INNOVATION SCOUT · IMPULSPROFIL

Dokumentenintelligenz und RAG im Bau

Dokumentenintelligenz erschließt Bauunterlagen durch Text- und Tabellenanalyse, strukturierte Extraktion und Suche. Retrieval-Augmented Generation (RAG) nutzt abgerufene Quellenpassagen für Antworten eines Sprachmodells; Fundstellen ermöglichen deren fachliche Nachprüfung.

Um was geht es bei Dokumentenintelligenz und RAG im Bau?

Eine Vertragsklausel ist nur zusammen mit ihren Voraussetzungen verständlich; eine Wartungsangabe gehört zu einer bestimmten Produktvariante. Dokumentenintelligenz muss solche Zusammenhänge beim Aufbereiten und Abrufen erhalten. RAG verbindet diese Informationssuche mit einer formulierten Antwort. Die technische Aufgabe endet deshalb nicht beim passenden Suchtreffer: Auch Tabellenbezüge, Ausnahmen und fehlende Angaben müssen in der Antwort richtig behandelt werden.

Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Abschnitte 4.1–4.2, PDF S. 7–14 · Abschnitt 5, insbesondere 5.3.3; PDF S. 15–23 Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): Abschnitte 3 und 4.2, Tabellen 3–4 · Abschnitte 5.3–5.4, PDF S. 17–18

Einordnung im Impulsradar

Dokumentassistenten werden für abgegrenzte Bauaufgaben eingesetzt und in einzelnen Unternehmen ausgeweitet. Forschung verbessert den Abruf zusammengehöriger Informationen, zeigt aber weiterhin ausgelassene Bedingungen und fehlerhafte Antworten. Der praktische Wert liegt in der Vorbereitung fachlicher Prüfung. Entscheidend sind nachvollziehbare Dokumentstände, passende Zugriffsrechte und eine aufgabenspezifische Qualitätskontrolle; allgemeine Zeit- oder Kostenvorteile sind nicht unabhängig nachgewiesen.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): Abschnitte 3.6, 4.1–4.3; Tabellen 4–5, PDF S. 11–14 · Abschnitte 5.3–5.4, PDF S. 17–18 · Abschnitte 3.6, 4 und 5.4 Quelle 7: Lightblue / 清水建設: Einsatzbeispiel des internen KI-Assistenten (japanischer Originalbericht), Fundstelle(n): Fallbericht vom 04.07.2025, Abschnitte zu Bauunterlagen, Erprobung und Einführung Quelle 8: SHIMZ INTEGRATED REPORT 2025 – Value Creation, DX strategy, Fundstelle(n): DX strategy, siebte PDF-Seite, Abschnitt zur Nutzung von Daten und Lightblue Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Abschnitt 5 Quelle 10: Grounding Large Language Models (LLMs) in Agency Standards: A Controlled Comparison of Closed-Book, Retrieval-Augmented, and Full-Document Question Answering for Construction Inspection, Fundstelle(n): Methods und Limitations Quelle 13: Evidence-Grounded Constraint Checking in Construction Documents, Fundstelle(n): Extension und Limitations

Vom Dokumentzugriff zur überprüfbaren Auskunft

Die Verarbeitung beginnt vor dem Sprachmodell. OCR macht gescannte Schrift zugänglich; Layout- und Tabellenanalyse sollen zusammengehörige Angaben erhalten. Segmentierung teilt den Inhalt in abrufbare Abschnitte. Dokumentkennung, Fassung und Objektbezug helfen, einen Treffer richtig einzuordnen. Wörtliche und semantische Suche können kombiniert, Treffer anschließend neu gewichtet werden. Ein RAG-System übergibt ausgewählte Passagen an das Sprachmodell. Strukturierte Extraktion kann dagegen bereits ohne generierte Antwort Anforderungen, Eigenschaften oder Fristen erfassen.

Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Abschnitte 4.1–4.2, PDF S. 7–14 · Evaluation und lokale Architektur Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): Abschnitte 3 und 4.2, Tabellen 3–4 Quelle 3: Responsible use of artificial intelligence in surveying practice, 1st edition, Fundstelle(n): 3.1–3.2 und 4.1–4.3 Quelle 11: LLM01:2025 Prompt Injection, Fundstelle(n): Prevention and mitigation Quelle 13: Evidence-Grounded Constraint Checking in Construction Documents, Fundstelle(n): Evidence traces und limitation discussion

Das Profil behandelt die Methoden der Dokumenterschließung, nicht die vollständige fachliche Entscheidung. Vertragsauslegung, Angebotswertung und Modellprüfung bauen auf solchen Informationen auf, benötigen jedoch eigene Regeln und Kontrollen. Ein Dokumentassistent ist auch nicht allein deshalb ein autonomer Agent, weil er mehrere Suchschritte ausführt. Wissensgraphen sind eine mögliche Erweiterung, um Klauseln, Begriffe und Verweise zu verknüpfen; sie sind keine Voraussetzung jeder RAG-Anwendung.

Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): Abschnitte 4.1–4.6, Tabelle 4 und Schlussfolgerung · BIM-Prüfung Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): Strukturierter Vertragsansatz Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): RAG-Pipeline Quelle 12: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Dual-Graph-Ansatz

Worauf es bei Dokumentenintelligenz und RAG im Bau fachlich ankommt

Vertragswissen: bessere Treffer sind noch keine vollständige Prüfung

Studien-/Praxisbefund

Eine Studie in Buildings untersucht 320 Fragen zu zwei englischsprachigen Standardverträgen: FIDIC Red Book 1999 und Oman Standard Contract 2019. Bei gleichem GPT-4o-mini verbessert strukturiertes Domänenwissen gegenüber einer bereits hybriden FAISS/BM25-Suche den Context Recall von 0,635 auf 0,969. Answer Correctness steigt weniger stark, von 0,697 auf 0,750. Die Autoren beschreiben weiterhin ausgelassene Voraussetzungen, Zahlenverallgemeinerungen und unvollständige Anspruchsketten trotz passender Quellpassage. Die automatisierten RAGAS-Werte sind keine Anteile juristisch fehlerfreier Vertragsprüfungen.

