INNOVATION SCOUT · IMPULSPROFIL

KI-gestützte Sanierungs- und Modernisierungsplanung

KI erschließt Bestandsdaten und unterstützt den Vergleich von Sanierungsmaßnahmen für Gebäude und Portfolios. Gelernte Modelle ergänzen Angaben oder schätzen Kosten und Wirkungen; Fachleute prüfen daraus abgeleitete Prioritäten und Fahrpläne.

Um was geht es bei KI-gestützte Sanierungs- und Modernisierungsplanung?

Ausgangspunkt sind Geometrie, Bauteile, Anlagen, Zustand, Nutzung sowie Verbrauch und Kosten. Die Planung muss gemessene Angaben von Ergänzungen und Typannahmen unterscheiden. Simulation und gelernte Modelle können Varianten vorsortieren. Maßnahmenkombination, Budget, Reihenfolge und Nutzung während der Arbeiten benötigen eine gemeinsame fachliche Entscheidung.

Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Absätze zur Verknüpfung von Bildern, Grundrissen, Texten und Gebäudeinformationen Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology, S. 2–3; Methodology S. 2–3; Tabelle 4 und Conclusion S. 7 Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Haupttext zu roadmap, digital tools und Pflichtinhalten Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Data Description und Tabelle 1, S. 3–4; Algorithm Implementation; Tabelle 2, S. 5 Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Abschnitt 2.1, Tabelle 1; 3.1; 3.3; 4.4 Quelle 7: Catalyzing Informed Residential Energy Retrofit Decisions via Domain-Specific LLM (v2), Fundstelle(n): Abschnitte 3.1.2–3.2, 4.3; Abbildung 12; 5.4

Einordnung im Impulsradar

Abgegrenzte Assistenzfunktionen reichen vom Demonstrator bis zur ersten Marktanwendung. Aktuelle Arbeiten verbinden Datenerschließung, Kostenmodelle und Maßnahmenempfehlungen. Übertragbarkeit und fachliche Prüfung bleiben entscheidend: Ein guter Modellwert belegt noch keine bessere Investitionsentscheidung oder zusätzliche Einsparung nach der Sanierung.

Quelle 4: A Trustworthy By Design Classification Model for Building Energy Retrofit Decision Support (arXiv v2), Fundstelle(n): Abschnitte 3–5 Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology/Results Quelle 10: ESG Manager – Funktionsbeschreibung, Baloise-Anwendung und FAQ, Fundstelle(n): Baloise Umsetzung und FAQ; Baloise-Fall ohne Datum Quelle 11: Predium – Real Estate Intelligence Platform, Anwenderberichte, Fundstelle(n): Kundenstimme Deutsche Investment; Kundenstimmen ohne Datierung Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): 4.4 Framework limitations Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Mitteilung 12.05.2026 Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Experiment 2025 Quelle 6: Predicting Heterogeneous Treatment Effects Of Building Energy Saving Retrofits Using Causal Machine Learning, Fundstelle(n): Paper 2026 Quelle 7: Catalyzing Informed Residential Energy Retrofit Decisions via Domain-Specific LLM (v2), Fundstelle(n): v2 21.04.2026; Vergleich Base/Fine-tuned, Abbildung 12 Quelle 16: Einsatz von Künstlicher Intelligenz zur Steigerung der Nachhaltigkeit bei energetischen Sanierungen – NaiS! Die Zukunft der intelligenten Sanierung, Fundstelle(n): 2.8–2.9 S. 25–26

Von unsicheren Bestandsdaten zu prüfbaren Maßnahmen

Die Planungskette enthält unterschiedliche Verfahren. Physikalische Simulation berechnet Szenarien; ein trainiertes Ersatzmodell bildet Zusammenhänge näherungsweise ab; Optimierung sucht geeignete Kombinationen unter vorgegebenen Zielen. Ein Sprachmodell kann Empfehlungen erzeugen. Die Bezeichnung KI sollte erkennen lassen, welche dieser Funktionen tatsächlich gelernt ist.

Einzelgebäude und Portfolios verlangen verschiedene Genauigkeiten. Grobe Daten können eine Reihenfolge vertiefter Untersuchungen unterstützen. Vor einer konkreten Sanierung müssen Bauteilzustand, technische Machbarkeit und lokale Kosten ausreichend geprüft sein. Ein Portfolio-Ranking ist deshalb eine Prüfpriorität und noch keine Ausführungsfreigabe.

Quelle 10: ESG Manager – Funktionsbeschreibung, Baloise-Anwendung und FAQ, Fundstelle(n): Baloise: Umsetzung; FAQ zur Schätzung fehlender Gebäudedaten Quelle 11: Predium – Real Estate Intelligence Platform, Anwenderberichte, Fundstelle(n): Capture data centrally; Decide and prioritize based on facts, Nanette Hoppe / Deutsche Investment; Szenarien/Priorisierung Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology/Results Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Data Description: StLB, Mengen, Einheitspreise; Data Description/Discussion Quelle 16: Einsatz von Künstlicher Intelligenz zur Steigerung der Nachhaltigkeit bei energetischen Sanierungen – NaiS! Die Zukunft der intelligenten Sanierung, Fundstelle(n): Abschnitt 2.8, S. 25 Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Bestandshalter/Kommunen als Zielgruppen Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Datenbasis und Framework limitations Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Inhalte des Passes

Nachvollziehbare Beispiele zeigen sowohl Potenzial als auch Grenzen: Das Forschungsprojekt NaiS verbindet heterogene Bestandsinformationen, Kostenmodelle erproben frühe Schätzungen, und der Anbieter Predium beschreibt kommerzielle Daten- und Szenarioassistenz. Ihre Ergebnisse messen unterschiedliche Dinge. Nutzerakzeptanz, Prognosegüte und eingesparte Energie dürfen nicht zu einem gemeinsamen Erfolgswert zusammengezogen werden.

Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Analyseaufwand sinkt von Tagen auf Minuten; Ergebnisse fließen in Praxis und Folgeforschung ein Quelle 2: Key Elements of Trust in Building Renovation Data Management: A Usability Study of a Centralized Platform, Fundstelle(n): S. 3, Abschnitt 3.1; Abstract und Diskussion Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Data Description und Tabelle 1, S. 3–4; Algorithm Implementation; Tabelle 2, S. 5 Quelle 10: ESG Manager – Funktionsbeschreibung, Baloise-Anwendung und FAQ, Fundstelle(n): Baloise: Umsetzung; FAQ zur Schätzung fehlender Gebäudedaten Quelle 11: Predium – Real Estate Intelligence Platform, Anwenderberichte, Fundstelle(n): Capture data centrally; Decide and prioritize based on facts, Nanette Hoppe / Deutsche Investment

Der Fahrplan muss Wechselwirkungen und Unsicherheit sichtbar machen. Eine Hüllensanierung kann beispielsweise die spätere Anlagendimensionierung verändern. Preis-, Klima- und Nutzungsannahmen beeinflussen die Reihenfolge und Wirtschaftlichkeit. Datenherkunft und fachliche Prüfung sind daher Teil der Entscheidung; ein digitaler Renovierungspass dokumentiert sie, ohne allein eine lernende Planung nachzuweisen.

Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Absätze zur Verknüpfung von Bildern, Grundrissen, Texten und Gebäudeinformationen Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology, S. 2–3 Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Haupttext zu roadmap, digital tools und Pflichtinhalten; Haupttext zu staged roadmap, technical data, funding und digital tools Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Abschnitt 2.1, Tabelle 1; 3.1; 3.3; 4.4 Quelle 7: Catalyzing Informed Residential Energy Retrofit Decisions via Domain-Specific LLM (v2), Fundstelle(n): Abschnitte 3.1.2–3.2, 4.3; Abbildung 12; 5.4

Worauf es bei KI-gestützte Sanierungs- und Modernisierungsplanung fachlich ankommt

NaiS: integrierte Datenerschließung und unterschiedliche Nutzertests

Studien-/Praxisbefund

Das Karlsruher Institut für Technologie (KIT) meldete im Mai 2026 eine NaiS-Plattform, die Bilder, Grundrisse, Texte und statistische Gebäudeinformationen verbindet. Der Projektbericht nennt 104 potenzielle Nutzer in vier Tests. Eine frühere Studie zur Bedienbarkeit untersuchte dagegen mit 44 Personen eine klickbare Oberfläche, die die geplanten Systemfunktionen noch nicht ausführte.

Fachliche Einordnung

Der Ansatz bündelt unterschiedliche Bestandsinformationen für eine gemeinsame Grundlage der Sanierungsprüfung. Planende können damit zusammengehörige Gebäudeangaben über Bilder, Pläne und Texte hinweg betrachten. Die beiden Nutzertests betreffen unterschiedliche Entwicklungsstände: eine frühe klickbare Oberfläche und die später berichtete Plattform. Der gemeldete Zeitvorteil bleibt eine projektinterne Angabe; ein unabhängiger Vergleich vollständiger Planungsleistungen einschließlich Nacharbeit fehlt.

Kostenprognose: gute Einzelwerte aus kleinen Teilmengen

Studien-/Praxisbefund

Das KIT/PLAN4-Experiment von 2025 beginnt mit 104 Sanierungsprojekten und wertet unterschiedlich gefilterte Teilmengen aus. Der kleinste berichtete Fehler des Lernverfahrens Random Forest von sieben Prozent gehört zu einer Teilmenge mit 17 Fällen. Die Zielkosten werden aus Mengen und Einheitspreisen berechnet; andere Teilmengen liefern deutlich größere Fehler.

Fachliche Einordnung

Das unterstützt frühe Kostenorientierung unter bekannten Datenbedingungen. Es ist weder eine allgemeine Genauigkeitszusage noch eine Prognose unabhängig abgerechneter Endkosten. Externe Portfolios, Preisjahre und unvorhergesehene Bestandsprobleme benötigen eigene Prüfung. Datenergänzung kann zudem die nutzbare Stichprobe verkleinern.

Maßnahmenklassen und ihre Aussagegrenze

Studien-/Praxisbefund

Eine Klassifikationsstudie verwendet Energieausweisdaten aus England und Wales sowie einen separat bearbeiteten kleinen lettischen Datensatz. Dort verbessert synthetische Ergänzung den F1-Wert von 0,401 auf 0,446, während die Gesamtgenauigkeit (Accuracy) von 0,842 auf 0,654 sinkt. Die Kennzahlen reagieren unterschiedlich auf unausgewogene Maßnahmenklassen.

Quelle 4: A Trustworthy By Design Classification Model for Building Energy Retrofit Decision Support (arXiv v2), Fundstelle(n): Abschnitte 3.4, 4.1, 5.1 und 5.4; Tabellen 5 und 9

Fachliche Einordnung

Das Modell lernt vorhandene Empfehlungen oder Maßnahmenlabels. Es beweist dadurch nicht deren kausale Optimalität. Eine hohe Gesamtgenauigkeit kann schwache Erkennung seltener Optionen verdecken. Länderabhängige Merkmale und getrennte Modelle sind außerdem kein nachgewiesener Transfer auf deutsche Bestände.

Quelle 4: A Trustworthy By Design Classification Model for Building Energy Retrofit Decision Support (arXiv v2), Fundstelle(n): Abschnitte 3.4, 4.1, 5.1 und 5.4; Tabellen 5 und 9

Sanierungswirkungen aus realen Verbrauchsverläufen abschätzen

Studien-/Praxisbefund

Eine Schweizer Studie verknüpft 111.200 Gebäude-Jahr-Beobachtungen aus Genf, Biel und St. Gallen mit Sanierungsmerkmalen. Sie berücksichtigt Heizgradtage und ergänzt fehlende Flächen. Kausale Lernverfahren ergeben teilweise geringere Effektschätzungen als einfache Paarvergleiche.

Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Abschnitt 2.1, Tabelle 1; 3.1; 3.3; 4.4

Fachliche Einordnung

Die Zahl bezeichnet Beobachtungen, nicht ebenso viele Gebäude. Ein Split auf Beobachtungsebene bestätigt keinen unabhängigen Gebäude- oder Regionentransfer. Nutzungsverhalten und überlagerte Eingriffe bleiben Unsicherheiten. Die Analyse ausgeführter Sanierungen kann Planungsannahmen prüfen; sie misst nicht den zusätzlichen Erfolg einer zuvor eingesetzten KI-Planung.

Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Abschnitt 2.1, Tabelle 1; 3.1; 3.3; 4.4

Künstliche Vergleichsfälle mit und ohne Maßnahme

Studien-/Praxisbefund

Eine Arbeit von 2026 vergleicht kausale Lernverfahren an 50.000 synthetischen Häusern und vier Hüllenmaßnahmen. Die künstlichen Daten stellen bekannte Ergebnisse mit und ohne Eingriff bereit. Damit lässt sich die Qualität einer Effektschätzung unter kontrollierten Annahmen untersuchen.

Quelle 6: Predicting Heterogeneous Treatment Effects Of Building Energy Saving Retrofits Using Causal Machine Learning, Fundstelle(n): Abschnitte 3.2–3.3; Tabelle 2; Discussion/Limitations S. 13–14

Fachliche Einordnung

Das ist ein methodischer Vergleich und kein Bestand von 50.000 Feldsanierungen. Rebound, Kapitalrestriktionen und unbekannte Störgrößen sind damit nicht im realen Einsatz bewältigt. Eine gute Schätzung im konstruierten Datensatz muss gegen tatsächlich erhobene Verbräuche und Entscheidungsbedingungen geprüft werden.

Quelle 6: Predicting Heterogeneous Treatment Effects Of Building Energy Saving Retrofits Using Causal Machine Learning, Fundstelle(n): Abschnitte 3.2–3.3; Tabelle 2; Discussion/Limitations S. 13–14

Angepasste Sprachmodelle im simulierten Maßnahmenvergleich

Studien-/Praxisbefund

Ein auf Sanierungsaufgaben angepasstes Qwen-Modell wird in einer Fassung von April 2026 mit US-Simulationsdaten geprüft. Von insgesamt 538.416 Datensätzen bleiben 2.000 für den Test zurück. Hohe Top-3-Treffer beziehen sich auf berechnete Referenzoptionen. Ein früherer Test allgemeiner Sprachmodelle zeigt dagegen Schwächen bei wirtschaftlichen Abwägungen und inkonsistente Empfehlungen.

