Im September 2025 berichtete das Unternehmen, mit der Plattform bereits mehr als 3.000 Kolleginnen und Kollegen erreicht zu haben. Sprechstunden und eine Community begleiten die Nutzung. Für Dokumentaufgaben ist dieser Fall besonders aufschlussreich, weil fachlicher Bedarf und Entwicklung innerhalb derselben Organisation zusammenkommen. Zum vollständigen Use Case.

Shimizu erprobte einen technischen Dokumentassistenten auf japanischen Baustellen. Bauanleitungen und technische Regeln wurden über RAG zugänglich; Rückmeldungen aus der Erprobung flossen in die Anwendung ein. Der Unternehmensbericht bestätigt die spätere Lightblue-Einführung und die gemeinsame Wissensbasis. Der Fall zeigt, wie ein abgegrenzter Fachbestand in eine breitere Assistenzumgebung hineinwachsen kann. Zum vollständigen Use Case.

Beim Baird Center in Milwaukee testete Gilbane TrunkText direkt im Projekt. Der gemeinsame Fallbericht beschreibt vier Beteiligte, die in 37 Arbeitstagen 246 Fragen stellten. Mehr als 87 Prozent der Antworten wurden laut Bericht vom Team als korrekt bestätigt. Im September 2024 meldete Gilbane die Einführung auf zunächst zehn Projekten und kündigte eine weitere Ausweitung an. Die praktische Erkenntnis liegt in der projektbezogenen Erprobung: Nutzung und Antwortbearbeitung wurden im Alltag des Baustellenteams beobachtet. Zum vollständigen Use Case.

Eine weitere deutsche Einführungserfahrung liefert SSP mit amberSearch. Das Planungsbüro erschloss vorhandene Wissensbestände einschließlich Dokumentchat und band die Anwendung an bestehende Nutzerrechte an. Der 2024 veröffentlichte Bericht beschreibt einen erweiterten Testkreis und leichteren Informationszugang. Dieser Blick auf den Anschluss ergänzt die drei Hauptfälle: Der Assistent benötigt einen erreichbaren Bestand und eine Betreuung, die fachliche Rückmeldungen aufnimmt. Damit wird die Einführung selbst zu einer gemeinsamen Aufgabe von Projektpraxis, Dokumentverantwortung und IT.

Quellen: 1, 2, 3, 4, 10, 11, 15, 16.

Eine eigene Umsetzung ergänzt diese Wege. Dreso.AI zeigt die organisatorische Seite einer internen Entwicklung; Such- und Dokumentdienste wie Azure AI Search liefern technische Bausteine. Damit lässt sich die Ausgabe eng an eine wiederkehrende Fachaufgabe anpassen. Das Unternehmen übernimmt zugleich mehr Verantwortung für Anbindung, Rechte, Qualität und Weiterentwicklung. Ein verfügbares Suchmodul ist dabei ein Bestandteil der Anwendung. Fachlicher Kontext, Bedienung und Ergebnisübergabe müssen weiterhin gestaltet werden.

Für die Auswahl lohnt sich eine Vorführung an eigenen Unterlagen. Sie sollte einen einfachen Vorgang und einen anspruchsvolleren Vergleich enthalten: beispielsweise eine Tabellenfußnote, eine überholte Revision oder dieselbe Objektkennung in mehreren Dateien. Daraus wird sichtbar, welche Unterstützung das Angebot tatsächlich leistet und welche Aufgaben beim Projektteam bleiben. Ebenso relevant sind die Anschlüsse an vorhandene Systeme und der Weg einer späteren Korrektur. Die folgende Übersicht ordnet die Angebote nach diesem fachlichen Ausgangspunkt.

Acht Wege zur Dokumentassistenz – eigene Darstellung; Quellen je Zeile

Die Forschung arbeitet an den Stellen weiter, an denen fachliche Zusammenhänge bei der Digitalisierung leicht verloren gehen. Die FHNW untersucht Dokumentpipelines für Bau und Gebäudebetrieb. BifrostRAG an der Texas A&M University erschließt Hierarchien und Querverweise. BEST-KAG aus Tsinghua verknüpft auch Tabellen, Formeln und Bedingungen. Untersuchungen zur bildgestützten Prüfung ergänzen diese Perspektive um Seitenlayout und Bildausschnitte. Die Ergebnisse sprechen für eine gemeinsame Entwicklung von Aufbereitung, Suche und Sprachmodell; unterschiedliche Aufgaben und Modelle reagieren dabei verschieden.

Forschung und Transfer vertiefen

Für die nächste Entwicklungsstufe zählt besonders, wie gut diese Verfahren mit neuen Projekten und laufenden Änderungen zurechtkommen. Planungs- und Baustellenteams benötigen Antworten aus den für ihre Aufgabe gültigen Unterlagen. Wird etwa eine Türliste ersetzt, muss die Assistenz den neuen Stand berücksichtigen; Fachanwender müssen eine falsch zugeordnete Maßangabe zur Korrektur melden können. So verbinden sich Marktentscheidung und Forschungsfortschritt: Die technischen Möglichkeiten erweitern sich, während die konkrete Dokumentaufgabe den Maßstab für ihren Einsatz liefert.

Quellen: 1, 2, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 19, 20, 21, 22, 23.