INNOVATION SCOUT · IMPULSPROFIL

Agentic AI für Bauprozesse

Agentische KI zerlegt Bauaufgaben in Schritte, wählt Werkzeuge aus und nutzt deren Ergebnisse für weitere Aktionen. Sie kann Daten abfragen, Prüfentwürfe erstellen oder Modelle ändern; Eingriffsrechte und fachliche Freigaben begrenzen ihre Autonomie.

Um was geht es bei Agentic AI für Bauprozesse?

Der praktische Schritt zur Agentik liegt in der Werkzeugkette: Ein System erkundet ein Modell, berechnet eine Größe, prüft das Resultat und entscheidet über den nächsten Aufruf. Andere Systeme überführen Arbeitsbeschreibungen in Sicherheitsentwürfe und strukturierte Datensätze oder bereiten Rückfragen aus Projektunterlagen vor. Dabei unterscheiden sich Lesen, Änderung und verbindliche Aktion erheblich. Forschungsversuche machen Leistung und Fehler messbar; frühe Anwenderberichte zeigen Nutzung, aber kaum unabhängig geprüften Gesamtnutzen. Ein brauchbarer Einstieg benötigt daher eine eng begrenzte Aufgabe, verlässliche Daten und Schnittstellen sowie einen fachlich prüfbaren Endzustand.

Quelle 4: BIM Information Extraction Through LLM-based Adaptive Exploration, Fundstelle(n): Abschnitte 4.1.3–4.4, 5.1 und 6.3 Quelle 8: Agentic system for construction safety risk assessments using large language models and knowledge graphs, Fundstelle(n): Abschnitte 3, 4, 5.1–5.2 und 6.2; Tabellen 7–8 · Abschnitt 6.2 Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): The Results; Turning weeks into minutes; Faster answers, better decisions · Zeitangabe ohne Messdesign Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Metriken und Aufrufgrenze Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Fehlaktion und Limitations · Limitations Quelle 12: Defeating Prompt Injections by Design, arXiv v2, Fundstelle(n): Datenflusskontrolle und Grenzen

Einordnung im Impulsradar

Ausführbare Agentenketten sind für BIM-Abfragen, Modelloperationen und dokumentenbezogene Prüfungen belegt; frühe Anwender berichten über Unterlagenworkflows. Ihre fachliche Zuverlässigkeit bleibt begrenzt: korrekte Tool-Aufrufe können falsche Ergebnisse erzeugen, Projektwissen kann verloren gehen und menschliche Aussagen können Fehlaktionen auslösen. Entscheidend sind überprüfbare Endzustände, begrenzte Rechte und zuständige Fachprüfung. Produktverfügbarkeit allein belegt keine autonome Projektsteuerung.

Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Evaluation Metrics, Experiments S. 5; Tabelle 2 S. 7 (PDF-Seiten) · Metriken und Aufrufgrenze Quelle 5: IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval, Fundstelle(n): Abschnitte 3.2–3.4, 4.1–4.3 und 5 Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Abschnitte 3.7–3.8 und 4.1–4.4 · Fehlaktion und Limitations Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): The Results; Turning weeks into minutes; Faster answers, better decisions Quelle 12: Defeating Prompt Injections by Design, arXiv v2, Fundstelle(n): Datenflusskontrolle und Grenzen

Agentik beginnt mit ausführbaren Schritten

Eine agentische Werkzeugkette verbindet ein Ziel mit dem aktuellen Arbeitsstand und den Ergebnissen bisheriger Aufrufe. Ein Agent kann beispielsweise zunächst die Struktur eines IFC-Modells untersuchen, anschließend passende Objekte auswählen und daraus eine Größe berechnen. Rückmeldungen des Werkzeugs beeinflussen den nächsten Schritt. Eine einmalige Antwort aus einer Dokumentensuche und eine fest vorgegebene Verarbeitungskette erfüllen diese Funktion nicht automatisch; mehrere benannte Agentenrollen sind ebenfalls noch kein Nachweis adaptiver Ausführung.

Quelle 4: BIM Information Extraction Through LLM-based Adaptive Exploration, Fundstelle(n): Abschnitte 3.1, 4.2 · Abschnitte 4.1.3–4.4, 5.1 und 6.3 Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Abschnitte 3.1–3.6

Lesen, einen Prüfentwurf erzeugen, einen Datensatz ändern und eine physische Bewegung auslösen sind unterschiedlich weitreichende Eingriffe. Der EC3-Beitrag von Rawat und Mitautoren demonstriert bereits eine begrenzte Kette aus Graphaktualisierung, Ermittlung betroffener Aktivitäten und Warnung bei einer synthetischen Lieferverzögerung. Die Vision-Funktion bleibt simuliert; ein realer Baustellenbetrieb der Gesamtarchitektur ist nicht validiert. Solche Unterschiede müssen auch hinter dem gemeinsamen Produktbegriff Agentic AI sichtbar bleiben.

Quelle 1: A Conceptual Framework for LLM-based Multi-agent System in Construction Management, Fundstelle(n): S. 1, Experiment/Results und Limitations S. 5–6 Quelle 4: BIM Information Extraction Through LLM-based Adaptive Exploration, Fundstelle(n): Abschnitte 3.1, 4.2 Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Abschnitte 3.1–3.6

Professionelle Verantwortung und Nachprüfbarkeit werden auch im FIEC-Positionspapier vom Oktober 2025 gefordert. Diese Branchenposition ersetzt keine technische Prüfung. Ein Protokoll macht eine Aktion nachvollziehbar, eine Berechtigung begrenzt ihren erlaubten Umfang, und eine Fachprüfung beurteilt ihr Ergebnis. Keine dieser Funktionen übernimmt automatisch die beiden anderen. Erst der fachlich geprüfte Endzustand entscheidet, ob eine ausgeführte Werkzeugkette für den jeweiligen Bauprozess verwendbar ist.

Quelle 2: Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership, Fundstelle(n): S. 1 sowie Abschnitt 5, S. 7–8 Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Results S. 6; Tabelle 1 S. 5 · Metriken und Aufrufgrenze Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Fehlaktion und Limitations Quelle 12: Defeating Prompt Injections by Design, arXiv v2, Fundstelle(n): Datenflusskontrolle und Grenzen

Worauf es bei Agentic AI für Bauprozesse fachlich ankommt

BIM-Änderungen: ausgeführter Code ist noch kein korrektes Modell

Studien-/Praxisbefund

BIBIMBAP aus Rostock und Clausthal prüft 100 kuratierte IFC-Aufgaben zum Erzeugen, Lesen, Ändern und Löschen von Modellinhalten. Die Systeme dürfen Python mit IfcOpenShell in einer Sandbox ausführen, begrenzt auf 25 Werkzeugaufrufe je Aufgabe. Von sechs untersuchten Modellen wurden drei dreimal getestet. Der beste mittlere Score von 50,22 Prozent bezeichnet den Anteil erfüllter Prüfkriterien je Aufgabe, nicht den Anteil vollständig fehlerfrei erledigter Aufträge. Ein Objekt kann vorhanden sein, obwohl Lage, Maße oder IFC-Beziehungen falsch bleiben.

Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Evaluation Metrics, Experiments S. 5; Tabelle 2 S. 7 (PDF-Seiten) · Results S. 6; Tabelle 1 S. 5

Fachliche Einordnung

Ein Einführungstest muss die fachlichen Bedingungen der beauftragten Änderung prüfen: richtige Zielobjekte, Geometrie und Einheiten, vollständige Beziehungen sowie unveränderte unbeteiligte Elemente. Erfolgreiche Codeausführung oder eine lesbare IFC-Datei genügen dafür nicht. Der Benchmark macht atomare Fehler nachvollziehbar; er belegt weder die selbständige Bearbeitung eines vollständigen Planungsauftrags noch eine Zeitersparnis im Planungsteam.

Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Evaluation Metrics, Experiments S. 5; Tabelle 2 S. 7 (PDF-Seiten) · Results S. 6; Tabelle 1 S. 5 · Metriken und Aufrufgrenze Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Fehlaktion und Limitations Quelle 12: Defeating Prompt Injections by Design, arXiv v2, Fundstelle(n): Datenflusskontrolle und Grenzen

Iterative Abfrage: deutlicher Methodenvorteil mit verbleibenden Ausfällen

Studien-/Praxisbefund

Die TUM-Arbeit Adaptive Exploration vergleicht iterative Python-Ausführung gegen IFC mit einmaliger Codeerzeugung. Von 1.027 Aufgaben aus 37 Modellen und 21 Projekten entfallen 514 auf den Test. Je nach Konfiguration steigt die Antwortgenauigkeit des stärkeren untersuchten GLM-Agenten gegenüber der einmaligen Ausführung um rund 37 bis 39 Prozentpunkte; die besten Werte liegen trotzdem nur bei etwa 55 bis 57 Prozent. Systemfehler wie Abstürze und Zeitüberschreitungen werden aus der Kennzahl ausgeschlossen.

Quelle 4: BIM Information Extraction Through LLM-based Adaptive Exploration, Fundstelle(n): Abschnitte 4.1.3–4.4, 5.1 und 6.3

Fachliche Einordnung

Die Rückkopplung aus Werkzeugergebnissen kann das Erkunden eines unbekannten Modells unterstützen. Der ausgewiesene Vorteil ist jedoch keine Erfolgsquote sämtlicher gestarteter Arbeitsabläufe. Der Fragensplit stellt zudem keinen vollständig projektgetrennten Feldtest dar; Bewertung durch ein Sprachmodell und ungeprüfte Wiederholungsstabilität begrenzen die Aussage. Für den Betrieb müssen auch abgebrochene Versuche und erforderliche Nacharbeit in die Bilanz eingehen.

Quelle 4: BIM Information Extraction Through LLM-based Adaptive Exploration, Fundstelle(n): Abschnitte 4.1.3–4.4, 5.1 und 6.3 Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Limitations Quelle 8: Agentic system for construction safety risk assessments using large language models and knowledge graphs, Fundstelle(n): Abschnitt 6.2 Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): Zeitangabe ohne Messdesign

Projektgedächtnis: relevante Gesprächsfetzen sind noch kein verlässlicher Projektstand

Studien-/Praxisbefund

IFCMemoryBench verbindet Modellabfragen mit Informationen aus früheren Gesprächen. Der Benchmark umfasst 143 Aufgaben aus 19 Projekten und 4.016 überwiegend synthetisch erzeugte Sitzungen. Bei festem Probeagenten erreicht das beste geprüfte Gedächtnissystem in der als praxisnah definierten Eingabevariante 32,4 Prozent Antwortgenauigkeit. Die Arbeit beschreibt unvollständig oder fragmentiert gespeicherte Projektinformationen als zentrale Grenze. Die Aufgaben sind aus IFC-Bench v2 abgeleitet und damit nicht unabhängig von der Datenbasis der Abfrageforschung.

Quelle 5: IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval, Fundstelle(n): Abschnitte 3.2–3.4, 4.1–4.3 und 5

Fachliche Einordnung

Eine gefundene Gesprächspassage muss nicht alle Bedingungen enthalten, unter denen eine frühere Entscheidung galt. Für die fachliche Nutzung sollten Gesprächswissen, betroffene Modellobjekte und geltender Projektstand gemeinsam prüfbar sein. Der Benchmark zeigt ein konkretes Problem der Zustandsführung, keine gemessene Fehlerquote realer Baustellenteams. Mehr gespeicherter Text oder ein zusätzlicher Agent behebt unvollständige Sachverhalte nicht automatisch.

Quelle 5: IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval, Fundstelle(n): Abschnitte 3.2–3.4, 4.1–4.3 und 5 Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Metriken und Aufrufgrenze Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Fehlaktion und Limitations · Limitations Quelle 12: Defeating Prompt Injections by Design, arXiv v2, Fundstelle(n): Datenflusskontrolle und Grenzen Quelle 8: Agentic system for construction safety risk assessments using large language models and knowledge graphs, Fundstelle(n): Abschnitt 6.2 Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): Zeitangabe ohne Messdesign

Fachwerkzeuge: Regeln ausführen statt frei auslegen

Studien-/Praxisbefund

PNNL demonstriert Agentenaufrufe der COMcheck-API für ausgewählte Energieprüfungen. Die Berechnung erfolgt im Fachwerkzeug und nicht allein durch freie Textinterpretation. Der Modellvergleich verwendet allerdings nur zwei repräsentative Prompts. Die Autoren benennen unter anderem, dass eine direkte Umrechnung zwischen SI- und US-Einheiten von den editionsspezifisch festgelegten Werten abweichen kann. Geprüft ist eine eng begrenzte US-Fachwerkzeugkette, keine allgemeine baurechtliche Genehmigungsprüfung.

