INNOVATION SCOUT · IMPULSPROFIL

KI-gestützte Angebots-, Vertrags- und Claim-Analyse

KI-gestützte Angebots-, Vertrags- und Claim-Analyse erschließt Leistungspositionen, Klauseln und Projektbelege. Sie bereitet Abweichungen, Pflichten und Nachtragszusammenhänge mit Fundstellen für die fachliche Prüfung auf.

Um was geht es bei KI-gestützte Angebots-, Vertrags- und Claim-Analyse?

Drei Aufgaben müssen getrennt werden: Angebote auf Leistungsumfang und Ausschlüsse vergleichen, Verträge auf Pflichten und Abweichungen prüfen und Projektbelege für Nachträge zusammenführen. Sprachmodelle, semantische Suche und strukturierte Wissensbasen liefern dafür Fundstellen und Prüfvorschläge. Ob daraus ein brauchbares Arbeitsergebnis entsteht, hängt auch von Dokumentvollständigkeit, Fassungsstand und Fachkontrolle ab. Eine gefundene Klausel kann unvollständig wiedergegeben sein; eine belegte Ereignisfolge beweist noch keine Verursachung oder Anspruchshöhe.

Quelle 5: Integrating AI into procurement processes in construction, Fundstelle(n): Abstract Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3 und 5.3–5.4 · §§3.3, 3.5, 5.3–5.4 · §5.3, professional reasoning failure Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §§3–5 · §3.1, Evidenz- und Anspruchsknoten; §5, quantitative Grenze Quelle 15: Responsible use of artificial intelligence in surveying practice, first edition, Fundstelle(n): §§4.1–4.2

Einordnung im Impulsradar

Für LV-Bearbeitung und Vertragsvorprüfung ist wiederholte Nutzung bei benannten Unternehmen beschrieben. Forschungsversuche verbessern Suche und Klassifikation, lassen aber weiterhin Bedingungen oder Zusammenhänge aus. Unabhängige Prüfungen an unbekannten Bauverträgen und Messungen des Gesamtaufwands fehlen weitgehend. Der belastbare Einsatzbereich ist kontrollierte Assistenz, nicht die autonome Vergabe- oder Anspruchsentscheidung.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §5.3, drei Fehlerarten; §5.4 · §§4–5 Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): Abstract; §§6.1, 6.3, 6.4 · §6.4 Quelle 5: Integrating AI into procurement processes in construction, Fundstelle(n): Abstract; Date; Authors Quelle 8: 9 Standorte, ein digitaler Angebotsprozess – Baustoff Brandes rollt kinisto in nur 4 Wochen aus, Fundstelle(n): Rollout und tägliche Nutzung Quelle 7: Wie Implenia die Vertragsprüfung mit agentischer Legal AI skaliert, Fundstelle(n): Operative Erstprüfung Quelle 13: Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management, Fundstelle(n): S.2, Checklists und Playbooks · S.1–2 Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §§4–5

Drei Prüfketten mit unterschiedlichen Grenzen

Bei Angeboten steht der Vergleich tatsächlich angebotener Leistungen im Vordergrund. Texterkennung und sprachliche Zuordnung können Positionen erschließen; die Prüfung von Mengen, Einheiten, Ausschlüssen und Alternativen verlangt zusätzliche Kontrollen. Eine positionsbezogene Prüfliste mit Originalfundstellen ist deshalb aussagekräftiger als eine zusammenfassende Bewertung des vermeintlich besten Angebots.

Vertragsassistenz verbindet einzelne Klauseln mit fachlichem Prüfwissen und weiteren Vertragsstellen. Der praktische Fortschritt liegt nicht allein in einer lesbaren Antwort, sondern darin, Abweichungen und deren Voraussetzungen nachvollziehbar aufzubereiten. In der Nachtragsarbeit kommt die Verbindung mit Projektkorrespondenz, Leistungs- und Terminbelegen hinzu. Dokumentierte Fakten, behauptete Zusammenhänge und offene Nachweise müssen dabei unterscheidbar bleiben.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3.3, 3.5, 5.3–5.4 · §5.3, professional reasoning failure Quelle 15: Responsible use of artificial intelligence in surveying practice, first edition, Fundstelle(n): §§4.1–4.2 Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §3.1, Evidenz- und Anspruchsknoten; §5, quantitative Grenze

Der Anwendungsstand ist uneinheitlich: Implenia beschreibt bauspezifische Vertragsassistenz, kinisto LV-bezogene Arbeitsabläufe und Document Crunch Vertragschecklisten für ein US-Elektrobauunternehmen. Dem stehen eng gefasste Forschungsversuche zu Klauselklassifikation und Claim-Auskunft gegenüber. Weder die Kombination dieser Befunde noch eine hohe Einzelmetrik belegt eine durchgehend zuverlässige Prüfautomatik.

Quelle 6: Digital bauen – von der Vision zur Wirtschaftlichkeit, Fundstelle(n): Abschnitt KI in der Vertragsprüfung Quelle 7: Wie Implenia die Vertragsprüfung mit agentischer Legal AI skaliert, Fundstelle(n): Abschnitte zur operativen Erstprüfung und einheitlichen Prüfung über Divisionen Quelle 8: 9 Standorte, ein digitaler Angebotsprozess – Baustoff Brandes rollt kinisto in nur 4 Wochen aus, Fundstelle(n): Fallstudie, Rollout und tägliche Nutzung Quelle 10: Künstliche Intelligenz, Fundstelle(n): Abschnitte LLM und Produktzuordnung Quelle 9: Case Study ABS Safety, Fundstelle(n): Fallstudie, Systemvorschläge und Integration Quelle 13: Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management, Fundstelle(n): PDF S.1–2, Challenge, Solution, Results · S.1–2 Quelle 14: Setting a New Standard for Risk Management: How E-J Electric Saves Time, Reduces Legal Spend, and Drives Consistency, Fundstelle(n): Published On und Link zur Fallstudie Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§4–5 Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §§4–5 Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): §6.4

Worauf es bei KI-gestützte Angebots-, Vertrags- und Claim-Analyse fachlich ankommt

Angebotsbearbeitung: passende Position ist nicht gleich vergleichbares Angebot

Studien-/Praxisbefund

Der Anbieter kinisto beschreibt zwei getrennte Funktionen: Sprachmodelle erschließen LV-Inhalte, eine kundenspezifisch gelernte Zuordnung schlägt Produkte vor. Der ABS-Safety-Fall ergänzt Systemkomponenten und eine API-Anbindung. Für Baustoff Brandes berichtet kinisto tägliche Nutzung durch mehr als 40 Beschäftigte an neun Standorten nach vierwöchigem Rollout. Die Seiten sind undatiert; weder unabhängige Fehlerwerte noch eine Validierung von Zuschlagsentscheidungen werden ausgewiesen.