Fachliche Einordnung

Für die Vorbereitung einer Vertragsprüfung müssen nicht nur die gefundene Klausel, sondern auch Bedingungen, Ausnahmen und zugehörige Anlagen sichtbar bleiben. Ein Quellenlink allein bestätigt weder Vollständigkeit noch richtige Auslegung. Die Untersuchung stützt eine eng begrenzte Methodenverbesserung; sie validiert keine individuell angepassten deutschen Bauverträge. Die alten Vertragsjahre bezeichnen das Testmaterial, nicht eine Aussage über heute anzuwendende Rechtsgrundlagen.

Handbücher: Tabellen und Produktvarianten entscheiden über die Antwort

Studien-/Praxisbefund

Eine FHNW-Studie erprobt eine lokale RAG-Pipeline an Bau- und Facility-Management-Unterlagen. Der Bestand enthält 1.349 PDFs aus zwölf Einrichtungen; verarbeitet werden PDF-Texte und Tabellen, nicht sämtliche vorhandenen CAD- und Bilddateien. Der Antworttest umfasst dagegen nur 30 synthetisch erzeugte Fragen aus Handbüchern von drei Einrichtungen und wird modellgestützt bewertet. Die Fehleranalyse zeigt verlorene Tabellenangaben, erfundene Produktvarianten und falsche Antworten trotz richtiger Fundstelle.

Fachliche Einordnung

Die relevante Qualitätsfrage lautet beispielsweise, ob eine technische Angabe zur tatsächlich eingebauten Variante gehört. Dokumentmenge und sprachliche Ähnlichkeit einer Antwort ersetzen diesen Nachweis nicht. Für einen Einsatz wären Gerätezuordnung, Tabellenbezug und fachliche Stichproben am eigenen Bestand zu prüfen. Die Schweizer Forschungsherkunft belegt weder das Einsatzland des anonymen Unternehmens noch einen regelmäßigen Betrieb in allen zwölf Einrichtungen.

Verknüpfte Regeln: Abschnittsbezüge erhalten, Antwortqualität separat prüfen

Studien-/Praxisbefund

BifrostRAG verbindet Dokumenthierarchie und Querverweise mit einem semantischen Wissensgraphen. An 93 Mehrschrittfragen aus vier OSHA-Regelwerksbereichen steigt der Recall relevanter Abschnittsreferenzen gegenüber der Vektorsuche von 69,5 auf 85,5 Prozent; der Precision-Unterschied ist nicht signifikant. BEST-KAG erschließt Texte, Tabellen und Formeln aus 251 chinesischen Baustandards. Dessen Modellvergleich enthält jedoch keine gleichwertige hybride RAG-Basis und fällt nicht für alle Sprachmodelle positiv aus.

Quelle 12: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Abschnitte 4–7, Vergleichstabelle und Fehleranalyse Quelle 9: BEST-KAG: Enhancing Question Answering of Building Engineering Standards with Multimodal Knowledge Graph Modeling and Large Language Model, Fundstelle(n): Abschnitte 4–5, PDF S. 19–28; Expertenbewertung und Modellvergleich

Fachliche Einordnung

Graphen sind vor allem dort fachlich interessant, wo eine Frage mehrere Abschnitte oder Querverweise betrifft. Zu prüfen bleibt, ob das Antwortmodell die gefundenen Beziehungen korrekt verwendet. Die Studien begründen weder eine allgemeine Überlegenheit von GraphRAG noch richtige Sicherheitsentscheidungen oder die Übertragbarkeit ausländischer Regeln auf deutsche Bauvorhaben.

Vollständiges Dokument oder gezielter Abruf?

Studien-/Praxisbefund

Ein Preprint zu US-Inspektionsunterlagen vergleicht drei Modelle ohne Dokumentzugriff, mit RAG und mit vollständigem Dokument. Von 70 Fragen zu sieben Unterlagen gehen 60 in den gemeinsamen Vollkontextvergleich ein; das längste Dokument bleibt dort ausgeschlossen. Vollkontext erzielt nur einen kleinen Bewertungsvorsprung gegenüber RAG bei etwa 35-fachem Eingabeumfang. Der Unterschied ist nur bei einem der drei Modelle statistisch signifikant. Das RAG-System kennt bereits das richtige Zieldokument; 75 Antworten werden zusätzlich von einem Ingenieur geprüft.

Quelle 10: Grounding Large Language Models (LLMs) in Agency Standards: A Controlled Comparison of Closed-Book, Retrieval-Augmented, and Full-Document Question Answering for Construction Inspection, Fundstelle(n): Methods: corpus, retrieval, evaluation; Results, Tabelle 3; Limitations

Fachliche Einordnung

Der Versuch spricht dafür, Abruf und Vollkontext am konkreten Bestand zu vergleichen, nicht eine Architektur vorab als grundsätzlich überlegen anzusehen. Er beantwortet noch nicht die schwierigere Suche in einer gesamten Projektakte. Der Tokenumfang misst außerdem weder vollständige Betriebskosten noch eingesparte Arbeitszeit. Verbleibende sachliche Fehler begrenzen die Verwendung als ungeprüfte Ausführungsanweisung.

Mehr Bilddetail kann wichtigen Kontext verdrängen

Studien-/Praxisbefund

Der Preprint Evidence-Grounded Constraint Checking vergleicht Seiten- und Ausschnittsabruf für Bauunterlagen. Im wiederholten Test mit 40 Aufgaben aus sechs Projekten erreicht die Ausschnittsvariante einen Vorteil von 10,6 Prozentpunkten. Bei 120 weiteren Aufgaben aus 23 anderen Projekten überträgt sich dieser Vorteil nicht; das Konfidenzintervall umfasst auch keinen Unterschied. Die Arbeit zeigt außerdem, dass wiederholte gleichlautende Antworten falsch sein können. Die Erweiterung ist keine unabhängige Replikation.

Quelle 13: Evidence-Grounded Constraint Checking in Construction Documents, Fundstelle(n): Abschnitte 3–7; repeated evaluation, extension und calibration

Fachliche Einordnung

Für die Dokumentprüfung sind lesbare Details und ausreichender Seitenzusammenhang gemeinsam zu berücksichtigen. Ein positiver Test an wenigen Projekten genügt nicht als Freigabe für andere Unterlagen. Fehlende Belege und unentscheidbare Fälle sollten erkennbar bleiben; die Übereinstimmung mehrerer Modellantworten ist dafür kein Ersatz.

