INNOVATION SCOUT · IMPULSPROFIL

KI-gestützte Baufortschritts- und Soll-Ist-Analyse

KI-gestützte Baufortschrittsanalyse erkennt Bauteile, Aktivitäten oder Ausführungsstufen in Baustellenaufnahmen und ordnet sie räumlichen und zeitlichen Sollvorgaben zu. Daraus entstehen prüfbare Hinweise auf Arbeitsstände und Abweichungen.

Um was geht es bei KI-gestützte Baufortschritts- und Soll-Ist-Analyse?

Die Bauleitung braucht einen nachvollziehbaren Stand: Welche Arbeiten sind ausgeführt, was fehlt und wo weicht die Baustelle vom Terminplan ab? KI-gestützte Baufortschrittsanalyse bereitet dafür wiederholte Bilder, 360-Grad-Aufnahmen oder Punktwolken auf. Sie unterstützt die Zuordnung sichtbarer Bauteile, Aktivitäten und Ausführungsstufen. Die Bauleitung klärt Fehlzuordnungen und ergänzt nicht erfasste Arbeiten. Ein sichtbares Bauteil ist weder automatisch funktionsgeprüft noch vollständig fertiggestellt.

Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): The proposed system; Phase 3–5; Conclusion · Conclusion und Entwicklungsschritte Quelle 8: IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre, Fundstelle(n): Absätze zur Plattform und zu weekly progress Quelle 11: OpenSpace bringt umfassende Lösung zur Fortschrittsverfolgung für die Bauindustrie auf den Markt, Fundstelle(n): Absatz Disperse; Funktionsliste Quelle 9: Wie die ZECH Bau SE Berlin Großprojekte mit oculai souverän managet, Fundstelle(n): Automatische Prozesserfassung; Transparenz; Zeitersparnis Quelle 10: AI-supported structural construction at GS Schenk, Fundstelle(n): This is how processes are recorded; Schedule management; daily site report Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitt 4, Fortschrittsdefinition Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis

Einordnung im Impulsradar

Kommerzielle Systeme gleichen Baustellenaufnahmen mit BIM-Modellen und Terminplänen ab und unterstützen regelmäßige Projektbesprechungen. Forschung und Anbieter entwickeln Erkennung, Erfassung und Integration weiter. Wie belastbar ein Arbeitsstand ist, hängt von Bildabdeckung, passenden Referenzen und fachlicher Prüfung ab. Sichtbare, verdeckte und bestätigte Leistungen müssen unterscheidbar bleiben.

Quelle 8: IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre, Fundstelle(n): Reale NRC-Nutzung · Projektbeschreibung Quelle 17: Bouygues Bâtiment Industrie Selects Buildots to Monitor the Construction of a 44,000 m² Logistics Platform in the Val-d’Oise Using AI, Fundstelle(n): P3 Persan bereits genutzt Quelle 11: OpenSpace bringt umfassende Lösung zur Fortschrittsverfolgung für die Bauindustrie auf den Markt, Fundstelle(n): Nutzer und Verfügbarkeit Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Methodik, Bildsplit und Conclusion · Conclusion und Entwicklungsschritte Quelle 2: Limited-data transfer learning for semantic segmentation and pre-labeling of 3D shell construction LiDAR scans, Fundstelle(n): Abschnitte 3–6 Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitt 4, Fortschrittsdefinition Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis

Aufnahme, Zuordnung und bestätigter Arbeitsstand

Aus Baustellenaufnahmen wird ein Soll-Ist-Vergleich, indem die Bilder oder Punktwolken räumlich zugeordnet und mit dem passenden BIM-Modell oder Terminplan verbunden werden. Die gelernte Erkennung schlägt Bauteile, Aktivitäten oder Ausführungsstufen vor; geometrische Registrierung und Mengenaddition sind davon zu unterscheiden. Damit ein Fortschrittswert verständlich ist, müssen Leistung und Bezugsmenge feststehen. Bei einer Betonfläche macht es beispielsweise einen Unterschied, ob der Beton eingebracht oder bereits fertig geglättet ist.

Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): The proposed system; Phase 3–5; Conclusion · Conclusion und Entwicklungsschritte Quelle 8: IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre, Fundstelle(n): Absätze zur Plattform und zu weekly progress Quelle 11: OpenSpace bringt umfassende Lösung zur Fortschrittsverfolgung für die Bauindustrie auf den Markt, Fundstelle(n): Absatz Disperse; Funktionsliste Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitte 3–5, insbesondere 4/Figuren 4–5 · Abschnitt 4, Fortschrittsdefinition Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis

Nicht beurteilbar und nicht ausgeführt sind verschiedene Befunde. Verdeckte Bereiche, fehlende Begehungen und unsichere Zuordnungen sollten sichtbar bleiben, statt als negativer Leistungsstand in eine Gesamtrate einzugehen. Auch eine neue Modellversion kann einen Unterschied verursachen. Damit ein Statusbefund nachvollziehbar bleibt, sollten Aufnahmezeit, Referenzversion, Bauteil- oder Vorgangskennung, Teilstufe und Bestätigungsstatus gemeinsam dokumentiert werden.

Quelle 9: Wie die ZECH Bau SE Berlin Großprojekte mit oculai souverän managet, Fundstelle(n): Automatische Prozesserfassung; Transparenz; Zeitersparnis Quelle 10: AI-supported structural construction at GS Schenk, Fundstelle(n): This is how processes are recorded; Schedule management; daily site report Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Conclusion und Entwicklungsschritte Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitt 4, Fortschrittsdefinition Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis

Kommerzielle Anwendungen führen solche Statusinformationen in regelmäßigen Projektbesprechungen zusammen. Forschung untersucht unter anderem, wie sich feinere Ausführungsstufen erkennen und räumliche Aufnahmen mit dem Bauwerksmodell vergleichen lassen. Der Impuls betrachtet damit gegenwärtige Arbeitsstände. Die Prognose künftiger Termine oder Kosten und die Auswahl von Steuerungsmaßnahmen sind weiterführende Aufgaben. Für Qualitäts- und Sicherheitsbewertungen gelten eigene Kriterien; ein räumlich passender Statusbefund ersetzt keine Qualitätsprüfung.