Quelle 7: Catalyzing Informed Residential Energy Retrofit Decisions via Domain-Specific LLM (v2), Fundstelle(n): Abschnitte 3.1.2–3.2, 4.3; Abbildung 12; 5.4 Quelle 8: Can AI Make Energy Retrofit Decisions? An Evaluation of Large Language Models, Fundstelle(n): Abstract; Abschnitt 2.3; Diskussion 4.1–4.2

Fachliche Einordnung

Top-3 bedeutet, dass die passende Referenz unter drei Vorschlägen liegt. Es bedeutet weder genaue Energieprognose noch realisierte Einsparung. Vorgegebene US-Preise und Diskontierung lassen sich nicht ungeprüft übertragen. Wegen verschiedener Tests liefert der Vergleich beider Arbeiten auch keine belastbare Fortschrittsquote des Feldes.

Energie und Komfort gemeinsam vergleichen

Studien-/Praxisbefund

Ein Demonstrator für ein Hochschulgebäude in Kharagpur verbindet ein kalibriertes Gebäudemodell in der Simulationssoftware EnergyPlus mit gelernten Ersatzmodellen auf Basis von XGBoost und einer Mehrzielsuche. Beim verwendeten Vergleichsmaß, dem Pareto-Hypervolumen, erreicht das Suchverfahren NSGA-III einen größeren Wert als die bayessche Vergleichsmethode MOBO. Die berechnete Kühlbedarfsreduktion gehört zum Modellvergleich.

Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology S. 2–3; Tabelle 4 und Conclusion S. 7

Fachliche Einordnung

Das Beispiel zeigt eine ausführbare Planungskette und einen konkreten Gegenbefund zur Überlegenheit einer neueren Suchmethode. Es bestätigt keine ausgeführte Sanierung. Ein warmfeuchter Gebäudefall deckt andere Klimazonen, Kosten, graue Emissionen und die Nutzung während der Bauarbeiten nicht automatisch ab.

Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology S. 2–3; Tabelle 4 und Conclusion S. 7

Kommerzielle Assistenz: Daten ergänzen und Szenarien priorisieren

Studien-/Praxisbefund

Predium beschreibt KI-gestützte Ergänzung fehlender Gebäudedaten und darauf aufbauende Szenarien. Die Anbieter-Fallbeschreibung nennt Baloise für initiale Bewertung und Sanierungspotenziale. Eine eingebundene Kundenstimme der Deutschen Investment schildert genutzte Szenarien und Erstpriorisierung.

Fachliche Einordnung

Die Assistenz strukturiert Bestände für eine vertiefte Sanierungsprüfung vor. Ergänzte Gebäudedaten und berechnete Szenarien können zeigen, welche Objekte zuerst genauer untersucht werden sollten. Fachleute müssen dabei geschätzte Eingaben von gesicherten Bestandsangaben unterscheiden. Ob auch die nachgelagerte Optimierung selbst lernt, bleibt offen. Einsatzbeginn, konkrete Gebäudezahl, abgeschlossene Maßnahmen und unabhängige Wirkung sind nicht ausreichend dokumentiert.

Bestandsmodelle schaffen Eingaben

Studien-/Praxisbefund

Der Forschungsüberblick zu Scan-to-BIM von You, Chen und Xue wertet 58 dokumentierte Fälle der Bestandsmodellierung aus. Das Forschungsprojekt BUILDSPACE beschreibt im frühen Periodenbericht Daten von fünf Gebäuden an vier Pilotorten.

Fachliche Einordnung

Geometrie und thermische Aufnahmen ergänzen die Eingaben für den Maßnahmenvergleich. Sie helfen, Gebäudeteile räumlich zuzuordnen und beobachtbare Eigenschaften zu beschreiben. Verdeckte Eigenschaften müssen zusätzlich geprüft werden. Die genannten Fallzahlen betreffen Bestandsmodellierung und Pilotdaten; ausgeführte Sanierungsentscheidungen mit nachgewiesenem KI-Mehrwert sind damit nicht erfasst.

Fahrplan, Bestandserhalt und fachliche Prüfung

Studien-/Praxisbefund

Die Kommissionszusammenfassung zu Renovierungspässen beschreibt gestufte Maßnahmen, geschätzte Wirkungen und digitale Dokumentation einschließlich Kreislaufinformationen. Das KIT benennt ConCIRCLE als Folgeforschung zur Wiederverwendbarkeit von Stahlbetonbauteilen. Eine abgeschlossene direkte Reuse-Planung wird dadurch nicht nachgewiesen.

Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Haupttext zu staged roadmap, technical data, funding und digital tools; Information on circularity Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Ergebnisse fließen in Praxis und Folgeforschung ein: ConCIRCLE

Fachliche Einordnung

Erhalt, Ersatz, Demontage und mögliche Wiederverwendung können die Maßnahmenwahl beeinflussen. Zustand, Schadstoffe, Verbindungen und Einbausituation müssen Fachleute zusätzlich prüfen. Passinformation und angekündigte Folgeforschung sind keine Verwendungsfreigabe. Für integrierte KI-Entscheidungen über diese gesamte Kette fehlt ein entsprechender Anwendungsnachweis.

Warum KI-gestützte Sanierungs- und Modernisierungsplanung relevant ist

ReifegradDemonstrator bis erste Marktanwendung

Funktionsfähige Klassifikations- und Ersatzmodellverfahren tragen die Demonstrator-Untergrenze. Benannte kommerzielle Daten-, Szenario- und Priorisierungsfunktionen stützen die erste Marktanwendung, allerdings mit Anbieter- und Kundenberichten begrenzter Tiefe. Diese Assistenzfunktionen bereiten vertiefte Untersuchungen und die fachliche Maßnahmenwahl vor. Für einen zusätzlichen Nutzen nach ausgeführter Sanierung fehlt ein entsprechender unabhängiger Nachweis.

Evidenzwachsende Evidenz

Originalarbeiten erlauben nachvollziehbare Modellvergleiche und Analysen realer Sanierungsdaten. Kleine oder kontextspezifische Teilmengen, fehlende externe Tests und Anbieterherkunft begrenzen jedoch die Übertragbarkeit. Für BUILDSPACE bilden der frühe Periodenbericht und das offizielle Verzeichnis späterer Berichte die vorliegende Grundlage. Das Verzeichnis nennt weitere Ergebnisse, enthält aber keine vollständige Bewertung ihres Inhalts oder der erreichten Umsetzungswirkung. Beobachtete Sanierungseffekte sind zudem noch kein unabhängiger Nachweis des zusätzlichen Nutzens einer KI-Planungsentscheidung.

Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Data Description und Tabelle 1, S. 3–4; Algorithm Implementation; Tabelle 2, S. 5 Quelle 4: A Trustworthy By Design Classification Model for Building Energy Retrofit Decision Support (arXiv v2), Fundstelle(n): Abschnitte 3.4, 4.1, 5.1 und 5.4; Tabellen 5 und 9; Abschnitte 3–5 Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Abschnitt 2.1, Tabelle 1; 3.1; 3.3; 4.4; 4.4 Framework limitations Quelle 10: ESG Manager – Funktionsbeschreibung, Baloise-Anwendung und FAQ, Fundstelle(n): Baloise: Umsetzung; FAQ zur Schätzung fehlender Gebäudedaten; Baloise Umsetzung und FAQ Quelle 11: Predium – Real Estate Intelligence Platform, Anwenderberichte, Fundstelle(n): Capture data centrally; Decide and prioritize based on facts, Nanette Hoppe / Deutsche Investment; Kundenstimme Deutsche Investment Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology/Results Quelle 14: BUILDSPACE – Fact Sheet und Project Results, Fundstelle(n): Project Results, Deliverables; Fact Sheet Start/End date

EntwicklungsdynamikAktive Weiterentwicklung

Aktuelle Arbeiten verbinden Bestandsdaten, Kostenprognosen, angepasste Sprachmodelle und kausale Wirkungsabschätzung.