Quelle 8: 9 Standorte, ein digitaler Angebotsprozess – Baustoff Brandes rollt kinisto in nur 4 Wochen aus, Fundstelle(n): Fallstudie, Rollout und tägliche Nutzung Quelle 10: Künstliche Intelligenz, Fundstelle(n): Abschnitte LLM und Produktzuordnung Quelle 9: Case Study ABS Safety, Fundstelle(n): Fallstudie, Systemvorschläge und Integration

Fachliche Einordnung

Für die Angebotsprüfung sollten Leistungsumfang, Mengen, Einheiten, Nebenbedingungen und Fundstelle je Position sichtbar bleiben. Produktvorschläge unterstützen die Bearbeitung, beweisen aber nicht, dass zwei Bieter dasselbe anbieten. Rechenprüfung, Vollständigkeitskontrolle und die Bewertung von Alternativen sind gesonderte Arbeitsschritte. Der Brandes-Fall trägt die Nutzung einer abgegrenzten LV-Funktion im Baustoffhandel, keine allgemeine Vergabekompetenz der Software.

Quelle 5: Integrating AI into procurement processes in construction, Fundstelle(n): Abstract Quelle 10: Künstliche Intelligenz, Fundstelle(n): LLM-Extraktion und Produktzuordnung Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): §6.4 Quelle 8: 9 Standorte, ein digitaler Angebotsprozess – Baustoff Brandes rollt kinisto in nur 4 Wochen aus, Fundstelle(n): LV-Analyse und Produktzuordnung Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3.5 und 5.3

Angebotsvergleich im Skanska-Fall: Nachprüfung bleibt Teil der Aufgabe

Studien-/Praxisbefund

Hamppis Aalto-Masterarbeit vom Mai 2025 vergleicht ein GenAI-Werkzeug von Skanska anhand vorverknüpfter Angebotsdateien mit manueller Auswertung. Der zugängliche institutionelle Abstract berichtet inkonsistente Ergebnisse und sieht zunächst textbezogene Analyse als nutzbaren Schritt. Die fünf ergänzenden Beschaffungsinterviews sind keine Zahl getesteter Angebote. Volltext, Angebotsstichprobe und Nettozeit konnten in dieser Recherche nicht geprüft werden.

Quelle 5: Integrating AI into procurement processes in construction, Fundstelle(n): Abstract; Date; Authors

Fachliche Einordnung

Ein Angebotsassistent muss gegen nachvollziehbare fachliche Referenzen getestet werden, nicht nur anhand plausibel formulierter Zusammenfassungen. Maßgeblich sind übersehene Ausschlüsse, unpassende Positionsverknüpfungen und der Aufwand bis zur korrigierten Vergleichsliste. Der Fall begründet anwendungsnahe Pilotierung; eine Zeitersparnis nach vollständiger Nachprüfung lässt sich daraus nicht beziffern.

Quelle 5: Integrating AI into procurement processes in construction, Fundstelle(n): Abstract Quelle 10: Künstliche Intelligenz, Fundstelle(n): LLM-Extraktion und Produktzuordnung Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): §6.4 Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §4 · §§3.3, 5.3–5.4 Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §4 Quelle 15: Responsible use of artificial intelligence in surveying practice, first edition, Fundstelle(n): §§3.1, 4.1–4.2

Vertrags-RAG: bessere Suche, weiterhin verlorene Bedingungen

Studien-/Praxisbefund

Kim et al. verbinden klauselorientiertes Fachwissen mit Klassifikationsfilter sowie dichter und lexikalischer Suche. Der Vergleich betrifft FIDIC 1999 und den omanischen Standardvertrag 2019. Bei 320 Fragen je Variante steigen Context Recall von 0,635 auf 0,969 und Faithfulness von 0,602 auf 0,893. Answer Correctness liegt bei 0,750 ± 0,197. Das sind automatisierte RAGAS-Werte, keine Quote rechtlich richtiger Entscheidungen. Die Fehleranalyse zeigt weiterhin verkürzte Zahlenangaben, ausgelassene Anzeige- und Dokumentationsbedingungen sowie fehlende Verknüpfungen zusammengehöriger Verfahrensschritte.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3.2–3.5; 4.1 · §§3.6; 4.2; 4.3.1–4.3.2; 5.4 · §5.3, drei Fehlerarten; §5.4

Fachliche Einordnung

Quellenbindung ist notwendig, aber kein Vollständigkeitsnachweis. Die prüfende Person muss die Originalstelle einschließlich Bedingungen, Ausnahmen und Querverweisen sehen können. Fehlende Anlagen, unklare Fassungen oder nicht belegbare Aussagen sollten zur Klärung führen, nicht zu einer scheinbar eindeutigen Ampel. Da der Versuch keinen externen Bestand unbekannter Bauverträge prüft, lässt sich seine Ergebnisverbesserung nicht ungeprüft auf deutschsprachige Projektverträge übertragen.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3.3, 3.5, 5.3–5.4 · §§3.3, 5.3–5.4 Quelle 15: Responsible use of artificial intelligence in surveying practice, first edition, Fundstelle(n): §§4.1–4.2 · §§3.1, 4.1–4.2 Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): §6.4

Klauselklassifikation und geführte Prompts: begrenzte Versuchserfolge

Studien-/Praxisbefund

Demircan und Uğur untersuchen 450 beziehungsweise 827 Sätze aus FIDIC-/JCT-Standardtexten mit Transformer-Embeddings und Klassifikatoren. Bis zu 98,33 Prozent Accuracy beziehen sich auf einen internen Benchmark mit zufälligem 80/20-Satzsplit. Autoren-Konsenslabels, fehlender unabhängiger Interraterwert und kein externer Vertragstest begrenzen den Befund. Ergänzend beschreibt der LSBU-Abstract von Rasool et al. 30 GPT-4.1-Ausgaben zu sechs synthetischen NEC4-artigen Klauseln: Geführte, klauselorientierte Prompts schneiden qualitativ günstiger ab als weniger gebundene. Der vollständige Text liegt unter Embargo.

Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): §§4.2–4.3; §5, Experimental setup; §6.4 · Abstract; §§6.1, 6.3, 6.4 Quelle 4: Evaluation of Prompt Engineering for LLM-Based Construction Contract Risk Analysis, Fundstelle(n): Abstract; Publication status; Embargoed Document

Fachliche Einordnung

Eine zutreffende Satzklasse beantwortet noch nicht, ob alle Pflichten eines Vertrags erfasst sind. Gerade überlappende Termin-, Kosten- und Qualitätsbezüge verlangen Kontext. Geführte Prompts können die Nachprüfbarkeit unterstützen, ersetzen aber keine unabhängige Fachreferenz. Bei einer Einführung sollten unbekannte Verträge und kritische Auslassungen gezielt geprüft werden; eine hohe interne Accuracy ist dafür kein Ersatz.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§4–5 · §§3.3, 5.3–5.4 Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §§4–5 Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): §6.4 Quelle 13: Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management, Fundstelle(n): S.1–2 Quelle 15: Responsible use of artificial intelligence in surveying practice, first edition, Fundstelle(n): §§3.1, 4.1–4.2

Claim-Wissen: Beziehungen erschließen, Anspruch nicht vorwegnehmen

Studien-/Praxisbefund

Wang und Fang bauen einen Wissensgraphen aus 31 chinesischen Urteilen und 13 Projektberichten auf; extrahierte Entitäten und Beziehungen werden manuell geprüft. Der eigentliche Antwortversuch umfasst nur vier Fragen zum Arbeitsstillstand, nominal 36 Ausgaben über drei Konfigurationen. Gemessen wird Textähnlichkeit mit BLEU, BERT-Cosine und ROUGE. Vektor-RAG bleibt beim Antwort-Recall teilweise hinter dem Basismodell zurück. Die Beschreibung der Wiederholungsaggregation ist widersprüchlich; eine integrierte Kosten-/Terminberechnung und Rechtsraumübertragung fehlen.

Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §3 Methodology; §3.1, Schritte 1–5 · §4 Experiment; §5 Discussion, Limitations · §4, Ergebnisabsatz nach Abb.11; §5

Fachliche Einordnung

Ein Graph kann Vertragsgrundlage, Ereignis, Beteiligte und Belege auffindbar verknüpfen. Für die Nachtragsprüfung müssen zusätzlich behauptete Verursachung, Gegenbelege und noch fehlende Zwischenschritte kenntlich sein. Die 44 Dokumente der Wissensbasis sind keine 44 autonom bearbeiteten Claims. Ebenso ist Ähnlichkeit mit einer Referenzantwort kein Nachweis eines Anspruchs in einem neuen Projekt. Die nachvollziehbare Belegaufbereitung ist der derzeit tragfähigere Einsatzanspruch.

Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §3.1, Evidenz- und Anspruchsknoten; §5, quantitative Grenze · §§4–5 Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §5.3, professional reasoning failure · §§4–5 Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): §6.4 Quelle 13: Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management, Fundstelle(n): S.1–2

Vertragsvorprüfung im Unternehmen: standardisierte Assistenz mit Eskalation

Studien-/Praxisbefund

Implenia berichtet im Oktober 2025 über die Entwicklung eines Bauvertragsmoduls mit Legartis. Die undatierte Legartis-Fallstudie beschreibt eine operative Erstprüfung und die Weitergabe kritischer Abweichungen an Legal. Document Crunch schildert für E-J Electric den Wechsel von manuellen zu firmeneinheitlichen KI-Checklisten und den Einsatz von Vertrags-Playbooks während der Ausführung; die zugehörige Landingpage ist vom 10.12.2025. Beide Fälle sind Anbieter-/Kundenberichte ohne unabhängig gemessene Fehler- oder Gesamtzeitwerte.

Fachliche Einordnung

Der Nutzenmechanismus ist eine konsistente Vorbereitung der Fachprüfung: relevante Vertragsfragen werden vorstrukturiert, Ausnahmen gezielt weitergegeben. Dazu gehören ein gepflegtes Prüfschema und klar zugewiesene Eskalationsverantwortung. Die Fälle tragen begrenzte, wiederholte Assistenznutzung. Unternehmensgröße, allgemeine Projektzahl und werbliche Zeitangaben dürfen weder als KI-Fallzahl noch als gesicherte Einsparung ausgegeben werden.

Quelle 8: 9 Standorte, ein digitaler Angebotsprozess – Baustoff Brandes rollt kinisto in nur 4 Wochen aus, Fundstelle(n): Rollout und tägliche Nutzung Quelle 7: Wie Implenia die Vertragsprüfung mit agentischer Legal AI skaliert, Fundstelle(n): Operative Erstprüfung · Operative Erstprüfung und Legal-Eskalation Quelle 13: Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management, Fundstelle(n): S.2, Checklists und Playbooks Quelle 5: Integrating AI into procurement processes in construction, Fundstelle(n): Abstract Quelle 11: Tag der Bauüberwachung – 25.03.2026; Nachtragsplattform NTPDataGO, Fundstelle(n): Folien 35–37 Quelle 15: Responsible use of artificial intelligence in surveying practice, first edition, Fundstelle(n): §§4.1–4.4 · §§3.1, 4.1–4.2 Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3.3, 5.3–5.4 Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): §6.4

Nachtragsprüfung bei der DB: Integration ist noch keine KI-Erfolgsserie

Studien-/Praxisbefund

Die DB-Folien zum Tag der Bauüberwachung am 25.03.2026 beschreiben für NTPDataGO generative KI zur formalen Nachtragsprüfung und die Einbindung von Vertragsunterlagen. Die Betreiberseite nennt eine Sprechstunde mit Erfahrungen seit dem Plattform-Go-live. Die Materialien belegen damit konkrete Prozessintegration und Plattformbetrieb, aber keine gesonderte Anzahl erfolgreich KI-geprüfter Nachträge, keine Fehlerquote und keine unabhängig gemessene Verkürzung der Prüfung.