Quelle 8: IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre, Fundstelle(n): Absätze 17–22 zur Anwendung und Datennutzung · Absätze zur Plattform und zu weekly progress Quelle 17: Bouygues Bâtiment Industrie Selects Buildots to Monitor the Construction of a 44,000 m² Logistics Platform in the Val-d’Oise Using AI, Fundstelle(n): Haupttext; Technology; Projektbeschreibung Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Development workflow; Pre-processing; Introduction; Conclusion · The proposed system; Phase 3–5; Conclusion · Conclusion und Entwicklungsschritte Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis; Limitations and future work · Zone comparison analysis Quelle 7: Neural radiance fields for construction site scene representation and progress evaluation with BIM, Fundstelle(n): Abstract; Publikationsmetadaten Quelle 11: OpenSpace bringt umfassende Lösung zur Fortschrittsverfolgung für die Bauindustrie auf den Markt, Fundstelle(n): Absatz Disperse; Funktionsliste Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitt 4, Fortschrittsdefinition

Worauf es bei KI-gestützte Baufortschritts- und Soll-Ist-Analyse fachlich ankommt

Wie Baustellen in Großbritannien und Frankreich Fortschrittsdaten nutzen

Studien-/Praxisbefund

Das Bauunternehmen Sir Robert McAlpine beschreibt im Juli 2025, wie die Software Buildots am National Rehabilitation Centre (NRC) in Nottingham eingesetzt wird: 360-Grad-Aufnahmen werden mit BIM und Terminplan verbunden, Aktivitätsstände fließen in regelmäßige Projektbesprechungen. Eine Meldung des Herstellers Buildots vom Februar 2026 nennt die laufende Anwendung bei Bouygues Bâtiment Industrie am 44.000-m²-Logistikprojekt P3 Persan. Dessen Fertigstellung ist für November 2026 geplant.

Quelle 8: IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre, Fundstelle(n): Absätze 17–22 zur Anwendung und Datennutzung Quelle 17: Bouygues Bâtiment Industrie Selects Buildots to Monitor the Construction of a 44,000 m² Logistics Platform in the Val-d’Oise Using AI, Fundstelle(n): Haupttext; Technology; Projektbeschreibung

Fachliche Einordnung

Der NRC-Fall zeigt, wie räumlich und zeitlich zugeordnete Arbeitsstände zu einer gemeinsamen Grundlage für Projektbesprechungen werden. Mit P3 Persan ist die Nutzung derselben Funktionsklasse in einem weiteren Bauprojekt beschrieben. Für die Übertragung sind Gewerkeabdeckung, Aufnahmetakt, Modellqualität und der Umgang mit unklaren Zuständen zu prüfen.

Kranturmvideos und Begehungen für die Fortschrittskontrolle

Studien-/Praxisbefund

Der Anbieter oculai beschreibt in undatierten Referenzen, wie ZECH in Berlin und GS Schenk Kranturmvideos auswerten: Erkannte Aktivitäten werden Bauteilen und Terminen zugeordnet. GS Schenk ergänzt Arbeiten unter Decken manuell. Ein anderer Anwendungsumfang zeigt sich in Wien: BMC Chmelar nutzt laut PlanRadar-Fallbericht am Projekt bafep21 verortete 360-Grad-Begehungen und einen wöchentlichen Bildvergleich. Die Aufnahmen dienen dort der Dokumentation; ein automatisch berechneter Fertigstellungsgrad ist für diesen Fall nicht beschrieben.

Fachliche Einordnung

Der Rohbauablauf verbindet die automatische Auswertung sichtbarer Vorgänge mit ergänzenden Angaben zu Arbeiten außerhalb des Kamerablicks. Für Bauunternehmen gehören deshalb Aufnahmeroutine und manuelle Ergänzung zusammen. Das Wiener Beispiel unterstützt eine andere Aufgabe: Bauaufsicht und Beteiligte können zeitlich und räumlich zugeordnete Aufnahmen für den Bildvergleich nutzen.

Fortschrittsdaten anzeigen, erfassen und weitergeben

Studien-/Praxisbefund

Auch die Angebote zur Fortschrittsverfolgung entwickeln sich weiter. OpenSpace führte sein Produkt Track im Juni 2025 mit meilensteinbezogener Bildanalyse und menschlicher Expertenprüfung ein. Im April 2026 kam eine Planansicht hinzu. Eine Produktmeldung vom September 2026 beschreibt weitere Mengen- und Integrationsfunktionen; der Begleittext bezeichnet die Programmierschnittstelle von Track noch als Beta. Buildots meldete im Juli 2026 verfügbare Rohbauverfolgung nach Beta-Erprobung und im August eine Integration von NavVis-Laserscans. Der Vertrag zwischen BAM und OpenSpace sieht den schrittweisen Ausbau der Plattformnutzung vor; der konkrete Umfang der Track-Nutzung bleibt dabei offen.

Quelle 11: OpenSpace bringt umfassende Lösung zur Fortschrittsverfolgung für die Bauindustrie auf den Markt, Fundstelle(n): Einleitung; Disperse-Absatz; Funktionen; Verfügbarkeit Quelle 21: Release Notes: April 2026 – OpenSpace Track / Site Plan View, Fundstelle(n): April 2026 / OpenSpace Track Quelle 13: OpenSpace stellt die nächste Generation seiner Visual Intelligence Platform bei Waypoint 2026 vor, Fundstelle(n): Verifizierter Fortschritt statt Meinungen Quelle 14: Waypoint 2026: what’s new in OpenSpace Track, Fundstelle(n): Aufzählung Put progress data to work in more places Quelle 15: Buildots launches superstructure tracking, extending construction intelligence into the structural phase, Fundstelle(n): Haupttext; Key features; Availability Quelle 16: Buildots launches laser scans, bringing survey-grade precision to the world’s most complex construction projects, Fundstelle(n): Einleitung vom 11.08.2026 Quelle 12: BAM baut Zusammenarbeit mit OpenSpace konzernweit aus, Fundstelle(n): Von lokalem Erfolg zur internationalen Skalierung; Integration; Einführung

Fachliche Einordnung

Die Erweiterungen betreffen unterschiedliche Schritte: Aufnahmen erfassen, Arbeitsstände räumlich anzeigen und Daten in andere Projektabläufe weitergeben. Bei einer Auswahl sind Erfassungsweg, erforderliches BIM, Terminanschluss und menschliche Verifizierung je Angebot konkret zu prüfen. Für die Einbindung einer Schnittstelle macht es einen Unterschied, ob sie verfügbar ist oder noch als Beta erprobt wird.

Ausbauzustände: Kategorie und Teilstufe getrennt erkennen

Studien-/Praxisbefund

Ob ein Bauteil und seine Ausführungsstufe auf Bildern erkennbar sind, untersuchen Fan et al. in einem Innenausbauprojekt der Tamkang University in Taiwan. Sie verbinden die Bildklassifikation durch ein neuronales Netz (CNN) mit Augmented Reality. Bei einer Aufteilung des Bildbestands von 80/10/10 Prozent erreicht das Modell ResNet34 eine Accuracy, also einen Anteil richtiger Zuordnungen, von 0,92 für die Kategorie und 0,89 für die Ausführungsstufe. Der Terminvergleich muss laut Schlussfolgerung weiterhin manuell zusammengefasst werden; für neue Projekte sind zusätzliche Bilder nötig. Ein unabhängiger Baustellen- oder Zeittest ist nicht ausgewiesen.

Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Development workflow; Pre-processing; Introduction; Conclusion

Fachliche Einordnung

Die getrennte Erkennung von Bauteilkategorie und Ausführungsstufe macht sichtbar, welche Teilaufgabe vor einem Terminvergleich gelöst werden muss. Für eine Einführung ist zu prüfen, ob die Klassen zu den eigenen Gewerken und Teilstufen passen. Besonders folgenreich sind Verwechslungen zwischen begonnen, teilweise fertig und abgeschlossen. Die berichtete Bild-Accuracy bewertet die Zuordnung der Bilder, nicht den korrekt erfassten Anteil der gesamten Baustellenleistung.

Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Development workflow; Pre-processing; Introduction; Conclusion · Conclusion und Entwicklungsschritte Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitt 4, Fortschrittsdefinition Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis

Bauteile in Rohbauscans vorab zuordnen

Studien-/Praxisbefund

Rauch und Braml untersuchen, wie sich Bauteilklassen in terrestrischen Laserscans (TLS) eines Rohbaus vorab zuordnen lassen. Der Versuch umfasst 36 Szenen mit zehn Klassen: 24 zum Training, sechs zur Validierung und sechs zum Test. Vortraining und Anpassung erhöhen die mittlere Segmentierungsüberlappung mIoU im Test von 0,66 auf 0,84. Ein Fachannotator erstellt und kontrolliert die Zuordnungen; ein Vergleich zwischen verschiedenen Annotatoren und eine unabhängige Mehrbaustellenprüfung fehlen. Kleine Installationen und die Übertragung auf andere Aufnahmebedingungen bleiben schwierig. Der separate Rohbau3D-Datensatz umfasst 504 Scans von 14 Baustellen bei München, enthält aber keine fertige zeitliche Fortschrittsreferenz.

Fachliche Einordnung

Die Vorsegmentierung bereitet den Bauteilbezug von Rohbauaufnahmen vor. Für den Fortschrittsabgleich kommen passende Koordinaten und ein zeitlicher Referenzstand hinzu. Die Teststichprobe bleibt dabei von der Datensammlung zu unterscheiden: Die 504 Rohbau3D-Scans sind nicht die unabhängige Teststichprobe des Transferlernversuchs.

Quelle 2: Limited-data transfer learning for semantic segmentation and pre-labeling of 3D shell construction LiDAR scans, Fundstelle(n): S. 481–484, Abschnitt 3/Tabelle 1; S. 491–496 Tabellen 4–6 Quelle 3: Rohbau3D: A Shell Construction Site 3D Point Cloud Dataset, Fundstelle(n): Abstract; Background & Summary; Methods/Data acquisition Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis

Betonierfortschritt: Verdeckung und Leistungsdefinition

Studien-/Praxisbefund

Lim et al. untersuchen den Betonierfortschritt mit einem kombinierten Bildauswertungsverfahren aus Grounded SAM2, LaMa-Inpainting und Metric3D. Inpainting ergänzt dabei verdeckte Bildbereiche künstlich. Ein Online-Zeitraffervideo von 2021 liefert 138 ausgewertete Einzelbilder; an 14 Zeitpunkten wird die Referenz aus dem Bewehrungsraster geschätzt und dazwischen interpoliert. Ähnliche Betonoberflächen können fertig geglättete Flächen überschätzen, künstlich ergänzte Bildbereiche den Fortschritt unterschätzen. Der Versuch ist eine vorläufige Untersuchung an einem Video, kein unabhängiger Baustellenvergleich.

Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitte 3–5, insbesondere 4/Figuren 4–5

Fachliche Einordnung

Für die fachliche Verwendung muss die beobachtbare Teilstufe zur Leistungsdefinition passen. Eingebrachter und fertig bearbeiteter Beton sind nicht gleichbedeutend. Inpainting ergänzt plausible Pixel, beobachtet aber keine tatsächlich verdeckte Arbeit. Ein System sollte solche Bereiche deshalb als unsicher kennzeichnen; aus einer anschaulichen Rekonstruktion allein folgt kein belastbarer Mengennachweis.

Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitte 3–5, insbesondere 4/Figuren 4–5 · Abschnitt 4, Fortschrittsdefinition Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Conclusion und Entwicklungsschritte Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis

Bildbasierte 3D-Szenen mit BIM vergleichen

Studien-/Praxisbefund

Ein räumlicher Vergleich lässt sich auch aus einer bildbasierten 3D-Darstellung vorbereiten. Liao et al. demonstrieren in einem Krankenhausprojekt, wie eine solche Darstellung mittels 3D Gaussian Splatting aufgebaut und mit BIM verglichen wird. Grenzen sind die manuelle Ausrichtung über Referenzpunkte und die fehlende standardisierte Genauigkeitsbewertung. Jeon et al. beschreiben im institutionellen Abstract einen weiteren Ansatz: Aus Smartphonevideo entsteht eine Szenendarstellung mit neuralen Strahlungsfeldern (NeRF), die in drei Betonierszenen mit BIM abgeglichen wird. Als Grundlage liegt der institutionelle Abstract vor. Ohne die vollständigen Messbedingungen lassen sich Genauigkeitswerte dieses Ansatzes nicht belastbar beurteilen.

Fachliche Einordnung

Die Darstellungen können räumliche Rückfragen anschaulich machen. Für einen verlässlichen Soll-Ist-Status bleiben Registrierung, Vollständigkeit und Bezug zum richtigen Modellstand entscheidend. Effekte eines gesamten Koordinationsablaufs dürfen dabei nicht allein der 3D-Repräsentation zugeschrieben werden.

Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis; Limitations and future work · Zone comparison analysis Quelle 7: Neural radiance fields for construction site scene representation and progress evaluation with BIM, Fundstelle(n): Abstract; Publikationsmetadaten Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Conclusion und Entwicklungsschritte Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitt 4, Fortschrittsdefinition

Baustellenbilder mit einer Aufgabenliste befragen

Studien-/Praxisbefund

Ersoz erprobt GPT-4 Vision mit einer Aufgabenliste und Baustellenaufnahmen; der zeitliche Vergleich nutzt ein Bildpaar im Monatsabstand. Der Preprint vom Dezember 2024 untersucht qualitative Statusbeschreibungen. Eine validierte Fortschrittsfehlerrate und ein Vergleich heutiger Modellgenerationen liegen darin nicht vor.