Datierte Arbeiten bearbeiten konkrete offene Aufgaben der Sanierungsplanung. NaiS zeigt zudem projektseitigen Integrationsfortschritt zwischen frühem Entwicklungsstand und getesteter Plattform. Das stützt aktive Weiterentwicklung. Unterschiedliche Testwelten und fehlende Replikationen erlauben keine Aussage über eine zunehmende Entwicklungsgeschwindigkeit.

Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Mitteilung 12.05.2026 Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Experiment 2025 Quelle 6: Predicting Heterogeneous Treatment Effects Of Building Energy Saving Retrofits Using Causal Machine Learning, Fundstelle(n): Paper 2026 Quelle 7: Catalyzing Informed Residential Energy Retrofit Decisions via Domain-Specific LLM (v2), Fundstelle(n): v2 21.04.2026; Vergleich Base/Fine-tuned, Abbildung 12 Quelle 10: ESG Manager – Funktionsbeschreibung, Baloise-Anwendung und FAQ, Fundstelle(n): Baloise-Fall ohne Datum Quelle 11: Predium – Real Estate Intelligence Platform, Anwenderberichte, Fundstelle(n): Kundenstimmen ohne Datierung Quelle 16: Einsatz von Künstlicher Intelligenz zur Steigerung der Nachhaltigkeit bei energetischen Sanierungen – NaiS! Die Zukunft der intelligenten Sanierung, Fundstelle(n): 2.8–2.9 S. 25–26

MarktdynamikNicht ausreichend beurteilbar

Benannte kommerzielle Nutzung ist sichtbar; ihre zeitliche Ausweitung lässt sich nicht belastbar bestimmen.

Die Kunden- und Anbieterangaben beschreiben gegenwärtige Assistenzfunktionen, liefern jedoch keine belastbare datierte Nutzungsserie. Daraus lässt sich weder Ausweitung noch Stagnation ableiten. Sanierungsziele, Passanforderungen und Projektförderung ersetzen keine Beobachtung der Verbreitung der konkreten KI-Funktion.

Quelle 10: ESG Manager – Funktionsbeschreibung, Baloise-Anwendung und FAQ, Fundstelle(n): Baloise: Umsetzung; FAQ zur Schätzung fehlender Gebäudedaten; Baloise-Fall ohne Datum Quelle 11: Predium – Real Estate Intelligence Platform, Anwenderberichte, Fundstelle(n): Capture data centrally; Decide and prioritize based on facts, Nanette Hoppe / Deutsche Investment; Kundenstimmen ohne Datierung Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Haupttext zu staged roadmap, technical data, funding und digital tools Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Mitteilung 12.05.2026 Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Experiment 2025 Quelle 6: Predicting Heterogeneous Treatment Effects Of Building Energy Saving Retrofits Using Causal Machine Learning, Fundstelle(n): Paper 2026 Quelle 7: Catalyzing Informed Residential Energy Retrofit Decisions via Domain-Specific LLM (v2), Fundstelle(n): v2 21.04.2026

Für welche Bauprozesse KI-gestützte Sanierungs- und Modernisierungsplanung relevant ist

Strategie & Projektentwicklung

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Bestands- und Portfoliodaten, Ziele und Budget unterstützen die Reihenfolge vertiefter Untersuchungen. Eigentümer und Investoren können Schätzungen zur Erstpriorisierung nutzen, müssen entscheidungsrelevante Eingaben aber nachprüfen. Ein Ranking ist noch keine genehmigte Investition.

Planung & Design

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Die Kernaufgabe liegt im Vergleich technisch möglicher Maßnahmen anhand geprüfter Bestandsdaten sowie Kosten-, Energie- und Komfortmodellen. Planungsbüros prüfen Bauphysik, Abhängigkeiten und Umsetzbarkeit; Auftraggeber wählen das Paket. Modellunsicherheit muss bis in diese Entscheidung sichtbar bleiben.

Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Absätze zur Verknüpfung von Bildern, Grundrissen, Texten und Gebäudeinformationen Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology, S. 2–3; Methodology S. 2–3; Tabelle 4 und Conclusion S. 7; Methodology/Results Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Haupttext zu roadmap, digital tools und Pflichtinhalten Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Data Description und Tabelle 1, S. 3–4; Algorithm Implementation; Tabelle 2, S. 5; Data Description: StLB, Mengen, Einheitspreise Quelle 11: Predium – Real Estate Intelligence Platform, Anwenderberichte, Fundstelle(n): Szenarien/Priorisierung Quelle 16: Einsatz von Künstlicher Intelligenz zur Steigerung der Nachhaltigkeit bei energetischen Sanierungen – NaiS! Die Zukunft der intelligenten Sanierung, Fundstelle(n): Abschnitt 2.8, S. 25

Ausschreibung & Vergabe

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Geprüfte Maßnahmen, Mengen und Kostenannahmen werden zur Grundlage einer Leistungsbeschreibung. Die zuständige Planung oder Vergabestelle muss Anforderungen vervollständigen und Annahmen offenlegen. Damit ist nachvollziehbar, welche Teile der Beschreibung auf gesicherten Bestandsdaten beruhen und welche vor der Ausführung noch geklärt werden müssen.

Quelle 11: Predium – Real Estate Intelligence Platform, Anwenderberichte, Fundstelle(n): Szenarien/Priorisierung Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology/Results Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Data Description: StLB, Mengen, Einheitspreise Quelle 16: Einsatz von Künstlicher Intelligenz zur Steigerung der Nachhaltigkeit bei energetischen Sanierungen – NaiS! Die Zukunft der intelligenten Sanierung, Fundstelle(n): Abschnitt 2.8, S. 25

Bauausführung & Baustellenmanagement

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Technische Reihenfolge, Zugänglichkeit, Belegung und Nutzungseinschränkungen begrenzen die Maßnahmenwahl im Bestand. Planung und Bauleitung müssen diese Bedingungen in ausführbare Phasen übersetzen. Eine direkte lernende Ablaufplanung unter laufender Nutzung ist in diesen Anwendungsfällen bislang nicht empirisch bestätigt.

Betrieb & Instandhaltung

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Verbrauchs-, Zustands- und Maßnahmenhistorien speisen langfristige Modernisierungs- und Reinvestitionsentscheidungen. Betreiber stellen Verläufe bereit; Planung und Eigentümer bewerten, welche Eingriffe als Nächstes sinnvoll sind. Diese strategische Rückkopplung ist von kurzfristiger Anlagenregelung zu unterscheiden. Messdaten allein bestätigen noch keinen kausalen Erfolg der Einzelmaßnahme.

Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Abschnitt 2.1, Tabelle 1; 3.1; 3.3; 4.4; 2.1 Datenquellen; 3.3 Maßnahmenwirkung; 4.4 Grenzen Quelle 10: ESG Manager – Funktionsbeschreibung, Baloise-Anwendung und FAQ, Fundstelle(n): Baloise-Fall und Maßnahmenplanung

Rückbau & Kreislaufwirtschaft

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Material- und Bauteilinformationen können die Entscheidung zwischen Erhalt, Ersatz und möglicher Wiederverwendung beeinflussen. Die Übergabe an Rückbau- und Fachplanung umfasst Zustand, Demontierbarkeit und erforderliche Nachweise. Diese Fachprüfung muss die bauteilbezogene Eignung klären; ein direktes KI-Verfahren für die vollständige Demontage- oder Reuse-Entscheidung ist in den beschriebenen Fällen nicht nachgewiesen.

Für wen KI-gestützte Sanierungs- und Modernisierungsplanung relevant ist

Bauherren und Auftraggeber

Bauherren können Ziele, Budget, Komfort und akzeptable Nutzungsunterbrechungen in vergleichbare Optionen übersetzen lassen. Sie beauftragen die Bestandsprüfung und die fachliche Plausibilisierung und entscheiden über die Maßnahme. Ein Vorschlag ersetzt diese Verantwortung nicht.

Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Bestandshalter/Kommunen als Zielgruppen Quelle 11: Predium – Real Estate Intelligence Platform, Anwenderberichte, Fundstelle(n): Deutsche Investment Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Data Description/Discussion Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Datenbasis und Framework limitations Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Inhalte des Passes

Projektentwickler und Investoren

Entwickler und Investoren können vertiefte Prüfungen und Kapital im Portfolio priorisieren. Dazu müssen sie Preise, Finanzierung, Leerstand und Szenarioannahmen prüfen. Die Erstpriorisierung hilft festzulegen, bei welchen Gebäuden diese Annahmen zuerst genauer untersucht werden sollen.

Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Bestandshalter/Kommunen als Zielgruppen Quelle 11: Predium – Real Estate Intelligence Platform, Anwenderberichte, Fundstelle(n): Deutsche Investment; Capture data centrally; Decide and prioritize based on facts, Nanette Hoppe / Deutsche Investment Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Data Description/Discussion Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Datenbasis und Framework limitations Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Inhalte des Passes Quelle 10: ESG Manager – Funktionsbeschreibung, Baloise-Anwendung und FAQ, Fundstelle(n): Baloise: Umsetzung; FAQ zur Schätzung fehlender Gebäudedaten

Architektur-, Ingenieur- und Planungsbüros

Planungsbüros können Daten erschließen und Varianten vorsortieren, müssen aber Bauteilzustand, Bauphysik und Maßnahmenabhängigkeiten prüfen. Gelernte Schätzungen brauchen eine nachvollziehbare Herkunft. Lokale Fachplanung und die Konkretisierung für Ausschreibung und Ausführung bleiben erforderlich.

Betreiber, Facility- und Asset-Management

Betreiber liefern Verbrauchs- und Störungsverläufe und stimmen Zugang sowie Nutzung während der Arbeiten ab. Nach Umsetzung können sie Messungen zur Neubewertung bereitstellen. Witterung, Belegung und Anlagenänderungen müssen dokumentiert werden; der Daten- und Prüfaufwand entfällt nicht.

Baustoff-, Produkt- und Maschinenhersteller

Hersteller können vergleichbare Produkt-, Leistungs- und Umweltinformationen für Varianten bereitstellen. Kompatibilität, Einbaubedingungen und Nachweisqualität müssen geprüft werden. Diese Angaben ermöglichen es der Planung, geeignete Produkte unter denselben Leistungs- und Umweltanforderungen zu vergleichen.

Öffentliche Hand, Kommunen und Vergabestellen

Die öffentliche Hand kann eigene Bestände und Haushaltsmittel anhand transparenter Szenarien priorisieren. Anforderungen an Datengüte, Ausschreibung und Wirkungskontrolle bleiben festzulegen. Ein kommunaler Serienrollout mit unabhängig gemessener Umsetzungswirkung ist für diese Anwendung bislang nicht dokumentiert.

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Sanierungs- und Modernisierungsplanung verknüpft ist

Hauptbezug

KI-gestützte Planung & Generative Design

Die Auswahl und Bewertung von Sanierungsvarianten bildet den Planungskern. Gelernte Ersatzmodelle können die Suche unterstützen; Ziele, Nebenbedingungen und zulässige Kombinationen werden fachlich vorgegeben. Ein rechnerisch gutes Ergebnis muss technisch umsetzbar sein.

Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Absätze zur Verknüpfung von Bildern, Grundrissen, Texten und Gebäudeinformationen; multimodale Informationen Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology, S. 2–3; Methodology S. 2–3; Tabelle 4 und Conclusion S. 7 Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Haupttext zu roadmap, digital tools und Pflichtinhalten; Passinhalte Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Framework

Verknüpftes Feld

Nachhaltigkeit & ESG

Energie, Emissionen, Komfort und Lebenszykluskriterien liefern Ziele und Zielkonflikte. Eine Optimierung des Betriebsenergiebedarfs deckt graue Emissionen oder Kreislauffähigkeit nicht automatisch ab. Diese Größen und ihre Systemgrenzen müssen eigens erfasst werden.

Quelle 7: Catalyzing Informed Residential Energy Retrofit Decisions via Domain-Specific LLM (v2), Fundstelle(n): Abschnitte 3.1.2–3.2, 4.3; Abbildung 12; 5.4 Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology S. 2–3; Tabelle 4 und Conclusion S. 7 Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Haupttext zu staged roadmap, technical data, funding und digital tools; Passinhalte Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): multimodale Informationen Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Framework

Verknüpftes Feld

BIM & Digitaler Zwilling

BIM und Bestandsmodelle verorten Geometrie, Bauteile und Zustandsinformationen. Sie verbinden Maßnahmen mit dem betroffenen Objekt. Ihre Aussagekraft bleibt von der Erhebung abhängig; ein räumliches Modell bestätigt keine verdeckte Bauteileigenschaft.

Quelle 12: Automated scan-to-BIM for construction digital transformation: Conceptual framework, processing methods and best-practice guidelines, Fundstelle(n): Titelblatt; Abschnitt 2.2; Tabelle 2; Abschnitt 3.1 Quelle 13: BUILDSPACE – Periodic Reporting for period 1, Fundstelle(n): Reporting period; Work performed; fünf Gebäude/vier Pilotorte Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): multimodale Informationen Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Framework Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Passinhalte

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Heterogene Bilder, Dokumente, Gebäudemerkmale und Verläufe müssen zusammengeführt und versioniert werden. Messung, ergänzte Werte und Typannahmen brauchen erkennbare Herkunft. So können Fachleute prüfen, auf welchen Informationen eine Maßnahmenempfehlung beruht und welche Eingaben vor der weiteren Planung noch abzusichern sind.

Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): Absätze zur Verknüpfung von Bildern, Grundrissen, Texten und Gebäudeinformationen; Analyseaufwand sinkt von Tagen auf Minuten; Ergebnisse fließen in Praxis und Folgeforschung ein; multimodale Informationen Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology, S. 2–3 Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Haupttext zu roadmap, digital tools und Pflichtinhalten; Passinhalte Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Framework

Verknüpftes Feld

Predictive Analytics & Entscheidungen

Kosten- und Wirkungsprognosen unterstützen Prioritäten und Szenarien. Prognose, kausale Effektschätzung und Investitionsentscheidung sind dabei verschiedene Schritte. Unsicherheit und externe Gültigkeit müssen vor der Übertragung auf ein neues Gebäude geprüft werden.

