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?

Aus wiederholten Bildern, 360-Grad-Aufnahmen oder Punktwolken können Systeme Bauteile und Ausführungsstufen erkennen. Erst die Zuordnung zu Ort, definierter Leistung, Bezugsmenge und passendem BIM- oder Terminplanstand macht daraus einen Soll-Ist-Vergleich. Geometrische Registrierung und Mengenaddition sind dabei von der gelernten Erkennung zu unterscheiden. 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 werden auf benannten Baustellen für den Soll-Ist-Abgleich eingesetzt. Forschung verbessert einzelne Erkennungs- und Zuordnungsschritte; Anbieter erweitern Erfassung und Integration. Bildabdeckung, passende Referenzstände und menschliche Prüfung begrenzen die Aussagekraft. Erkennungsqualität belegt weder Terminersparnis noch vollständig bestätigte Leistung. Besonders wichtig ist die Trennung von nicht beobachtbaren, teilweise ausgeführten und fachlich bestätigten Zuständen.

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

Die Aufnahme belegt zunächst nur einen sichtbaren Zustand zu einem bestimmten Zeitpunkt. Registrierung stellt den räumlichen Bezug her; Erkennungsmodelle schlagen Bauteile, Aktivitäten oder Teilstufen vor. Der Soll-Ist-Vergleich benötigt zusätzlich eine eindeutige Leistungsdefinition. Ob eine Betonfläche bereits eingebracht oder auch fertig geglättet ist, kann zu unterschiedlichen Fortschrittswerten führen.

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. Als redaktionelle Prüflogik gehören deshalb Aufnahmezeit, Referenzversion, Bauteil- oder Vorgangskennung, Teilstufe und Bestätigungsstatus zusammen.

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

Die Anwendung nutzt Computer Vision und Reality Capture, um gegenwärtige Arbeitsstände aufzubereiten. Die Prognose künftiger Termine oder Kosten und die Auswahl von Steuerungsmaßnahmen sind weiterführende Aufgaben. Qualitäts- und Sicherheitsbewertungen benötigen ebenfalls eigene Kriterien. Ein räumlich passender Statusbefund ersetzt weder eine Qualitätsprüfung noch die fachliche Bestätigung einer Leistung.

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): 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

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

Ausbauzustände: Kategorie und Teilstufe getrennt erkennen

Studien-/Praxisbefund

Fan et al. verbinden CNN-Bildklassifikation mit Augmented Reality in einem Innenausbauprojekt der Tamkang University in Taiwan. Bei einem Bildsplit von 80/10/10 Prozent erreicht ResNet34 eine Accuracy von 0,92 für die Kategorie und 0,89 für die Ausführungsstufe. Die Schlussfolgerung nennt jedoch weiterhin eine manuelle Zusammenfassung des Terminvergleichs und zusätzliche Bildsammlung für neue Projekte. Ein unabhängiger Baustellen- oder Zeittest ist damit 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 Ergebnisse zeigen die Erkennbarkeit definierter sichtbarer Zustände. Für eine Einführung muss dagegen geprüft werden, ob die Klassen zu den eigenen Gewerken und Teilstufen passen. Besonders folgenreich sind Verwechslungen zwischen begonnen, teilweise fertig und abgeschlossen. Eine hohe Bild-Accuracy sagt noch nicht, welcher Anteil der gesamten Baustellenleistung korrekt bewertet wird.

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

Rohbauscans: bessere Vorsegmentierung ist noch kein Fortschrittsgrad

Studien-/Praxisbefund

Rauch und Braml untersuchen 36 TLS-Szenen mit zehn Klassen und einem Split von 24/6/6. Vortraining und Anpassung erhöhen die mittlere Segmentierungsüberlappung mIoU im Test von 0,66 auf 0,84. Ein Fachannotator erstellt und kontrolliert die Labels; eine unabhängige Mehrbaustellenprüfung und ein Maß zwischen verschiedenen Annotatoren fehlen. Kleine Installationen und Domänenwechsel bleiben schwierig. Der separate Rohbau3D-Datensatz umfasst 504 Scans von 14 Baustellen bei München, liefert aber keine fertige zeitliche Fortschrittsreferenz.