Quelle 6: Demystifying the Potential of ChatGPT-4 Vision for Construction Progress Monitoring, Fundstelle(n): S. 4–8, Figure 3 und Discussion and Conclusions

Fachliche Einordnung

Der Versuch erprobt eine sprachliche Interaktion mit Bilddaten: Aus Aufgabenliste und Aufnahmen entsteht eine Beschreibung sichtbarer Arbeitsstände. Die fachliche Prüfung muss diese Beschreibung an beobachtbaren Merkmalen festmachen. Für Mengen und Teilfertigstellung braucht es definierte Referenzen und eine dokumentierte Behandlung unklarer Bilder.

Quelle 6: Demystifying the Potential of ChatGPT-4 Vision for Construction Progress Monitoring, Fundstelle(n): S. 4–8, Figure 3 und Discussion and Conclusions Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Conclusion und Entwicklungsschritte Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitt 4, Fortschrittsdefinition Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis

Warum KI-gestützte Baufortschritts- und Soll-Ist-Analyse relevant ist

Reifegraderste Marktanwendung bis wachsender Praxiseinsatz

Benannte Baustellen belegen kommerzielle Fortschrittsanwendung: NRC und P3 Persan nutzen dieselbe Funktionsklasse in unterschiedlichen Projekten; OpenSpace nennt zusätzlich einen Track-Nutzer. Das stützt erste Marktanwendung und begrenzt wachsenden Praxiseinsatz. Die Einordnung gilt für projektweise eingerichtete Systeme mit passenden Referenzen und fachlicher Prüfung. Nicht sichtbare Arbeiten müssen ergänzt und unbekannte Klassen gesondert geprüft werden. Neue Forschungsansätze zur Erkennung einzelner Teilstufen oder räumlichen Darstellung sind bislang in engen Versuchsumgebungen erprobt.

Evidenzbelastbare Praxis- oder Forschungsbelege

Nachvollziehbare Versuche belegen abgegrenzte Erkennungs- und Zuordnungsaufgaben, etwa Ausbauklassifikation und Rohbausegmentierung. Konkrete Anwenderberichte ergänzen die tatsächliche Soll-Ist-Nutzung. Die belastbaren Belege betreffen diese abgegrenzten Aufgaben: kleine oder einzelne Projektumgebungen, fehlende externe Tests und manuelle Schritte begrenzen die Übertragbarkeit. Rohbau3D und der Transferlernversuch stammen aus derselben Forschungsgruppe und Datenumgebung; sie bilden keine unabhängige Replikation. Der Scan-to-BIM-Review umfasst 58 Fälle über verschiedene Lebenszyklusaufgaben, keine 58 unabhängigen Fortschrittsvalidierungen. Der RICS-Produktivitätsbericht liefert Branchenperspektiven, keine Messung der Güte einer KI-Fortschrittsanalyse. Produktmeldungen beschreiben den Funktionsausbau, ersetzen aber keinen vergleichenden Genauigkeitstest.

Für die betriebliche Prüfung sind unbekannte Baustellen und spätere Zeitstände einzubeziehen. Fehler je Leistungsstufe, fehlende Aufnahmen, Fehlzuordnungen, übersehene Rückstände und fachliche Korrekturen müssen erfasst werden. Einrichtung, Aufnahme, Datenpflege und Nachprüfung gehören in einen Nettozeitvergleich. Unabhängige projektübergreifende Messungen von Fortschrittsfehler, Nachprüfaufwand und Nettozeitgewinn bleiben offen; die Anwendungsfälle liefern keinen gemeinsamen Fehlermaßstab oder kontrollierten Terminvergleich. Forschungsmetrik, tatsächliche Nutzung und wirtschaftliche Wirkung sind deshalb getrennt zu lesen. Einzelne hohe Erkennungswerte oder berichtete Entlastung begründen keine allgemeine Kosten- oder Bauzeitersparnis.

Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Methodik, Bildsplit und Conclusion · Development workflow; Pre-processing; Introduction; Conclusion · Conclusion und Entwicklungsschritte Quelle 2: Limited-data transfer learning for semantic segmentation and pre-labeling of 3D shell construction LiDAR scans, Fundstelle(n): Abschnitte 3–6 · S. 481–484, Abschnitt 3/Tabelle 1; S. 491–496 Tabellen 4–6 · Vorsegmentierung/Human-in-the-loop Quelle 8: IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre, Fundstelle(n): Projektbeschreibung · NUH/IHP-Anwenderstimmen · Absätze 17–22 zur Anwendung und Datennutzung Quelle 19: Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines, Fundstelle(n): Titelseite; Abschnitt 2.2/Tabelle 2; 3.1 Quelle 18: RICS Construction Productivity Report 2026 / Productivity in Construction, Fundstelle(n): Productivity in Construction; Looking ahead Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitt 4, Fortschrittsdefinition Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis Quelle 3: Rohbau3D: A Shell Construction Site 3D Point Cloud Dataset, Fundstelle(n): Abstract; Background & Summary; Methods/Data acquisition Quelle 17: Bouygues Bâtiment Industrie Selects Buildots to Monitor the Construction of a 44,000 m² Logistics Platform in the Val-d’Oise Using AI, Fundstelle(n): Haupttext; Technology; Projektbeschreibung Quelle 15: Buildots launches superstructure tracking, extending construction intelligence into the structural phase, Fundstelle(n): Haupttext; Key features; Availability

EntwicklungsdynamikAktive Weiterentwicklung

Stufenerkennung, Transferlernen und räumliche Integration werden konkret weiterentwickelt.

Aktuelle Arbeiten untersuchen feinere Ausführungsstufen, die Anpassung von Punktwolkenmodellen an Baustellendaten und neue räumliche Repräsentationen. Ergänzend werden Statusinformationen stärker in Planansichten und Schnittstellen eingebunden. Diese datierten Arbeiten und Funktionen tragen aktive Weiterentwicklung. Eine vergleichbare Zeitreihe über mehrere unabhängige Linien, die ein beschleunigtes Entwicklungstempo belegt, fehlt.

Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): 2026 Originalarbeit Quelle 2: Limited-data transfer learning for semantic segmentation and pre-labeling of 3D shell construction LiDAR scans, Fundstelle(n): 2026 Originalarbeit Quelle 21: Release Notes: April 2026 – OpenSpace Track / Site Plan View, Fundstelle(n): April 2026 Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis; Limitations and future work

MarktdynamikSelektive Ausweitung

Weitere Projekte und datierte Produkterweiterungen zeigen selektiven Ausbau der Fortschrittsanalyse.