Quelle 6: Automatic Building Code Review: A Case Study, Fundstelle(n): Abschnitte 3.2.2, 4.1–4.3; Fußnote S. 10 (PDF)

Fachliche Einordnung

Deterministische Fachsoftware kann einen Teil der Berechnung absichern, übernimmt aber nicht die korrekte Auswahl von Regelstand, Eingangsdaten und Einheiten. Diese Zuordnung bleibt Bestandteil der zu prüfenden Agentenleistung. Eine technische Schnittstelle wie MCP ermöglicht den Aufruf, ist aber weder Qualitätsnachweis des Resultats noch eine Freigabe zur Anwendung in einem anderen Regelungsraum.

Quelle 6: Automatic Building Code Review: A Case Study, Fundstelle(n): Abschnitte 3.2.2, 4.1–4.3; Fußnote S. 10 (PDF) · Abschnitt 1.3 und 3.2.2 Quelle 5: IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval, Fundstelle(n): Memory-Benchmark Quelle 11: Integrum Ops: A Production Multi-Agent AI Platform for Construction Project Management, Fundstelle(n): Kontroll-/Protokollarchitektur

Sicherheitsentwürfe: strukturell gültig ist nicht fachlich richtig

Studien-/Praxisbefund

Speiser und Mitautoren verbinden die Erstellung von Sicherheitsentwürfen mit Einfügungen in einen Wissensgraphen und menschlichen Eingriffspunkten. Acht Experten bewerten drei Szenarien; an der Risikobewertung beteiligen sich fünf. Alle 34 getesteten SPARQL-Einfügungen lassen sich ausführen und erfüllen die Strukturprüfung mit SHACL. Inhaltlich sind 175 von 200 Gefahrentypen korrekt zugeordnet. Eine Gefahr wird unterschätzt; Wechselwirkungen paralleler Arbeiten bleiben unberücksichtigt.

Quelle 8: Agentic system for construction safety risk assessments using large language models and knowledge graphs, Fundstelle(n): Abschnitte 3, 4, 5.1–5.2 und 6.2; Tabellen 7–8

Fachliche Einordnung

Die strukturierte Übergabe kann den Entwurf weiterbearbeitbar machen, beseitigt aber keine fachliche Fehlbewertung. Die kleine Expertenstudie belegt weder Unfallreduktion noch industrielle Einsatzreife. Vor verbindlichen Anweisungen muss geprüft werden, ob Gefahren, Zusammenwirken der Arbeiten und der konkrete Projektkontext angemessen erfasst sind. Eine ausführbare Datenbankoperation darf nicht mit einer freigegebenen Sicherheitsbewertung gleichgesetzt werden.

Quelle 8: Agentic system for construction safety risk assessments using large language models and knowledge graphs, Fundstelle(n): Abschnitte 3, 4, 5.1–5.2 und 6.2; Tabellen 7–8 Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Metriken und Aufrufgrenze Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Fehlaktion und Limitations Quelle 12: Defeating Prompt Injections by Design, arXiv v2, Fundstelle(n): Datenflusskontrolle und Grenzen

Demontage: eine missverstandene Aussage löst eine vorzeitige Aktion aus

Studien-/Praxisbefund

Die Stuttgarter Rückbauarbeit verbindet kuratiertes Wissen, physikalische Simulation und Roboteraktionen. Zwei physische Demonstratoren verwenden jeweils fünf Holzlatten von 40 Zentimetern Länge. In einem Versuch interpretiert das System eine menschliche Kontextaussage als Ausführungssignal und handelt vorzeitig. Ein größerer Fall mit 26 Elementen wird nur simuliert und scheitert an halluzinierten Abläufen. Das Ausgangsmodell benötigt manuelle Nachbearbeitung und bleibt statisch.

Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Abschnitte 3.7–3.8 und 4.1–4.4

Fachliche Einordnung

Damit ist ein direkter Forschungsanschluss an Demontage belegt, nicht praxistauglicher Gebäuderückbau. Die Beispiele zeigen, warum eine natürlichsprachliche Äußerung nicht ohne geklärten Aktionsstatus als Freigabe behandelt werden sollte. Die beobachtende Evaluation, kleine Aufbauten und Integrationsgrenzen erlauben keinen allgemeinen Sicherheits- oder Durchsatznachweis. Der neue direkte Bezug muss im Profil sichtbar sein, ohne ihn als bereits tragfähigen Baustelleneinsatz zu bewerten.

Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Abschnitte 3.7–3.8 und 4.1–4.4 · Abschnitte 3.8–4.4 · Fehlaktion und Limitations Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Metriken und Aufrufgrenze Quelle 12: Defeating Prompt Injections by Design, arXiv v2, Fundstelle(n): Datenflusskontrolle und Grenzen

Unterlagenworkflows: frühe Nutzung ohne belastbaren Gesamteinsparfaktor

Studien-/Praxisbefund

Procore beschreibt im Juli 2026 Agentenpakete etwa für RFI-Entwürfe, Unterlagenabgleich und Tagesberichte; finale Aktionen bleiben laut Anbieter beim Team. Haskell berichtet auf demselben Anbieterkanal über frühe Nutzung auf mehreren Projekten. Ein konkreter Ablauf erstellt aus einer erneut eingereichten Unterlage eine Tabelle der Abweichungen. Der genannte Vergleich von einer Woche mit zehn Minuten enthält keine offengelegte Stichprobe, Fehlerquote oder gleich abgegrenzte Messung des Gesamtaufwands.

Quelle 9: Your digital coworkers are ready to work, Fundstelle(n): Starter Pack, You stay in control; Datum Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): The Results; Turning weeks into minutes; Faster answers, better decisions

Fachliche Einordnung

Der Anwenderfall ist ein Beleg für eine benannte Aufgabe, nicht für einen allgemein übertragbaren Produktivitätsfaktor. Suchen, eine Abweichungstabelle vorbereiten und eine verbindliche Änderung auslösen sind getrennte Leistungen. Datenaufbereitung, fachliche Kontrolle, Nacharbeit und Freigabe gehören in einen belastbaren Zeitvergleich. Die Datierung des Produktangebots ersetzt außerdem nicht den fehlenden genauen Einsatzbeginn beim Kunden.

Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): The Results; Turning weeks into minutes; Faster answers, better decisions · The Results; schrittweiser Einstieg · Zeitangabe ohne Messdesign Quelle 9: Your digital coworkers are ready to work, Fundstelle(n): Datum, Pakete, Aufgaben Quelle 14: Procore AI & Datagrid – Release Notes, Änderungen September 2026, Fundstelle(n): September-Einträge Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Limitations Quelle 8: Agentic system for construction safety risk assessments using large language models and knowledge graphs, Fundstelle(n): Abschnitt 6.2

Rechte und Datenfluss: Sicherheitskontrolle neben der Fachprüfung

Studien-/Praxisbefund

CaMeL v2 trennt vertrauenswürdige Steuerung von fremden Inhalten und prüft erlaubte Datenflüsse an Werkzeuggrenzen. Die Untersuchung verwendet allgemeine AgentDojo-Aufgaben, keine Bauunterlagen. Inhaltliche Verfälschung ohne verbotenen Datenfluss bleibt außerhalb des beschriebenen Schutzumfangs. Der Architekturbericht zu Integrum Ops nennt außerdem einen Stopp zur menschlichen Auswahl bei mehrdeutigen Treffern. Sein Produktionsanspruch wird jedoch nicht durch veröffentlichte reale Fallzahlen oder Fehlerraten getragen; technische Nachweise stammen aus einem Entwicklungsaccount.

Quelle 12: Defeating Prompt Injections by Design, arXiv v2, Fundstelle(n): Abschnitte 3–6 und 9.1–9.3 Quelle 11: Integrum Ops: A Production Multi-Agent AI Platform for Construction Project Management, Fundstelle(n): Abschnitte 2, 4, 7, 8 und 10

Fachliche Einordnung

Aus diesen Teilkontrollen lässt sich kein vollständig erprobtes Schutzpaket für Bauagenten ableiten. Rechte müssen zur erlaubten Aufgabe passen; fremde Dokumentinhalte dürfen nicht ohne Prüfung zu Handlungsanweisungen werden. Vor Schreibzugriffen sind ein kontrollierter Arbeitsstand, ein Rücknahmeweg und eindeutige fachliche Freigabepunkte sinnvoll. Dies sind redaktionell abgeleitete Einführungsvoraussetzungen. Sie ersetzen weder bauspezifische Angriffstests noch die Prüfung des erzeugten Fachresultats.

Quelle 12: Defeating Prompt Injections by Design, arXiv v2, Fundstelle(n): Abschnitte 3–6 und 9.1–9.3 · Datenflusskontrolle und Grenzen Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Metriken und Aufrufgrenze Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Fehlaktion und Limitations Quelle 11: Integrum Ops: A Production Multi-Agent AI Platform for Construction Project Management, Fundstelle(n): Abschnitte 2, 4, 7, 8 und 10

Warum Agentic AI für Bauprozesse relevant ist

ReifegradForschung bis Pilotierung

Das Spektrum reicht weiterhin von Forschung bis Pilotierung. Modellintegrität, verlässlicher Langzeitkontext und sichere Aktionswahl sind offene Methodenfragen. Ausführbare Labor- und Benchmarkketten belegen die Demonstratorstufe; benannte Anwender wie Haskell berichten über begrenzte Unterlagenworkflows auf ersten Projekten. Die Pilotobergrenze beruht damit auf einem Anbieter-/Anwenderbericht, nicht auf einer unabhängig geprüften vollständigen Prozesskette. Kommerzielle Angebote sind vorhanden, rechtfertigen aber ohne genauer belegte Aufgabe, Eingriffsstufe und Betriebsumfang keine pauschale höhere Reifestufe für autonome Bauprozesse.

Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Abschnitte 3–4 Quelle 9: Your digital coworkers are ready to work, Fundstelle(n): Starter Pack und Kontrolle Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): The Results und Fallbeschreibung Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Evaluation Metrics, Experiments S. 5; Tabelle 2 S. 7 (PDF-Seiten) Quelle 5: IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval, Fundstelle(n): Abschnitte 3.2–3.4, 4.1–4.3 und 5

Evidenzwachsende Evidenz

Mehrere nachvollziehbare Originalbefunde tragen die Einordnung als wachsende Evidenz: kontrollierte IFC-Aufgaben, physische Labordemonstratoren und fachlich bewertete Sicherheitsentwürfe machen konkrete Leistungen und Fehler überprüfbar. Das ist mehr als eine Sammlung konzeptioneller Frameworks. Die Reichweite bleibt begrenzt: einzelne Testkriterien sind keine vollständig gelösten Aufträge, einige Datensätze sind verwandt, Wiederholungen und Fallzahlen sind klein. Anwenderberichte liefern kaum unabhängig kontrollierte Prozessmessungen. Die stärkere Evidenz betrifft deshalb auch besser dokumentierte Grenzen, nicht einen pauschal nachgewiesenen wirtschaftlichen Nutzen.

Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Evaluation und Results Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Results/Limitations Quelle 8: Agentic system for construction safety risk assessments using large language models and knowledge graphs, Fundstelle(n): Abschnitte 4–6 Quelle 4: BIM Information Extraction Through LLM-based Adaptive Exploration, Fundstelle(n): Abschnitte 4.1.3–4.4, 5.1 und 6.3 Quelle 5: IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval, Fundstelle(n): Abschnitte 3.2–3.4, 4.1–4.3 und 5 Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): The Results; Turning weeks into minutes; Faster answers, better decisions

EntwicklungsdynamikAktive Weiterentwicklung

Aktuelle Arbeiten prüfen ausführbare Modelloperationen, Langzeitkontext und Fachwerkzeugintegration.

Die Arbeiten aus 2025 und 2026 bearbeiten unterschiedliche Hürden: iterative IFC-Abfragen statt einmaliger Codeerzeugung, überprüfbare Modelländerungen, Wiederverwendung von Gesprächswissen und die Kopplung an Fachprüfungen oder Robotik. Neuere Prüfrahmen machen Fehler präziser sichtbar. Das trägt die Einordnung als aktive Weiterentwicklung. Eine beschleunigte Entwicklungsrate oder ein verlässlich steigender End-to-end-Erfolg über die Zeit ist damit nicht belegt; ein besseres Verfahren im selben Experiment ist noch keine zeitliche Fortschrittskurve des gesamten Felds.

Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Konferenzdatum und Benchmark Quelle 4: BIM Information Extraction Through LLM-based Adaptive Exploration, Fundstelle(n): Datum und Methode · Ablation Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Publikationsdatum, Experimente · Experimente Quelle 2: Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership, Fundstelle(n): Titelblatt Quelle 14: Procore AI & Datagrid – Release Notes, Änderungen September 2026, Fundstelle(n): Datierte Änderungen Quelle 6: Automatic Building Code Review: A Case Study, Fundstelle(n): Abschnitte 3.2.2, 4.1–4.3; Fußnote S. 10 (PDF)

MarktdynamikSelektive Ausweitung

Datierte Erweiterungen einzelner Produkte treffen auf frühe, überwiegend anbieterberichtete Nutzung.

