INNOVATION SCOUT · IMPULSPROFIL

Wissensgraphen, GraphRAG und semantisches Bauwissen

Wissensgraphen verknüpfen Bauobjekte, Dokumente und Regeln über benannte Beziehungen. Graphgestützte KI nutzt diese Struktur, um Fragen zu beantworten und zugehörige Daten oder Fundstellen aufzufinden.

Um was geht es bei Wissensgraphen, GraphRAG und semantisches Bauwissen?

Im Bau liegt Wissen zugleich in Modellen, Produktblättern, Vertragsunterlagen und Betriebsdaten. Ein Graph kann Bauteile, Anforderungen, Ereignisse und Quellen miteinander verbinden. Sprachmodelle unterstützen Extraktion oder Abfragen; fachlich geprüfte Identitäten, Datenstände und Belege bestimmen, ob eine Antwort belastbar ist.

Einordnung im Impulsradar

Semantischer Wissenszugang reicht von kleinen Bau-Demonstratoren bis zu berichteter Unternehmensnutzung. Graphen helfen besonders bei verteilten Beziehungen und Querverweisen. Ihr Zusatznutzen hängt jedoch von Aufgabe, Datenpflege und Vergleichsverfahren ab; bessere Fundstellenabdeckung garantiert keine richtige Fachentscheidung.

Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen) Quelle 9: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Abs.6–7; Tabellen9–12 Quelle 14: How McCarthy Holdings, Inc. transformed dispersed company knowledge into AI-powered advantage with Glean, Fundstelle(n): Solution; Launching Glean

Beziehungen erschließen, Antworten prüfen

Ein graphgestützter Ablauf beginnt mit der Zuordnung von Objekten, Begriffen und Quellen. Eine Frage kann anschließend in die Graph-Abfragesprachen SPARQL oder Cypher übersetzt, über Vektorsuche ergänzt und aus gefundenen Belegen beantwortet werden. Der Abruf von Informationen für eine Sprachmodellantwort heißt Retrieval-Augmented Generation (RAG); GraphRAG nutzt dafür zusätzlich strukturierte Beziehungen. Die Bausteine bleiben unterscheidbar: Ein Wissensgraph allein ist keine KI, eine Sprachabfrage noch kein Nachweis überlegener Antwortqualität.

Quelle 13: Welcome to GraphRAG – GraphRAG process, Fundstelle(n): The GraphRAG Process; Index/Query Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen) Quelle 12: Using AI in Construction to Reduce Injuries and Save Lives, Fundstelle(n): S.9

Die vorgestellten Forschungsarbeiten und Anwendungen betreffen unterschiedliche Aufgaben: BIM-Abfragen, Produktauswahl, Sicherheitsregeln, Projektfortschritt und Betriebswissen. Hinzu kommt ein benannter Unternehmenseinsatz bei McCarthy. Die Verbindung von Objekten, Anforderungen und Fundstellen schafft jeweils einen Zugang zu Wissen, das sonst über Modelle und Dokumente verteilt ist. Welche Beziehungen dafür gebraucht werden, richtet sich nach der konkreten Fachfrage.

Worauf es bei Wissensgraphen, GraphRAG und semantisches Bauwissen fachlich ankommt

Graph, Sprachabfrage und GraphRAG

Studien-/Praxisbefund

Das Verfahren Microsoft GraphRAG erstellt unter anderem eine Hierarchie von Gruppen zusammenhängender Entitäten und deren Zusammenfassungen. Der Demonstrator ASKBIM nutzt dagegen ein aus dem BIM-Austauschformat IFC abgeleitetes Modell im Beziehungsformat RDF und erzeugte SPARQL-Abfragen. Der historische BAM-Pilot kombiniert Expertenregeln in einem Graphen mit nachgeschalteter Auswertung durch maschinelles Lernen (ML).

Fachliche Einordnung

Die Bezeichnung allein beschreibt daher keine einheitliche Methode. Entscheidend ist, welcher Schritt Wissen strukturiert, welche Informationen die Antwort tatsächlich erreichen und wo eine fachliche Kontrolle stattfindet. Graphneuronale Netze sind eine weitere Methodenklasse, aber kein notwendiger Bestandteil dieser Abläufe.

BIM-Wissen über natürliche Sprache abfragen

Studien-/Praxisbefund

ASKBIM überführt ein IFC-Modell mit dem Umwandlungswerkzeug IFC-to-LBD in die Graphdatenbank GraphDB. Das Sprachmodell GPT-4o-mini zerlegt Fragen, erzeugt SPARQL und formuliert Antworten. Ein BIM-Experte bewertet von 28 Fragen 16 als richtig, drei als teilweise richtig und neun als falsch; bei 14 Fragen mit erforderlichen Schlussfolgerungen sind acht falsch.

Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen)

Fachliche Einordnung

Die Sprachabfrage eröffnet Fachleuten einen Zugang zu den im Modell verknüpften Informationen. Für die Verwendung der Antwort müssen jedoch Räume, Filter und Flächenzuordnung stimmen: Fehlende Räume oder falsche Zuordnungen im Modell können in die Antwort eingehen. Modellprüfung und fachliche Kontrolle gehören deshalb zum Abfrageablauf.

Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen)

Produktwissen mit Anforderungen verbinden

Studien-/Praxisbefund

Ein Team der Universität Wuppertal und von LIST Eco verbindet digitale Produktblätter, die Produktklassifikation eClass und Daten aus Umweltproduktdeklarationen (EPD) in einem Auswahlansatz mit der Graphdatenbank Neo4j. Im eigenen Test mit acht Produkten und 29 Varianten werden 99–100 Prozent der Attribute extrahiert; dabei wird ein Festigkeitswert mit einer Brandklasse verwechselt. Die berichteten 29–79 Sekunden je Variante betreffen die Extraktion.

