INNOVATION SCOUT · IMPULSPROFIL

KI-gestützte Modell-, Regel- und Genehmigungsprüfung

KI unterstützt die Erschließung von Anforderungen, ihre Zuordnung zu Plan- und Modelldaten sowie die Erkennung und Priorisierung von Prüfbefunden. Regelbasierte Ausführung und fachliche Nachprüfung bleiben eigenständige Schritte.

Um was geht es bei KI-gestützte Modell-, Regel- und Genehmigungsprüfung?

Zwischen Regeltext und belastbarem Prüfbefund liegen mehrere Übersetzungen: Geltungsrahmen und Ausnahmen müssen geklärt, Anforderungen passenden Planangaben oder Modellobjekten zugeordnet und die Prüfungen korrekt ausgeführt werden. Eine geometrische Kollision, ein fehlender Wert und ein fachlicher Verstoß sind verschiedene Ergebnisse. Sprachmodelle können diese Kette unterstützen, ersetzen aber weder eine kontrollierte Prüflogik noch die Bewertung nicht prüfbarer Fälle. Entscheidend ist nicht die Plausibilität des erzeugten Berichts, sondern ob sich sein Befund auf Daten, Regel und Ausführung zurückführen lässt.

Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): §3–4: Regelvorbereitung, Revit-Ausführung Quelle 4: Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach, Fundstelle(n): §2.2–2.4: Extraktion, Formalkontrolle und Fachkorrektur Quelle 6: Automating clash relevance filtering in BIM-based multidisciplinary coordination using machine learning, Fundstelle(n): Institutionelles Abstract: Relevanzfilterung Quelle 17: Digital Compliance Tool for Building Plans – AI PreCheck, Fundstelle(n): Eligibility; Before uploading; Get started

Einordnung im Impulsradar

KI erschließt Anforderungen, erzeugt Prüfcode und priorisiert Modellbefunde. Forschungsdemonstratoren und lokale Vorprüfangebote sind dokumentiert; Surrey hat eine kommunale Zoning-Vorprüfung nach einem Pilot öffentlich bereitgestellt. Ausführbarer Code ist jedoch kein Nachweis vollständiger Fehlererkennung. Regelinterpretation, Datenqualität, Versionspflege und Fachkontrolle begrenzen die Übertragbarkeit.

Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): PDF S. 7–8, §3; §4.1–4.6, Tabelle 4; §5 Quelle 15: Development Approval Process Improvement Committee – Minutes, February 24, 2026, Fundstelle(n): S. 4–5: Archistar roll-out Quelle 16: Surrey launches eCheck tool to speed up building plan reviews, Fundstelle(n): 12.03.2026: Start, R3-Umfang und Partnerschaft Quelle 1: Assessing the Viability of LLM Agents for Generating Reusable Compliance Checking Functions, Fundstelle(n): PDF S. 3–7, Versuchsaufteilung, Tabelle 3 und Fehlerdiskussion

Vom Regeltext zum überprüfbaren Befund

Der technische Kern ist eine nachvollziehbare Beziehung zwischen Anforderung, Eingangsdaten und Ergebnis. Klassische Modellchecks führen festgelegte Regeln aus. KI ergänzt die Interpretation unstrukturierter Vorschriften, die Erzeugung von Prüfcode oder die Auswahl relevanter Befunde. Diese Leistungen dürfen nicht mit der etablierten Reife des gesamten BIM-Prüfwerkzeugs gleichgesetzt werden.

Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): §3–4: Regelvorbereitung, Revit-Ausführung Quelle 4: Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach, Fundstelle(n): §2.2–2.4: Extraktion, Formalkontrolle und Fachkorrektur Quelle 6: Automating clash relevance filtering in BIM-based multidisciplinary coordination using machine learning, Fundstelle(n): Institutionelles Abstract: Relevanzfilterung Quelle 11: Solibri AI-powered assistant, Fundstelle(n): FAQ: Abgrenzung zum vorhandenen Prüfkern

Aktuelle Verfahren verfolgen unterschiedliche Wege: direkt erzeugter Code, Sprachmodelle mit angebundenem Prüfdienst sowie semantische Regeln auf Modell- oder Wissensgraphen. Sie verschieben Arbeit zwischen Regelautoren, Modellierenden und Fachprüfern. Deshalb sind die richtige Regelinterpretation, die technische Ausführbarkeit und die tatsächlich erkannten beziehungsweise übersehenen Verstöße getrennt zu bewerten.

Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): PDF S. 7–8, §3; §4.1–4.6, Tabelle 4; §5 Quelle 3: Automatic Building Code Review: A Case Study, Fundstelle(n): §3.2.2 und §4.1–4.2, PDF S. 10–13 Quelle 4: Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach, Fundstelle(n): §2.2–2.5; §3; §4.1–4.3, Tabellen 2–3; §5.3

Für die Einführung empfiehlt sich ein begrenzter, fachlich kontrollierter Prüfbestand mit dokumentierter Regelversion, Modellstand und bekannten Fehlerfällen. Fehlende Eigenschaften, Ausnahmen und nicht anwendbare Anforderungen müssen ausdrücklich behandelbar sein. Auch eine kommunale Vorprüfung bleibt ein vorbereitender Schritt; ihr Bericht ist nicht die behördliche Entscheidung. Ein allgemeiner Zeit- oder Kostenvorteil lässt sich aus den vorliegenden Demonstratoren nicht ableiten.