Zusätzliche konkrete Nutzung in P3 Persan und verfügbare Erweiterungen für Rohbau und Erfassung zeigen Bewegung in einzelnen Anwendungen und Angeboten. OpenSpace erweitert zugleich die Darstellung und Integration. Der BAM-Plattformvertrag ist ein ergänzendes Organisationssignal, aber keine flächendeckende Track-Nutzungsserie. Die Einordnung bleibt deshalb selektiv; Anbieterkommunikation, Betafunktionen und unklarer Modulumfang tragen keine breite Branchenverbreitung oder allgemeine Wachstumsquote. Die undatierten oculai-Referenzen beschreiben Anwendungen, aber keinen datierten jüngsten Ausbau im DACH-Raum. Der berichtete Einsatzbeginn 2022 bei GS Schenk bleibt historischer Kontext.

Quelle 17: Bouygues Bâtiment Industrie Selects Buildots to Monitor the Construction of a 44,000 m² Logistics Platform in the Val-d’Oise Using AI, Fundstelle(n): Nutzung 26.02.2026 Quelle 15: Buildots launches superstructure tracking, extending construction intelligence into the structural phase, Fundstelle(n): Verfügbarkeit 01.07.2026 Quelle 12: BAM baut Zusammenarbeit mit OpenSpace konzernweit aus, Fundstelle(n): Vertrag/Einführungsumfang Quelle 21: Release Notes: April 2026 – OpenSpace Track / Site Plan View, Fundstelle(n): April 2026 / OpenSpace Track Quelle 13: OpenSpace stellt die nächste Generation seiner Visual Intelligence Platform bei Waypoint 2026 vor, Fundstelle(n): Verifizierter Fortschritt statt Meinungen Quelle 14: Waypoint 2026: what’s new in OpenSpace Track, Fundstelle(n): Aufzählung Put progress data to work in more places Quelle 9: Wie die ZECH Bau SE Berlin Großprojekte mit oculai souverän managet, Fundstelle(n): Automatische Prozesserfassung; Transparenz; Zeitersparnis Quelle 10: AI-supported structural construction at GS Schenk, Fundstelle(n): This is how processes are recorded; Schedule management; daily site report

Für welche Bauprozesse KI-gestützte Baufortschritts- und Soll-Ist-Analyse relevant ist

Strategie & Projektentwicklung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Anforderungen an spätere Aufnahmen, Referenzdaten und Statusberichte können schon in der Projektentwicklung festgelegt werden. Erfahrungen aus der Ausführung helfen dabei, die benötigte Abdeckung und die Beschreibung von Arbeitsständen zu klären. So wird vorbereitet, welche Daten die spätere Fortschrittskontrolle benötigt.

Quelle 8: IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre, Fundstelle(n): Wöchentliche Statusnutzung Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison; limitations on operational value · Zone comparison analysis Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Conclusion und Entwicklungsschritte Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitt 4, Fortschrittsdefinition

Planung & Design

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Verortete Abweichungen können gezielte Rückfragen an die Planung auslösen. Dafür muss die gültige Modellrevision bekannt sein: Ein geänderter Plan ist nicht automatisch ausgeführte Arbeit oder ein Ausführungsfehler. Geklärte Statusinformationen helfen den Planenden zu unterscheiden, ob die Rückfrage eine Planänderung oder den tatsächlichen Ausführungsstand betrifft.

Ausschreibung & Vergabe

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Erfassungs- und Datenanforderungen lassen sich für spätere Leistungen beschreiben. Die Fortschrittsanalyse verwendet solche Vorgaben beim späteren Vergleich von Aufnahmen und erwartetem Arbeitsstand. Angebotsvergleich und Vergabeentscheidung sind eigene Aufgaben, für die diese Statusanalyse keine unmittelbare Funktion bereitstellt.

Bauausführung & Baustellenmanagement

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Aufnahmen werden in prüfbare Bauteil- und Aktivitätsstände überführt und mit dem zeitlichen Soll verglichen. Bauleitung und Gewerke können Rückstände nachvollziehbar priorisieren. Der NRC-Fall zeigt diese regelmäßige Nutzung; verdeckte oder unklare Teilstände müssen weiterhin fachlich ergänzt und geprüft werden.

Betrieb & Instandhaltung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Geprüfte Bauzustandsdokumentation kann die Übergabe und spätere Bestandsinformation unterstützen. Ihr Wert liegt in der zeitlich und räumlich nachvollziehbaren Historie. Sie bestätigt weder verdeckte Ausführung noch den heutigen Funktionszustand technischer Anlagen; dafür sind zusätzliche Nachweise erforderlich.

Rückbau & Kreislaufwirtschaft

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Fotos und Statuslisten dokumentieren sichtbare Arbeitsstände. Für Rückbau- oder Verwertungsentscheidungen wären zusätzlich ein geprüftes Materialinventar und ein Rückbaukonzept erforderlich. Die Fortschrittsdokumentation kann dafür Hintergrundinformationen liefern, enthält diese fachliche Bewertung aber nicht.

Für wen KI-gestützte Baufortschritts- und Soll-Ist-Analyse relevant ist

Bauherren und Auftraggeber

Geprüfte Status- und Abweichungsberichte können Projektgespräche auf eine gemeinsame Grundlage stellen. Bauherren müssen Leistungsdefinition, Berichtsabdeckung und Bestätigungsstatus festlegen.

Quelle 8: IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre, Fundstelle(n): NUH/IHP-Anwenderstimmen Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis Quelle 2: Limited-data transfer learning for semantic segmentation and pre-labeling of 3D shell construction LiDAR scans, Fundstelle(n): Vorsegmentierung/Human-in-the-loop Quelle 9: Wie die ZECH Bau SE Berlin Großprojekte mit oculai souverän managet, Fundstelle(n): Automatische Prozesserfassung; Transparenz; Zeitersparnis Quelle 10: AI-supported structural construction at GS Schenk, Fundstelle(n): This is how processes are recorded; Schedule management; daily site report

Architektur-, Ingenieur- und Planungsbüros

Ortsbezogene Rückfragen erleichtern die Klärung von Unterschieden zwischen Planung und sichtbarem Bauzustand. Planungsbüros prüfen gültige Revisionen und geplante Änderungen, bevor sie einen Befund als Ausführungsabweichung behandeln. Zusätzliche Modellpflege und Fachkontrolle bleiben Teil der Aufgabe.

Bauunternehmen und Generalunternehmer

Aktivitätsstände können Gewerkeabstimmung, Dokumentation und die Prüfung von Rückständen unterstützen. Aufnahmeroutinen, manuelle Ergänzungen blinder Bereiche und Korrekturen von Fehlzuordnungen bleiben erforderlich.