Quelle 3: Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques, Fundstelle(n): Data Description und Tabelle 1, S. 3–4; Algorithm Implementation; Tabelle 2, S. 5 Quelle 4: A Trustworthy By Design Classification Model for Building Energy Retrofit Decision Support (arXiv v2), Fundstelle(n): Abschnitte 3.4, 4.1, 5.1 und 5.4; Tabellen 5 und 9 Quelle 5: Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning, Fundstelle(n): Abschnitt 2.1, Tabelle 1; 3.1; 3.3; 4.4; Framework Quelle 10: ESG Manager – Funktionsbeschreibung, Baloise-Anwendung und FAQ, Fundstelle(n): Baloise: Umsetzung; FAQ zur Schätzung fehlender Gebäudedaten Quelle 11: Predium – Real Estate Intelligence Platform, Anwenderberichte, Fundstelle(n): Capture data centrally; Decide and prioritize based on facts, Nanette Hoppe / Deutsche Investment Quelle 9: Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO, Fundstelle(n): Methodology Quelle 1: Mit KI zu schnelleren Sanierungsentscheidungen, Fundstelle(n): multimodale Informationen Quelle 15: Renovation passports: Commission issues guidance for implementation across Member States, Fundstelle(n): Passinhalte

Verknüpfte Fachbegriffe und Detailthemen

Digitaler Zwilling: Ein digitaler Zwilling kann Bestands- und Zustandsinformationen als gemeinsame Grundlage für Sanierungsentscheidungen bereitstellen.
Energieanalyse: Die Energieanalyse macht den Ausgangszustand und mögliche Wirkungen energetischer Maßnahmen für die Sanierungsplanung vergleichbar.
Gebäudesimulation: Gebäudesimulationen untersuchen, wie sich Sanierungsvarianten auf das Verhalten eines Bestandsgebäudes auswirken.
Ökobilanz: Die Ökobilanz erweitert den Sanierungsvergleich um Umweltwirkungen über den betrachteten Lebenszyklus.
Optimierung: Optimierungsverfahren unterstützen die Auswahl von Maßnahmenpaketen unter Kosten-, Wirkungs- und weiteren Projektvorgaben.
Portfolioanalyse: Die Portfolioanalyse hilft Eigentümern, Sanierungsbedarf und Maßnahmen über mehrere Gebäude hinweg zu priorisieren.
Renovierungspass: Der Renovierungspass ordnet Maßnahmen in einen längerfristigen Fahrplan für die Entwicklung eines Bestandsgebäudes ein.
Scan-to-BIM: Scan-to-BIM erschließt die vorhandene Gebäudegeometrie als Modellgrundlage für den Vergleich von Sanierungsmaßnahmen.