Quelle 4: GraphRAG-Based Decision Support System Integrating and Selecting Sustainable Building Products, Fundstelle(n): Methodik; Tabelle 1; Results/Conclusions, S.2–6

Fachliche Einordnung

Strukturierte Attribute können die Suche nach geeigneten Produkten unterstützen. Der Versuch belegt weder die Verarbeitung beliebiger Scans noch eine geprüfte Normkonformität. Klassifikation, Einheiten, Produktvariante und ursprünglicher Nachweis müssen vor einer Auswahlentscheidung kontrolliert werden.

Quelle 4: GraphRAG-Based Decision Support System Integrating and Selecting Sustainable Building Products, Fundstelle(n): Methodik; Tabelle 1; Results/Conclusions, S.2–6

Querverweise in Sicherheitsregeln finden

Studien-/Praxisbefund

Das Verfahren Bifrost verbindet einen Graphen der Dokumentstruktur der US-Arbeitsschutzbehörde OSHA mit einem aus Text extrahierten Entitätsgraphen und Vektorsuche. Bei 93 Fragen steigt der F1-Wert für gefundene Abschnitts-IDs, der Präzision und Vollständigkeit zusammenfasst, gegenüber VectorRAG von 75,0 auf 87,3 Prozent. Der Präzisionsvorsprung ist nicht statistisch signifikant; bei sechs schwierigen Fragen schneiden beide Graphverfahren schlechter ab als die Vektorsuche.

Quelle 9: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Abschnitte 6–8; Tabellen 9/13 Quelle 17: BifrostRAG: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Abschnitt 8.4

Fachliche Einordnung

Gemessen wird die Abdeckung von Fundstellen, nicht die vollständige Richtigkeit einer Sicherheitsauskunft. Die überwiegend selbst entwickelten Fragen und die teamnahe Bewertung begrenzen die Aussage. Eine Übertragung auf deutsche Regeln oder eine Freigabe konkreter Baustellensituationen erfordert eigene fachliche Prüfung.

Vertragsereignisse und Belege strukturieren

Studien-/Praxisbefund

Wang und Fang erstellen einen Graphen für Nachtrags- und Anspruchswissen (Claim-Graph) aus 31 chinesischen Gerichtsentscheidungen und ergänzendem Projektwissen. Die extrahierten Informationen werden vollständig fachlich korrigiert. Vier Fragen zu Baustopps vergleichen GraphRAG mit Vektor-RAG und einem Sprachmodell ohne Informationsabruf; bewertet wird unter anderem Textähnlichkeit.

Quelle 10: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): Abschnitte 3–4; PDF S.13–15

Fachliche Einordnung

Der Fall zeigt den möglichen Nutzen verknüpfter Parteien, Ereignisse und Belege, zugleich aber erheblichen Prüfaufwand. Vier Fragen und ähnliche Formulierungen sind kein Nachweis rechtlich richtiger Antworten. Ein Einsatz für deutsche Verträge oder Entscheidungen lässt sich daraus nicht ableiten.

Quelle 10: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): Abschnitte 3–4; PDF S.13–15

Projektstand aus Modell, Plan und Bildern erschließen

Studien-/Praxisbefund

Ein Team der University of New South Wales (UNSW) und von GeoAI verknüpft Terminplan, IFC und 32 Bilder eines Straßenprojekts in New South Wales. Der untersuchte Datenstand enthält 218 Knoten und 377 Beziehungen. Bei sechs entworfenen Fragen liefert der schemaorientierte Graph-RAG-Ansatz sechs richtige Antworten, die direkte Übersetzung von Text in Cypher-Abfragen zwei und ein Modell ohne Informationsabruf keine.

Quelle 7: A Graph-RAG Framework for Natural Language Interaction with Dynamic Construction Project Graphs, Fundstelle(n): Abschnitte 3–4, S.1994–1998; Ergebnistabelle

Fachliche Einordnung

Ein kleiner statischer Datenstand ist kein Nachweis laufenden Baustellenmonitorings. Unterschiedliche Prompts und eine fehlende gleichwertige Hybrid-RAG-Vergleichsmethode begrenzen den Vergleich. Die Antwort muss auf den zugehörigen Plan-, Modell- und Bildstand zurückführbar bleiben; ein technischer Aufruffehler ist keine prinzipielle Grenze eines Sprachmodells.

Quelle 7: A Graph-RAG Framework for Natural Language Interaction with Dynamic Construction Project Graphs, Fundstelle(n): Abschnitte 3–4, S.1994–1998; Ergebnistabelle

Anlagen und Messpunkte semantisch zuordnen

Studien-/Praxisbefund

Die Untersuchung der RWTH Aachen verbindet IFC, Sensortabellen und Gerätedaten über die Gebäudewissensmodelle Brick und RealEstateCore mit Informationsabruf aus Graphen und Vektorsuche. Datenpunkt-IDs führen zu Zeitreihenberechnungen. Im FUBIC-Testumfeld werden je acht Fragen in Englisch, Deutsch und Italienisch mit drei Sprachmodellen untersucht; die Ergebnisse unterscheiden sich nach Sprache und Modell.