Technologieanbieter und Systemintegratoren

Technologieanbieter und Systemintegratoren verbinden Erfassungsdaten, Modelle, Termine und Ausgaben. Sie müssen Projektklassen, Versionen und Schnittstellen einrichten und Grenzfälle validieren. Für die Qualität zählt die gesamte Verarbeitung bis zum fachlich geklärten Status, nicht allein ein gut arbeitender Bildklassifikator.

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Baufortschritts- und Soll-Ist-Analyse verknüpft ist

Hauptbezug

Predictive Analytics & Entscheidungen

Der Kern liegt in der Aufbereitung von Ist- und Soll-Daten für prüfbare Status- und Abweichungsentscheidungen. Beobachtungen werden mit der definierten Leistung und dem erwarteten Zeitpunkt verbunden. Damit lässt sich der gegenwärtige Arbeitsstand beurteilen; eine Zukunftsprognose ist eine weiterführende Aufgabe.

Quelle 8: IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre, Fundstelle(n): BIM-/Terminabgleich Quelle 15: Buildots launches superstructure tracking, extending construction intelligence into the structural phase, Fundstelle(n): Capture methods Quelle 12: BAM baut Zusammenarbeit mit OpenSpace konzernweit aus, Fundstelle(n): Integration ACC Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Conclusion und Entwicklungsschritte Quelle 4: Vision-based scene understanding: preliminary study on concrete placement progress monitoring, Fundstelle(n): Abschnitt 4, Fortschrittsdefinition Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis

Verknüpftes Feld

BIM & Digitaler Zwilling

BIM-Objekte, Räume und Vorgangszuordnungen können das räumliche und semantische Soll liefern. Modellstand und Aufnahme müssen zueinander passen. BIM ist bei den beschriebenen Angeboten unterschiedlich eingebunden; ein Modell allein erzeugt keinen verlässlichen Leistungsstand.

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Aufnahmezeit, Ort, Referenzversion, Terminstand und Ergebnis müssen nachvollziehbar verbunden werden. Schnittstellen können diese Daten weitergeben, beseitigen aber keine uneindeutige Leistungsdefinition. Plattformrollout und tatsächlich verwendetes Fortschrittsmodul bleiben zu unterscheiden.

Verknüpftes Feld

Robotik, Automatisierung & Physical AI

Mobile, drohnen- oder robotergestützte Aufnahme kann wiederholbare Erfassungswege unterstützen. Sie ist ein optionaler Anschluss; die dokumentierte Nutzung handgeführter 360-Grad-Kameras zeigt, dass Robotik keine Voraussetzung der Fortschrittsanalyse ist.

Verknüpfte Fachbegriffe und Detailthemen

360-Grad-Erfassung: Wiederholte 360-Grad-Aufnahmen dokumentieren sichtbare Arbeitsstände für den räumlichen und zeitlichen Vergleich.
Building Information Modeling (BIM): BIM-Modelle liefern den Bauteil- und Ortsbezug, dem erkannte Arbeitsstände für den Soll-Ist-Vergleich zugeordnet werden.
Computer Vision: Computer Vision erkennt Bauteile und Ausführungsstufen in Baustellenaufnahmen als Grundlage der Fortschrittsanalyse.
Neurales Strahlungsfeld: Neurale Strahlungsfelder werden erprobt, um aus Smartphonevideos räumliche Baustellendarstellungen für den Vergleich mit BIM zu erstellen.
Punktwolke: Punktwolken erfassen die vorhandene Bauwerksgeometrie und ergänzen Bilddaten beim Vergleich mit dem geplanten Zustand.
Soll-Ist-Abgleich: Der Soll-Ist-Abgleich verbindet erkannte Ausführungsstände mit Ort, Leistung und passendem Planstand für die Bauleitung.
Terminplan: Terminpläne geben vor, welche Leistung zu welchem Zeitpunkt erwartet wird und machen erkannte Arbeitsstände zeitlich bewertbar.
Transferlernen: Die Anpassung vortrainierter Modelle an Rohbauscans unterstützt die Vorzuordnung von Bauteilklassen als Vorbereitung eines späteren Fortschrittsabgleichs.