Quelle 13: Evidence-Grounded Constraint Checking in Construction Documents, Fundstelle(n): Abschnitte 3–7; repeated evaluation, extension und calibration · Evidence traces und limitation discussion Quelle 3: Responsible use of artificial intelligence in surveying practice, 1st edition, Fundstelle(n): 3.1–3.2 und 4.1–4.3 Quelle 11: LLM01:2025 Prompt Injection, Fundstelle(n): Prevention and mitigation Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Evaluation und lokale Architektur

Betriebliche Einführung: konkrete Anwendung, begrenzte Nutzenbelege

Studien-/Praxisbefund

Lightblue beschreibt bei Shimizu einen RAG-Assistenten für technische Unterlagen: Auf eine begrenzte Erprobung 2024 folgte ab April 2025 die unternehmensweite Ausweitung. Shimizus eigener Bericht bestätigt den Zugriff auf interne Regeln und Handbücher. Drees & Sommer berichtet Anfang 2025 unter anderem Ausschreibungsanalyse und NDA-Vorprüfung, später im Jahr eine breitere interne Plattformnutzung. Die Drees-&-Sommer-Meldungen legen jedoch keine ausreichend genaue RAG-Architektur offen. Beide Quellenpaare beschreiben jeweils dieselbe Anwendungskette.

Quelle 5: Kluge Köpfe, smarte Konzepte: Wie eigenentwickelte KI bei Drees & Sommer Aufwand reduziert, Fundstelle(n): Meldung vom 30.01.2025, Abschnitte zu Ausschreibungen, NDA und Einführung Quelle 6: Dreso.AI gewinnt Bronze beim VOICE Best Project Award 2025, Fundstelle(n): Meldung vom 25.11.2025, Abschnitte zu interner Nutzung und Reichweite im September 2025 Quelle 7: Lightblue / 清水建設: Einsatzbeispiel des internen KI-Assistenten (japanischer Originalbericht), Fundstelle(n): Fallbericht vom 04.07.2025, Abschnitte zu Bauunterlagen, Erprobung und Einführung Quelle 8: SHIMZ INTEGRATED REPORT 2025 – Value Creation, DX strategy, Fundstelle(n): DX strategy, siebte PDF-Seite, Abschnitt zur Nutzung von Daten und Lightblue

Fachliche Einordnung

Diese Fälle belegen Einführungsschritte, keine repräsentative Verbreitung im Baumarkt. Plattformnutzer sind nicht automatisch aktive Nutzer einer einzelnen Dokumentfunktion. Für die Übertragbarkeit auf andere Unternehmen fehlen insbesondere unabhängige Angaben zu fachlichem Nachprüfaufwand, Pflegekosten und verbleibenden Fehlern. Der Beginn eines konzernweiten Rollouts ist nicht mit vollständiger Nutzung auf allen Baustellen gleichzusetzen.

Quelle 5: Kluge Köpfe, smarte Konzepte: Wie eigenentwickelte KI bei Drees & Sommer Aufwand reduziert, Fundstelle(n): Meldung vom 30.01.2025, Abschnitte zu Ausschreibungen, NDA und Einführung · Einführungsstand Anfang 2025 Quelle 6: Dreso.AI gewinnt Bronze beim VOICE Best Project Award 2025, Fundstelle(n): Meldung vom 25.11.2025, Abschnitte zu interner Nutzung und Reichweite im September 2025 · Spätere interne Nutzung Quelle 7: Lightblue / 清水建設: Einsatzbeispiel des internen KI-Assistenten (japanischer Originalbericht), Fundstelle(n): Fallbericht vom 04.07.2025, Abschnitte zu Bauunterlagen, Erprobung und Einführung · Einführungsfolge Quelle 8: SHIMZ INTEGRATED REPORT 2025 – Value Creation, DX strategy, Fundstelle(n): DX strategy, siebte PDF-Seite, Abschnitt zur Nutzung von Daten und Lightblue · DX strategy

Dokumentstand, Berechtigungen und fremde Anweisungen

Studien-/Praxisbefund

Der RICS-Berufsstandard zur KI-Nutzung behandelt Eignungsprüfung, vertrauliche Daten, Verantwortlichkeit und angemessene Ergebniskontrolle in seinem definierten beruflichen Geltungsbereich. OWASP beschreibt einen zusätzlichen Angriffspfad: Abgerufene Dokumente können manipulierte Anweisungen enthalten, die das Verhalten eines Sprachmodells beeinflussen. RAG verhindert solche indirekte Prompt-Injection nicht automatisch. Die FHNW-Studie verdeutlicht zudem, dass lokale Modellinferenz und externe Dienste für die Evaluation getrennte Datenflüsse sein können.

Quelle 3: Responsible use of artificial intelligence in surveying practice, 1st edition, Fundstelle(n): Geltungsbereich 1.2; 3.1–3.2; 4.1–4.3, gedruckte S. 4–12 Quelle 11: LLM01:2025 Prompt Injection, Fundstelle(n): Description, prevention and mitigation strategies, attack scenarios Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Abschnitt 5, insbesondere 5.3.3; PDF S. 15–23

Fachliche Einordnung

Für die Einführung empfiehlt sich eine nachvollziehbare Kette aus Dokumentkennung, Version, Fundstelle, Antwort und fachlichem Prüfentscheid. Berechtigungen müssen auch beim Abruf und bei der Ausgabe greifen. Externe Evaluationsdienste und Protokolle gehören in die Prüfung der Datenflüsse. Das sind Gestaltungsanforderungen, kein vollständiger Sicherheitsnachweis; der RICS-Standard ist weder allgemeines Baurecht noch Beleg für die Leistungsfähigkeit eines RAG-Systems.