Quelle 5: Integrating IoT, large language models, and knowledge graphs for future smart districts: A semantic approach for energy performance assessment, Fundstelle(n): Abschnitte 2–4, besonders Evaluation

Fachliche Einordnung

Für Betreiber liegt der Ansatz in einer nachvollziehbaren Verbindung von Anlagenbezeichnung, Messpunkt und Berechnung. So kann eine Frage zu einer Anlage auf die zugehörige Zeitreihe bezogen werden. Die kleine Untersuchung und unklare Nenner einzelner Prozentangaben begrenzen den Vergleich zwischen Sprachen und Modellen.

Laufende Entwicklung und Prototypen einordnen

Studien-/Praxisbefund

Fraunhofer ISE beschreibt für das Forschungsprojekt GraphEET von Juli 2025 bis Juni 2028 die Verknüpfung von Sensoren, Anlagen und Topologie mit KI. Demonstratoren und Pilotvalidierung sind Ziele. Das Planungsunternehmen Arup beschreibt für Freiburg zwei Prototypen zu Mobilität und Dietenbach; eine semantische Supersuche erscheint als Perspektive.

Quelle 6: GraphEET – Graphen und KI-Verfahren für das Technische Monitoring von energieeffizienten Gebäuden, Fundstelle(n): Projektziele, Partner, Laufzeit Quelle 11: Digital twin for Freiburg im Breisgau, Fundstelle(n): Projektbeschreibung, Prototypen, Ausblick

Fachliche Einordnung

GraphEET untersucht die Verbindung von Anlagenstruktur und Sensordaten für das technische Monitoring. Die Freiburger Prototypen erproben andere räumliche Anwendungsfragen; eine semantische Supersuche ist dort erst eine Perspektive. Für die weitere Entwicklung ist entscheidend, welche Fachfrage eine Abfrage beantworten soll und wie sie auf die benötigten Daten zugreift.

Historischer Pilot für verknüpfte Sicherheitsdaten

Studien-/Praxisbefund

Der 2020 veröffentlichte Partnerbericht zum Bauunternehmen BAM Nuttall, der britischen Arbeitsschutzbehörde HSE und dem KI-Anbieter Mind Foundry verbindet Sicherheitsdaten über Expertenregeln in der Graphdatenbank RDFox mit anschließender ML-Auswertung. Er bezeichnet die Arbeit als Pilot beziehungsweise Proof of Concept. BAM weist auf eine möglicherweise nicht repräsentative Stichprobe hin.

Quelle 12: Using AI in Construction to Reduce Injuries and Save Lives, Fundstelle(n): S.6–7,9–11 Quelle 18: Using AI in construction sites to reduce injuries and save lives – new white paper released, Fundstelle(n): 02/11/20; Projektmeldung

Fachliche Einordnung

Der Pilot zeigt einen früheren Weg, fachlich definierte Beziehungen für die Auswertung von Sicherheitsdaten zu nutzen. Er verbindet Graph und nachgeschaltetes maschinelles Lernen; LLM-GraphRAG ist damit nicht gemeint. Engere Integration und Warnfunktionen waren im damaligen Bericht noch Zukunftsbilder.

Berichteter Unternehmenseinsatz bei McCarthy

Studien-/Praxisbefund

Der Kundenbericht des Anbieters Glean verknüpft den Betriebsstart beim Bauunternehmen McCarthy ausdrücklich mit einem Unternehmenswissensgraphen (Enterprise Knowledge Graph). Beschrieben werden systemübergreifende Suche und das Wiederfinden einer älteren Gebäudemodelldatei. McCarthys eigener Beitrag zu Glean:GO 2026 berichtet über ein Jahr der Einführung.

Quelle 14: How McCarthy Holdings, Inc. transformed dispersed company knowledge into AI-powered advantage with Glean, Fundstelle(n): Launching Glean; Search delivers instant value; Driving Success Quelle 15: McCarthy Building Companies: Beitrag zu Alex Elsayegh und Glean:GO 2026, Fundstelle(n): Öffentlicher Beitrag und eingebettete Aussage Alex Elsayegh

Fachliche Einordnung

Der Fall veranschaulicht, wie Beschäftigte verstreutes Unternehmenswissen über eine gemeinsame Suche wiederfinden können, etwa eine ältere Gebäudemodelldatei. Für Bauunternehmen ist damit die Verbindung vorhandener Wissensbestände über einzelne Systeme hinweg interessant. Die zusätzlich genannte Procore-Anbindung ist noch eine Planung.

Mehr Beziehungen garantieren keine bessere Antwort

Studien-/Praxisbefund

In der Vorabveröffentlichung von SAP zur Übertragung von Programmcode steigt mit einer Graphvariante die automatisch bewertete Kontextpräzision von 54,35 auf 63,82 Prozent, während die Bindung der Antwort an den gefundenen Kontext (Faithfulness) von 77,18 auf 74,24 Prozent fällt. Ein weiterer Benchmark mit Literatur- und Medizinkorpora zeigt je nach Fragentyp Vorteile für RAG mit nachträglicher Neuordnung der Treffer (Reranking-RAG) oder Microsoft Local.

Quelle 1: Efficient Knowledge Graph Construction and Retrieval from Unstructured Text for Large-Scale RAG Systems, Fundstelle(n): Titel; Abschnitte 3–4; Tabelle 1 Quelle 3: Towards Practical GraphRAG: Efficient Knowledge Graph Construction and Hybrid Retrieval at Scale, Fundstelle(n): Titel; Tabelle 1 Quelle 8: When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation, Fundstelle(n): Tabelle 2; Anhänge B/E/F · Evaluation und Anhänge

Fachliche Einordnung

Diese Befunde sprechen für eine aufgabenbezogene Auswahl statt eines pauschalen Graphvorteils. Die Korpora sind keine Baudaten; automatische Bewertungsverfahren und unterschiedliche Budgets begrenzen die Übertragung. Verglichen werden sollten gleiche Datenstände, Fragen, Modelle und Antwortbudgets, einschließlich einfacher Suche und strukturierter Abfrage.