Quellen und Evidenz zu KI-gestützte Baufortschritts- und Soll-Ist-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
Integration of AR and deep learning–based image classification using CNN for construction project monitoring
Herausgeber
Fan, Lin, Wu et al.; Scientific Reports
Publiziert
21.01.2026
Quellentyp
Originalstudie
Geltungsbereich
Innenausbau-Einzelfall; Bildsplit, keine unabhängige Baustellen-/Zeitvalidierung.
Quellenprofil lesen
Verwendung im Profil (23 Textstellen)
- The proposed system; Phase 3–5; ConclusionTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 6
- Conclusion und EntwicklungsschritteTextstelle 2 Textstelle 3 Textstelle 4 Textstelle 5 Textstelle 6 Textstelle 14 Textstelle 18 Textstelle 20 Textstelle 22 Textstelle 24 Textstelle 27 Textstelle 28 Textstelle 29 Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
- Methodik, Bildsplit und ConclusionTextstelle 3 Textstelle 24
- Development workflow; Pre-processing; Introduction; ConclusionTextstelle 6 Textstelle 13 Textstelle 14 Textstelle 24
- 2026 OriginalarbeitTextstelle 25
Quelle 2
Limited-data transfer learning for semantic segmentation and pre-labeling of 3D shell construction LiDAR scans
Herausgeber
Rauch und Braml; ITcon 31, 477–506
Publiziert
April 2026
Quellentyp
Originalstudie
Geltungsbereich
36 TLS-Szenen, zehn Klassen; Segmentierung statt Fortschrittsfehler. Gleiche Forschungsgruppe wie Rohbau3D.
Quellenprofil lesen
Verwendung im Profil (9 Textstellen)
- Abschnitte 3–6Textstelle 3 Textstelle 24
- S. 481–484, Abschnitt 3/Tabelle 1; S. 491–496 Tabellen 4–6Textstelle 15 Textstelle 16 Textstelle 24
- Vorsegmentierung/Human-in-the-loopTextstelle 24 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36
- 2026 OriginalarbeitTextstelle 25
Quelle 3
Rohbau3D: A Shell Construction Site 3D Point Cloud Dataset
Herausgeber
Rauch und Braml; Scientific Data
Publiziert
25.08.2025
Quellentyp
Datenartikel
Geltungsbereich
504 Scans von 14 Baustellen; keine fertige zeitliche Fortschrittsreferenz.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Abstract; Background & Summary; Methods/Data acquisitionTextstelle 15 Textstelle 16 Textstelle 24
Quelle 4
Vision-based scene understanding: preliminary study on concrete placement progress monitoring
Herausgeber
Lim, Kim, Jeong, Ryu und Chi; EG-ICE 2025 / University of Strathclyde
Publiziert
01.07.2025
Quellentyp
Konferenzstudie
Geltungsbereich
Ein Zeitraffervideo, 138 Frames, teilweise interpolierte Referenz; Gegenbefunde durch Oberfläche/Inpainting.
Quellenprofil lesen
Verwendung im Profil (21 Textstellen)
- Abschnitt 4, FortschrittsdefinitionTextstelle 2 Textstelle 3 Textstelle 4 Textstelle 5 Textstelle 6 Textstelle 14 Textstelle 18 Textstelle 20 Textstelle 22 Textstelle 24 Textstelle 27 Textstelle 28 Textstelle 29 Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
- Abschnitte 3–5, insbesondere 4/Figuren 4–5Textstelle 4 Textstelle 17 Textstelle 18
Quelle 5
Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650
Herausgeber
Liao et al.; Scientific Reports
Publiziert
17.12.2025
Quellentyp
Originalstudie
Geltungsbereich
Ein Krankenhausprojekt, manuelle Registrierung; standardisierte Genauigkeitsbewertung fehlt. Erste Publikation 2025, endgültige Fassung 2026.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (28 Textstellen)
- Zone comparison analysisTextstelle 2 Textstelle 3 Textstelle 4 Textstelle 5 Textstelle 6 Textstelle 8 Textstelle 14 Textstelle 16 Textstelle 18 Textstelle 20 Textstelle 22 Textstelle 24 Textstelle 27 Textstelle 28 Textstelle 29 Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
- Zone comparison analysis; Limitations and future workTextstelle 6 Textstelle 19 Textstelle 20 Textstelle 25
- Zone comparison; limitations on operational valueTextstelle 27 Textstelle 28 Textstelle 29 Textstelle 30 Textstelle 31 Textstelle 32
Quelle 6
Demystifying the Potential of ChatGPT-4 Vision for Construction Progress Monitoring
Herausgeber
Ahmet Bahaddin Ersoz; arXiv
Publiziert
20.12.2024
Quellentyp
Preprint
Geltungsbereich
Qualitative GPT-4V-Exploration, kein validierter aktueller Modellbenchmark.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- S. 4–8, Figure 3 und Discussion and ConclusionsTextstelle 21 Textstelle 22
Quelle 7
Neural radiance fields for construction site scene representation and progress evaluation with BIM
Herausgeber
Jeon et al.; Automation in Construction 172, 106013; institutioneller Eintrag SKKU
Publiziert
April 2025
Quellentyp
Institutioneller Abstract
Geltungsbereich
Verfügbare Grundlage ist der institutionelle Abstract. Vollständige Messbedingungen und die Einordnung der Metrikeinheiten lassen sich daraus nicht beurteilen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Abstract; PublikationsmetadatenTextstelle 6 Textstelle 19 Textstelle 20
Quelle 8
IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre
Herausgeber
Sir Robert McAlpine
Publiziert
23.07.2025
Quellentyp
Anwenderbericht
Geltungsbereich
Benannte tatsächliche Nutzung, keine kontrollierte allgemeine Nutzenmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (23 Textstellen)
- Absätze zur Plattform und zu weekly progressTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 6
- Reale NRC-NutzungTextstelle 3 Textstelle 8 Textstelle 23
- ProjektbeschreibungTextstelle 3 Textstelle 8 Textstelle 24
- Absätze 17–22 zur Anwendung und DatennutzungTextstelle 6 Textstelle 7 Textstelle 8 Textstelle 24
- NUH/IHP-AnwenderstimmenTextstelle 8 Textstelle 24 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36
- Wöchentliche StatusnutzungTextstelle 27 Textstelle 28 Textstelle 29 Textstelle 30 Textstelle 31 Textstelle 32
- BIM-/TerminabgleichTextstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
Quelle 9
Wie die ZECH Bau SE Berlin Großprojekte mit oculai souverän managet
Herausgeber
oculai
Publiziert
undatiert
Quellentyp
Anbieterreferenz
Geltungsbereich
Undatierter deutscher Rohbaufall; kein datierter jüngster Ausbau.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- Automatische Prozesserfassung; Transparenz; ZeitersparnisTextstelle 2 Textstelle 5 Textstelle 9 Textstelle 10 Textstelle 26 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36
Quelle 10
AI-supported structural construction at GS Schenk
Herausgeber
oculai
Publiziert
undatiert
Quellentyp
Anbieterreferenz
Geltungsbereich
Undatiert; berichteter Einsatzbeginn 2022 nur Kontext, manuelle Ergänzung verdeckter Arbeiten.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- This is how processes are recorded; Schedule management; daily site reportTextstelle 2 Textstelle 5 Textstelle 9 Textstelle 10 Textstelle 26 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36
Quelle 11
OpenSpace bringt umfassende Lösung zur Fortschrittsverfolgung für die Bauindustrie auf den Markt
Herausgeber
OpenSpace
Publiziert
04.06.2025
Quellentyp
Produktmitteilung
Geltungsbereich
Eigene Funktionen und benannter Nutzer; menschliche Verifizierung Teil des Dienstes.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Absatz Disperse; FunktionslisteTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 6
- Nutzer und VerfügbarkeitTextstelle 3 Textstelle 23
- Einleitung; Disperse-Absatz; Funktionen; VerfügbarkeitTextstelle 11 Textstelle 12
Quelle 12
BAM baut Zusammenarbeit mit OpenSpace konzernweit aus
Herausgeber
OpenSpace
Publiziert
04.02.2026
Quellentyp
Anbieterbericht
Geltungsbereich
Plattformvertrag und stufenweiser Ausbau; konkreter Track-Modulumfang offen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- Von lokalem Erfolg zur internationalen Skalierung; Integration; EinführungTextstelle 11 Textstelle 12
- Vertrag/EinführungsumfangTextstelle 26
- Integration ACCTextstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
Quelle 13
OpenSpace stellt die nächste Generation seiner Visual Intelligence Platform bei Waypoint 2026 vor
Herausgeber
OpenSpace
Publiziert
10.09.2026
Quellentyp
Produktankündigung
Geltungsbereich
Datierte Produktentwicklung. Der zugehörige Begleittext beschreibt die Track-Programmierschnittstelle noch als Beta.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Verifizierter Fortschritt statt MeinungenTextstelle 11 Textstelle 12 Textstelle 26
Quelle 14
Waypoint 2026: what’s new in OpenSpace Track
Herausgeber
OpenSpace
Publiziert
undatiert
Quellentyp
Webinar-Begleittext
Geltungsbereich
Verfügbare Grundlage ist der Webinar-Begleittext mit Kennzeichnung der API als Beta. Er gehört zur selben Anbieterlinie wie die Produktmeldung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Aufzählung Put progress data to work in more placesTextstelle 11 Textstelle 12 Textstelle 26
Quelle 15
Buildots launches superstructure tracking, extending construction intelligence into the structural phase
Herausgeber
Buildots; verbreitet über PR Newswire
Publiziert
01.07.2026
Quellentyp
Herstellermitteilung
Geltungsbereich
Verfügbarkeit nach rückblickend beschriebener Beta; kein unabhängiger Leistungsvergleich.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Haupttext; Key features; AvailabilityTextstelle 11 Textstelle 12 Textstelle 24
- Verfügbarkeit 01.07.2026Textstelle 26
- Capture methodsTextstelle 37 Textstelle 38 Textstelle 39 Textstelle 40
Quelle 16
Buildots launches laser scans, bringing survey-grade precision to the world’s most complex construction projects
Herausgeber
Buildots; verbreitet über PR Newswire
Publiziert
11.08.2026
Quellentyp
Herstellermitteilung
Geltungsbereich
NavVis-Integration als Herstellerangabe; kein eigenständiger Wirkungsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Einleitung vom 11.08.2026Textstelle 11 Textstelle 12
Quelle 17
Bouygues Bâtiment Industrie Selects Buildots to Monitor the Construction of a 44,000 m² Logistics Platform in the Val-d’Oise Using AI
Herausgeber
Buildots; verbreitet über PR Newswire
Publiziert
26.02.2026
Quellentyp
Herstellermitteilung mit Anwenderzitat
Geltungsbereich
Laufendes französisches Projekt; geplanter Abschluss November 2026 noch keine Erfolgsbilanz.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- P3 Persan bereits genutztTextstelle 3 Textstelle 23
- Haupttext; Technology; ProjektbeschreibungTextstelle 6 Textstelle 7 Textstelle 8 Textstelle 24
- Nutzung 26.02.2026Textstelle 26
Quelle 18
RICS Construction Productivity Report 2026 / Productivity in Construction
Herausgeber
RICS
Publiziert
undatiert
Quellentyp
Branchenbericht
Geltungsbereich
Branchenproduktivität und Erwartungen; kein Genauigkeits- oder Nutzenversuch zur KI-gestützten Baufortschrittsanalyse.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Productivity in Construction; Looking aheadTextstelle 24
Quelle 19
Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines
Herausgeber
You, Chen und Xue; Automation in Construction 182, 106755
Publiziert
2026
Quellentyp
Systematischer Review / Autoren-Postprint
Geltungsbereich
58 Scan-to-BIM-Fälle über verschiedene Lebenszyklusaufgaben; keine 58 Fortschrittsvalidierungen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Titelseite; Abschnitt 2.2/Tabelle 2; 3.1Textstelle 24
Quelle 20
BMC Chmelar: Örtliche Bauaufsicht mit SiteView beim bafep21 in Wien
Herausgeber
PlanRadar
Publiziert
undatiert
Quellentyp
Anbieterfall
Geltungsbereich
Verortete Dokumentation in Wien; kein automatisch berechneter Fertigstellungsgrad.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Die Lösung; genutzte FunktionenTextstelle 9 Textstelle 10
Quelle 21
Release Notes: April 2026 – OpenSpace Track / Site Plan View
Herausgeber
OpenSpace Help Center
Publiziert
April 2026
Quellentyp
Release Notes
Geltungsbereich
Datum gilt für Abschnitt April 2026 der fortgeschriebenen Release Notes.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- April 2026 / OpenSpace TrackTextstelle 11 Textstelle 12 Textstelle 26
- April 2026Textstelle 25