Quelle 3: Responsible use of artificial intelligence in surveying practice, 1st edition, Fundstelle(n): 3.1–3.2 und 4.1–4.3 Quelle 11: LLM01:2025 Prompt Injection, Fundstelle(n): Prevention and mitigation Quelle 13: Evidence-Grounded Constraint Checking in Construction Documents, Fundstelle(n): Evidence traces und limitation discussion Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Evaluation und lokale Architektur

Warum Dokumentenintelligenz und RAG im Bau relevant ist

Reifegraderste Marktanwendung bis wachsender Praxiseinsatz

Kommerzielle Anwendung ist für abgegrenzte Dokumentaufgaben dokumentiert. Bei Shimizu beschreiben Implementierungspartner und Anwender den Übergang von begrenzter Erprobung zur ausgeweiteten Einführung ab April 2025. Das trägt die Spanne von erster Marktanwendung bis wachsendem Praxiseinsatz. Sie gilt nicht gleichermaßen für alle Verfahren: Neuere multimodale und graphgestützte Prüfansätze werden weiterhin in begrenzten Forschungsversuchen untersucht. Die Einführungsbelege sind organisationsbezogen und eigenberichtet; eine branchenweit etablierte Anwendung lässt sich daraus nicht ableiten.

Quelle 7: Lightblue / 清水建設: Einsatzbeispiel des internen KI-Assistenten (japanischer Originalbericht), Fundstelle(n): Einführungsfolge im Fallbericht Quelle 8: SHIMZ INTEGRATED REPORT 2025 – Value Creation, DX strategy, Fundstelle(n): DX strategy, siebte PDF-Seite Quelle 9: BEST-KAG: Enhancing Question Answering of Building Engineering Standards with Multimodal Knowledge Graph Modeling and Large Language Model, Fundstelle(n): Abschnitte 4–5

Evidenzwachsende Evidenz

Die Evidenz wächst durch nachvollziehbare Vergleiche von Dokumentaufbereitung, Abruf und Antworten. Ihre Reichweite bleibt begrenzt: Der Vertragsvergleich umfasst zwei Standardfassungen, der FM-Test nur 30 synthetische Fragen; andere Arbeiten prüfen kleine Projektbestände oder verwenden modellgestützte Urteile. Der ausbleibende Transfer des Ausschnittsvorteils auf weitere Projekte ist ein wichtiger Gegenbefund. Die Studien tragen konkrete Methoden- und Fehleraussagen, aber keinen allgemeinen Wirtschaftlichkeitsnachweis. Unternehmensberichte ergänzen Anwendungserfahrung, ohne eine unabhängige Wirksamkeitsprüfung zu ersetzen.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): Abschnitte 3.6, 4 und 5.4 Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Abschnitt 5 Quelle 10: Grounding Large Language Models (LLMs) in Agency Standards: A Controlled Comparison of Closed-Book, Retrieval-Augmented, and Full-Document Question Answering for Construction Inspection, Fundstelle(n): Methods und Limitations Quelle 13: Evidence-Grounded Constraint Checking in Construction Documents, Fundstelle(n): Extension und Limitations Quelle 7: Lightblue / 清水建設: Einsatzbeispiel des internen KI-Assistenten (japanischer Originalbericht), Fundstelle(n): Einführungsfolge Quelle 8: SHIMZ INTEGRATED REPORT 2025 – Value Creation, DX strategy, Fundstelle(n): DX strategy Quelle 5: Kluge Köpfe, smarte Konzepte: Wie eigenentwickelte KI bei Drees & Sommer Aufwand reduziert, Fundstelle(n): Einführungsstand Anfang 2025 Quelle 6: Dreso.AI gewinnt Bronze beim VOICE Best Project Award 2025, Fundstelle(n): Spätere interne Nutzung

EntwicklungsdynamikAktive Weiterentwicklung

Aktive Methodenarbeit an Wissensverknüpfung, Kontextauswahl und belastbarer Evaluation.

Aktuelle Arbeiten untersuchen verknüpfte Regelabschnitte, multimodale Wissensbestände, Vollkontextvergleiche und die Auswahl visueller Belege. Damit werden konkrete Engpässe der Dokumentauskunft bearbeitet. Unterschiedliche und teils gegenläufige Ergebnisse zeigen zugleich, dass mehr Kontext oder komplexere Architektur nicht durchgehend bessere Antworten liefern. Die Belege tragen aktive Weiterentwicklung, jedoch keine nachgewiesene Beschleunigung des gesamten Feldes.

Quelle 9: BEST-KAG: Enhancing Question Answering of Building Engineering Standards with Multimodal Knowledge Graph Modeling and Large Language Model, Fundstelle(n): Methoden und Modellvergleich Quelle 10: Grounding Large Language Models (LLMs) in Agency Standards: A Controlled Comparison of Closed-Book, Retrieval-Augmented, and Full-Document Question Answering for Construction Inspection, Fundstelle(n): Kontrollierter Kontextvergleich Quelle 12: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Dual-Graph-Methode und Evaluation Quelle 13: Evidence-Grounded Constraint Checking in Construction Documents, Fundstelle(n): Vergleich und Erweiterung

MarktdynamikSelektive Ausweitung

Ausweitung in einzelnen Unternehmen; keine belastbare branchenweite Verbreitungsrate.

Der Shimizu-Fall dokumentiert einen RAG-spezifischen Einführungsschritt von begrenzter Erprobung zu breiter angelegtem Einsatz. Drees & Sommer berichtet eine zeitliche Ausweitung allgemeiner Dokumenten-KI, ohne deren RAG-Anteil offenzulegen. Das rechtfertigt selektive Ausweitung, nicht breit belegtes Marktwachstum. Für funktionsbezogene Nutzung, weitere vergleichbar dokumentierte europäische Anwender und unabhängige Wirtschaftlichkeit bleibt die Datenbasis lückenhaft.

Quelle 7: Lightblue / 清水建設: Einsatzbeispiel des internen KI-Assistenten (japanischer Originalbericht), Fundstelle(n): Einführungsfolge Quelle 8: SHIMZ INTEGRATED REPORT 2025 – Value Creation, DX strategy, Fundstelle(n): DX strategy Quelle 5: Kluge Köpfe, smarte Konzepte: Wie eigenentwickelte KI bei Drees & Sommer Aufwand reduziert, Fundstelle(n): Einführungsstand Anfang 2025 Quelle 6: Dreso.AI gewinnt Bronze beim VOICE Best Project Award 2025, Fundstelle(n): Spätere interne Nutzung