Quellen und Evidenz zu KI-gestützte Sanierungs- und Modernisierungsplanung

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

Quelle 1
Mit KI zu schnelleren Sanierungsentscheidungen
Herausgeber
Karlsruher Institut für Technologie (KIT), Presseinformation 045/2026
Publiziert
12.05.2026
Quellentyp
Institutioneller Projektbericht
Geltungsbereich
Institutioneller NaiS-Projektbericht; Nutzer- und Analysezeittests, keine unabhängige Sanierungswirkungsmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (26 Textstellen)
- Absätze zur Verknüpfung von Bildern, Grundrissen, Texten und GebäudeinformationenTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 7 Textstelle 33
- Mitteilung 12.05.2026Textstelle 3 Textstelle 30 Textstelle 31
- Bestandshalter/Kommunen als ZielgruppenTextstelle 5 Textstelle 38 Textstelle 39 Textstelle 40 Textstelle 41 Textstelle 42 Textstelle 43
- Analyseaufwand sinkt von Tagen auf Minuten; Ergebnisse fließen in Praxis und Folgeforschung einTextstelle 6 Textstelle 8 Textstelle 9
- Ergebnisse fließen in Praxis und Folgeforschung ein: ConCIRCLETextstelle 26 Textstelle 27 Textstelle 37
- Absätze zur Verknüpfung von Bildern, Grundrissen, Texten und Gebäudeinformationen; multimodale InformationenTextstelle 44
- multimodale InformationenTextstelle 45 Textstelle 46 Textstelle 48
- Absätze zur Verknüpfung von Bildern, Grundrissen, Texten und Gebäudeinformationen; Analyseaufwand sinkt von Tagen auf Minuten; Ergebnisse fließen in Praxis und Folgeforschung ein; multimodale InformationenTextstelle 47
Quelle 2
Key Elements of Trust in Building Renovation Data Management: A Usability Study of a Centralized Platform
Herausgeber
Philipp Zielke, Svenja Lauble; KIT / IOP
Publiziert
01.11.2025
Quellentyp
Originalforschung
Geltungsbereich
NaiS-Usability mit 44 Personen an klickbarem Mock-up ohne geplante Systemfunktion; keine Algorithmenvalidierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- S. 3, Abschnitt 3.1; Abstract und DiskussionTextstelle 6 Textstelle 8 Textstelle 9
Quelle 3
Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques
Herausgeber
Svenja Lauble, Bin Wu, Katharina Eisen, Hendrik Seibel; KIT / PLAN4 / EC3
Publiziert
Juli 2025
Quellentyp
Originalforschung
Geltungsbereich
Kleine deutsche Projektdatenbasis; Teilmengen getrennt, Zielkosten aus Mengen und Einheitspreisen, keine Endkosten- oder Einspargarantie.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (21 Textstellen)
- Data Description und Tabelle 1, S. 3–4; Algorithm Implementation; Tabelle 2, S. 5Textstelle 1 Textstelle 2 Textstelle 6 Textstelle 10 Textstelle 11 Textstelle 29 Textstelle 48
- Experiment 2025Textstelle 3 Textstelle 30 Textstelle 31
- Data Description: StLB, Mengen, Einheitspreise; Data Description/DiscussionTextstelle 5
- Data Description: StLB, Mengen, EinheitspreiseTextstelle 32 Textstelle 34 Textstelle 35
- Data Description und Tabelle 1, S. 3–4; Algorithm Implementation; Tabelle 2, S. 5; Data Description: StLB, Mengen, EinheitspreiseTextstelle 33
- Data Description/DiscussionTextstelle 38 Textstelle 39 Textstelle 40 Textstelle 41 Textstelle 42 Textstelle 43
Quelle 4
A Trustworthy By Design Classification Model for Building Energy Retrofit Decision Support (arXiv v2)
Herausgeber
Autorenmanuskript, arXiv 2504.06055v2
Publiziert
05.12.2025
Quellentyp
Originalforschung
Geltungsbereich
Preprintfassung v2 mit getrennten englisch-walisischen und lettischen Daten; unausgewogene Labels und kein DACH-Transfernachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Abschnitte 3–5Textstelle 3 Textstelle 28
- Abschnitte 3.4, 4.1, 5.1 und 5.4; Tabellen 5 und 9Textstelle 12 Textstelle 13 Textstelle 48
- Abschnitte 3.4, 4.1, 5.1 und 5.4; Tabellen 5 und 9; Abschnitte 3–5Textstelle 29
Quelle 5
Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning
Herausgeber
Thilo Weber, Sarah Schneeberger, Philipp Schuetz; Energy and Buildings 347, 116369
Publiziert
28.08.2025
Quellentyp
Originalforschung
Geltungsbereich
Vollständige Autorenfassung zu Schweizer Beobachtungsdaten. Keine randomisierte Prüfung des zusätzlichen Nutzens einer KI-Planung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (20 Textstellen)
- Abschnitt 2.1, Tabelle 1; 3.1; 3.3; 4.4Textstelle 2 Textstelle 7 Textstelle 14 Textstelle 15
- 4.4 Framework limitationsTextstelle 3 Textstelle 28
- Datenbasis und Framework limitationsTextstelle 5 Textstelle 38 Textstelle 39 Textstelle 40 Textstelle 41 Textstelle 42 Textstelle 43
- Abschnitt 2.1, Tabelle 1; 3.1; 3.3; 4.4; 4.4 Framework limitationsTextstelle 29
- Abschnitt 2.1, Tabelle 1; 3.1; 3.3; 4.4; 2.1 Datenquellen; 3.3 Maßnahmenwirkung; 4.4 GrenzenTextstelle 36
- FrameworkTextstelle 44 Textstelle 45 Textstelle 46 Textstelle 47
- Abschnitt 2.1, Tabelle 1; 3.1; 3.3; 4.4; FrameworkTextstelle 48
Quelle 6
Predicting Heterogeneous Treatment Effects Of Building Energy Saving Retrofits Using Causal Machine Learning
Herausgeber
Kevin Zalipski et al.; ECIS 2026 / arXiv 2607.01891
Publiziert
02.07.2026
Quellentyp
Originalforschung
Geltungsbereich
Synthetische Häuser mit bekannten Gegenwelten; methodischer Test, kein Feldsanierungsbestand.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Paper 2026Textstelle 3 Textstelle 30 Textstelle 31
- Abschnitte 3.2–3.3; Tabelle 2; Discussion/Limitations S. 13–14Textstelle 16 Textstelle 17
Quelle 7
Catalyzing Informed Residential Energy Retrofit Decisions via Domain-Specific LLM (v2)
Herausgeber
Lei Shu, Dong Zhao, Jianli Chen, Armin Yeganeh, Sinem Mollaoglu, Jiayu Zhou; arXiv
Publiziert
21.04.2026
Quellentyp
Originalforschung
Geltungsbereich
Fassung v2 mit US-Simulationsreferenzen und Top-3-Metrik; keine ausgeführten Sanierungen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- Abschnitte 3.1.2–3.2, 4.3; Abbildung 12; 5.4Textstelle 2 Textstelle 4 Textstelle 7 Textstelle 18 Textstelle 19 Textstelle 45
- v2 21.04.2026; Vergleich Base/Fine-tuned, Abbildung 12Textstelle 3 Textstelle 30
- v2 21.04.2026Textstelle 31
Quelle 8
Can AI Make Energy Retrofit Decisions? An Evaluation of Large Language Models
Herausgeber
Lei Shu, Dong Zhao; Michigan State University / arXiv
Publiziert
08.09.2025
Quellentyp
Originalforschung
Geltungsbereich
Sieben Sprachmodelle und simulierte US-Entscheidungsreferenzen; andere Testwelt als spätere angepasste Modelle.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Abstract; Abschnitt 2.3; Diskussion 4.1–4.2Textstelle 18 Textstelle 19
Quelle 9
Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO
Herausgeber
Ajith N Nair, Prashant Anand, Ardeshir Mahdavi; IIT Kharagpur / TU Graz / IBPSA
Publiziert
August 2025
Quellentyp
Originalforschung
Geltungsbereich
Ein indisches Hochschulgebäude, kalibriertes Simulationsmodell und Mehrzielvergleich; keine gemessene Umsetzungswirkung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (19 Textstellen)
- Methodology, S. 2–3Textstelle 1 Textstelle 4 Textstelle 7 Textstelle 47
- Methodology, S. 2–3; Methodology S. 2–3; Tabelle 4 und Conclusion S. 7Textstelle 2 Textstelle 44
- Methodology/ResultsTextstelle 3 Textstelle 5 Textstelle 28 Textstelle 29 Textstelle 32 Textstelle 34 Textstelle 35
- Methodology S. 2–3; Tabelle 4 und Conclusion S. 7Textstelle 20 Textstelle 21 Textstelle 45
- Methodology, S. 2–3; Methodology S. 2–3; Tabelle 4 und Conclusion S. 7; Methodology/ResultsTextstelle 33
- MethodologyTextstelle 46 Textstelle 48
Quelle 10
ESG Manager – Funktionsbeschreibung, Baloise-Anwendung und FAQ
Herausgeber
Predium Technology GmbH
Publiziert
undatiert
Quellentyp
Anbieter-/Kundenbericht
Geltungsbereich
Undatierte Anbieterbeschreibung mit Baloise-Anwendung und KI-Datenergänzung; keine offengelegte unabhängige Leistungsprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (14 Textstellen)
- Baloise: Umsetzung; FAQ zur Schätzung fehlender GebäudedatenTextstelle 1 Textstelle 5 Textstelle 6 Textstelle 22 Textstelle 23 Textstelle 32 Textstelle 39 Textstelle 48
- Baloise Umsetzung und FAQ; Baloise-Fall ohne DatumTextstelle 3
- Baloise Umsetzung und FAQTextstelle 28
- Baloise: Umsetzung; FAQ zur Schätzung fehlender Gebäudedaten; Baloise Umsetzung und FAQTextstelle 29
- Baloise-Fall ohne DatumTextstelle 30
- Baloise: Umsetzung; FAQ zur Schätzung fehlender Gebäudedaten; Baloise-Fall ohne DatumTextstelle 31
- Baloise-Fall und MaßnahmenplanungTextstelle 36
Quelle 11
Predium – Real Estate Intelligence Platform, Anwenderberichte
Herausgeber
Predium Technology GmbH; eingebundene Kundenstimmen
Publiziert
undatiert
Quellentyp
Anbieter-/Kundenbericht
Geltungsbereich
Kundenstimmen auf Anbieterkanal, darunter Deutsche Investment; Einsatzdauer, Umfang und abgeschlossene Maßnahmen offen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (21 Textstellen)
- Capture data centrally; Decide and prioritize based on facts, Nanette Hoppe / Deutsche InvestmentTextstelle 1 Textstelle 6 Textstelle 22 Textstelle 23 Textstelle 48
- Kundenstimme Deutsche Investment; Kundenstimmen ohne DatierungTextstelle 3
- Capture data centrally; Decide and prioritize based on facts, Nanette Hoppe / Deutsche Investment; Szenarien/PriorisierungTextstelle 5 Textstelle 32
- Kundenstimme Deutsche InvestmentTextstelle 28
- Capture data centrally; Decide and prioritize based on facts, Nanette Hoppe / Deutsche Investment; Kundenstimme Deutsche InvestmentTextstelle 29
- Kundenstimmen ohne DatierungTextstelle 30
- Capture data centrally; Decide and prioritize based on facts, Nanette Hoppe / Deutsche Investment; Kundenstimmen ohne DatierungTextstelle 31
- Szenarien/PriorisierungTextstelle 33 Textstelle 34 Textstelle 35
- Deutsche InvestmentTextstelle 38 Textstelle 40 Textstelle 41 Textstelle 42 Textstelle 43
- Deutsche Investment; Capture data centrally; Decide and prioritize based on facts, Nanette Hoppe / Deutsche InvestmentTextstelle 39
Quelle 12
Automated scan-to-BIM for construction digital transformation: Conceptual framework, processing methods and best-practice guidelines
Herausgeber
Ke You, Ke Chen, Fan Xue; Automation in Construction 182, 106755; Autorenfassung
Publiziert
Februar 2026
Quellentyp
Systematischer Review / Autorenfassung
Geltungsbereich
Autorenfassung des Reviews; 58 dokumentierte Scan-to-BIM-Fälle, keine 58 KI-Sanierungsentscheidungen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Titelblatt; Abschnitt 2.2; Tabelle 2; Abschnitt 3.1Textstelle 24 Textstelle 25 Textstelle 46
Quelle 13
BUILDSPACE – Periodic Reporting for period 1
Herausgeber
CORDIS / Europäische Kommission, Bericht des Projektkonsortiums
Publiziert
undatiert
Quellentyp
Offizieller Projektbericht / Verzeichnis
Geltungsbereich
Berichtszeitraum Februar 2023 bis Juli 2024; Seitenupdate 17.02.2025, keine neue Wirkungsprüfung von 2026.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Reporting period; Work performed; fünf Gebäude/vier PilotorteTextstelle 24 Textstelle 25 Textstelle 46
Quelle 14
BUILDSPACE – Fact Sheet und Project Results
Herausgeber
CORDIS / Europäische Kommission
Publiziert
undatiert
Quellentyp
Offizieller Projektbericht / Verzeichnis
Geltungsbereich
Verzeichnis späterer Deliverables, Stand 26.01.2026. Die Einträge weisen weitere Berichte nach; sie ermöglichen keine vollständige Beurteilung der darin beschriebenen Methoden und Ergebnisse.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Project Results, Deliverables; Fact Sheet Start/End dateTextstelle 29
Quelle 15
Renovation passports: Commission issues guidance for implementation across Member States
Herausgeber
Europäische Kommission, BUILD UP
Publiziert
13.01.2026
Quellentyp
Offizielle Zusammenfassung
Geltungsbereich
Offizielle Zusammenfassung vom 13.01.2026; Anhang separat auf 30.07.2025 datiert. Nur Passkontext, keine nationale Umsetzungs- oder Einzelfallprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (21 Textstellen)
- Haupttext zu roadmap, digital tools und PflichtinhaltenTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 33
- Inhalte des PassesTextstelle 5 Textstelle 38 Textstelle 39 Textstelle 40 Textstelle 41 Textstelle 42 Textstelle 43
- Haupttext zu roadmap, digital tools und Pflichtinhalten; Haupttext zu staged roadmap, technical data, funding und digital toolsTextstelle 7
- Haupttext zu staged roadmap, technical data, funding und digital tools; Information on circularityTextstelle 26 Textstelle 27 Textstelle 37
- Haupttext zu staged roadmap, technical data, funding und digital toolsTextstelle 31
- Haupttext zu roadmap, digital tools und Pflichtinhalten; PassinhalteTextstelle 44 Textstelle 47
- Haupttext zu staged roadmap, technical data, funding und digital tools; PassinhalteTextstelle 45
- PassinhalteTextstelle 46 Textstelle 48
Quelle 16
Einsatz von Künstlicher Intelligenz zur Steigerung der Nachhaltigkeit bei energetischen Sanierungen – NaiS! Die Zukunft der intelligenten Sanierung
Herausgeber
Hanna Bonekämper, KIT; 9. Kolloquium Erhaltung von Bauwerken
Publiziert
Februar 2025
Quellentyp
Originalforschung
Geltungsbereich
NaiS-Projektstand Februar 2025, S. 21–26; gleicher Entwicklungszusammenhang wie spätere Projekt- und Usability-Berichte.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- 2.8–2.9 S. 25–26Textstelle 3 Textstelle 30
- Abschnitt 2.8, S. 25Textstelle 5 Textstelle 32 Textstelle 33 Textstelle 34 Textstelle 35