Procore meldete im Juli 2026 verfügbare Agentenpakete für konkrete Unterlagen- und Projektaufgaben; die Release Notes vom September dokumentieren weitere Änderungen bei Werkzeug-/Agentenauswahl und externen Verbindungen. Der Haskell-Fall beschreibt frühe Nutzung auf mehreren Projekten, nennt aber keinen genauen Einsatzbeginn. Die selektive Ausweitung bezieht sich daher auf ein datiertes Produktangebot mit begrenzten Anwendungshinweisen, nicht auf unabhängig gemessenen Kundenzuwachs. Eine breite Verbreitung in DACH oder nachgewiesene autonome Projektsteuerung lässt sich aus dieser Anbieterlinie nicht ableiten.

Quelle 9: Your digital coworkers are ready to work, Fundstelle(n): Starter Pack, You stay in control; Datum · Datum, Pakete, Aufgaben Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): The Results; Turning weeks into minutes; Faster answers, better decisions · The Results; schrittweiser Einstieg Quelle 14: Procore AI & Datagrid – Release Notes, Änderungen September 2026, Fundstelle(n): Datierte Einträge 02.09.2026 und 11.09.2026 · September-Einträge

Für welche Bauprozesse Agentic AI für Bauprozesse relevant ist

Strategie & Projektentwicklung

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Anforderungen, Projektunterlagen und Modellabfragen können zu nachvollziehbaren Optionen und benannten Datenlücken zusammengeführt werden. Die strategische Anschlusswirkung ist aus den Informationsaufgaben abgeleitet; Annahmen und Wirtschaftlichkeit bleiben zu prüfen. Autonome Investitionsentscheidungen sind damit nicht belegt.

Quelle 4: BIM Information Extraction Through LLM-based Adaptive Exploration, Fundstelle(n): Abfrage-/Aggregationsaufgaben

Planung & Design

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Agenten können BIM-Abfragen, Berechnungen und begrenzte Modelländerungen ausführen. Planende prüfen anschließend Zielobjekte, Geometrie, Einheiten, Beziehungen und Anforderungen. Die Unterstützung einzelner Schritte ist konkret demonstriert, eine vollständige qualifizierte Planungsleistung dadurch nicht ersetzt.

Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Evaluation Metrics Quelle 6: Automatic Building Code Review: A Case Study, Fundstelle(n): Methodik und Diskussion

Ausschreibung & Vergabe

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Anforderungs- und Vertragsabgleiche können Klärungslisten vorbereiten. Ein erstellter Prüfentwurf ist noch keine verbindliche Bewertung oder autorisierte Aktion. Vollständigkeit und Bindungswirkung sind im Vergabeprozess gesondert zu beurteilen; eine evaluierte autonome Zuschlagsentscheidung ist in den geprüften Quellen nicht belegt.

Quelle 9: Your digital coworkers are ready to work, Fundstelle(n): Contract Review Agent und Kontrolle

Bauausführung & Baustellenmanagement

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Arbeitsaufgaben, Projektunterlagen und Zustände lassen sich über Werkzeuge zu Prüfentwürfen, Klärungen oder aktualisierten Datensätzen verbinden. Sicherheitsentwürfe und der berichtete Unterlagenabgleich zeigen konkrete Anschlüsse. Die hohe Relevanz liegt im Koordinationsbedarf; sie sagt nichts über die Zulässigkeit unbeaufsichtigter Anweisungen oder Freigaben aus.

Quelle 8: Agentic system for construction safety risk assessments using large language models and knowledge graphs, Fundstelle(n): Artefakt und Evaluation Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): Submittal-Beispiel Quelle 1: A Conceptual Framework for LLM-based Multi-agent System in Construction Management, Fundstelle(n): Experiment

Betrieb & Instandhaltung

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Ein UW/Amazon-Prototyp ruft synthetische oder anonymisierte HVAC-/Energiedaten ab, analysiert Zeitreihen und erzeugt Berichte. Daraus ergibt sich ein Anschluss an die Vorbereitung von Betriebs- und Wartungsentscheidungen. Das Betriebspersonal muss Datenqualität, Anlagenbezug und Ursache prüfen; autonome Stellbefehle oder gemessene Feldwirkung sind nicht nachgewiesen.

Quelle 13: Agentic AI for BMS Trend Fault Detection & Insight Summaries in Building Operations, Fundstelle(n): Projektbeschreibung, drei Absätze · Projektbeschreibung Quelle 5: IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval, Fundstelle(n): Gedächtnisproblem in modellbezogenen Aufgaben

Rückbau & Kreislaufwirtschaft

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Demontageplanung besitzt einen direkten Forschungsbezug: Die Stuttgarter Laborarbeit verbindet menschliche Absicht, Simulation und Cobot-Aktion. Kleine Aufbauten, eine vorzeitige Bewegung und das Scheitern des größeren Simulationsfalls begrenzen die Aussage erheblich. Der Befund konkretisiert den Rückbaubezug, belegt aber noch keinen erprobten Prozess für reale Gebäude.

Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Abschnitte 3.7–3.8 und 4.1–4.4 · Abschnitte 3.8–4.4

Für wen Agentic AI für Bauprozesse relevant ist

Bauherren und Auftraggeber

Prüfbare Projektinformationen und klar benannte Datenlücken können die Entscheidungsvorbereitung unterstützen. Auftraggeber müssen dafür Anforderungen, Modellstände und Entscheidungsrechte festlegen. Der plausible Nutzen liegt in besser nachvollziehbaren Vorlagen, nicht in belegten autonomen Investitionsentscheidungen.

Quelle 4: BIM Information Extraction Through LLM-based Adaptive Exploration, Fundstelle(n): Abfrage-/Aggregationsaufgaben Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Metriken Quelle 8: Agentic system for construction safety risk assessments using large language models and knowledge graphs, Fundstelle(n): menschliche Eingriffspunkte Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): benannte Nutzeraufgaben

Architektur-, Ingenieur- und Planungsbüros

Modellabfragen und begrenzte Bearbeitungen können über Werkzeuge ausgeführt werden. Der Nutzen hängt davon ab, wie zuverlässig Zielobjekte und fachliche Bedingungen getroffen werden und wie viel Kontrolle und Korrektur verbleibt. Eine Einsparung ist erst einschließlich dieser Nacharbeit sinnvoll bewertbar.

Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Evaluation Metrics, Experiments S. 5; Tabelle 2 S. 7 (PDF-Seiten) · Results S. 6; Tabelle 1 S. 5 Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Limitations Quelle 8: Agentic system for construction safety risk assessments using large language models and knowledge graphs, Fundstelle(n): Abschnitt 6.2 Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): Zeitangabe ohne Messdesign

Bauunternehmen und Generalunternehmer

Unterlagenabgleiche und strukturierte Übergaben adressieren konkrete Koordinationsaufgaben. Der Haskell-Bericht nennt einen solchen Einsatz. Bauunternehmen müssen den Prüfentwurf vom verbindlichen Projektzustand trennen und zuständige Freigaben erhalten; der Anbieterzeitvergleich liefert keinen allgemeinen Einsparfaktor.

Quelle 10: Turning years of data into smarter decisions with Agentic AI, Fundstelle(n): The Results; Turning weeks into minutes; Faster answers, better decisions · benannte Nutzeraufgaben · Zeitangabe ohne Messdesign Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Metriken Quelle 8: Agentic system for construction safety risk assessments using large language models and knowledge graphs, Fundstelle(n): menschliche Eingriffspunkte · Abschnitt 6.2 Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Limitations

Technologieanbieter und Systemintegratoren

Wiederverwendbare Werkzeuganbindungen können Agenten mit bestehenden Fachsystemen verbinden. Dafür sind nachvollziehbare Schnittstellen, Rechte, Zustandsführung und Fehlerbehandlung nötig. Der Integrum-Bericht zeigt eine Architektur, keinen unabhängig geprüften Betriebsumfang; Pflege und Kontrolle bleiben eigene Aufwände.

Quelle 11: Integrum Ops: A Production Multi-Agent AI Platform for Construction Project Management, Fundstelle(n): Abschnitte 2, 4, 7, 8 und 10 · Abschnitte 4 und 7 Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Benchmarkdesign Quelle 2: Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership, Fundstelle(n): Abschnitt 5

Forschung, Verbände und Netzwerke

Offene Prüfaufgaben und sektorspezifische Bewertungskriterien helfen, ausgeführte Schritte von fachlich gültigen Ergebnissen zu unterscheiden. BIBIMBAP liefert dafür einen konkreten Benchmark; FIEC formuliert Anforderungen an verantwortliche Erprobung. Experimenteller Befund und Verbandsposition erfüllen unterschiedliche Belegfunktionen.

Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Evaluation Metrics, Experiments S. 5; Tabelle 2 S. 7 (PDF-Seiten) · Benchmarkdesign Quelle 2: Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership, Fundstelle(n): S. 1 sowie Abschnitt 5, S. 7–8 · Abschnitt 5 Quelle 11: Integrum Ops: A Production Multi-Agent AI Platform for Construction Project Management, Fundstelle(n): Abschnitte 4 und 7

Mit welchen Technologie- und Anwendungsfeldern Agentic AI für Bauprozesse verknüpft ist

Hauptbezug

Predictive Analytics & Entscheidungen

Agentische Systeme wählen und bereiten nächste Handlungsschritte anhand einer Aufgabe und ihrer Zwischenergebnisse vor. Das begründet den Entscheidungsbezug auch ohne ein gesondertes Prognosemodell. Ob die gewählte Aktion fachlich richtig und ausreichend autorisiert ist, muss zusätzlich geprüft werden.

Quelle 4: BIM Information Extraction Through LLM-based Adaptive Exploration, Fundstelle(n): Abschnitte 3.1, 4.2 Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Abschnitte 3.1–3.6 · Architektur und Demontage · Fehlaktion und Limitations Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Modelloperationen · Metriken und Aufrufgrenze Quelle 11: Integrum Ops: A Production Multi-Agent AI Platform for Construction Project Management, Fundstelle(n): Werkzeugschnittstellen Quelle 12: Defeating Prompt Injections by Design, arXiv v2, Fundstelle(n): Datenflusskontrolle und Grenzen

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Werkzeugschnittstellen, Datenzugang, Rechte und ein nachvollziehbarer Arbeitszustand ermöglichen die Ausführung. Die Architektur kann bei Mehrdeutigkeit unterbrechen oder Datenflüsse kontrollieren. Solche Infrastruktur begrenzt bestimmte Fehler, bestätigt aber nicht automatisch die fachliche Richtigkeit einer Bauentscheidung.

Quelle 11: Integrum Ops: A Production Multi-Agent AI Platform for Construction Project Management, Fundstelle(n): Abschnitte 2, 4, 7, 8 und 10 · Werkzeugschnittstellen Quelle 12: Defeating Prompt Injections by Design, arXiv v2, Fundstelle(n): Abschnitte 3–6 und 9.1–9.3 Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Modelloperationen Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Architektur und Demontage

Verknüpftes Feld

BIM & Digitaler Zwilling

IFC-Objekte, Eigenschaften und Beziehungen bilden eine konkrete Arbeitsumgebung für Agenten. Sie können abgefragt und verändert werden; Prüfungen müssen auch unbeteiligte Objekte und Modellbeziehungen berücksichtigen. Gesprächswissen kann den Modellkontext ergänzen, bleibt aber eine eigene, fehleranfällige Informationsquelle.

Quelle 3: BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming, Fundstelle(n): Evaluation Metrics, Experiments S. 5; Tabelle 2 S. 7 (PDF-Seiten) · Results S. 6; Tabelle 1 S. 5 · Modelloperationen Quelle 5: IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval, Fundstelle(n): Abschnitte 3.2–3.4, 4.1–4.3 und 5 Quelle 7: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): Architektur und Demontage Quelle 11: Integrum Ops: A Production Multi-Agent AI Platform for Construction Project Management, Fundstelle(n): Werkzeugschnittstellen