Für welche Bauprozesse Dokumentenintelligenz und RAG im Bau relevant ist

Strategie & Projektentwicklung

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Anforderungen und Vertragsunterlagen lassen sich für frühe Projektprüfungen zu belegten Prüflisten aufbereiten. Das unterstützt die strukturierte Übergabe offener Fragen an Fachprüfer. Dokumentumfang, fehlende Anlagen und widersprüchliche Fassungen müssen sichtbar bleiben; Machbarkeit und Genehmigungsfähigkeit sind damit nicht entschieden. Die Relevanz ist klar, ein eigener End-to-End-Nutzennachweis für Due Diligence liegt jedoch nicht vor.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): Abschnitte 3 und 5.3 Quelle 5: Kluge Köpfe, smarte Konzepte: Wie eigenentwickelte KI bei Drees & Sommer Aufwand reduziert, Fundstelle(n): Ausschreibungsanalyse

Planung & Design

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Planende können Anforderungen aus Regelwerken, Spezifikationen und Protokollen mit Fundstellen zusammenführen. Entscheidend ist der Bezug zum richtigen Objekt und Dokumentstand. Diese Informationsaufgabe unterstützt Planung, ersetzt aber weder geometrische BIM-Prüfung noch fachliche Auslegung. Versuche an ausländischen Baustandards belegen keine Übereinstimmung eines deutschen Vorhabens mit lokal geltenden Anforderungen.

Quelle 9: BEST-KAG: Enhancing Question Answering of Building Engineering Standards with Multimodal Knowledge Graph Modeling and Large Language Model, Fundstelle(n): Standardskorpus und Evaluation Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): Revit-Workflow und manuelle Korrektur

Ausschreibung & Vergabe

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Ausschreibungsunterlagen, Leistungsverzeichnisse, Angebote, Verträge und Nachweise enthalten zahlreiche textgebundene Anforderungen. Deren Extraktion und nachvollziehbarer Vergleich bilden den Schwerpunkt der Prozessrelevanz. Bedingungen, Fristen, Ausschlüsse und Anlagen dürfen bei der Verdichtung nicht verloren gehen. Die hohe Einordnung betrifft die Vorbereitung der Prüfung, nicht eine bereits nachgewiesene vollautomatische LV-Erstellung oder Vergabeentscheidung.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): Abschnitte 4–5 Quelle 5: Kluge Köpfe, smarte Konzepte: Wie eigenentwickelte KI bei Drees & Sommer Aufwand reduziert, Fundstelle(n): Ausschreibungen und NDA-Vorprüfung

Bauausführung & Baustellenmanagement

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Für Ausführungsteams können technische Handbücher, Arbeitsanweisungen und Anforderungen mit Fundstellen zugänglich werden; Shimizu liefert dafür einen konkreten Anwendungsbezug. Die Antwort muss zur Baustelle und aktuellen Fassung passen. Forschung zu Inspektions- und Sicherheitsunterlagen zeigt verbleibende Fehler: Eine Dokumentauskunft darf deshalb nicht ungeprüft zur Arbeits- oder Sicherheitsanweisung werden.

Quelle 7: Lightblue / 清水建設: Einsatzbeispiel des internen KI-Assistenten (japanischer Originalbericht), Fundstelle(n): Technische Dokumente und Baustellenerprobung Quelle 10: Grounding Large Language Models (LLMs) in Agency Standards: A Controlled Comparison of Closed-Book, Retrieval-Augmented, and Full-Document Question Answering for Construction Inspection, Fundstelle(n): Results und Limitations Quelle 12: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): OSHA-Mehrschrittfragen

Betrieb & Instandhaltung

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Objektbezogene Handbücher und Wartungsunterlagen können nach Komponenten, Eigenschaften und Arbeitsschritten erschlossen werden. Der FM-Versuch zeigt sowohl diese Anschlussfähigkeit als auch Fehler bei Tabellen und Produktvarianten. Der Wert liegt in der Informationsvorbereitung; geringere Ausfallzeiten oder sichere autonome Wartung sind dadurch nicht nachgewiesen.

Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Abschnitte 4–5, insbesondere 5.3.3

Rückbau & Kreislaufwirtschaft

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Bestands-, Produkt- und Wartungsunterlagen können Angaben für spätere Rückbau- und Materialprüfungen liefern. Diese Relevanz ist indirekt aus der Dokumenterschließung abgeleitet, nicht durch eine eigene Rückbauanwendung belegt. Fehlende Bauteilidentität, Schadstofferkundung und Wiederverwendungsprüfung werden nicht durch eine generierte Auskunft ersetzt.

Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Dokumentbestand und Komponentenabfragen, Abschnitte 4–5

Für wen Dokumentenintelligenz und RAG im Bau relevant ist

Bauherren und Auftraggeber

Anforderungen und Nachweise lassen sich als nachvollziehbare Prüflisten zusammenführen. So können offene Punkte gezielt an Projektbeteiligte gegeben werden. Der Nutzen hängt von vollständigen Unterlagen und klarer fachlicher Verantwortung ab; ein nicht gefundenes Dokument darf nicht als erfüllte Anforderung behandelt werden.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): Abschnitte 4–5 Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Abschnitte 4–5 · Evaluation und lokale Architektur Quelle 9: BEST-KAG: Enhancing Question Answering of Building Engineering Standards with Multimodal Knowledge Graph Modeling and Large Language Model, Fundstelle(n): Standards-QA Quelle 3: Responsible use of artificial intelligence in surveying practice, 1st edition, Fundstelle(n): Abschnitte 3–4 · 3.1–3.2 und 4.1–4.3 Quelle 11: LLM01:2025 Prompt Injection, Fundstelle(n): Prevention and mitigation Quelle 13: Evidence-Grounded Constraint Checking in Construction Documents, Fundstelle(n): Evidence traces und limitation discussion

Architektur-, Ingenieur- und Planungsbüros

Fundstellen aus Regelwerken und Projektdokumenten können die Vorbereitung von Planungsschritten unterstützen. Die fachliche Leistung bleibt der Abgleich mit Objekt, Fassung und anwendbarem Regelwerk. Ein Assistent übernimmt weder die Auslegung noch die Planungsfreigabe.