Fachliche Einordnung

Semantische Vorsegmentierung kann die Zuordnung von Rohbauaufnahmen vorbereiten. Der Fortschrittsabgleich benötigt anschließend passende Koordinaten, Bauteilbezug und einen zeitlichen Referenzstand. Die große Zahl von Scans im Datensatz darf nicht mit der unabhängigen Teststichprobe des Transferlernversuchs gleichgesetzt werden. Dieselbe Forschungsgruppe und Datenumgebung ergeben zudem keine unabhängige Replikation.

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 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

Betonierfortschritt: Verdeckung und Leistungsdefinition

Studien-/Praxisbefund

Lim et al. kombinieren Grounded SAM2, LaMa-Inpainting und Metric3D. Ein Online-Zeitraffervideo von 2021 liefert 138 ausgewertete Frames; 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

3D-Szenen: räumlicher Vergleich mit offenen Messgrenzen

Studien-/Praxisbefund

Liao et al. demonstrieren in einem Krankenhausprojekt den Vergleich von BIM mit einer aus Aufnahmen aufgebauten 3D-Gaussian-Splatting-Darstellung. Sie nennen manuelle Registrierung über Referenzpunkte und fehlende standardisierte Genauigkeitsbewertung als Grenzen. Ergänzend beschreibt der institutionelle Abstract von Jeon et al. einen NeRF/BIM-Abgleich aus Smartphonevideo in drei Betonierszenen. Für diese zweite Arbeit wurden die vollständigen Messbedingungen nicht verifiziert; Kennzahlen werden daher nicht übernommen.

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 nicht allein der 3D-Repräsentation zugeschrieben werden. NeRF bleibt hier ein Forschungsanschluss und kein nachgewiesener Standard der Baustellenkontrolle.

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

Multimodale Modelle: Beschreibung ist noch keine Messung

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

Sprachlich plausible Statusberichte müssen an beobachtbaren Merkmalen überprüfbar bleiben. Für Mengen und Teilfertigstellung braucht es definierte Referenzen und eine dokumentierte Behandlung unklarer Bilder. Der Versuch zeigt eine mögliche Art der Interaktion mit Bilddaten, begründet aber keine automatische Anerkennung von Leistungen oder allgemeine Verlässlichkeit aktueller multimodaler Systeme.

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

Benannte Fortschrittsnutzung in Großbritannien und Frankreich

Studien-/Praxisbefund

Sir Robert McAlpine beschreibt im Juli 2025 den Buildots-Einsatz am National Rehabilitation Centre in Nottingham: 360-Grad-Aufnahmen werden mit BIM und Terminplan verbunden, Aktivitätsstände fließen in regelmäßige Projektbesprechungen. Eine Hersteller-Primärmeldung vom Februar 2026 nennt die laufende Anwendung bei Bouygues Bâtiment Industrie am 44.000-m²-Logistikprojekt P3 Persan. Dessen für November 2026 geplante Fertigstellung ist noch keine Erfolgsbilanz.

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

Beide Fälle tragen reale, wiederholte Anwendung der Fortschrittsfunktion in unterschiedlichen Projekten. Sie messen jedoch weder denselben Fehlermaßstab noch unabhängig den Nettoeffekt auf Termine. Für die Übertragung sind Gewerkeabdeckung, Aufnahmetakt, Modellqualität und der Umgang mit unklaren Zuständen zu prüfen. Ein berichteter Einsatz ist von einer kontrollierten Wirkungsstudie zu unterscheiden.

Quelle 8: IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre, Fundstelle(n): Reale NRC-Nutzung · Projektbeschreibung · NUH/IHP-Anwenderstimmen 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 Quelle 2: Limited-data transfer learning for semantic segmentation and pre-labeling of 3D shell construction LiDAR scans, Fundstelle(n): Abschnitte 3–6 · Vorsegmentierung/Human-in-the-loop Quelle 5: Integrating CAD, BIM, immersive technology, and 3D Gaussian Splatting for construction model coordination with ISO 19650, Fundstelle(n): Zone comparison analysis

DACH-Praxis: blinde Bereiche und Dokumentationsgrenzen

Studien-/Praxisbefund

Die undatierten oculai-Referenzen zu ZECH in Berlin und GS Schenk beschreiben Kranturmvideo, Aktivitätsklassen und Bauteil-/Terminzuordnung. GS Schenk nennt manuelle Ergänzungen für Arbeiten unter Decken. Der PlanRadar-Fall BMC Chmelar am bafep21 in Wien beschreibt verortete 360-Grad-Begehungen und wöchentlichen Bildvergleich. Er belegt Dokumentationsunterstützung, keinen automatisch berechneten Fertigstellungsgrad.