Identitäten, Rechte und Datenstände bis zur Antwort erhalten

Studien-/Praxisbefund

In ASKBIM führen fehlende Modelldaten zu falschen Antworten; im Claim-Graph werden Extraktionen vollständig fachlich korrigiert. Glean beschreibt Berechtigungen als Produkteigenschaft und begrenzt im McCarthy-Fall die unternehmensweite Agentenbereitstellung auf eine kontrollierte Gruppe.

Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen) Quelle 10: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): Abschnitte 3–4; PDF S.13–15 Quelle 14: How McCarthy Holdings, Inc. transformed dispersed company knowledge into AI-powered advantage with Glean, Fundstelle(n): Launching Glean; Search delivers instant value; Driving Success Quelle 16: Enterprise Graph: Powering AI with Deep Organizational Knowledge, Fundstelle(n): Protect your data; permissions-enforced enterprise search

Fachliche Einordnung

Damit eine Antwort auf den richtigen Datenstand und die zulässigen Informationen zurückgreift, müssen Objekt- und Projekt-IDs, Einheiten, Belegstellen und Gültigkeitsstände erhalten bleiben. Rechteänderungen und Löschungen müssen auch abgeleitete Graphbeziehungen, numerische Inhaltsdarstellungen (Embeddings), Zusammenfassungen und Zwischenspeicher (Caches) erreichen. Verantwortliche müssen im eigenen Projekt prüfen, ob eine geänderte oder entzogene Quelle auch über diese Ableitungen entsprechend behandelt wird. Die Produktzusage beschreibt den vorgesehenen Funktionsumfang; den tatsächlich eingerichteten Daten- und Rechtepfad müssen Betreiber und Integratoren gesondert nachweisen.

Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen) Quelle 10: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): Abschnitte 3–4; PDF S.13–15 Quelle 14: How McCarthy Holdings, Inc. transformed dispersed company knowledge into AI-powered advantage with Glean, Fundstelle(n): Launching Glean; Search delivers instant value; Driving Success Quelle 5: Integrating IoT, large language models, and knowledge graphs for future smart districts: A semantic approach for energy performance assessment, Fundstelle(n): Semantische Datenintegration Quelle 16: Enterprise Graph: Powering AI with Deep Organizational Knowledge, Fundstelle(n): Protect your data; permissions-enforced enterprise search

Aufbau, Pflege und Anfragen getrennt rechnen

Studien-/Praxisbefund

Die Produktstudie berichtet Extraktionszeiten, der Claim-Ansatz benötigt vollständige fachliche Korrektur, und die Methodenbenchmarks untersuchen unterschiedliche Retrieval- und Modellbudgets. Eine gemeinsame vollständige Rechnung einschließlich laufender Pflege liegt in diesen Bauquellen nicht vor.

Quelle 4: GraphRAG-Based Decision Support System Integrating and Selecting Sustainable Building Products, Fundstelle(n): Tabelle 1 Quelle 10: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): Expertenvalidierung Quelle 7: A Graph-RAG Framework for Natural Language Interaction with Dynamic Construction Project Graphs, Fundstelle(n): Evaluation Quelle 13: Welcome to GraphRAG – GraphRAG process, Fundstelle(n): Index/Versioning

Fachliche Einordnung

Zum Gesamtaufwand gehören Datenbereinigung, Zuordnung zu Fachbegriffen und Beziehungen (Ontologiemapping), Abgleich gleicher Objekte (Entitätsauflösung), Expertenprüfung und erneute Indexierung nach Änderungen. Hinzu kommen Suche, Graphabfrage, Neuordnung der Treffer, Modellaufrufe und Antwortkontrolle. Schnelle Einzelabfragen belegen daher noch keine wirtschaftlichere Wissensversorgung.

Fortschritt an nachvollziehbaren Änderungen messen

Studien-/Praxisbefund

Bifrost v2 ergänzt gegenüber v1 eine eigene Extraktionsprüfung und Tests mit gezielt weggelassenen Komponenten (Ablationen).

Quelle 17: BifrostRAG: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Abschnitt 8.4 Quelle 9: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Abschnitte 7.1/7.4

Fachliche Einordnung

Die zusätzliche Extraktionsprüfung von Bifrost macht die Gewinnung der Graphinformationen zu einem eigenen Untersuchungsschritt. Tests mit weggelassenen Komponenten helfen zu beurteilen, welchen Beitrag einzelne Teile des Ablaufs leisten. Diese vertiefte Methodenprüfung ergänzt die Arbeiten daran, Graphabfragen mit konkreten Bauinformationen zu verbinden.

Die Beziehungsschicht zu anderen Bauaufgaben

Studien-/Praxisbefund

Produkt- und EPD-Wissen, BIM-Abfragen und Anlagenzeitreihen verwenden jeweils semantische Verknüpfungen für unterschiedliche Aufgaben.

Fachliche Einordnung

Die Beziehungsschicht verbindet Datenzugang mit fachlichen Aufgaben: Produktmerkmale und Umweltinformationen lassen sich Anforderungen zuordnen, BIM-Objekte über ihre Eigenschaften abfragen und Anlagen mit den zugehörigen Messpunkten verknüpfen. Fachleute erhalten so zusammenhängende Informationen für Planung, Produktauswahl und Betriebsfragen. Dokumentenabruf, Datenplattform und Regel- oder Claimprüfung liefern dafür jeweils andere Teile des Wissens und seiner Verarbeitung.

Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen) Quelle 4: GraphRAG-Based Decision Support System Integrating and Selecting Sustainable Building Products, Fundstelle(n): Produktauswahl/EPD Quelle 5: Integrating IoT, large language models, and knowledge graphs for future smart districts: A semantic approach for energy performance assessment, Fundstelle(n): Betriebsdaten Quelle 7: A Graph-RAG Framework for Natural Language Interaction with Dynamic Construction Project Graphs, Fundstelle(n): Grapharchitektur Quelle 9: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Dualer Graph Quelle 10: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): Claimgraph Quelle 16: Enterprise Graph: Powering AI with Deep Organizational Knowledge, Fundstelle(n): Graph/Datenzugang

Warum Wissensgraphen, GraphRAG und semantisches Bauwissen relevant ist

ReifegradDemonstrator bis erste Marktanwendung

Begrenzte BIM- und Produkttests tragen die Demonstratorstufe. Der ausdrücklich mit einem Unternehmenswissensgraphen verbundene Betriebsstart bei McCarthy trägt die erste Marktanwendung für Unternehmenswissenszugang. Diese Obergrenze gilt für die belegte Teilfunktion; spezialisierte GraphRAG-Verfahren erreichen damit nicht automatisch dieselbe Einsatzreife. Eine autonome Fachfreigabe ist keine zusätzliche Einstufungsvoraussetzung.

Quelle 14: How McCarthy Holdings, Inc. transformed dispersed company knowledge into AI-powered advantage with Glean, Fundstelle(n): Launching Glean Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen) Quelle 4: GraphRAG-Based Decision Support System Integrating and Selecting Sustainable Building Products, Fundstelle(n): Results/Conclusions

Evidenzwachsende Evidenz

Mehrere nachvollziehbare Originalarbeiten zeigen funktionsfähige Bauketten und begrenzte Vergleichsergebnisse. Ein benannter Unternehmenseinsatz ergänzt die Forschung. Kleine, oft selbst entwickelte Fragensätze, teamnahe oder automatische Bewertung und wenige unabhängige Wiederholungen begrenzen die Belastbarkeit. Die Befunde tragen wachsende Evidenz, aber weder einen allgemeinen Graphvorteil noch eine nachgewiesene Verbesserung von Bauentscheidungen. Für ASKBIM fehlt ein Vergleich mit einem gleich ausgestatteten RAG-System. Die Berichte zu McCarthy gehören zu einer Fallfamilie; sie messen den isolierten Graphbeitrag einzelner Agenten sowie Zeit- oder Kosteneffekte nicht unabhängig.

Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen) Quelle 8: When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation, Fundstelle(n): Tabelle 2 Quelle 9: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Evaluation/Limitations Quelle 14: How McCarthy Holdings, Inc. transformed dispersed company knowledge into AI-powered advantage with Glean, Fundstelle(n): Kundenfall · Launching Glean; Search delivers instant value; Driving Success Quelle 15: McCarthy Building Companies: Beitrag zu Alex Elsayegh und Glean:GO 2026, Fundstelle(n): Öffentlicher Beitrag und eingebettete Aussage Alex Elsayegh

EntwicklungsdynamikAktive Weiterentwicklung

Mehrere aktuelle Bauintegrationen und vertiefte Evaluation tragen aktive Methodenentwicklung.

Unabhängige Arbeiten von 2025 und 2026 verbinden Graphen mit Produktdaten, Betriebswissen und Bauprojektständen. Bifrost ergänzt zwischen seinen Fassungen Extraktionsprüfung und Ablationen. Das belegt aktive Integrations- und Validierungsarbeit. Eine beschleunigte Entwicklungsrate oder ein allgemeiner praktischer Leistungssprung ist daraus nicht nachgewiesen.

Quelle 4: GraphRAG-Based Decision Support System Integrating and Selecting Sustainable Building Products, Fundstelle(n): Abs.2–4 Quelle 5: Integrating IoT, large language models, and knowledge graphs for future smart districts: A semantic approach for energy performance assessment, Fundstelle(n): Methodology; Results Quelle 7: A Graph-RAG Framework for Natural Language Interaction with Dynamic Construction Project Graphs, Fundstelle(n): Abs.3–5 Quelle 9: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Abs.5.4; 8 Quelle 17: BifrostRAG: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Abs.8.4

MarktdynamikBegrenzte Marktbewegung

McCarthy belegt berichtete Einführung und fortgesetzte Nutzung einer abgegrenzten Wissensfunktion.

Der benannte McCarthy-Fall und der nutzerseitige Bericht über ein Jahr der Einführung stützen punktuelle Einführung und berichtete fortgesetzte Nutzung. Es handelt sich um eine Fallfamilie mit begrenzter absoluter Datierung. Ein belastbarer aktueller Ausweitungstrend derselben Graphfunktion oder breite Marktdurchdringung ist nicht belegt; geplante Integrationen zählen nicht als vollzogene Einführung.

Quelle 14: How McCarthy Holdings, Inc. transformed dispersed company knowledge into AI-powered advantage with Glean, Fundstelle(n): Launching Glean; Future Quelle 15: McCarthy Building Companies: Beitrag zu Alex Elsayegh und Glean:GO 2026, Fundstelle(n): Beitrag; eingebetteter Rolloutbericht

Für welche Bauprozesse Wissensgraphen, GraphRAG und semantisches Bauwissen relevant ist

Strategie & Projektentwicklung

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Projektwissen lässt sich über Vorhaben, Anforderungen und frühere Entscheidungen erschließen. Beim Wiederverwenden eines gefundenen Falls müssen Verantwortliche prüfen, ob dessen Anforderungen und Projektkontext zur aktuellen Aufgabe passen.