Bauunternehmen und Generalunternehmer

Technische Dokumentauskünfte unterstützen die Vorbereitung von Ausführungsfragen; erschlossene Vertragsbedingungen helfen bei kaufmännischer Prüfung. Beide Aufgaben benötigen ihren eigenen Kontext. Aus dokumentierter Einführung folgt noch kein pauschaler Zeitgewinn für Bauleitung oder Vertragsmanagement.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): Abschnitte 4–5 Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Abschnitte 4–5 Quelle 9: BEST-KAG: Enhancing Question Answering of Building Engineering Standards with Multimodal Knowledge Graph Modeling and Large Language Model, Fundstelle(n): Standards-QA Quelle 3: Responsible use of artificial intelligence in surveying practice, 1st edition, Fundstelle(n): Abschnitte 3–4 Quelle 7: Lightblue / 清水建設: Einsatzbeispiel des internen KI-Assistenten (japanischer Originalbericht), Fundstelle(n): Fallbericht vom 04.07.2025, Abschnitte zu Bauunterlagen, Erprobung und Einführung Quelle 8: SHIMZ INTEGRATED REPORT 2025 – Value Creation, DX strategy, Fundstelle(n): DX strategy, siebte PDF-Seite, Abschnitt zur Nutzung von Daten und Lightblue

Technologieanbieter und Systemintegratoren

Die Integrationsaufgabe reicht von Tabellenaufbereitung und Metadaten über berechtigten Abruf bis zu nachvollziehbaren Antworten. Der konkrete Beitrag liegt in einer am Nutzerfall prüfbaren Informationskette. Quellenpflege, Fehleranalyse und Evaluation gegen eine geeignete Suchbaseline gehören dazu, nicht nur die Auswahl eines Sprachmodells.

Öffentliche Hand, Kommunen und Vergabestellen

Vergabeakten und Anforderungen können für eine nachvollziehbare fachliche Prüfung erschlossen werden. Besonders wichtig sind vollständige Anlagen, nachvollziehbare Fundstellen und geregelter Zugriff. Eine automatisch richtige Wertung oder rechtssichere Vergabeentscheidung ist durch die vorliegenden Belege nicht nachgewiesen.

Mit welchen Technologie- und Anwendungsfeldern Dokumentenintelligenz und RAG im Bau verknüpft ist

Hauptbezug

Datenplattformen & KI-Infrastruktur

Dokumentaufbereitung, Indizes, Metadaten und kontrollierter Quellenzugriff tragen die Anwendung. Deshalb liegt der Schwerpunkt bei Datenplattformen und KI-Infrastruktur. Ein CDE oder eine Dokumentablage allein belegt jedoch noch keine RAG-Funktion; erst die überprüfbare Verarbeitungskette macht daraus eine Dokumentanwendung.

Quelle 4: Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management, Fundstelle(n): Abschnitt 4 Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): BIM-Codeprüfung Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): Vertragsanalyse und Grenzen Quelle 13: Evidence-Grounded Constraint Checking in Construction Documents, Fundstelle(n): Beleggebundene Prüfung und Grenzen

Verknüpftes Feld

Predictive Analytics & Entscheidungen

Aus Dokumenten gewonnene Anforderungen, Bedingungen und Fundstellen bereiten Entscheidungen vor. Die Schnittstelle besteht in der prüfbaren Informationsgrundlage, nicht in einer nachgewiesenen Prognoseleistung. Fehlende oder widersprüchliche Angaben müssen vor der anschließenden fachlichen Entscheidung kenntlich sein.

Verknüpftes Feld

BIM & Digitaler Zwilling

Dokumentinformationen müssen für eine modellbezogene Verwendung einem Objekt, Bauteil oder Modellstand zugeordnet werden. Die vorhandene BIM-Studie untersucht LLM-erzeugte Revit-Prüfskripte und ist ein Schnittstellenbeleg, kein RAG-Leistungsnachweis. Geometrische Modellprüfung und Dokumentauskunft bleiben getrennte Aufgaben.