Quelle 4: Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach, Fundstelle(n): §2.2–2.5; §3; §4.1–4.3, Tabellen 2–3; §5.3 Quelle 17: Digital Compliance Tool for Building Plans – AI PreCheck, Fundstelle(n): Eligibility; Before uploading; Get started

Worauf es bei KI-gestützte Modell-, Regel- und Genehmigungsprüfung fachlich ankommt

Regelcode erzeugen oder einen vorhandenen Prüfdienst aufrufen

Studien-/Praxisbefund

Madireddy et al. untersuchten zwölf ausgewählte US-Regeln in zwei Fallstudien. Menschen bereiteten Anforderungen und API-Hinweise vor, führten den erzeugten Python-Code in Revit aus und meldeten Fehler zurück. Der Vergleich von acht Sprachmodellen für fünf Regeln misst erfolgreiche Skriptausführung relativ zu Versuchen, nicht die Vollständigkeit erkannter Verstöße. Anders arbeitet der PNNL-Prototyp: Ein Sprachmodell parametrisiert eine Anfrage an die bereits kodierte COMcheck-Prüflogik und erläutert das Ergebnis; der Vergleich umfasst nur zwei repräsentative Prompts.

Fachliche Einordnung

Die Ansätze lösen unterschiedliche Engpässe. Codegenerierung kann die Erstellung neuer Checks unterstützen, verlangt aber eine fachliche Kontrolle der erzeugten Logik. Ein angebundener Prüfdienst begrenzt freie Interpretation, deckt dafür nur kodierte Anforderungen ab. Weder eine fehlerfreie Ausführung noch ein verständlicher Bericht genügt als Abnahmekriterium: Erforderlich sind passende Referenzfälle einschließlich bewusst eingebauter Verstöße.

Warum ein funktionierender Check am nächsten IFC-Modell scheitern kann

Studien-/Praxisbefund

Fuchs, Hellin und Borrmann prüften 16 Regeln auf zwölf IFC-Modellen, aufgeteilt in je vier Trainings-, Validierungs- und Testmodelle. Der über die Regeln gemittelte F1-Wert aus modellübergreifend gepoolten Objektbefunden sank auf dem Testbestand auf 0,40. Referenz waren Solibri-BCF-Befunde. Fehlende Raumgrenzen und die nicht erkannte Eigenschaft „Dicke“ führten zu Auslassungen. Die KI erzeugt Python-Prüffunktionen; deren spätere Ausführung ist deterministisch.

Quelle 1: Assessing the Viability of LLM Agents for Generating Reusable Compliance Checking Functions, Fundstelle(n): PDF S. 3–7, Versuchsaufteilung, Tabelle 3 und Fehlerdiskussion

Fachliche Einordnung

Das Problem liegt nicht nur im Regeltext, sondern in der unterschiedlichen Modellierung derselben Sachverhalte. Ein Einsatztest muss deshalb unbekannte Modelle und abweichende Eigenschaftsbezeichnungen enthalten. Der kleine Versuch belegt konkrete Übertragungsfehler, keine allgemeine Fehlerquote aller KI-Prüfprodukte; zudem ersetzt Solibri als technische Referenz keine unabhängige vollständige Fachprüfung.

Quelle 1: Assessing the Viability of LLM Agents for Generating Reusable Compliance Checking Functions, Fundstelle(n): PDF S. 3–7, Versuchsaufteilung, Tabelle 3 und Fehlerdiskussion

Semantische Regeln brauchen Fachkorrektur und Versionspflege

Studien-/Praxisbefund

Zhang et al. verbinden BERT-Extraktion, Grammatikprüfung, SHACL-Regeln und IFC-Ausführung mit Expertenkorrektur. Im chinesischen Elektroinfrastruktur-Fall bezeichnet der F1-Wert 95,8 Prozent die semantische Auswertung von 122 Testsätzen einschließlich dieser Korrektur; 98,3 Prozent betreffen die Ausführbarkeit von 2.156 Regeln. Zugleich werden drei übersehene Verstöße bei verknüpften Bedingungen berichtet. Ein Versionswechsel wird anhand historischer und neuer synthetischer Prüffälle kontrolliert.

Fachliche Einordnung

Semantische Erkennung, Ausführbarkeit und Fehlerabdeckung sind unterschiedliche Leistungen. Die teils uneinheitlichen Kennzahlen und nicht vollständig erklärten Nenner erlauben keine belastbare Gesamtquote. Fachleute bleiben auch für nicht operationalisierbare Aussagen zuständig. Aus dem beschriebenen Pflegeverfahren lässt sich ableiten, Regeländerungen mit dokumentierten Referenzfällen erneut zu prüfen; die angegebenen Erfolgswerte sind kein unabhängiger Nachweis regionaler Übertragbarkeit.

Graphgestützte Antworten sind noch keine vollständige Konformitätsprüfung

Studien-/Praxisbefund

SGR-BIM verknüpft Nutzeranfrage, Regelwissen und Modellinformationen in einem Graphen. Der Benchmark umfasst fünf nachbearbeitete IFC-Modelle und 679 Fragen, darunter 137 eigentliche Compliance-Prüffragen. Der Gesamtwert von 84,3 Prozent enthält halbe Punkte für teilweise richtige Antworten; vollständig richtig sind 80,1 Prozent. In der Teilgruppe der Compliance-Fragen werden 75,2 Prozent vollständig richtige Antworten ausgewiesen. Die Ergebnisse stammen aus einer internen Bewertung, nicht aus einer unabhängigen regionalen Praxisprüfung.

Quelle 5: Automating Geometry-Intensive Compliance Checking in BIM: Graph-Based Semantic Reasoning Framework, Fundstelle(n): §4.1–4.4, Tabellen 1 und 4; §5, arXiv-v1

Fachliche Einordnung

Graphbezüge können mehrstufige Zusammenhänge zwischen Anforderungen und Modellobjekten erschließen. Für die Einsatzbewertung ist jedoch der passende Aufgabenteil maßgeblich, nicht allein der Gesamtwert über einfache Abfragen und komplexe Prüfungen. Die konkrete Normausgabe blieb in den ausgewerteten Abschnitten unklar. Vor einer Übertragung wären Regelstand, Datenaufbereitung und übersehene Verstöße an eigenen Referenzfällen zu prüfen.