Quelle 11: Tag der Bauüberwachung – 25.03.2026; Nachtragsplattform NTPDataGO, Fundstelle(n): Folien 35–36 und 46–49 Quelle 12: Nachtragsplattform (NTP), Fundstelle(n): Abschnitt Offene Sprechstunde; Zeitplan

Fachliche Einordnung

Für die Einordnung ist zwischen digitalem Eingang, formaler Vorprüfung und fachlicher Nachtragsbewertung zu unterscheiden. Erst ein dokumentierter Bezug zwischen Vertragsstand, eingereichtem Nachtrag und zugrunde liegenden Belegen erlaubt eine überprüfbare Bewertung. Der Betrieb einer Plattform belegt nicht automatisch, dass jede angekündigte KI-Funktion regelmäßig und mit ausreichender Qualität eingesetzt wird.

Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §3.1, Evidenz- und Anspruchsknoten; §5, quantitative Grenze · §§3–5 Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §5.3, professional reasoning failure Quelle 11: Tag der Bauüberwachung – 25.03.2026; Nachtragsplattform NTPDataGO, Fundstelle(n): Folien 35–37, 46–49 Quelle 13: Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management, Fundstelle(n): S.2, Post-contract playbooks

Einführung: kritische Auslassungen und Gesamtaufwand prüfen

Studien-/Praxisbefund

Die untersuchten Vertrags- und Klassifikationsarbeiten benennen fehlende externe Validierung und konkrete Grenzen ihrer Datenbasis. Der RICS-Standard zur KI-Nutzung verlangt für seinen professionellen Adressatenkreis Eignungsprüfung, fachliches Urteil und nachvollziehbare Nutzung. Dieser Standard ist keine Leistungsstudie und keine pauschal auf deutsche Bauverträge übertragbare Rechtsnorm.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3.6; 4.2; 4.3.1–4.3.2; 5.4 Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): Abstract; §§6.1, 6.3, 6.4 Quelle 15: Responsible use of artificial intelligence in surveying practice, first edition, Fundstelle(n): Titelblatt; §1.2; §§4.1–4.4

Fachliche Einordnung

Eine belastbare Einführung benötigt vollständige, versionierte Unterlagen, zulässige Datenflüsse, getrennte Zugriffe und fachlich gepflegtes Prüfwissen. Für die Abnahme eines Werkzeugs empfehlen sich unbekannte Vertrags-/Projektfälle mit unabhängigen Fachurteilen: Welche kritischen Punkte werden übersehen, welche Warnungen sind falsch und wie viel Nacharbeit bleibt? In einen Zeitvergleich gehören Quellenkontrolle, Korrektur und Wissenspflege. Solange diese Größen fehlen, ist ein funktionierender Demonstrationsdialog kein belastbarer Wirtschaftlichkeitsnachweis.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3.3, 5.3–5.4 Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): §6.4 Quelle 15: Responsible use of artificial intelligence in surveying practice, first edition, Fundstelle(n): §§3.1, 4.1–4.2

Warum KI-gestützte Angebots-, Vertrags- und Claim-Analyse relevant ist

ReifegradPilotierung bis wachsender Praxiseinsatz

Die Spanne reicht von anwendungsnaher Erprobung bis zu berichteter wiederholter und ausgeweiteter Assistenznutzung. Der Skanska-Versuch trägt die Pilotierung im Angebotsvergleich. Brandes beschreibt einen standortübergreifenden LV-Arbeitsablauf, Implenia eine operative Vertragsvorprüfung und E-J Electric firmeneinheitliche Checklisten. Diese überwiegend eigenberichteten Fälle stützen die obere Grenze für abgegrenzte, fachlich kontrollierte Aufgaben. Die Claim-Graph-Forschung ist wesentlich enger erprobt. MR-05 gilt deshalb nicht für autonome Rechts-, Vergabe- oder Anspruchsentscheidungen.

Quelle 5: Integrating AI into procurement processes in construction, Fundstelle(n): Abstract Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §4 Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §4 Quelle 8: 9 Standorte, ein digitaler Angebotsprozess – Baustoff Brandes rollt kinisto in nur 4 Wochen aus, Fundstelle(n): Rollout und tägliche Nutzung Quelle 7: Wie Implenia die Vertragsprüfung mit agentischer Legal AI skaliert, Fundstelle(n): Operative Erstprüfung Quelle 13: Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management, Fundstelle(n): S.2, Checklists und Playbooks

Evidenzwachsende Evidenz

Mehrere Originalarbeiten legen Verfahren und Tests offen; benannte Anwender ergänzen die Praxisperspektive. Die Validierung bleibt jedoch eng: Standardvertragsfragen, zufällige Satzsplits und vier Claim-Testfragen bilden unbekannte reale Bauvorhaben nur begrenzt ab. Ein Teil der Forschung ist nur im Abstract zugänglich, Praxisberichte sind überwiegend anbietergetragen. Unabhängige DACH-Prüfungen kritischer Auslassungen und des Gesamtaufwands fehlen in der recherchierten Basis. Diese methodischen Grenzen begründen EV-02 – nicht die bloße Verfügbarkeit von Produkten.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§4–5 Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §§4–5 Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): §6.4 Quelle 13: Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management, Fundstelle(n): S.1–2 Quelle 4: Evaluation of Prompt Engineering for LLM-Based Construction Contract Risk Analysis, Fundstelle(n): Abstract; Publication status; Embargoed Document Quelle 5: Integrating AI into procurement processes in construction, Fundstelle(n): Abstract; Date; Authors

EntwicklungsdynamikAktive Weiterentwicklung

Aktuelle Arbeiten vertiefen Klauselwissen, Beziehungsmodelle und kontrollierte Prüfabläufe.