Fachbegriffe und Detailthemen

Quellen und Evidenz zu Agentic AI für Bauprozesse

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
A Conceptual Framework for LLM-based Multi-agent System in Construction Management
Herausgeber
Rawat, Witt, Lill; EC3
Publiziert
Juli 2025
Quellentyp
Originalpublikation
Geltungsbereich
Begrenztes synthetisches Lieferverzögerungsszenario, simulierte Vision-Funktion; kein validierter Baustellenbetrieb der Gesamtarchitektur. Konferenz Juli 2025, Uploadpfad Oktober nicht als Publikationsdatum verwendet.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- S. 1, Experiment/Results und Limitations S. 5–6Textstelle 5
- ExperimentTextstelle 30
Quelle 2
Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership
Herausgeber
FIEC
Publiziert
22.10.2025
Quellentyp
Branchenposition
Geltungsbereich
Datierte Branchenposition zu Verantwortung und sektoraler Erprobung; keine technische Agentenleistungsstudie.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- S. 1 sowie Abschnitt 5, S. 7–8Textstelle 6 Textstelle 37
- TitelblattTextstelle 25
- Abschnitt 5Textstelle 36 Textstelle 37
Quelle 3
BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming
Herausgeber
Kujat et al.; Universität Rostock, TU Clausthal; EC3 2026
Publiziert
Juli 2026
Quellentyp
Originalpublikation
Geltungsbereich
100 kuratierte atomare IFC-Aufgaben, sechs Modelle, drei davon mit drei Wiederholungen. Score misst erfüllte Teilkriterien, nicht vollständig gelöste Aufträge; kein Feld- oder Arbeitszeitnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (22 Textstellen)
- Evaluation Metrics, Experiments S. 5; Tabelle 2 S. 7 (PDF-Seiten)Textstelle 1 Textstelle 3 Textstelle 7 Textstelle 8 Textstelle 23 Textstelle 34 Textstelle 37 Textstelle 40
- Metriken und AufrufgrenzeTextstelle 2 Textstelle 3 Textstelle 6 Textstelle 8 Textstelle 12 Textstelle 16 Textstelle 18 Textstelle 22 Textstelle 38
- Results S. 6; Tabelle 1 S. 5Textstelle 6 Textstelle 7 Textstelle 8 Textstelle 34 Textstelle 40
- Evaluation und ResultsTextstelle 24
- Konferenzdatum und BenchmarkTextstelle 25
- Evaluation MetricsTextstelle 28
- MetrikenTextstelle 33 Textstelle 35
- BenchmarkdesignTextstelle 36 Textstelle 37
- ModelloperationenTextstelle 38 Textstelle 39 Textstelle 40
Quelle 4
BIM Information Extraction Through LLM-based Adaptive Exploration
Herausgeber
Hellin et al.; Technische Universität München; arXiv
Publiziert
03.05.2026
Quellentyp
Preprint / Originalmanuskript
Geltungsbereich
Gelesene arXiv-v1: Fragensplit und Bewertung durch ein Sprachmodell; Systemfehler aus Kennzahl ausgeschlossen. Kein projektgetrennter externer Feldtest, keine geprüfte Wiederholungsstabilität.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (11 Textstellen)
- Abschnitte 3.1, 4.2Textstelle 1 Textstelle 4 Textstelle 5 Textstelle 38
- Abschnitte 4.1.3–4.4, 5.1 und 6.3Textstelle 2 Textstelle 4 Textstelle 9 Textstelle 10 Textstelle 24
- Datum und MethodeTextstelle 25
- AblationTextstelle 25
- Abfrage-/AggregationsaufgabenTextstelle 27 Textstelle 33
Quelle 5
IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval
Herausgeber
Du et al.; TUM/Nemetschek; arXiv
Publiziert
13.07.2026
Quellentyp
Preprint / Originalmanuskript
Geltungsbereich
Synthetische Gesprächsvorgeschichte, LLM-Bewertung mit Expertenkontrolle; IFC-Bench-v2-Abhängigkeit. Keine reale Langzeitnutzung eines Baustellenteams.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Abschnitte 3.2–3.4, 4.1–4.3 und 5Textstelle 3 Textstelle 11 Textstelle 12 Textstelle 23 Textstelle 24 Textstelle 40
- Memory-BenchmarkTextstelle 14
- Gedächtnisproblem in modellbezogenen AufgabenTextstelle 31
Quelle 6
Automatic Building Code Review: A Case Study
Herausgeber
Wan et al.; Pacific Northwest National Laboratory; arXiv
Publiziert
03.10.2025
Quellentyp
Preprint / Originalmanuskript
Geltungsbereich
Originalmanuskript mit enger COMcheck-Demonstration und zwei Vergleichsprompts. Keine allgemeine Genehmigungsprüfung, keine Übertragung der US-Regeln auf DACH.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Abschnitte 3.2.2, 4.1–4.3; Fußnote S. 10 (PDF)Textstelle 13 Textstelle 14 Textstelle 25
- Abschnitt 1.3 und 3.2.2Textstelle 14
- Methodik und DiskussionTextstelle 28
Quelle 7
Human–robot collaboration in building disassembly: a multi-agent LLM architecture
Herausgeber
Slezák et al.; Universität Stuttgart; Construction Robotics
Publiziert
06.07.2026
Quellentyp
Originalpublikation
Geltungsbereich
Zwei kleine physische Labordemonstratoren und ein gescheiterter größerer Simulationsfall. Beobachtende Evaluation mit vorzeitiger Aktion; kein Baustellen-, Durchsatz- oder Sicherheitsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (23 Textstellen)
- Abschnitte 3.1–3.6Textstelle 1 Textstelle 4 Textstelle 5 Textstelle 38
- Fehlaktion und LimitationsTextstelle 2 Textstelle 3 Textstelle 6 Textstelle 8 Textstelle 12 Textstelle 16 Textstelle 18 Textstelle 22 Textstelle 38
- LimitationsTextstelle 2 Textstelle 10 Textstelle 12 Textstelle 20 Textstelle 34 Textstelle 35
- Abschnitte 3.7–3.8 und 4.1–4.4Textstelle 3 Textstelle 17 Textstelle 18 Textstelle 32
- Abschnitte 3.8–4.4Textstelle 18 Textstelle 32
- Abschnitte 3–4Textstelle 23
- Results/LimitationsTextstelle 24
- Publikationsdatum, ExperimenteTextstelle 25
- ExperimenteTextstelle 25
- Architektur und DemontageTextstelle 38 Textstelle 39 Textstelle 40
Quelle 8
Agentic system for construction safety risk assessments using large language models and knowledge graphs
Herausgeber
Speiser, Maciocci, Boukamp, Teizer; DTU/AecFoundry/RMIT; Advanced Engineering Informatics
Publiziert
13.05.2026
Quellentyp
Originalpublikation
Geltungsbereich
Drei Szenarien und acht Experten; Risikobewertung durch fünf. Ausführbare und strukturell gültige Einfügungen trotz semantischer Fehler. Kein industrieller Einsatz- oder Unfallreduktionsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (12 Textstellen)
- Abschnitte 3, 4, 5.1–5.2 und 6.2; Tabellen 7–8Textstelle 1 Textstelle 2 Textstelle 15 Textstelle 16
- Abschnitt 6.2Textstelle 2 Textstelle 10 Textstelle 12 Textstelle 20 Textstelle 34 Textstelle 35
- Abschnitte 4–6Textstelle 24
- Artefakt und EvaluationTextstelle 30
- menschliche EingriffspunkteTextstelle 33 Textstelle 35
Quelle 9
Your digital coworkers are ready to work
Herausgeber
Akshay Kerkar; Procore
Publiziert
22.07.2026
Quellentyp
Anbieter-/Anwenderbericht
Geltungsbereich
Datierte Anbieterbeschreibung verfügbarer Funktionen und deklarierter Kontrollgrenzen; kein unabhängiger Qualitäts- oder Wirksamkeitsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Starter Pack, You stay in control; DatumTextstelle 19 Textstelle 26
- Datum, Pakete, AufgabenTextstelle 20 Textstelle 26
- Starter Pack und KontrolleTextstelle 23
- Contract Review Agent und KontrolleTextstelle 29
Quelle 10
Turning years of data into smarter decisions with Agentic AI
Herausgeber
Procore; Anwenderbericht Haskell
Publiziert
undatiert
Quellentyp
Anbieter-/Anwenderbericht
Geltungsbereich
Undatierter Anbieter-/Anwenderbericht mit benannten Aufgaben. Exakter Nutzungsbeginn und abgegrenzte Nettozeitmessung fehlen; gleiche Anbieterlinie wie Produktmeldung und Release Notes.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (13 Textstellen)
- The Results; Turning weeks into minutes; Faster answers, better decisionsTextstelle 2 Textstelle 3 Textstelle 19 Textstelle 20 Textstelle 24 Textstelle 26 Textstelle 35
- Zeitangabe ohne MessdesignTextstelle 2 Textstelle 10 Textstelle 12 Textstelle 20 Textstelle 34 Textstelle 35
- The Results; schrittweiser EinstiegTextstelle 20 Textstelle 26
- The Results und FallbeschreibungTextstelle 23
- Submittal-BeispielTextstelle 30
- benannte NutzeraufgabenTextstelle 33 Textstelle 35
Quelle 11
Integrum Ops: A Production Multi-Agent AI Platform for Construction Project Management
Herausgeber
TrustEdge / Jacobian Engineering
Publiziert
04.06.2026
Quellentyp
Anbieter-/Anwenderbericht
Geltungsbereich
Architektureigenbericht mit konkreten Werkzeugen und Unterbrechung bei Mehrdeutigkeit. Technischer Nachweis aus Entwicklungsaccount; behaupteter Produktionsumfang ohne reale Fallzahlen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Kontroll-/ProtokollarchitekturTextstelle 14
- Abschnitte 2, 4, 7, 8 und 10Textstelle 21 Textstelle 22 Textstelle 36 Textstelle 39
- Abschnitte 4 und 7Textstelle 36 Textstelle 37
- WerkzeugschnittstellenTextstelle 38 Textstelle 39 Textstelle 40
Quelle 12
Defeating Prompt Injections by Design, arXiv v2
Herausgeber
Debenedetti et al.; Google/Google DeepMind/ETH Zürich
Publiziert
24.06.2025
Quellentyp
Preprint / Originalmanuskript
Geltungsbereich
Gelesene arXiv-v2 vom Juni 2025; allgemeines Bedrohungsmodell und branchenfremde Tests. Kein vollständiger Schutz vor Inhaltsfehlern oder bauspezifischer Sicherheitsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (11 Textstellen)
- Datenflusskontrolle und GrenzenTextstelle 2 Textstelle 3 Textstelle 6 Textstelle 8 Textstelle 12 Textstelle 16 Textstelle 18 Textstelle 22 Textstelle 38
- Abschnitte 3–6 und 9.1–9.3Textstelle 21 Textstelle 22 Textstelle 39
Quelle 13
Agentic AI for BMS Trend Fault Detection & Insight Summaries in Building Operations
Herausgeber
University of Washington, Industry Capstone; Sponsor Amazon
Publiziert
undatiert
Quellentyp
Institutioneller Projektbericht
Geltungsbereich
Institutioneller Prototypbericht für das Projektjahr 2025/26; synthetische oder anonymisierte Daten. Publikationsdatum unbekannt, keine Leistungskennzahlen oder belegte Anlagensteuerung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Projektbeschreibung, drei AbsätzeTextstelle 31
- ProjektbeschreibungTextstelle 31
Quelle 14
Procore AI & Datagrid – Release Notes, Änderungen September 2026
Herausgeber
Procore Support
Publiziert
11.09.2026
Quellentyp
Anbieter-/Anwenderbericht
Geltungsbereich
Originale Produktänderungen vom September 2026, jüngster hier verwendeter Eintrag 11.09.2026. Belegt Funktionen, nicht Kundenzuwachs oder Fehlerfreiheit; gleiche Procore-Evidenzkette.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- September-EinträgeTextstelle 20 Textstelle 26
- Datierte ÄnderungenTextstelle 25
- Datierte Einträge 02.09.2026 und 11.09.2026Textstelle 26