Quelle 5: Automating Geometry-Intensive Compliance Checking in BIM: Graph-Based Semantic Reasoning Framework, Fundstelle(n): §4.1–4.4, Tabellen 1 und 4; §5, arXiv-v1

Kollisionsfilterung und KI-Bedienung unterscheiden

Studien-/Praxisbefund

Das zugängliche Abstract von Ailem und Boton beschreibt eine lernende Klassifikation relevanter und irrelevanter BIM-Kollisionen anhand von Metadaten. Der Volltext wurde nicht eingesehen; Leistungswerte werden daher nicht übernommen. Solibri veröffentlichte am 30. Juni 2026 einen KI-Assistenten als Beta, der unter anderem Regeln einrichten, Prüfungen starten und Befunde erschließen kann. Laut Anbieter ersetzt diese Funktion den vorhandenen Prüfkern nicht.

Quelle 6: Automating clash relevance filtering in BIM-based multidisciplinary coordination using machine learning, Fundstelle(n): Institutionelles Abstract, Absätze 1–2 Quelle 10: Solibri release notes June 2026, Fundstelle(n): 30.06.2026, Version 26.6.0: AI-powered assistant (Beta) Quelle 11: Solibri AI-powered assistant, Fundstelle(n): FAQ: bestehender checking engine

Fachliche Einordnung

Eine Priorisierung bereits erkannter Kollisionen beantwortet eine andere Frage als deren geometrische Erkennung. Ebenso ist die sprachliche Bedienung eines Regelprüfers noch keine lernende Auslegung neuer Anforderungen. Bei der Beschaffung sollte die konkret unterstützte Funktion benannt und geprüft werden. Die Verbreitung des Basisprodukts erlaubt keinen Schluss auf Nutzung oder Zuverlässigkeit des neuen KI-Assistenten.

Kommunale Anwendung: belegter Einsatz, begrenzter Prüfauftrag

Studien-/Praxisbefund

Surrey dokumentierte im Februar 2026 einen Archistar-Piloten mit 102 Anträgen von 26 Hausplanern für die lokale R3-Zone; nicht alle Klauseln waren prüfbar, Beschäftigte kontrollierten die Ergebnisse. Am 12. März folgte der öffentliche Start dieses begrenzten Angebots. Die undatierte aktuelle Anleitung nennt inzwischen alle Wohnzonen, ohne Fallzahlen oder Erweiterungsdatum. LA County kündigte bereits im Juli 2025 einen eigenen, eng begrenzten Wiederaufbau-Piloten an; diese Meldung enthält keine Abschlussmessung.

Quelle 15: Development Approval Process Improvement Committee – Minutes, February 24, 2026, Fundstelle(n): S. 4–5: Archistar roll-out Quelle 16: Surrey launches eCheck tool to speed up building plan reviews, Fundstelle(n): 12.03.2026: Start, R3-Umfang und Partnerschaft Quelle 17: Digital Compliance Tool for Building Plans – AI PreCheck, Fundstelle(n): Eligibility; Before uploading; Get started Quelle 14: LA County Launches eCheck AI Pilot as Part of Express Lane for Faster Rebuilding, Fundstelle(n): 15.07.2025: Pilotumfang, Early Adopters und Teilnahmeablauf

Fachliche Einordnung

Der Surrey-Fall trägt die Einordnung einer ersten lokalen Produktanwendung. Er belegt weder eine umfassende Bauordnungsprüfung noch die Übertragbarkeit auf deutsche Genehmigungsverfahren. Die genaue KI-Architektur bleibt nicht offengelegt. Nutzungsnachweis, verfügbare Erweiterung und gemessene Wirkung sind getrennt zu lesen: Für kürzere vollständige Verfahren oder eine allgemeine Fehlerquote fehlt hier eine kontrollierte Auswertung.

DACH: Regelerschließung und Verfahrensassistenz

Studien-/Praxisbefund

Smart-Check von RWTH Aachen und Basler & Hofmann verbindet laut amtlicher Projektbeschreibung Sprachmodelle, Regelwissen und IFC-Prüfung; die Laufzeit reicht von März 2026 bis August 2027. Das ist ein Forschungsziel, kein abgeschlossenes Ergebnis. Für SPARK meldete das BMDS am 16. Juni 2026 zusätzliche Module entlang der Verfahrenskette bis zum Beschlussentwurf. Die Projektseite nennt deutsche Behördenpiloten, unter anderem Hamburger Wasserstoffinfrastruktur und das Fernstraßen-Bundesamt.

Quelle 7: Smart-Check – mFUND-Projektinformation, Fundstelle(n): Projektziel, Durchführung und Laufzeit Quelle 8: Neue KI-Software halbiert Genehmigungszeiten bei großen Infrastrukturprojekten, Fundstelle(n): 16.06.2026: Vollständige Lösung und Weiterentwicklung Quelle 9: SPARK – KI in der Verwaltung, Fundstelle(n): Pilotprojekte und Funktionsbeschreibung

Fachliche Einordnung

Beide Vorhaben zeigen aktuelle Entwicklungsarbeit, aber auf unterschiedlichen Ebenen: maschinenprüfbare Anforderungen einerseits, Unterstützung des Verwaltungsablaufs andererseits. Die SPARK-Überschrift zur Halbierung von Genehmigungszeiten wird nicht als gesicherte Wirkung übernommen; ein kontrolliertes Vergleichsdesign ist im gelesenen Beleg nicht ausgewiesen. Modulverfügbarkeit und Pilotkontext sind kein Nachweis flächendeckenden Betriebs.