Klauselorientiertes RAG, Claim-Wissensgraphen und aktuelle Klassifikationsvergleiche bearbeiten unterschiedliche Schwächen der Dokumentenprüfung. Ergänzend werden geführte Prompts und die Einbindung in Nachtragsprozesse untersucht. Die Arbeiten von 2025/2026 zeigen aktive Weiterentwicklung, aber keine vergleichbare Zeitreihe desselben Systems. Weder die Zahl der Publikationen noch bessere Werte auf unterschiedlichen Aufgaben belegen eine beschleunigte Entwicklungsrate.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3–5; Datum 14.03.2025 Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §§3–5; Datum 19.02.2026 Quelle 3: Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance, Fundstelle(n): §§4–6; Datum 03.07.2026 Quelle 11: Tag der Bauüberwachung – 25.03.2026; Nachtragsplattform NTPDataGO, Fundstelle(n): Folie 36 Quelle 4: Evaluation of Prompt Engineering for LLM-Based Construction Contract Risk Analysis, Fundstelle(n): Abstract; Publication status; Embargoed Document

MarktdynamikSelektive Ausweitung

Einzelne Unternehmen weiten Assistenzfunktionen aus; eine breite Branchenverbreitung ist nicht belegt.

Der datierte E-J-Electric-Bericht vom Dezember 2025 beschreibt den Übergang von manuellen Checklisten zu einer einheitlichen Vertragsassistenz einschließlich Nutzung in der Ausführung. Das trägt eine vorsichtige Einordnung als selektive Ausweitung innerhalb einer Organisation; der genaue Einführungstag bleibt offen. Die DB ergänzt ein konkretes Integrationssignal, jedoch keine KI-Nutzungsserie. Undatierte Fallseiten von Implenia und kinisto tragen beschriebene Nutzung, keine Wachstumsgeschwindigkeit. Für branchenweite Verbreitung oder quantitative Marktwachstumsraten reicht die Grundlage nicht.

Quelle 13: Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management, Fundstelle(n): S.1–2, Vorher-/Nachherablauf Quelle 14: Setting a New Standard for Risk Management: How E-J Electric Saves Time, Reduces Legal Spend, and Drives Consistency, Fundstelle(n): Published On 10.12.2025 Quelle 12: Nachtragsplattform (NTP), Fundstelle(n): Offene Sprechstunde 04.05.2026

Für welche Bauprozesse KI-gestützte Angebots-, Vertrags- und Claim-Analyse relevant ist

Strategie & Projektentwicklung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Vertrags- und Nachtragsmuster können frühen Prüfbedarf und Fragen der Risikoverteilung sichtbar machen. Die Unterstützung bleibt indirekt: Sie bereitet dokumentbezogenes Wissen für die Projektvorbereitung auf, bewertet aber weder Standort noch Wirtschaftlichkeit oder Investitionsentscheidung.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3.3 und 5.4

Planung & Design

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Planungsstände, Leistungsbeschreibungen und Änderungen liefern den Sollumfang für spätere Vertrags- und Abweichungsprüfungen. Eine nachvollziehbare Dokumentzuordnung erleichtert die Übergabe an Vergabe und Ausführung. Sie ersetzt weder fachliche Planungsprüfung noch den Nachweis vollständiger Leistungen.

Quelle 11: Tag der Bauüberwachung – 25.03.2026; Nachtragsplattform NTPDataGO, Fundstelle(n): Folien 36–37 und 46–49 Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §3.1

Ausschreibung & Vergabe

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Hier liegt eine Kernaufgabe: LV- und Angebotspositionen, Ausschlüsse sowie Vertragsabweichungen vor Zuschlag für die Prüfung strukturieren. Quellenbezogene Vergleichslisten können unterschiedliche Leistungsumfänge sichtbar machen. Rechnerische Kontrolle, sachliche Bewertung und Zuschlagsentscheidung bleiben verantwortlich zugeordnet.

Quelle 5: Integrating AI into procurement processes in construction, Fundstelle(n): Abstract Quelle 8: 9 Standorte, ein digitaler Angebotsprozess – Baustoff Brandes rollt kinisto in nur 4 Wochen aus, Fundstelle(n): LV-Analyse und Produktzuordnung Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3.5 und 5.3

Bauausführung & Baustellenmanagement

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Während der Ausführung können Vertragspflichten, Anzeigen und Projektbelege für Nachträge zusammengeführt werden. Die Assistenz bereitet relevante Fundstellen und mögliche Beziehungen vor. Bauablaufkausalität sowie Kosten- und Terminfolgen sind damit noch nicht geklärt und benötigen eine gesonderte Fachprüfung.

Quelle 11: Tag der Bauüberwachung – 25.03.2026; Nachtragsplattform NTPDataGO, Fundstelle(n): Folien 35–37, 46–49 Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §§3–5 Quelle 13: Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management, Fundstelle(n): S.2, Post-contract playbooks

Betrieb & Instandhaltung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Übergebene Vertrags-, Abnahme- und Nachtragsunterlagen können spätere Pflichten- und Nachweisfragen unterstützen. Dieser indirekte Anschluss ist eine fachliche Übertragung der Dokumentenfunktion, kein hier validierter Betriebsfall. Aktuelle Zustände und Instandhaltungsbedarf werden damit nicht prognostiziert.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3.3–3.5, 5.4 Quelle 15: Responsible use of artificial intelligence in surveying practice, first edition, Fundstelle(n): §4.2

Rückbau & Kreislaufwirtschaft

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Bei Rückbauleistungen lassen sich Vertragsumfang, Ausschlüsse und Leistungsnachweise grundsätzlich nach demselben Prüfmuster aufbereiten. Ein spezifischer Rückbauversuch ist in der Recherche nicht belegt. Materialerkennung, Schadstoffbewertung und tatsächliche Kreislauffähigkeit bleiben außerhalb dieser Anwendung.

Für wen KI-gestützte Angebots-, Vertrags- und Claim-Analyse relevant ist

Bauherren und Auftraggeber

Erhalten eine nachvollziehbare Grundlage für den Vergleich von Leistungsumfang, Ausschlüssen und späteren Nachträgen. Der mögliche Nutzen liegt in besser vorbereiteten Prüffragen, nicht in einer automatisch richtigen Vergabe. Zuständige Fachleute müssen Dokumentvollständigkeit, Rechenwerte und strittige Belege prüfen.