Fachliche Einordnung

Aufnahmeroutine und Ergänzung nicht einsehbarer Bereiche bleiben Teil der Leistung. Für Bauunternehmen zählt, ob Statushinweise bis zur geklärten Abweichung Arbeit sparen; eine Kamera allein ersetzt keine Kontrollgänge. Die Fälle erklären diese Aufgaben, liefern ohne datierten Ausbau aber keine neue DACH-Wachstumsreihe. Der ältere Einsatzbeginn bei GS Schenk dient nur als Kontext.

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 20: BMC Chmelar: Örtliche Bauaufsicht mit SiteView beim bafep21 in Wien, Fundstelle(n): Die Lösung; genutzte Funktionen 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

Produktentwicklung: Verfügbarkeit und Beta unterscheiden

Studien-/Praxisbefund

OpenSpace führte Track im Juni 2025 mit meilensteinbezogener Bildanalyse und menschlicher Expertenprüfung ein. Im April 2026 folgte eine Planansicht; die Waypoint-Meldung im September beschreibt weitere Mengen- und Integrationsfunktionen, während der Begleittext die Track API als Beta bezeichnet. Buildots meldete im Juli 2026 verfügbare Rohbauverfolgung nach Beta-Erprobung und im August eine NavVis-Laserscan-Integration. Der BAM-Vertrag betrifft einen schrittweisen Plattformrollout und belegt keine flächendeckende Track-Nutzung.

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

Diese datierten Meldungen tragen Funktionsausbau und selektive Angebotsentwicklung. Sie belegen keine vergleichbare Verbesserung der Messgenauigkeit. Bei einer Auswahl sind Erfassungsweg, erforderliches BIM, Terminanschluss und menschliche Verifizierung je Angebot konkret zu prüfen. Eine angekündigte oder als Beta bezeichnete Schnittstelle darf nicht wie eine bereits breit eingesetzte Funktion bewertet werden.

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 · Verfügbarkeit 01.07.2026 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 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 12: BAM baut Zusammenarbeit mit OpenSpace konzernweit aus, Fundstelle(n): Vertrag/Einführungsumfang

Validierung: vom Teilversuch zum verlässlichen Status

Studien-/Praxisbefund

Die Forschung verwendet Bildklassifikation, Punktwolkensegmentierung und räumlichen Vergleich mit unterschiedlichen Referenzen. Der zugängliche Scan-to-BIM-Review umfasst 58 Fälle über mehrere Lebenszyklusaufgaben; diese sind keine 58 unabhängigen Fortschrittsvalidierungen. Der RICS-Produktivitätsbericht liefert Branchenperspektiven, aber keine Messung der Güte einer KI-Fortschrittsanalyse.

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 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 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

Fachliche Einordnung

Eine betriebliche Prüfung sollte unbekannte Baustellen und spätere Zeitstände einschließen und Fehler je Leistungsstufe ausweisen. Zusätzlich zählen fehlende Aufnahmen, Fehlzuordnungen, übersehene Rückstände und der Aufwand für fachliche Korrekturen. Einrichtung, Aufnahme, Datenpflege und Nachprüfung gehören in einen Nettozeitvergleich. Solange diese Größen nicht gemeinsam gemessen sind, tragen einzelne hohe Erkennungswerte keine allgemeine Aussage über eingesparte Bauzeit.

Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Conclusion und Entwicklungsschritte · Methodik, Bildsplit und Conclusion 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 2: Limited-data transfer learning for semantic segmentation and pre-labeling of 3D shell construction LiDAR scans, Fundstelle(n): Abschnitte 3–6 · 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

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. Neue Forschungsansätze, nicht sichtbare Arbeiten und unbekannte Klassen übernehmen diesen Reifegrad nicht automatisch. Eine branchenweit etablierte, autonome Leistungsbestätigung ist damit nicht belegt.