Alle Impulse im Radar entdecken

KI-gestützte Baufortschritts- und Soll-Ist-Analyse

Um was geht es bei KI-gestützte Baufortschritts- und Soll-Ist-Analyse?

Einordnung im Impulsradar

Aufnahme, Zuordnung und bestätigter Arbeitsstand

Worauf es bei KI-gestützte Baufortschritts- und Soll-Ist-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 Baufortschritts- und Soll-Ist-Analyse relevant ist

Für welche Bauprozesse KI-gestützte Baufortschritts- und Soll-Ist-Analyse relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen KI-gestützte Baufortschritts- und Soll-Ist-Analyse relevant ist

Bauherren und Auftraggeber

Architektur-, Ingenieur- und Planungsbüros

Bauunternehmen und Generalunternehmer

Technologieanbieter und Systemintegratoren

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Baufortschritts- und Soll-Ist-Analyse verknüpft ist

Predictive Analytics & Entscheidungen

BIM & Digitaler Zwilling

Datenplattformen & KI-Infrastruktur

Robotik, Automatisierung & Physical AI

Verknüpfte Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu KI-gestützte Baufortschritts- und Soll-Ist-Analyse

Quellen und Evidenz zu KI-gestützte Baufortschritts- und Soll-Ist-Analyse

Integration of AR and deep learning–based image classification using CNN for construction project monitoring

Limited-data transfer learning for semantic segmentation and pre-labeling of 3D shell construction LiDAR scans

Rohbau3D: A Shell Construction Site 3D Point Cloud Dataset

Vision-based scene understanding: preliminary study on concrete placement progress monitoring

Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650

Demystifying the Potential of ChatGPT-4 Vision for Construction Progress Monitoring

Neural radiance fields for construction site scene representation and progress evaluation with BIM

IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre

Wie die ZECH Bau SE Berlin Großprojekte mit oculai souverän managet

AI-supported structural construction at GS Schenk

OpenSpace bringt umfassende Lösung zur Fortschrittsverfolgung für die Bauindustrie auf den Markt

BAM baut Zusammenarbeit mit OpenSpace konzernweit aus

OpenSpace stellt die nächste Generation seiner Visual Intelligence Platform bei Waypoint 2026 vor

Waypoint 2026: what’s new in OpenSpace Track

Buildots launches superstructure tracking, extending construction intelligence into the structural phase

Buildots launches laser scans, bringing survey-grade precision to the world’s most complex construction projects

Bouygues Bâtiment Industrie Selects Buildots to Monitor the Construction of a 44,000 m² Logistics Platform in the Val-d’Oise Using AI

RICS Construction Productivity Report 2026 / Productivity in Construction

Automated Scan-to-BIM for Construction Digital Transformation: Conceptual Framework, Processing Methods and Best-Practice Guidelines

BMC Chmelar: Örtliche Bauaufsicht mit SiteView beim bafep21 in Wien

Release Notes: April 2026 – OpenSpace Track / Site Plan View

Passende Deep Dives