Quelle 14: How McCarthy Holdings, Inc. transformed dispersed company knowledge into AI-powered advantage with Glean, Fundstelle(n): Finding a 14-year-old building model; Solution

Planung & Design

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

BIM-Objekte und Anforderungen können über natürliche Sprache abgefragt werden. ASKBIM zeigt diesen Weg, aber auch Fehler durch fehlende Räume und unpassende Filter. Planer prüfen Modellvollständigkeit, Objektbezug und Ergebnis, bevor sie daraus eine Planungsentscheidung ableiten.

Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen)

Ausschreibung & Vergabe

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Produktmerkmale, Anforderungen, Regelverweise und Vertragsereignisse sind eng mit Ausschreibung und Vergabe verbunden. Produkt- und Claim-Graphen können diese Angaben für Auswahl und Prüfung zusammenführen. Einkauf und Fachplanung müssen dabei Produktvariante, Nachweis und Vertragsbezug abgleichen.

Quelle 4: GraphRAG-Based Decision Support System Integrating and Selecting Sustainable Building Products, Fundstelle(n): Abs.2–4 Quelle 10: Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System, Fundstelle(n): Abs.3–5

Bauausführung & Baustellenmanagement

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Modell-, Termin- und Bildinformationen können für Fragen zum Projektstand verknüpft werden. Der Versuch in New South Wales zeigt diese Funktion an einem kleinen statischen Datenstand. Für die Verwendung im Bauablauf müssen Bauleitung und Fachverantwortliche den zugehörigen Zeitstand mit dem tatsächlichen Zustand abgleichen.

Quelle 7: A Graph-RAG Framework for Natural Language Interaction with Dynamic Construction Project Graphs, Fundstelle(n): Abs.3–5

Betrieb & Instandhaltung

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Anlagen-, Geräte- und Messpunktwissen kann die Zuordnung betrieblicher Fragen zu Zeitreihen erleichtern. Der RWTH-Versuch verbindet diese Angaben mit Berechnungen. Betreiber müssen Sensorzuordnung, Einheiten und Berechnungszeitraum prüfen, damit das Ergebnis zur angesprochenen Anlage und Betriebsfrage passt.

Quelle 5: Integrating IoT, large language models, and knowledge graphs for future smart districts: A semantic approach for energy performance assessment, Fundstelle(n): Methodology; Results

Rückbau & Kreislaufwirtschaft

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Verknüpfte Bauteil-, Produkt- und Umweltdaten sind für spätere Wiederverwendung und Materialbewertung anschlussfähig. Ein eigener GraphRAG-Nachweis für reale Rückbau- oder Kreislaufentscheidungen fehlt. Zustand, Rückbaubarkeit und Eignung benötigen zusätzliche Prüfungen.

Quelle 4: GraphRAG-Based Decision Support System Integrating and Selecting Sustainable Building Products, Fundstelle(n): Abs.2–4

Für wen Wissensgraphen, GraphRAG und semantisches Bauwissen relevant ist

Architektur-, Ingenieur- und Planungsbüros

Planungsbüros können Objekt- und Anforderungswissen leichter erschließen. Der Nutzen liegt in zugänglichen Abfragen, sofern Modellqualität und Belege stimmen. Fachplaner bleiben für die Interpretation von Räumen, Flächen und Anforderungen verantwortlich.

Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen)

Bauunternehmen und Generalunternehmer

Bauunternehmen können verstreute Modell-, Projekt- und Vertragsinformationen auffinden und zusammenführen. McCarthy beschreibt dies am Wiederfinden einer älteren Gebäudemodelldatei. Zuständige Beschäftigte prüfen Aktualität, Zugriffsrecht und fachliche Übertragbarkeit, bevor sie gefundenes Wissen im aktuellen Projekt verwenden.

Quelle 14: How McCarthy Holdings, Inc. transformed dispersed company knowledge into AI-powered advantage with Glean, Fundstelle(n): Solution; Results

Betreiber, Facility- und Asset-Management

Betreiber erhalten einen möglichen Zugang von Anlagenbegriffen zu konkreten Messpunkten und Zeitreihen. Dafür müssen Anlagenverzeichnisse, Sensorzuordnung und Berechnung gepflegt werden. Ergebnisse unterstützen die fachliche Prüfung und ersetzen keine Freigabe von Betriebsmaßnahmen.

Quelle 5: Integrating IoT, large language models, and knowledge graphs for future smart districts: A semantic approach for energy performance assessment, Fundstelle(n): Methodology; Results

Technologieanbieter und Systemintegratoren

Integratoren verbinden Quellsysteme, Identitäten und Abfragen. Ihr Beitrag liegt in nachvollziehbaren Zuordnungen, Rechteprüfung und aktualisierbaren Indizes. Sie müssen auch fehlerhafte Verknüpfungen, Löschungen und geänderte Quellen behandeln, damit der Abruf den aktuellen Informations- und Berechtigungsstand berücksichtigt.

Quelle 16: Enterprise Graph: Powering AI with Deep Organizational Knowledge, Fundstelle(n): Permissions; Enterprise Graph Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen)

Forschung, Verbände und Netzwerke

Forschung, Verbände und Netzwerke können gemeinsame Vokabulare, repräsentative Testfragen und unabhängige Prüfungen entwickeln. Kleine Demonstratoren liefern Ausgangspunkte. Für belastbare Vergleiche fehlen insbesondere gleiche Testbedingungen, schwierige Gegenfälle und nachvollziehbare Pflegekosten.