Prüfdaten, Zuständigkeiten und nicht prüfbare Anforderungen

Studien-/Praxisbefund

DigiChecks berichtet über Prozess- und Regelmodellierung, Ontologien, Schnittstellen und drei europäische Piloten; die Abschlusszusammenfassung nennt weiteren Anpassungsbedarf. Eine konkret validierte lernende Prüffunktion ist daraus nicht belegt. Die NRW-Praxisübersicht zur BIM-basierten Baugenehmigung beschreibt vorbereitende Modell- und Fachprüfungen, ebenfalls ohne identifizierten KI-Anteil. Surreys Anleitung verlangt lesbare, maßstäbliche und vollständige Pläne und sieht weiterhin eine vollständige Behördenprüfung vor.

Quelle 12: DigiChecks – Periodic Reporting for period 2, Fundstelle(n): Period 2: Results und Progress beyond state of the art / exploitation Quelle 13: Evaluierung BIM-basierte Baugenehmigung NRW – Einblicke in die Praxis der digitalen Prüfung, Fundstelle(n): Praxisdarstellung zur digitalen Prüfung und Vorbereitung Quelle 17: Digital Compliance Tool for Building Plans – AI PreCheck, Fundstelle(n): Eligibility; Before uploading; Get started Quelle 4: Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach, Fundstelle(n): §2.2–2.5; §3; §4.1–4.3, Tabellen 2–3; §5.3

Fachliche Einordnung

Solche Voraussetzungen sind Bestandteil der Prüfkette, keine Nebensache. Ein Prüfprotokoll sollte Regelquelle und Fassung, Geltungsrahmen, Modellstand, betroffene Objekte und Fachbearbeitung verbinden. „Nicht prüfbar“, „nicht anwendbar“ und „Verstoß“ müssen unterscheidbar bleiben. Diese Gestaltungsempfehlung folgt aus den Kontrollgrenzen der Beispiele; sie ist weder ein neues Rechtsgebot noch ein gemessener Effizienzgewinn.

Warum KI-gestützte Modell-, Regel- und Genehmigungsprüfung relevant ist

ReifegradDemonstrator bis erste Marktanwendung

Die Spanne reicht vom funktionsfähigen Demonstrator bis zur ersten Marktanwendung für eng abgegrenzte Aufgaben. Die untere Grenze stützen integrierte Forschungsprototypen, die ausgewählte Regeln in ausführbare Prüfungen überführen. Die obere Grenze trägt Surreys kommunaler Einsatz des Archistar-Produkts mit dokumentierter Pilotnutzung und anschließendem öffentlichem Start. Sie gilt nicht für eine autonome Gesamtgenehmigung oder beliebige Regelräume. Klassische BIM-Prüfwerkzeuge, Projektziele und die bloße Verfügbarkeit eines KI-Assistenten werden nicht als Nachweis höherer KI-Reife gewertet.

Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): PDF S. 7–8, §3; §4.1–4.6, Tabelle 4; §5 Quelle 3: Automatic Building Code Review: A Case Study, Fundstelle(n): §3.2.2 und §4.1–4.2, PDF S. 10–13 Quelle 15: Development Approval Process Improvement Committee – Minutes, February 24, 2026, Fundstelle(n): S. 4–5: Archistar roll-out Quelle 16: Surrey launches eCheck tool to speed up building plan reviews, Fundstelle(n): 12.03.2026: Start, R3-Umfang und Partnerschaft

Evidenzwachsende Evidenz

Mehrere Originalarbeiten machen abgegrenzte Prüfketten und ihre Fehler nachvollziehbar. Die Aussagekraft bleibt jedoch unterschiedlich: Madireddy misst Skriptausführung, Fuchs die Übertragung auf wenige neue Modelle, SGR-BIM Antwortqualität; bei Zhang ist Fachkorrektur Teil des Systems. Surreys Nutzungshinweis ergänzt diese Forschung, liefert aber keine unabhängige Fehlermatrix. Damit besteht wachsende Evidenz für einzelne Funktionen, kein umfassender Nachweis vollständiger Fehlererkennung, regionaler Übertragbarkeit oder wirtschaftlicher Gesamtwirkung.

Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): PDF S. 7–8, §3; §4.1–4.6, Tabelle 4; §5 Quelle 1: Assessing the Viability of LLM Agents for Generating Reusable Compliance Checking Functions, Fundstelle(n): PDF S. 3–7, Versuchsaufteilung, Tabelle 3 und Fehlerdiskussion Quelle 5: Automating Geometry-Intensive Compliance Checking in BIM: Graph-Based Semantic Reasoning Framework, Fundstelle(n): §4.1–4.4, Tabellen 1 und 4; §5, arXiv-v1 Quelle 4: Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach, Fundstelle(n): §2.2–2.5; §3; §4.1–4.3, Tabellen 2–3; §5.3 Quelle 15: Development Approval Process Improvement Committee – Minutes, February 24, 2026, Fundstelle(n): S. 4–5: Archistar roll-out

EntwicklungsdynamikAktive Weiterentwicklung

Regelgenerierung, Graphverfahren und Versionspflege werden konkret weiterentwickelt.

Aktuelle Arbeiten behandeln unterschiedliche Engpässe: Wiederverwendung von Prüfcode, graphgestützte Zuordnung und Pflege geänderter Anforderungen. Hinzu kommen der PNNL-Werkzeugansatz und das laufende deutsch-schweizerische Smart-Check-Vorhaben. Das trägt aktive Weiterentwicklung. Eine zunehmende Entwicklungsgeschwindigkeit ist damit nicht nachgewiesen; dafür fehlen vergleichbare zeitliche Messpunkte über mehrere unabhängige Linien.