Quelle 5: Integrating AI into procurement processes in construction, Fundstelle(n): Abstract Quelle 11: Tag der Bauüberwachung – 25.03.2026; Nachtragsplattform NTPDataGO, Fundstelle(n): Folien 35–37 Quelle 7: Wie Implenia die Vertragsprüfung mit agentischer Legal AI skaliert, Fundstelle(n): Operative Erstprüfung und Legal-Eskalation Quelle 15: Responsible use of artificial intelligence in surveying practice, first edition, Fundstelle(n): §§4.1–4.4

Architektur-, Ingenieur- und Planungsbüros

Können Leistungsbeschreibungen und Planungsstände mit den zugehörigen Vertrags- und Änderungsunterlagen verbinden. Dadurch lässt sich die Vorbereitung von Rückfragen und Leistungsabgrenzungen unterstützen. Die sachliche Richtigkeit der Planung und die behaupteten Folgen einer Änderung bleiben gesondert zu beurteilen.

Bauunternehmen und Generalunternehmer

Können LV- und Angebotsbearbeitung sowie die Erstprüfung von Bau- und Nachunternehmerverträgen strukturieren. Ein gepflegtes Prüfschema hilft, Abweichungen gezielt an zuständige Fach- oder Rechtsstellen zu geben. Für die Nachtragsarbeit unterstützt die KI die Belegaufbereitung; sie bestätigt nicht selbst Anspruchsgrund und Höhe.

Öffentliche Hand, Kommunen und Vergabestellen

Benötigen nachvollziehbare Vergabeunterlagen und reproduzierbare Prüfschritte. Eine quellenbezogene Assistenz kann Abweichungen vorbereiten, sofern Prüfmaßstab und Dokumentfassung eindeutig bleiben. Verantwortete Bewertung und dokumentierte Entscheidung dürfen nicht durch ein unbegründetes KI-Ranking ersetzt werden; eine bestimmte Zeitersparnis ist nicht belegt.

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Angebots-, Vertrags- und Claim-Analyse verknüpft ist

Hauptbezug

Datenplattformen & KI-Infrastruktur

Dokumenterschließung, projektspezifische Wissensbasis und kontrollierter Quellenzugriff bilden den technischen Kern. Klauseln und Projektbelege müssen mit ihrem Fassungs- und Herkunftsbezug abrufbar sein. Eine allgemeine Dokumentenplattform allein liefert noch keine fachlich tragfähige Vertragsprüfung.

Quelle 1: Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge, Fundstelle(n): §§3.2–3.5 Quelle 11: Tag der Bauüberwachung – 25.03.2026; Nachtragsplattform NTPDataGO, Fundstelle(n): Folien 46–49 Quelle 2: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): §3.1; §5

Verknüpftes Feld

Predictive Analytics & Entscheidungen

Priorisierte Abweichungen und Risikohinweise liefern Eingaben für fachliche Entscheidungen. Diese Schnittstelle ist Entscheidungsvorbereitung: Ein Sprachmodellbefund ist weder eine kalibrierte Risikoprognose noch ein verbindliches Rechtsurteil. Qualität und Grenzen der Hinweise müssen separat überprüfbar bleiben.

Verknüpftes Feld

BIM & Digitaler Zwilling

Eindeutige Modell-, Mengen- und Versionsbezüge können Vertrags- und Leistungsfragen mit dem Bauwerkskontext verbinden. Dafür müssen Dokumentstelle, Leistungsposition und Modellstand zusammenpassen. Die Verknüpfung ist hier als Anschlussmöglichkeit eingeordnet; ein produktiver, durchgängig validierter BIM-Vertragsabgleich ist in den geprüften Quellen nicht nachgewiesen.