Quelle 9: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Abs.6–8 Quelle 8: When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation, Fundstelle(n): Evaluation setup; Results

Mit welchen Technologie- und Anwendungsfeldern Wissensgraphen, GraphRAG und semantisches Bauwissen verknüpft ist

Hauptbezug

Datenplattformen & KI-Infrastruktur

Der technische Schwerpunkt liegt in semantischer Daten- und Retrievalinfrastruktur: Objekte, Begriffe, Beziehungen und Herkunft werden für Abfragen verbunden. Datenqualität, Rechte und Aktualisierung sind Teil dieser Infrastruktur; ein Graph ersetzt weder Quellsysteme noch fachliche Validierung.

Quelle 13: Welcome to GraphRAG – GraphRAG process, Fundstelle(n): Index; Query Quelle 16: Enterprise Graph: Powering AI with Deep Organizational Knowledge, Fundstelle(n): Enterprise Graph

Verknüpftes Feld

BIM & Digitaler Zwilling

BIM-Objekte und Assetbeziehungen geben Fragen einen baulichen Bezug. ASKBIM und die RWTH-Betriebskette zeigen konkrete Übergänge von Modellinformation zu Abfrage und Messpunkt. Fehlende oder falsch zugeordnete Modelldaten bleiben eine Grenze der Antwort.

Quelle 2: Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs, Fundstelle(n): Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen) Quelle 5: Integrating IoT, large language models, and knowledge graphs for future smart districts: A semantic approach for energy performance assessment, Fundstelle(n): Methodology

Verknüpftes Feld

Predictive Analytics & Entscheidungen

Verknüpfte Fundstellen und Anforderungen unterstützen die Vorbereitung von Entscheidungen, etwa bei Produktauswahl oder Regelprüfung. Sie führen die Angaben zusammen, die Fachleute vor einer Auswahl oder Prüfung abgleichen müssen. Die Entscheidung selbst bleibt fachlich zu verantworten.

Quelle 4: GraphRAG-Based Decision Support System Integrating and Selecting Sustainable Building Products, Fundstelle(n): Abs.2–4 Quelle 9: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety, Fundstelle(n): Abs.3–4

Verknüpfte Fachbegriffe und Detailthemen

BIM-Semantik: BIM-Semantik beschreibt die fachliche Bedeutung von Modellobjekten und erleichtert ihre Verknüpfung mit Dokumenten und Regeln.
Datenherkunft: Die dokumentierte Datenherkunft macht sichtbar, aus welchen Fundstellen ein Wissenselement und seine Verknüpfungen stammen.
Entitätsextraktion: Die Entitätsextraktion erkennt benennbare Objekte und Begriffe in Dokumenten als Ausgangspunkte für einen Wissensgraphen.
GraphRAG: GraphRAG nutzt diese Beziehungen, um passende Informationen für eine quellenbezogene Antwort zusammenzustellen.
Linked Data: Linked Data ermöglicht referenzierbare Verbindungen zwischen Bauinformationen aus unterschiedlichen Datenbeständen.
Ontologie: Ontologien legen die fachlichen Begriffe und zulässigen Beziehungen fest, mit denen Bauwissen strukturiert wird.
Retrieval-Augmented Generation (RAG): RAG stellt abgerufene Fundstellen für Sprachmodellantworten bereit und bildet den Ausgangspunkt graphgestützter Erweiterungen.
Semantische Suche: Semantische Suche erschließt fachlich passende Inhalte über ihre Bedeutung und ergänzt die Navigation entlang expliziter Beziehungen.
Vektorsuche: Vektorsuche findet ähnliche Inhalte und wird als Ergänzung oder Vergleich zum beziehungsorientierten Graphabruf eingeordnet.
Wissensgraph: Wissensgraphen verknüpfen Bauobjekte, Dokumente und Regeln so, dass ihre Zusammenhänge gezielt abgefragt werden können.