Evidenzbelastbare Praxis- oder Forschungsbelege

Nachvollziehbare Versuche belegen abgegrenzte Erkennungs- und Zuordnungsaufgaben, etwa Ausbauklassifikation und Rohbausegmentierung. Konkrete Anwenderberichte ergänzen die tatsächliche Soll-Ist-Nutzung. EV-03 gilt für diese begrenzten Aussagen: kleine oder einzelne Projektumgebungen, fehlende externe Tests und manuelle Schritte begrenzen die Übertragbarkeit. Unabhängige projektübergreifende Messungen von Fortschrittsfehler, Nachprüfaufwand und Nettozeitgewinn bleiben offen. Forschungsmetrik, Marktnutzung und wirtschaftliche Wirkung sind deshalb getrennt zu lesen.

Quelle 1: Integration of AR and deep learning–based image classification using CNN for construction project monitoring, Fundstelle(n): Methodik, Bildsplit und Conclusion Quelle 2: Limited-data transfer learning for semantic segmentation and pre-labeling of 3D shell construction LiDAR scans, Fundstelle(n): Abschnitte 3–6 Quelle 8: IHP taps Buildots’ AI platform to drive construction efficiency at Nottingham University Hospitals’ National Rehabilitation Centre, Fundstelle(n): Projektbeschreibung

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.

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

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 liefern einen begrenzten Rückfluss. Dies ist eine vorbereitende Schnittstelle; eine direkte Standort- oder Investitionsentscheidung wird durch die Fortschrittsanalyse nicht belegt.

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. Der Nutzen liegt im Rückfluss geklärter Statusinformationen, nicht in einer eigenständigen Entwurfserzeugung.

Ausschreibung & Vergabe

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Erfassungs- und Datenanforderungen lassen sich für spätere Leistungen beschreiben. Im untersuchten Zuschnitt ist jedoch keine unmittelbare Funktion für Angebotsvergleich oder Vergabeentscheidung belegt. Diese Voraussetzung begründet keinen eigenen direkten Prozessschwerpunkt.

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

Im betrachteten Zuschnitt fehlt eine unmittelbare Funktion für Rückbau- oder Verwertungsentscheidungen. Fotos und Statuslisten bilden noch kein geprüftes Materialinventar und kein Rückbaukonzept. Die vorhandenen Informationen können Hintergrund sein, tragen hier aber keinen direkten Relevanzwert.

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. Die Entscheidungshilfe ist nachvollziehbar; eine allgemeine Kosten- oder Terminersparnis ist damit nicht gemessen.

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. Berichtete Entlastung ersetzt keinen Nettozeitvergleich einschließlich dieses Aufwands.

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. Diese Anwendung benötigt noch keine Zukunftsprognose. Die Verbindung von Beobachtung und definiertem Soll begründet das Primärfeld.

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.