Fachbegriffe und Detailthemen

Quellen und Evidenz zu Dokumentenintelligenz und RAG im Bau

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

Quelle 1
Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge
Herausgeber
Eu Wang Kim, Yeon Ju Shin, Kyong Ju Kim und Sehoon Kwon; Buildings 15(6), 923, MDPI
Publiziert
14.03.2025
Quellentyp
Begutachtete Originalstudie
Geltungsbereich
Begutachtete Originalstudie, Volltext und Vergleichskonfiguration geprüft. Zwei verwandte Standardverträge, automatisierte RAGAS-Bewertung, keine unabhängige juristische Praxisvalidierung. Samsung-C&T-Beteiligung; nicht als anbieterunabhängigen Wirtschaftlichkeitsnachweis verwenden.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (18 Textstellen)
- Abschnitte 3 und 4.2, Tabellen 3–4Textstelle 1 Textstelle 2 Textstelle 4
- Abschnitte 5.3–5.4, PDF S. 17–18Textstelle 2 Textstelle 3 Textstelle 6 Textstelle 7
- Abschnitte 3.6, 4.1–4.3; Tabellen 4–5, PDF S. 11–14Textstelle 3 Textstelle 6 Textstelle 7
- Abschnitte 3.6, 4 und 5.4Textstelle 3 Textstelle 21
- Strukturierter VertragsansatzTextstelle 5
- Abschnitte 3 und 5.3Textstelle 24
- Abschnitte 4–5Textstelle 26 Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34
- Vertragsanalyse und GrenzenTextstelle 35 Textstelle 36 Textstelle 37
Quelle 2
Large Language Model-Driven Code Compliance Checking in Building Information Modeling
Herausgeber
Madireddy et al.; University of Houston / University of Texas at Arlington; arXiv:2506.20551v1
Publiziert
25.06.2025
Quellentyp
Originalautorenfassung / Preprint
Geltungsbereich
Originalpreprint mit zwei begrenzten BIM-Fällen und nachvollziehbarem Ablauf. Kleine Regelstichprobe, manuelle Korrekturen und von Modellen berichtete Zeitwerte begrenzen Leistungsbehauptungen; kein RAG-Vergleich.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Abschnitte 4.1–4.6, Tabelle 4 und SchlussfolgerungTextstelle 5
- BIM-PrüfungTextstelle 5
- Revit-Workflow und manuelle KorrekturTextstelle 25
- BIM-CodeprüfungTextstelle 35 Textstelle 36 Textstelle 37
Quelle 3
Responsible use of artificial intelligence in surveying practice, 1st edition
Herausgeber
Royal Institution of Chartered Surveyors (RICS); ISBN 9781783215553
Publiziert
September 2025
Quellentyp
Berufsstandard
Geltungsbereich
Original des zuständigen Berufsverbands, Geltungsbereich und Anforderungen im Volltext geprüft. Hohe Qualität für seine beruflichen Vorgaben, keine empirische Aussage zu KI-Leistung und kein allgemeines Baurecht.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- 3.1–3.2 und 4.1–4.3Textstelle 4 Textstelle 15 Textstelle 19 Textstelle 30 Textstelle 31 Textstelle 33 Textstelle 34
- Geltungsbereich 1.2; 3.1–3.2; 4.1–4.3, gedruckte S. 4–12Textstelle 18
- Abschnitte 3–4Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34
Quelle 4
Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management
Herausgeber
David Krütli und Thomas Hanne; Fachhochschule Nordwestschweiz; Information 16(2), 76, MDPI
Publiziert
22.01.2025
Quellentyp
Begutachtete Originalstudie
Geltungsbereich
Begutachtete Originalstudie mit realem Dokumentbestand und offengelegter Pipeline. Kleiner synthetischer Fragensatz, modellgestützte Bewertung, anonymer Unternehmensfall und kein unabhängiger Datenschutz- oder Nutzennachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (21 Textstellen)
- Abschnitte 4.1–4.2, PDF S. 7–14Textstelle 1 Textstelle 2 Textstelle 4 Textstelle 8 Textstelle 9
- Abschnitt 5, insbesondere 5.3.3; PDF S. 15–23Textstelle 2 Textstelle 8 Textstelle 9 Textstelle 18
- Abschnitt 5Textstelle 3 Textstelle 21
- Evaluation und lokale ArchitekturTextstelle 4 Textstelle 15 Textstelle 19 Textstelle 30 Textstelle 31 Textstelle 33 Textstelle 34
- RAG-PipelineTextstelle 5
- Abschnitte 4–5, insbesondere 5.3.3Textstelle 28
- Dokumentbestand und Komponentenabfragen, Abschnitte 4–5Textstelle 29
- Abschnitte 4–5Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34
- Abschnitt 4Textstelle 35 Textstelle 36 Textstelle 37
Quelle 5
Kluge Köpfe, smarte Konzepte: Wie eigenentwickelte KI bei Drees & Sommer Aufwand reduziert
Herausgeber
Drees & Sommer, Unternehmensmeldung
Publiziert
30.01.2025
Quellentyp
Unternehmensbericht
Geltungsbereich
Benannter Anwender mit konkreten Dokumentaufgaben und Einführungszeitpunkten. Eigendarstellung; RAG-Architektur, Effizienzmessung und funktionsspezifische Nutzung nicht offengelegt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Meldung vom 30.01.2025, Abschnitte zu Ausschreibungen, NDA und EinführungTextstelle 16 Textstelle 17
- Einführungsstand Anfang 2025Textstelle 17 Textstelle 21 Textstelle 23
- AusschreibungsanalyseTextstelle 24
- Ausschreibungen und NDA-VorprüfungTextstelle 26
Quelle 6
Dreso.AI gewinnt Bronze beim VOICE Best Project Award 2025
Herausgeber
Drees & Sommer, Unternehmensmeldung
Publiziert
25.11.2025
Quellentyp
Unternehmensbericht
Geltungsbereich
Datierter Bericht desselben Anwenders erlaubt begrenzten Vergleich der Einführung. Plattformreichweite ist kein Nachweis individueller RAG-Nutzung; Preisverleihung keine unabhängige Wirkungsprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Meldung vom 25.11.2025, Abschnitte zu interner Nutzung und Reichweite im September 2025Textstelle 16 Textstelle 17
- Spätere interne NutzungTextstelle 17 Textstelle 21 Textstelle 23
Quelle 7
Lightblue / 清水建設: Einsatzbeispiel des internen KI-Assistenten (japanischer Originalbericht)
Herausgeber
Lightblue, Implementierungspartner von Shimizu
Publiziert
04.07.2025
Quellentyp
Anbieterbericht
Geltungsbereich
Konkreter benannter Bauanwender, RAG-Funktion und Einführungsphasen beschrieben. Anbieter-Eigenangabe; weder unabhängige Qualitätsmessung noch funktionsspezifische Nutzungsstatistik.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Fallbericht vom 04.07.2025, Abschnitte zu Bauunterlagen, Erprobung und EinführungTextstelle 3 Textstelle 16 Textstelle 17 Textstelle 32
- EinführungsfolgeTextstelle 17 Textstelle 21 Textstelle 23
- Einführungsfolge im FallberichtTextstelle 20
- Technische Dokumente und BaustellenerprobungTextstelle 27
Quelle 8
SHIMZ INTEGRATED REPORT 2025 – Value Creation, DX strategy
Herausgeber
Shimizu Corporation
Publiziert
2025
Quellentyp
Unternehmensbericht
Geltungsbereich
Originaler Unternehmensbericht bestätigt Betrieb und RAG-Dokumentfunktion. Gleicher Anwendungsfall wie S-007, deshalb keine unabhängige zweite Wirksamkeitsstudie. Genaues Publikationsdatum nicht verifiziert.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- DX strategy, siebte PDF-Seite, Abschnitt zur Nutzung von Daten und LightblueTextstelle 3 Textstelle 16 Textstelle 17 Textstelle 32
- DX strategyTextstelle 17 Textstelle 21 Textstelle 23
- DX strategy, siebte PDF-SeiteTextstelle 20
Quelle 9
BEST-KAG: Enhancing Question Answering of Building Engineering Standards with Multimodal Knowledge Graph Modeling and Large Language Model
Herausgeber
Jia-Rui Lin, Junxi Guo, Keyin Chen und Peng Pan; Tsinghua University; arXiv:2608.11244v1
Publiziert
02.08.2026
Quellentyp
Originalautorenfassung / Preprint
Geltungsbereich
Originalpreprint mit dokumentiertem Korpus, Fragen und Expertenbewertung. Kein gleichwertiger RAG-Baselinevergleich, modellabhängige Gegenbefunde, keine unabhängige Replikation oder DACH-Validierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- Abschnitte 4–5, PDF S. 19–28; Expertenbewertung und ModellvergleichTextstelle 10 Textstelle 11
- Abschnitte 4–5Textstelle 20
- Methoden und ModellvergleichTextstelle 22
- Standardskorpus und EvaluationTextstelle 25
- Standards-QATextstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34
Quelle 10
Grounding Large Language Models (LLMs) in Agency Standards: A Controlled Comparison of Closed-Book, Retrieval-Augmented, and Full-Document Question Answering for Construction Inspection
Herausgeber
Reihaneh Samsami und Khaled Sayed; EngrXiv, DOI 10.31224/7545; eingesehenes Autorenmanuskript auf ResearchGate
Publiziert
10.07.2026
Quellentyp
Originalautorenfassung / Preprint
Geltungsbereich
Volltext eines Originalpreprints mit kontrollierten Modellvergleichen und menschlicher Teilvalidierung. Kleine US-Dokumentstichprobe; Retrieval kennt das Zieldokument; ein menschlicher Prüfer; kein unabhängiger Praxistest.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Methods und LimitationsTextstelle 3 Textstelle 21
- Methods: corpus, retrieval, evaluation; Results, Tabelle 3; LimitationsTextstelle 12 Textstelle 13
- Kontrollierter KontextvergleichTextstelle 22
- Results und LimitationsTextstelle 27
Quelle 11
LLM01:2025 Prompt Injection
Herausgeber
OWASP GenAI Security Project
Publiziert
2025
Quellentyp
Fachliche Risikoreferenz
Geltungsbereich
Fachlich verantwortete Original-Risikobeschreibung mit konkreten Maßnahmen. Versionsjahr 2025, kein verifiziertes Tagesdatum. Geeignet für Bedrohungsmodell und Gestaltungsmaßnahmen, keine quantitative Bau-Einsatzstudie.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Prevention and mitigationTextstelle 4 Textstelle 15 Textstelle 19 Textstelle 30 Textstelle 31 Textstelle 33 Textstelle 34
- Description, prevention and mitigation strategies, attack scenariosTextstelle 18
Quelle 12
Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety
Herausgeber
Yuxin Zhang, Xi Wang, Mo Hu und Zhenyu Zhang; Texas A&M University; arXiv:2507.13625v2; Automation in Construction 183, 106794
Publiziert
11.05.2026
Quellentyp
Originalautorenfassung / Preprint
Geltungsbereich
Ausführliche Originalautorenfassung mit gemeinsamen Vergleichsbedingungen und offengelegtem Sicherheitsregelwerk-Benchmark. Metriken bewerten referenzierte Abschnitte; begrenzter US-Korpus und keine unabhängige Replikation. Erstfassung 18.07.2025, Zeitschriftenfassung März 2026: keine drei unabhängigen Befunde.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Dual-Graph-AnsatzTextstelle 5
- Abschnitte 4–7, Vergleichstabelle und FehleranalyseTextstelle 10 Textstelle 11
- Dual-Graph-Methode und EvaluationTextstelle 22
- OSHA-MehrschrittfragenTextstelle 27
Quelle 13
Evidence-Grounded Constraint Checking in Construction Documents
Herausgeber
Rashid Mushkani, Hugo Bérard und Shin Koseki; Cocoon Lab; arXiv:2607.29058v1
Publiziert
31.07.2026
Quellentyp
Originalautorenfassung / Preprint
Geltungsbereich
Originalpreprint mit projektdisjunkter Erweiterung und offengelegten Negativergebnissen. Kleine Zahl unabhängiger Projekte, ungleiche Fallklassen und nachträglich entworfene Erweiterung; kein betrieblicher Prüf- oder Sicherheitsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (14 Textstellen)
- Extension und LimitationsTextstelle 3 Textstelle 21
- Evidence traces und limitation discussionTextstelle 4 Textstelle 15 Textstelle 19 Textstelle 30 Textstelle 31 Textstelle 33 Textstelle 34
- Abschnitte 3–7; repeated evaluation, extension und calibrationTextstelle 14 Textstelle 15
- Vergleich und ErweiterungTextstelle 22
- Beleggebundene Prüfung und GrenzenTextstelle 35 Textstelle 36 Textstelle 37