Quelle 1: Assessing the Viability of LLM Agents for Generating Reusable Compliance Checking Functions, Fundstelle(n): PDF S. 3–7, Versuchsaufteilung, Tabelle 3 und Fehlerdiskussion Quelle 5: Automating Geometry-Intensive Compliance Checking in BIM: Graph-Based Semantic Reasoning Framework, Fundstelle(n): §4.1–4.4, Tabellen 1 und 4; §5, arXiv-v1 Quelle 4: Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach, Fundstelle(n): §2.2–2.5; §3; §4.1–4.3, Tabellen 2–3; §5.3 Quelle 3: Automatic Building Code Review: A Case Study, Fundstelle(n): §3.2.2 und §4.1–4.2, PDF S. 10–13 Quelle 7: Smart-Check – mFUND-Projektinformation, Fundstelle(n): Projektziel, Durchführung und Laufzeit

MarktdynamikSelektive Ausweitung

Lokale Vorprüfung wird ausgeweitet; neue KI-Funktionen ergänzen bestehende Prüfprodukte.

Surreys dokumentierter Pilot und der öffentliche Start im März 2026 bilden einen datierten Ausweitungsschritt. Solibris KI-Beta ergänzt im Juni das Produktangebot. Die aktuelle Surrey-Anleitung nennt zusätzliche zugelassene Wohnzonen, jedoch ohne Datum oder Nutzungsreihe. Belegt ist damit selektive Ausweitung einzelner Angebote, nicht breite Marktdurchdringung oder regelmäßige DACH-Nutzung. Pilotzahlen dürfen nicht als Wachstum nach dem Start gelesen werden.

Quelle 15: Development Approval Process Improvement Committee – Minutes, February 24, 2026, Fundstelle(n): S. 4–5: Archistar roll-out Quelle 16: Surrey launches eCheck tool to speed up building plan reviews, Fundstelle(n): 12.03.2026: Start, R3-Umfang und Partnerschaft Quelle 17: Digital Compliance Tool for Building Plans – AI PreCheck, Fundstelle(n): Eligibility; Before uploading; Get started Quelle 10: Solibri release notes June 2026, Fundstelle(n): 30.06.2026: AI-powered assistant (Beta)

Für welche Bauprozesse KI-gestützte Modell-, Regel- und Genehmigungsprüfung relevant ist

Strategie & Projektentwicklung

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Frühe Vorprüfung macht fehlende Planangaben und lokale Regelkonflikte vor der Einreichung sichtbar. Sie unterstützt Genehmigungsabklärung und Projektvorbereitung, liefert aber keine Zusage zur gesamten regulatorischen Machbarkeit.

Planung & Design

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Direkte Anwendung bei der Zuordnung von Anforderungen zu Modellmerkmalen, der Prüfung von Planänderungen und der Bearbeitung objektbezogener Befunde. Modellbereinigung, Regelkorrektur und fachliche Nachprüfung bleiben erforderlich.

Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): PDF S. 7–8, §3; §4.1–4.6, Tabelle 4; §5 Quelle 4: Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach, Fundstelle(n): §2.2–2.5; §3; §4.1–4.3, Tabellen 2–3; §5.3

Ausschreibung & Vergabe

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Aus der Planung übernommene Informationsanforderungen, Nachweisformate und Prüfzuständigkeiten können Ausschreibungen präzisieren. Der Nutzen liegt in prüfbaren Übergaben; eine autonome Vergabeentscheidung ist nicht belegt.

Quelle 4: Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach, Fundstelle(n): §2.2–2.5; §3; §4.1–4.3, Tabellen 2–3; §5.3 Quelle 12: DigiChecks – Periodic Reporting for period 2, Fundstelle(n): Period 2: Results und Progress beyond state of the art / exploitation

Bauausführung & Baustellenmanagement

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Anschluss über geprüfte Planstände, Änderungsprüfungen und Koordinationsbefunde für die Ausführung. Eine selbständige umfassende Baustellenkontrolle ist mit den untersuchten Verfahren nicht nachgewiesen.

Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): PDF S. 7–8, §3; §4.1–4.6, Tabelle 4; §5 Quelle 6: Automating clash relevance filtering in BIM-based multidisciplinary coordination using machine learning, Fundstelle(n): Institutionelles Abstract, Absätze 1–2

Betrieb & Instandhaltung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Anschluss bei Umbauten oder geänderten Anforderungen durch erneute Prüfung gepflegter Modell- und Regelstände. Laufende Zustandsüberwachung und prädiktive Instandhaltung gehören nicht zum belegten Kern dieses Impulses.

Rückbau & Kreislaufwirtschaft

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Für Rückbau oder Materialkreisläufe ist im untersuchten Zuschnitt kein unmittelbarer Einsatz belegt. Die Beispiele betreffen Modell- und Genehmigungsprüfung für andere Aufgaben. Der Wert bleibt daher null; mögliche spätere Übertragungen sind damit nicht ausgeschlossen.

Für wen KI-gestützte Modell-, Regel- und Genehmigungsprüfung relevant ist

Bauherren und Auftraggeber

Vor einer Einreichung können fehlende Unterlagen oder lokale Regelkonflikte früher sichtbar werden. Bauherren müssen dafür den Prüfauftrag, die Datenlieferungen und die Bearbeitung offener Befunde festlegen. Ein positiver Vorcheck ersetzt keine gesicherte Gesamtmachbarkeit.

Quelle 16: Surrey launches eCheck tool to speed up building plan reviews, Fundstelle(n): 12.03.2026: Start, R3-Umfang und Partnerschaft Quelle 17: Digital Compliance Tool for Building Plans – AI PreCheck, Fundstelle(n): Eligibility; Before uploading; Get started

Architektur-, Ingenieur- und Planungsbüros

Objektbezogene Prüfbefunde unterstützen die Bearbeitung von Planungsfehlern und Änderungen. Planungsbüros bleiben für Modellqualität, fachlich zutreffende Anforderungen und Nachprüfung verantwortlich; die untersuchten Codeketten enthalten ausdrücklich menschliche Vorbereitung und Korrektur.