Alle Impulse im Radar entdecken

KI-gestützte Sanierungs- und Modernisierungsplanung

Um was geht es bei KI-gestützte Sanierungs- und Modernisierungsplanung?

Einordnung im Impulsradar

Von unsicheren Bestandsdaten zu prüfbaren Maßnahmen

Worauf es bei KI-gestützte Sanierungs- und Modernisierungsplanung 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

Studien-/Praxisbefund

Fachliche Einordnung

Warum KI-gestützte Sanierungs- und Modernisierungsplanung relevant ist

Für welche Bauprozesse KI-gestützte Sanierungs- und Modernisierungsplanung relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen KI-gestützte Sanierungs- und Modernisierungsplanung relevant ist

Bauherren und Auftraggeber

Projektentwickler und Investoren

Architektur-, Ingenieur- und Planungsbüros

Betreiber, Facility- und Asset-Management

Baustoff-, Produkt- und Maschinenhersteller

Öffentliche Hand, Kommunen und Vergabestellen

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Sanierungs- und Modernisierungsplanung verknüpft ist

KI-gestützte Planung & Generative Design

Nachhaltigkeit & ESG

BIM & Digitaler Zwilling

Datenplattformen & KI-Infrastruktur

Predictive Analytics & Entscheidungen

Verknüpfte Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu KI-gestützte Sanierungs- und Modernisierungsplanung

Quellen und Evidenz zu KI-gestützte Sanierungs- und Modernisierungsplanung

Mit KI zu schnelleren Sanierungsentscheidungen

Key Elements of Trust in Building Renovation Data Management: A Usability Study of a Centralized Platform

Renovation Cost Prediction at an Early Stage: an Experiment Using Machine Learning Regression and Classification Techniques

A Trustworthy By Design Classification Model for Building Energy Retrofit Decision Support (arXiv v2)

Estimating heterogeneous treatment effects of building energy efficiency retrofits using machine learning

Predicting Heterogeneous Treatment Effects Of Building Energy Saving Retrofits Using Causal Machine Learning

Catalyzing Informed Residential Energy Retrofit Decisions via Domain-Specific LLM (v2)

Can AI Make Energy Retrofit Decisions? An Evaluation of Large Language Models

Multi-Objective Building Retrofit Optimisation: Balancing Energy Efficiency and Comfort Using XGBoost, SHAP, and MOBO

ESG Manager – Funktionsbeschreibung, Baloise-Anwendung und FAQ

Predium – Real Estate Intelligence Platform, Anwenderberichte

Automated scan-to-BIM for construction digital transformation: Conceptual framework, processing methods and best-practice guidelines

BUILDSPACE – Periodic Reporting for period 1

BUILDSPACE – Fact Sheet und Project Results

Renovation passports: Commission issues guidance for implementation across Member States

Einsatz von Künstlicher Intelligenz zur Steigerung der Nachhaltigkeit bei energetischen Sanierungen – NaiS! Die Zukunft der intelligenten Sanierung

Passende Deep Dives