Alle Impulse im Radar entdecken

Dokumentenintelligenz und RAG im Bau

Um was geht es bei Dokumentenintelligenz und RAG im Bau?

Einordnung im Impulsradar

Vom Dokumentzugriff zur überprüfbaren Auskunft

Worauf es bei Dokumentenintelligenz und RAG im Bau 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

Warum Dokumentenintelligenz und RAG im Bau relevant ist

Für welche Bauprozesse Dokumentenintelligenz und RAG im Bau relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen Dokumentenintelligenz und RAG im Bau relevant ist

Bauherren und Auftraggeber

Architektur-, Ingenieur- und Planungsbüros

Bauunternehmen und Generalunternehmer

Technologieanbieter und Systemintegratoren

Öffentliche Hand, Kommunen und Vergabestellen

Mit welchen Technologie- und Anwendungsfeldern Dokumentenintelligenz und RAG im Bau verknüpft ist

Datenplattformen & KI-Infrastruktur

Predictive Analytics & Entscheidungen

BIM & Digitaler Zwilling

Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu Dokumentenintelligenz und RAG im Bau

Quellen und Evidenz zu Dokumentenintelligenz und RAG im Bau

Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge

Large Language Model-Driven Code Compliance Checking in Building Information Modeling

Responsible use of artificial intelligence in surveying practice, 1st edition

Augmenting LLMs to Securely Retrieve Information for Construction and Facility Management

Kluge Köpfe, smarte Konzepte: Wie eigenentwickelte KI bei Drees & Sommer Aufwand reduziert

Dreso.AI gewinnt Bronze beim VOICE Best Project Award 2025

Lightblue / 清水建設: Einsatzbeispiel des internen KI-Assistenten (japanischer Originalbericht)

SHIMZ INTEGRATED REPORT 2025 – Value Creation, DX strategy

BEST-KAG: Enhancing Question Answering of Building Engineering Standards with Multimodal Knowledge Graph Modeling and Large Language Model

Grounding Large Language Models (LLMs) in Agency Standards: A Controlled Comparison of Closed-Book, Retrieval-Augmented, and Full-Document Question Answering for Construction Inspection

LLM01:2025 Prompt Injection

Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety

Evidence-Grounded Constraint Checking in Construction Documents