Fachbegriffe und Detailthemen

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.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (27 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 8 Textstelle 10 Textstelle 12 Textstelle 14 Textstelle 16 Textstelle 24 Textstelle 29 Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34 Textstelle 39 Textstelle 40 Textstelle 41 Textstelle 42
- Methodik, Bildsplit und ConclusionTextstelle 3 Textstelle 18 Textstelle 24 Textstelle 26
- Development workflow; Pre-processing; Introduction; ConclusionTextstelle 7 Textstelle 8 Textstelle 23
- 2026 OriginalarbeitTextstelle 27
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.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (13 Textstellen)
- Abschnitte 3–6Textstelle 3 Textstelle 18 Textstelle 24 Textstelle 26
- S. 481–484, Abschnitt 3/Tabelle 1; S. 491–496 Tabellen 4–6Textstelle 9 Textstelle 10 Textstelle 23
- Vorsegmentierung/Human-in-the-loopTextstelle 18 Textstelle 20 Textstelle 24 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38
- 2026 OriginalarbeitTextstelle 27
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 (2 Textstellen)
- Abstract; Background & Summary; Methods/Data acquisitionTextstelle 9 Textstelle 10
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.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (22 Textstellen)
- Abschnitt 4, FortschrittsdefinitionTextstelle 2 Textstelle 3 Textstelle 4 Textstelle 5 Textstelle 6 Textstelle 8 Textstelle 10 Textstelle 12 Textstelle 14 Textstelle 16 Textstelle 24 Textstelle 29 Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34 Textstelle 39 Textstelle 40 Textstelle 41 Textstelle 42
- Abschnitte 3–5, insbesondere 4/Figuren 4–5Textstelle 4 Textstelle 11 Textstelle 12
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 (29 Textstellen)
- Zone comparison analysisTextstelle 2 Textstelle 3 Textstelle 4 Textstelle 5 Textstelle 6 Textstelle 8 Textstelle 10 Textstelle 12 Textstelle 14 Textstelle 16 Textstelle 18 Textstelle 20 Textstelle 24 Textstelle 29 Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39 Textstelle 40 Textstelle 41 Textstelle 42
- Zone comparison analysis; Limitations and future workTextstelle 13 Textstelle 14 Textstelle 27
- Zone comparison; limitations on operational valueTextstelle 29 Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34
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 15 Textstelle 16
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
Nur institutioneller Abstract; Volltextbedingungen und Metrikeinheiten nicht geprüft.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Abstract; PublikationsmetadatenTextstelle 13 Textstelle 14
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 (25 Textstellen)
- Absätze zur Plattform und zu weekly progressTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 6
- Reale NRC-NutzungTextstelle 3 Textstelle 18 Textstelle 25
- ProjektbeschreibungTextstelle 3 Textstelle 18 Textstelle 24 Textstelle 26
- Absätze 17–22 zur Anwendung und DatennutzungTextstelle 17
- NUH/IHP-AnwenderstimmenTextstelle 18 Textstelle 20 Textstelle 24 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38
- Wöchentliche StatusnutzungTextstelle 29 Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34
- BIM-/TerminabgleichTextstelle 39 Textstelle 40 Textstelle 41 Textstelle 42
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 (8 Textstellen)
- Automatische Prozesserfassung; Transparenz; ZeitersparnisTextstelle 2 Textstelle 5 Textstelle 19 Textstelle 20 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38
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 (8 Textstellen)
- This is how processes are recorded; Schedule management; daily site reportTextstelle 2 Textstelle 5 Textstelle 19 Textstelle 20 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38
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 (9 Textstellen)
- Absatz Disperse; FunktionslisteTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 6
- Nutzer und VerfügbarkeitTextstelle 3 Textstelle 18 Textstelle 25
- Einleitung; Disperse-Absatz; Funktionen; VerfügbarkeitTextstelle 21 Textstelle 22
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 21
- Vertrag/EinführungsumfangTextstelle 22 Textstelle 28
- Integration ACCTextstelle 39 Textstelle 40 Textstelle 41 Textstelle 42
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; Verfügbarkeit einzelner Funktionen gesondert beachten.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Verifizierter Fortschritt statt MeinungenTextstelle 21 Textstelle 22 Textstelle 28
Quelle 14
Waypoint 2026: what’s new in OpenSpace Track
Herausgeber
OpenSpace
Publiziert
undatiert
Quellentyp
Webinar-Begleittext
Geltungsbereich
Begleittext kennzeichnet API als Beta; Video nicht ausgewertet, gleiche Anbieterlinie.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Aufzählung Put progress data to work in more placesTextstelle 21 Textstelle 22 Textstelle 28
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 (7 Textstellen)
- Haupttext; Key features; AvailabilityTextstelle 21 Textstelle 22
- Verfügbarkeit 01.07.2026Textstelle 22 Textstelle 28
- Capture methodsTextstelle 39 Textstelle 40 Textstelle 41 Textstelle 42
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 21 Textstelle 22
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 (6 Textstellen)
- P3 Persan bereits genutztTextstelle 3 Textstelle 18 Textstelle 25
- Haupttext; Technology; ProjektbeschreibungTextstelle 17
- Nutzung 26.02.2026Textstelle 22 Textstelle 28
Quelle 18
RICS Construction Productivity Report 2026 / Productivity in Construction
Herausgeber
RICS
Publiziert
undatiert
Quellentyp
Branchenbericht
Geltungsbereich
Branchenproduktivität und Erwartungen; kein RT-012-Genauigkeits- oder Nutzenversuch.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Productivity in Construction; Looking aheadTextstelle 23
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 23
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 19 Textstelle 20
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 21 Textstelle 22 Textstelle 28
- April 2026Textstelle 27

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

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

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