Fachbegriffe und Detailthemen

Quellen und Evidenz zu KI-gestützte Angebots-, Vertrags- und Claim-Analyse

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, Sehoon Kwon; Buildings / Chung-Ang University, Samsung C&T
Publiziert
14.03.2025
Quellentyp
Originalstudie
Geltungsbereich
Standardvertragsvergleich FIDIC/Oman; automatisierte RAGAS-Bewertung, kein externer Vertragstest. Auslassungen trotz besserer Retrievalwerte. Publikation im erweiterten 24-Monats-Fenster zur Altquellenprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (25 Textstellen)
- §§3 und 5.3–5.4Textstelle 1 Textstelle 2
- §§3.3, 3.5, 5.3–5.4Textstelle 2 Textstelle 5 Textstelle 12
- §5.3, professional reasoning failureTextstelle 2 Textstelle 5 Textstelle 16 Textstelle 20
- §5.3, drei Fehlerarten; §5.4Textstelle 3 Textstelle 11
- §§4–5Textstelle 3 Textstelle 6 Textstelle 14 Textstelle 16 Textstelle 24
- §§3.5 und 5.3Textstelle 8 Textstelle 29
- §4Textstelle 10 Textstelle 23
- §§3.3, 5.3–5.4Textstelle 10 Textstelle 12 Textstelle 14 Textstelle 18 Textstelle 22
- §§3.2–3.5; 4.1Textstelle 11
- §§3.6; 4.2; 4.3.1–4.3.2; 5.4Textstelle 11 Textstelle 21
- §§3–5; Datum 14.03.2025Textstelle 25
- §§3.3 und 5.4Textstelle 27
- §§3.3–3.5, 5.4Textstelle 31
- §5.4Textstelle 32
- §§3.2–3.5Textstelle 37 Textstelle 38 Textstelle 39
Quelle 2
Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System
Herausgeber
Xinxue Wang, Jun Fang; Wuhan University of Technology / Buildings
Publiziert
19.02.2026
Quellentyp
Originalstudie
Geltungsbereich
Chinesische Claim-Wissensbasis; vier Testfragen zum Arbeitsstillstand. Textähnlichkeit ist keine Anspruchsrichtigkeit; Wiederholungsaggregation im Artikel uneindeutig.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (18 Textstellen)
- §§3–5Textstelle 1 Textstelle 2 Textstelle 20 Textstelle 30
- §3.1, Evidenz- und Anspruchsknoten; §5, quantitative GrenzeTextstelle 2 Textstelle 5 Textstelle 16 Textstelle 20
- §§4–5Textstelle 3 Textstelle 6 Textstelle 14 Textstelle 16 Textstelle 24
- §4Textstelle 10 Textstelle 23
- §3 Methodology; §3.1, Schritte 1–5Textstelle 15
- §4 Experiment; §5 Discussion, LimitationsTextstelle 15
- §4, Ergebnisabsatz nach Abb.11; §5Textstelle 15
- §§3–5; Datum 19.02.2026Textstelle 25
- §3.1Textstelle 28
- §3.1; §5Textstelle 37 Textstelle 38 Textstelle 39
Quelle 3
Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance
Herausgeber
Anıl Demircan, Latif Onur Uğur; Düzce University / Sustainability
Publiziert
03.07.2026
Quellentyp
Originalstudie
Geltungsbereich
Interner Satzklassifikationsversuch mit FIDIC/JCT, kein unbekannter Vertrag im externen Test. Keine gemessene Projekt-, Kosten- oder Zeitwirkung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (14 Textstellen)
- Abstract; §§6.1, 6.3, 6.4Textstelle 3 Textstelle 13 Textstelle 21
- §6.4Textstelle 3 Textstelle 4 Textstelle 6 Textstelle 8 Textstelle 10 Textstelle 12 Textstelle 14 Textstelle 16 Textstelle 18 Textstelle 22 Textstelle 24
- §§4.2–4.3; §5, Experimental setup; §6.4Textstelle 13
- §§4–6; Datum 03.07.2026Textstelle 25
Quelle 4
Evaluation of Prompt Engineering for LLM-Based Construction Contract Risk Analysis
Herausgeber
Saad Rasool, Yuting Chen, Chika Udeaja, Daniel Fong; London South Bank University Research Portal / ASCE
Publiziert
undatiert
Quellentyp
Forschungsabstract / angenommenes Manuskript
Geltungsbereich
Nur institutioneller Abstract zugänglich, Manuskript unter Embargo. 20.05.2026 bezeichnet Accepted/In press, kein gesicherter Publikationstag. Sechs synthetische Klauseln.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Abstract; Publication status; Embargoed DocumentTextstelle 13 Textstelle 24 Textstelle 25
Quelle 5
Integrating AI into procurement processes in construction
Herausgeber
Joni Hamppi; Aalto University, Master's thesis
Publiziert
18.05.2025
Quellentyp
Masterarbeit / institutioneller Abstract
Geltungsbereich
Masterarbeit; institutioneller Abstract und Metadaten, Volltext nicht geprüft. Skanska-Fall mit inkonsistenten Vergleichsergebnissen; 24-Monats-Erweiterung für europäische Angebotsvalidierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (16 Textstellen)
- AbstractTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 8 Textstelle 10 Textstelle 18 Textstelle 23 Textstelle 29 Textstelle 32 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36
- Abstract; Date; AuthorsTextstelle 3 Textstelle 9 Textstelle 24
Quelle 6
Digital bauen – von der Vision zur Wirtschaftlichkeit
Herausgeber
Implenia IMPACT
Publiziert
27.10.2025
Quellentyp
Anwender-/Projektinformation
Geltungsbereich
Datierter Entwicklungsbericht des Bauanwenders; dieselbe Evidenzkette wie die Legartis-Fallstudie. Keine unabhängige Nutzenmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Abschnitt KI in der VertragsprüfungTextstelle 6 Textstelle 17
Quelle 7
Wie Implenia die Vertragsprüfung mit agentischer Legal AI skaliert
Herausgeber
Legartis; Fallstudie mit Implenia
Publiziert
undatiert
Quellentyp
Anbieter-/Kundeninformation
Geltungsbereich
Undatierter Anbieter-/Kundenbericht zu Erstprüfung und Legal-Eskalation. Keine kontrollierte Fehler- oder Gesamtzeitmessung; kein sauber datierter Fortschrittsvergleich mit dem Implenia-Bericht.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- Operative ErstprüfungTextstelle 3 Textstelle 18 Textstelle 23
- Abschnitte zur operativen Erstprüfung und einheitlichen Prüfung über DivisionenTextstelle 6 Textstelle 17
- Operative Erstprüfung und Legal-EskalationTextstelle 18 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36
Quelle 8
9 Standorte, ein digitaler Angebotsprozess – Baustoff Brandes rollt kinisto in nur 4 Wochen aus
Herausgeber
kinisto / tetrel GmbH; Kundenfall Baustoff Brandes
Publiziert
undatiert
Quellentyp
Anbieter-/Kundeninformation
Geltungsbereich
Undatierter Anbieterfall zur täglichen Angebotserstellung im Baustoffhandel. Kein Nachweis autonomer Vergabeprüfung; Rolloutdauer ersetzt kein Kalenderdatum.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- Rollout und tägliche NutzungTextstelle 3 Textstelle 18 Textstelle 23
- Fallstudie, Rollout und tägliche NutzungTextstelle 6 Textstelle 7
- LV-Analyse und ProduktzuordnungTextstelle 8 Textstelle 29
Quelle 9
Case Study ABS Safety
Herausgeber
kinisto / tetrel GmbH; Kundenfall ABS Safety
Publiziert
undatiert
Quellentyp
Anbieter-/Kundeninformation
Geltungsbereich
Undatierter Anbieterfall zu Komponentenzuordnung und Integration; keine unabhängig gemessene Wirkung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Fallstudie, Systemvorschläge und IntegrationTextstelle 6 Textstelle 7
Quelle 10
Künstliche Intelligenz
Herausgeber
kinisto / tetrel GmbH
Publiziert
undatiert
Quellentyp
Anbieter-/Kundeninformation
Geltungsbereich
Anbietererklärung zu LLM-Extraktion und kundenspezifischer Produktzuordnung; kein unabhängiger Genauigkeitsbeleg.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- LLM-Extraktion und ProduktzuordnungTextstelle 4 Textstelle 8 Textstelle 10
- Abschnitte LLM und ProduktzuordnungTextstelle 6 Textstelle 7
Quelle 11
Tag der Bauüberwachung – 25.03.2026; Nachtragsplattform NTPDataGO
Herausgeber
Deutsche Bahn AG
Publiziert
undatiert
Quellentyp
Anwender-/Projektinformation
Geltungsbereich
Originalfolien zum Tag der Bauüberwachung am 25.03.2026. Datum bezeichnet den Vortragsstand, Publikationstag unbekannt. Formale Nachtragsprüfung und Integration, keine KI-Erfolgsstatistik; textlich ausgewertet.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (13 Textstellen)
- Folien 35–37Textstelle 18 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36
- Folien 35–36 und 46–49Textstelle 19
- Folien 35–37, 46–49Textstelle 20 Textstelle 30
- Folie 36Textstelle 25
- Folien 36–37 und 46–49Textstelle 28
- Folien 46–49Textstelle 37 Textstelle 38 Textstelle 39
Quelle 12
Nachtragsplattform (NTP)
Herausgeber
DB InfraGO AG
Publiziert
undatiert
Quellentyp
Anwender-/Projektinformation
Geltungsbereich
Undatierte Betreiberseite mit Ereignis-/Betriebsangaben. Plattform-Go-live ist kein Beleg für Umfang oder Qualität der KI-Prüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Abschnitt Offene Sprechstunde; ZeitplanTextstelle 19
- Offene Sprechstunde 04.05.2026Textstelle 26
Quelle 13
Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management
Herausgeber
Document Crunch; E-J Electric Installation Co.
Publiziert
undatiert
Quellentyp
Anbieter-/Kundeninformation
Geltungsbereich
Zweiseitiger Anbieter-/Kundenbericht von E-J Electric; derselbe Fall wie die Landingpage vom 10.12.2025. PDF ohne eigenes Publikationsdatum, keine unabhängige Wirkungsstudie.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (11 Textstellen)
- S.2, Checklists und PlaybooksTextstelle 3 Textstelle 18 Textstelle 23
- S.1–2Textstelle 3 Textstelle 6 Textstelle 14 Textstelle 16 Textstelle 24
- PDF S.1–2, Challenge, Solution, ResultsTextstelle 6 Textstelle 17
- S.2, Post-contract playbooksTextstelle 20 Textstelle 30
- S.1–2, Vorher-/NachherablaufTextstelle 26
Quelle 14
Setting a New Standard for Risk Management: How E-J Electric Saves Time, Reduces Legal Spend, and Drives Consistency
Herausgeber
Document Crunch
Publiziert
10.12.2025
Quellentyp
Anbieter-/Kundeninformation
Geltungsbereich
Datierte Landingpage zur E-J-Electric-Fallstudie. Organisatorische/funktionale Ausweitung im Eigenbericht; genaue Einführungstage und Nutzungsfallzahlen unbekannt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Published On und Link zur FallstudieTextstelle 6 Textstelle 17
- Published On 10.12.2025Textstelle 26
Quelle 15
Responsible use of artificial intelligence in surveying practice, first edition
Herausgeber
Royal Institution of Chartered Surveyors (RICS)
Publiziert
September 2025
Quellentyp
Professioneller Standard
Geltungsbereich
Professioneller RICS-Standard, erste Ausgabe September 2025. Trägt Anforderungen an Eignung und fachliche Kontrolle, keine technische Leistungsquote und keine pauschale deutsche Rechtsgeltung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (13 Textstellen)
- §§4.1–4.2Textstelle 2 Textstelle 5 Textstelle 12
- §§3.1, 4.1–4.2Textstelle 10 Textstelle 12 Textstelle 14 Textstelle 18 Textstelle 22
- §§4.1–4.4Textstelle 18 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36
- Titelblatt; §1.2; §§4.1–4.4Textstelle 21
- §4.2Textstelle 31