Technologieanbieter und Systemintegratoren

Der Entwicklungs- und Integrationsbedarf liegt in kontrollierbaren Übergängen zwischen Regeltext, Prüflogik und Modelldaten. Anbieter müssen Schnittstellen, Eigenschaften und Regelversionen pflegen sowie nicht prüfbare Fälle ausweisen. Eine gute Sprachoberfläche allein löst diese Aufgabe nicht.

Öffentliche Hand, Kommunen und Vergabestellen

Vorprüfberichte können die Einreichung vorbereiten und bearbeitungsbedürftige Punkte sichtbar machen. Kommunen brauchen einen klar begrenzten Prüfumfang und einen Prozess für verbleibende Anforderungen. Das Surrey-Beispiel belässt die vollständige Prüfung bei der Behörde; ein allgemeiner Personal- oder Zeitgewinn ist nicht belegt.

Quelle 15: Development Approval Process Improvement Committee – Minutes, February 24, 2026, Fundstelle(n): S. 4–5: Archistar roll-out Quelle 17: Digital Compliance Tool for Building Plans – AI PreCheck, Fundstelle(n): Eligibility; Before uploading; Get started

Forschung, Verbände und Netzwerke

Forschung und Netzwerke können vergleichbare Referenzfälle, dokumentierte Regelstände und projektübergreifende Fehlerauswertungen bereitstellen. Besonders relevant sind unbekannte Modelle und übersehene Verstöße. Der Mehrwert liegt in überprüfbarer Übertragbarkeit, nicht in einer weiteren unverbundenen Erfolgskennzahl.

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Modell-, Regel- und Genehmigungsprüfung verknüpft ist

Hauptbezug

KI-gestützte Planung & Generative Design

Der Schwerpunkt liegt auf der Prüfung von Planungsständen gegen fachliche Anforderungen. KI erschließt Regeln, erzeugt Prüfungen oder priorisiert Befunde; das unterstützt die Planungskontrolle, ist aber keine generative Entwurfsoptimierung. Prüfmaßstab, Modellvorbereitung und Fachkorrektur bleiben entscheidend.

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Regeltexte, Fundstellen, Versionen und freigegebene Prüflogik müssen zusammengeführt und nachvollziehbar gehalten werden. Wissensgraphen, Abrufverfahren und Schnittstellen bilden dafür die Infrastruktur. DigiChecks zeigt diesen Integrationsbedarf, belegt für sich aber keinen lernenden Prüfer.

Quelle 4: Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach, Fundstelle(n): §2.2–2.5; §3; §4.1–4.3, Tabellen 2–3; §5.3 Quelle 5: Automating Geometry-Intensive Compliance Checking in BIM: Graph-Based Semantic Reasoning Framework, Fundstelle(n): §4.1–4.4, Tabellen 1 und 4; §5, arXiv-v1 Quelle 12: DigiChecks – Periodic Reporting for period 2, Fundstelle(n): Period 2: Results und Progress beyond state of the art / exploitation

Verknüpftes Feld

BIM & Digitaler Zwilling

BIM liefert die Objekte, Geometrien und Eigenschaften, auf die sich eine Regel beziehen muss. Fehlende Raumgrenzen oder abweichende Eigenschaftsnamen können Befunde verhindern. Die Schnittstelle verlangt daher kontrollierte Informationsqualität; ein Digitaler Zwilling allein garantiert keine richtige Regelprüfung.

Quelle 1: Assessing the Viability of LLM Agents for Generating Reusable Compliance Checking Functions, Fundstelle(n): PDF S. 3–7, Versuchsaufteilung, Tabelle 3 und Fehlerdiskussion Quelle 2: Large Language Model-Driven Code Compliance Checking in Building Information Modeling, Fundstelle(n): PDF S. 7–8, §3; §4.1–4.6, Tabelle 4; §5