Alle Impulse im Radar entdecken

Agentic AI für Bauprozesse

Um was geht es bei Agentic AI für Bauprozesse?

Einordnung im Impulsradar

Agentik beginnt mit ausführbaren Schritten

Worauf es bei Agentic AI für Bauprozesse fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum Agentic AI für Bauprozesse relevant ist

Für welche Bauprozesse Agentic AI für Bauprozesse relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen Agentic AI für Bauprozesse relevant ist

Bauherren und Auftraggeber

Architektur-, Ingenieur- und Planungsbüros

Bauunternehmen und Generalunternehmer

Technologieanbieter und Systemintegratoren

Forschung, Verbände und Netzwerke

Mit welchen Technologie- und Anwendungsfeldern Agentic AI für Bauprozesse verknüpft ist

Predictive Analytics & Entscheidungen

Datenplattformen & KI-Infrastruktur

BIM & Digitaler Zwilling

Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu Agentic AI für Bauprozesse

Quellen und Evidenz zu Agentic AI für Bauprozesse

A Conceptual Framework for LLM-based Multi-agent System in Construction Management

Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership

BIBIMBAP: A Benchmark for Instructional BIM-Based Automated Programming

BIM Information Extraction Through LLM-based Adaptive Exploration

IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval

Automatic Building Code Review: A Case Study

Human–robot collaboration in building disassembly: a multi-agent LLM architecture

Agentic system for construction safety risk assessments using large language models and knowledge graphs

Your digital coworkers are ready to work

Turning years of data into smarter decisions with Agentic AI

Integrum Ops: A Production Multi-Agent AI Platform for Construction Project Management

Defeating Prompt Injections by Design, arXiv v2

Agentic AI for BMS Trend Fault Detection & Insight Summaries in Building Operations

Procore AI & Datagrid – Release Notes, Änderungen September 2026