Alle Impulse im Radar entdecken

KI-gestützte Angebots-, Vertrags- und Claim-Analyse

Um was geht es bei KI-gestützte Angebots-, Vertrags- und Claim-Analyse?

Einordnung im Impulsradar

Drei Prüfketten mit unterschiedlichen Grenzen

Worauf es bei KI-gestützte Angebots-, Vertrags- und Claim-Analyse 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 KI-gestützte Angebots-, Vertrags- und Claim-Analyse relevant ist

Für welche Bauprozesse KI-gestützte Angebots-, Vertrags- und Claim-Analyse relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen KI-gestützte Angebots-, Vertrags- und Claim-Analyse relevant ist

Bauherren und Auftraggeber

Architektur-, Ingenieur- und Planungsbüros

Bauunternehmen und Generalunternehmer

Öffentliche Hand, Kommunen und Vergabestellen

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Angebots-, Vertrags- und Claim-Analyse verknüpft ist

Datenplattformen & KI-Infrastruktur

Predictive Analytics & Entscheidungen

BIM & Digitaler Zwilling

Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu KI-gestützte Angebots-, Vertrags- und Claim-Analyse

Quellen und Evidenz zu KI-gestützte Angebots-, Vertrags- und Claim-Analyse

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

Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System

Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance

Evaluation of Prompt Engineering for LLM-Based Construction Contract Risk Analysis

Integrating AI into procurement processes in construction

Digital bauen – von der Vision zur Wirtschaftlichkeit

Wie Implenia die Vertragsprüfung mit agentischer Legal AI skaliert

9 Standorte, ein digitaler Angebotsprozess – Baustoff Brandes rollt kinisto in nur 4 Wochen aus

Case Study ABS Safety

Künstliche Intelligenz

Tag der Bauüberwachung – 25.03.2026; Nachtragsplattform NTPDataGO

Nachtragsplattform (NTP)

Document Crunch & E-J Electric Installation – Setting a New Standard for Company-Wide Risk Management

Setting a New Standard for Risk Management: How E-J Electric Saves Time, Reduces Legal Spend, and Drives Consistency

Responsible use of artificial intelligence in surveying practice, first edition