Fachbegriffe und Detailthemen

Quellen und Evidenz zu KI-gestützte Modell-, Regel- und Genehmigungsprüfung

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

Quelle 1
Assessing the Viability of LLM Agents for Generating Reusable Compliance Checking Functions
Herausgeber
Fuchs, Hellin, Borrmann; TUM / EC3
Publiziert
Juli 2026
Quellentyp
Forschungsoriginal / Projektinformation
Geltungsbereich
Konferenzbeitrag EC3, Juli 2026; zwölf IFC-Modelle und 16 Regeln. Solibri-Referenz und kleine Modellstichprobe, kein unabhängiger Gesamtgenehmigungstest.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- PDF S. 3–7, Versuchsaufteilung, Tabelle 3 und FehlerdiskussionTextstelle 3 Textstelle 9 Textstelle 10 Textstelle 24 Textstelle 25 Textstelle 34 Textstelle 37 Textstelle 40
Quelle 2
Large Language Model-Driven Code Compliance Checking in Building Information Modeling
Herausgeber
Madireddy et al.; Electronics 14(11), 2146, MDPI
Publiziert
24.05.2025
Quellentyp
Forschungsoriginal / Projektinformation
Geltungsbereich
Begutachtete Journalfassung desselben Ergebnisses wie arXiv 2506.20551, keine zweite Studie. Vorbereitete US-Regeln und manuelle Revit-Schritte; Ausführbarkeit ist keine Fehlerabdeckung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (15 Textstellen)
- §3–4: Regelvorbereitung, Revit-AusführungTextstelle 1 Textstelle 2 Textstelle 4
- PDF S. 7–8, §3; §4.1–4.6, Tabelle 4; §5Textstelle 3 Textstelle 5 Textstelle 7 Textstelle 8 Textstelle 23 Textstelle 24 Textstelle 28 Textstelle 30 Textstelle 32 Textstelle 34 Textstelle 38 Textstelle 40
Quelle 3
Automatic Building Code Review: A Case Study
Herausgeber
Wan, Xu, Rosenberg, Zhang, Siddika; Pacific Northwest National Laboratory / arXiv
Publiziert
03.10.2025
Quellentyp
Forschungsoriginal / Projektinformation
Geltungsbereich
PNNL-Preprint; kleiner Vergleich mit kodierter COMcheck-Prüflogik. US-Energieanforderungen, keine vollständige Bauordnungsprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- §3.2.2 und §4.1–4.2, PDF S. 10–13Textstelle 5 Textstelle 7 Textstelle 8 Textstelle 23 Textstelle 25
Quelle 4
Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach
Herausgeber
Zhang et al.; State Grid, Chongqing Jiaotong University, Southeast University / Buildings 16(4), 719
Publiziert
10.02.2026
Quellentyp
Forschungsoriginal / Projektinformation
Geltungsbereich
Hybridverfahren mit Fachkorrektur im chinesischen Elektroinfrastruktur-Kontext. Unterschiedliche Kennzahlen und teils unklare Nenner; keine unabhängige Gesamtwirkung ableiten.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (19 Textstellen)
- §2.2–2.4: Extraktion, Formalkontrolle und FachkorrekturTextstelle 1 Textstelle 2 Textstelle 4
- §2.2–2.5; §3; §4.1–4.3, Tabellen 2–3; §5.3Textstelle 5 Textstelle 6 Textstelle 11 Textstelle 12 Textstelle 21 Textstelle 22 Textstelle 24 Textstelle 25 Textstelle 28 Textstelle 29 Textstelle 31 Textstelle 32 Textstelle 35 Textstelle 37 Textstelle 38 Textstelle 39
Quelle 5
Automating Geometry-Intensive Compliance Checking in BIM: Graph-Based Semantic Reasoning Framework
Herausgeber
Xiao, Koh, Ma, Cheng; HKU/HKUST / arXiv
Publiziert
10.06.2026
Quellentyp
Forschungsoriginal / Projektinformation
Geltungsbereich
arXiv-v1, interner Benchmark mit nachbearbeiteten Modellen. Antwortscore enthält Teilpunkte; maßgebliche Normausgabe nicht eindeutig geklärt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- §4.1–4.4, Tabellen 1 und 4; §5, arXiv-v1Textstelle 13 Textstelle 14 Textstelle 24 Textstelle 25 Textstelle 37 Textstelle 39
Quelle 6
Automating clash relevance filtering in BIM-based multidisciplinary coordination using machine learning
Herausgeber
Ailem, Boton; ÉTS / Automation in Construction 181, Part A; institutionelles Repositorium
Publiziert
2026
Quellentyp
Forschungsoriginal / Projektinformation
Geltungsbereich
Nur institutionelles Abstract und Metadaten geprüft; Volltext nicht eingesehen. Methodenhinweis zur Kollisionsfilterung, keine hier verifizierten Leistungszahlen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Institutionelles Abstract: RelevanzfilterungTextstelle 1 Textstelle 2 Textstelle 4
- Institutionelles Abstract, Absätze 1–2Textstelle 15 Textstelle 16 Textstelle 30
Quelle 7
Smart-Check – mFUND-Projektinformation
Herausgeber
Bundesministerium für Verkehr; Projekt RWTH Aachen und Basler & Hofmann
Publiziert
18.02.2026
Quellentyp
Amtliche Originalquelle
Geltungsbereich
Amtliches Forschungsziel mit Laufzeit März 2026 bis August 2027; kein abgeschlossenes Validierungsergebnis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Projektziel, Durchführung und LaufzeitTextstelle 19 Textstelle 20 Textstelle 25
Quelle 8
Neue KI-Software halbiert Genehmigungszeiten bei großen Infrastrukturprojekten
Herausgeber
Bundesministerium für Digitales und Staatsmodernisierung
Publiziert
16.06.2026
Quellentyp
Amtliche Originalquelle
Geltungsbereich
Amtliche Modulerweiterung. Die Wirkungsaussage im Originaltitel wird mangels offenem Vergleichsdesign nicht als gemessene Halbierung übernommen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- 16.06.2026: Vollständige Lösung und WeiterentwicklungTextstelle 19 Textstelle 20
Quelle 9
SPARK – KI in der Verwaltung
Herausgeber
Bundesministerium für Digitales und Staatsmodernisierung
Publiziert
undatiert
Quellentyp
Amtliche Originalquelle
Geltungsbereich
Undatierte Projektseite zu SPARK-Funktionen und Piloten; dieselbe Evidenzkette wie die BMDS-Meldung, keine unabhängige Wirkungsmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Pilotprojekte und FunktionsbeschreibungTextstelle 19 Textstelle 20
Quelle 10
Solibri release notes June 2026
Herausgeber
Solibri
Publiziert
30.06.2026
Quellentyp
Anbieterinformation
Geltungsbereich
Anbieter-Releasenotiz zur Beta-Funktion; kein Nachweis tatsächlicher Nutzung durch die gesamte Solibri-Kundschaft.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- 30.06.2026, Version 26.6.0: AI-powered assistant (Beta)Textstelle 15 Textstelle 16
- 30.06.2026: AI-powered assistant (Beta)Textstelle 26
Quelle 11
Solibri AI-powered assistant
Herausgeber
Solibri
Publiziert
undatiert
Quellentyp
Anbieterinformation
Geltungsbereich
Undatierte Anbieterbeschreibung; KI-Assistent ersetzt den vorhandenen regelbasierten Prüfkern nicht. Keine unabhängige Evaluationsstudie.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- FAQ: Abgrenzung zum vorhandenen PrüfkernTextstelle 4
- FAQ: bestehender checking engineTextstelle 15 Textstelle 16 Textstelle 35
Quelle 12
DigiChecks – Periodic Reporting for period 2
Herausgeber
DigiChecks-Konsortium / Europäische Kommission, CORDIS
Publiziert
undatiert
Quellentyp
Forschungsoriginal / Projektinformation
Geltungsbereich
Abschlusszusammenfassung des Konsortiums für den Berichtszeitraum bis Mai 2025. Aktualisierung 21.04.2026 kein Publikations-/Versuchsdatum; keine verifizierte lernende Prüffunktion.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Period 2: Results und Progress beyond state of the art / exploitationTextstelle 21 Textstelle 22 Textstelle 29 Textstelle 39
Quelle 13
Evaluierung BIM-basierte Baugenehmigung NRW – Einblicke in die Praxis der digitalen Prüfung
Herausgeber
Bauportal.NRW
Publiziert
undatiert
Quellentyp
Amtliche Originalquelle
Geltungsbereich
Undatierte amtliche Praxisübersicht, kein identifizierter lernender Anteil. Verlinkte Langberichte nicht ausgewertet.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Praxisdarstellung zur digitalen Prüfung und VorbereitungTextstelle 21 Textstelle 22
Quelle 14
LA County Launches eCheck AI Pilot as Part of Express Lane for Faster Rebuilding
Herausgeber
County of Los Angeles
Publiziert
15.07.2025
Quellentyp
Amtliche Originalquelle
Geltungsbereich
Amtliche Pilotstartmeldung für ausgewählte Wiederaufbauvorhaben in LA County; nicht City of Los Angeles, kein gemessener Abschlussnutzen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- 15.07.2025: Pilotumfang, Early Adopters und TeilnahmeablaufTextstelle 17 Textstelle 18
Quelle 15
Development Approval Process Improvement Committee – Minutes, February 24, 2026
Herausgeber
City of Surrey, British Columbia
Publiziert
undatiert
Quellentyp
Amtliche Originalquelle
Geltungsbereich
Kommunales Sitzungsprotokoll vom 24.02.2026; Publikationstag unbekannt. Pilotnutzung dokumentiert, keine unabhängige Fehlermatrix.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- S. 4–5: Archistar roll-outTextstelle 3 Textstelle 17 Textstelle 18 Textstelle 23 Textstelle 24 Textstelle 26 Textstelle 27 Textstelle 36
Quelle 16
Surrey launches eCheck tool to speed up building plan reviews
Herausgeber
City of Surrey
Publiziert
12.03.2026
Quellentyp
Amtliche Originalquelle
Geltungsbereich
Amtliche Startmeldung für lokale R3-Zoning-Vorprüfung; erwartete Vorteile sind kein gemessener Gesamtzeitgewinn.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- 12.03.2026: Start, R3-Umfang und PartnerschaftTextstelle 3 Textstelle 17 Textstelle 18 Textstelle 23 Textstelle 26 Textstelle 27 Textstelle 33
Quelle 17
Digital Compliance Tool for Building Plans – AI PreCheck
Herausgeber
City of Surrey
Publiziert
undatiert
Quellentyp
Amtliche Originalquelle
Geltungsbereich
Undatierte amtliche Anleitung; aktueller Angebotsumfang für Wohnzonen. Zeitpunkt und tatsächliche Nutzung der Erweiterung offen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- Eligibility; Before uploading; Get startedTextstelle 2 Textstelle 6 Textstelle 17 Textstelle 18 Textstelle 21 Textstelle 22 Textstelle 26 Textstelle 27 Textstelle 33 Textstelle 36

Alle Impulse im Radar entdecken

KI-gestützte Modell-, Regel- und Genehmigungsprüfung

Um was geht es bei KI-gestützte Modell-, Regel- und Genehmigungsprüfung?

Einordnung im Impulsradar

Vom Regeltext zum überprüfbaren Befund

Worauf es bei KI-gestützte Modell-, Regel- und Genehmigungsprüfung 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 Modell-, Regel- und Genehmigungsprüfung relevant ist

Für welche Bauprozesse KI-gestützte Modell-, Regel- und Genehmigungsprüfung relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen KI-gestützte Modell-, Regel- und Genehmigungsprüfung relevant ist

Bauherren und Auftraggeber

Architektur-, Ingenieur- und Planungsbüros

Technologieanbieter und Systemintegratoren

Öffentliche Hand, Kommunen und Vergabestellen

Forschung, Verbände und Netzwerke

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Modell-, Regel- und Genehmigungsprüfung verknüpft ist

KI-gestützte Planung & Generative Design

Datenplattformen & KI-Infrastruktur

BIM & Digitaler Zwilling

Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu KI-gestützte Modell-, Regel- und Genehmigungsprüfung

Quellen und Evidenz zu KI-gestützte Modell-, Regel- und Genehmigungsprüfung

Assessing the Viability of LLM Agents for Generating Reusable Compliance Checking Functions

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

Automatic Building Code Review: A Case Study

Human-in-the-Loop Semantic Rule Base Generation and Dynamic Updating for Automated BIM Compliance Checking: A Knowledge Graph Approach

Automating Geometry-Intensive Compliance Checking in BIM: Graph-Based Semantic Reasoning Framework

Automating clash relevance filtering in BIM-based multidisciplinary coordination using machine learning

Smart-Check – mFUND-Projektinformation

Neue KI-Software halbiert Genehmigungszeiten bei großen Infrastrukturprojekten

SPARK – KI in der Verwaltung

Solibri release notes June 2026

Solibri AI-powered assistant

DigiChecks – Periodic Reporting for period 2

Evaluierung BIM-basierte Baugenehmigung NRW – Einblicke in die Praxis der digitalen Prüfung

LA County Launches eCheck AI Pilot as Part of Express Lane for Faster Rebuilding

Development Approval Process Improvement Committee – Minutes, February 24, 2026

Surrey launches eCheck tool to speed up building plan reviews

Digital Compliance Tool for Building Plans – AI PreCheck