Quellen und Evidenz zu Wissensgraphen, GraphRAG und semantisches Bauwissen

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

Quelle 1
Efficient Knowledge Graph Construction and Retrieval from Unstructured Text for Large-Scale RAG Systems
Herausgeber
Min et al.; SAP / arXiv
Publiziert
07.08.2025
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Original-Preprint mit offengelegtem Vergleich; SAP-Korpus und automatische Bewertung begrenzen Übertragung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Titel; Abschnitte 3–4; Tabelle 1Textstelle 26 Textstelle 27
Quelle 2
Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs
Herausgeber
Ibba, Alonso, Reforgiato Recupero; CEUR-WS Vol.3979
Publiziert
2025
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Original-Workshopbeitrag, kleine Ein-Modell-Evaluation und ein BIM-Experte.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (19 Textstellen)
- Abs.4 (Methode); Abs.5–6 (Evaluation und Grenzen)Textstelle 1 Textstelle 2 Textstelle 3 Textstelle 4 Textstelle 5 Textstelle 6 Textstelle 7 Textstelle 8 Textstelle 9 Textstelle 28 Textstelle 29 Textstelle 34 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 41 Textstelle 46 Textstelle 49 Textstelle 52
Quelle 3
Towards Practical GraphRAG: Efficient Knowledge Graph Construction and Hybrid Retrieval at Scale
Herausgeber
Min et al.; SAP / arXiv
Publiziert
18.12.2025
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Neuere Version derselben Arbeit wie WEB-049; keine unabhängige Replikation.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Titel; Tabelle 1Textstelle 26 Textstelle 27
Quelle 4
GraphRAG-Based Decision Support System Integrating and Selecting Sustainable Building Products
Herausgeber
Stellmacher, Große Lögten, Theißen, Kelm, Meins-Becker; ISEC Society
Publiziert
2025
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Wuppertal/LIST Eco; DOI 10.14455/ISEC.2025.12(1).CON-08; kleiner eigener Produkttest.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (13 Textstellen)
- Abs.2–4Textstelle 2 Textstelle 38 Textstelle 42 Textstelle 45 Textstelle 53
- Abs.3Textstelle 5
- Methodik; Tabelle 1; Results/Conclusions, S.2–6Textstelle 10 Textstelle 11
- Tabelle 1Textstelle 30 Textstelle 31
- Produktauswahl/EPDTextstelle 34 Textstelle 35
- Results/ConclusionsTextstelle 36
Quelle 5
Integrating IoT, large language models, and knowledge graphs for future smart districts: A semantic approach for energy performance assessment
Herausgeber
Fatehi Karjou, Berktold, Khodadad Saryazdi, Rätz, Müller; RWTH / IOP
Publiziert
2025
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
CISBAT2025; DOI 10.1088/1742-6596/3140/4/042006; Original, begrenzter Teststand.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- MethodologyTextstelle 2 Textstelle 52
- Abschnitte 2–4, besonders EvaluationTextstelle 18 Textstelle 19
- Semantische DatenintegrationTextstelle 29
- BetriebsdatenTextstelle 34 Textstelle 35
- Methodology; ResultsTextstelle 38 Textstelle 44 Textstelle 48
Quelle 6
GraphEET – Graphen und KI-Verfahren für das Technische Monitoring von energieeffizienten Gebäuden
Herausgeber
Fraunhofer ISE
Publiziert
undatiert
Quellentyp
Forschungsprojektseite
Geltungsbereich
Primäre Projektseite für Ziele und Laufzeit; keine abgeschlossene Wirkungsevaluation.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Projektziele, Partner, LaufzeitTextstelle 20 Textstelle 21
Quelle 7
A Graph-RAG Framework for Natural Language Interaction with Dynamic Construction Project Graphs
Herausgeber
Heidary, Shen, Mousavi, Barati, Linke; IAARC / UNSW / GeoAI
Publiziert
2026
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
ISARC2026, S.1992–1999; DOI 10.22260/ISARC2026/0254; reale Projektdaten, sechs Testfragen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- Abschnitte 3–4, S.1994–1998; ErgebnistabelleTextstelle 16 Textstelle 17
- EvaluationTextstelle 30 Textstelle 31
- GrapharchitekturTextstelle 35
- Abs.3–5Textstelle 38 Textstelle 43
Quelle 8
When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation
Herausgeber
Xiang et al.; arXiv
Publiziert
Juni 2025
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Originalversion v1; transparente fachfremde Benchmarks; synthetische Fragen/automatische Bewertung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Tabelle 2; Anhänge B/E/FTextstelle 26 Textstelle 27
- Evaluation und AnhängeTextstelle 26 Textstelle 27
- Tabelle 2Textstelle 37
- Evaluation setup; ResultsTextstelle 50
Quelle 9
Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety
Herausgeber
Zhang, Wang, Hu, Zhang; Texas A&M / arXiv
Publiziert
11.05.2026
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Autorenfassung v2; Automation in Construction 183, 106794; DOI 10.1016/j.autcon.2026.106794; begrenzte OSHA-Auswahl.
Quellenprofil lesen
Verwendung im Profil (11 Textstellen)
- Abs.6–7; Tabellen9–12Textstelle 3
- Abs.7Textstelle 5
- Abschnitte 6–8; Tabellen 9/13Textstelle 12 Textstelle 13
- Abschnitte 7.1/7.4Textstelle 32 Textstelle 33
- Dualer GraphTextstelle 35
- Evaluation/LimitationsTextstelle 37
- Abs.5.4; 8Textstelle 38
- Abs.6–8Textstelle 50
- Abs.3–4Textstelle 53
Quelle 10
Claim Knowledge Graph Construction and GraphRAG-Based Question-Answering System
Herausgeber
Wang, Fang; Buildings 16(4),845 / Autoren-Volltext auf ResearchGate
Publiziert
19.02.2026
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
DOI 10.3390/buildings16040845; Originalarbeit mit nur vier Evaluationsfragen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Abschnitte 3–4; PDF S.13–15Textstelle 14 Textstelle 15 Textstelle 28 Textstelle 29
- ExpertenvalidierungTextstelle 30 Textstelle 31
- ClaimgraphTextstelle 35
- Abs.3–5Textstelle 42
Quelle 11
Digital twin for Freiburg im Breisgau
Herausgeber
Arup
Publiziert
undatiert
Quellentyp
Institutionelle oder anwendungsbezogene Originalquelle
Geltungsbereich
Benannter Auftrag und Prototypen; undatiert, kein Nachweis kommerziellen LLM-GraphRAG-Betriebs.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Projektbeschreibung, Prototypen, AusblickTextstelle 20 Textstelle 21
Quelle 12
Using AI in Construction to Reduce Injuries and Save Lives
Herausgeber
Mind Foundry / Oxford Semantic Technologies / BAM Nuttall / Discovering Safety
Publiziert
2020
Quellentyp
Institutionelle oder anwendungsbezogene Originalquelle
Geltungsbereich
Historischer Partnerbericht; Pilot und Proof of Concept, keine aktuelle Marktevidenz.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- S.9Textstelle 4 Textstelle 6 Textstelle 7
- S.6–7,9–11Textstelle 22 Textstelle 23
Quelle 13
Welcome to GraphRAG – GraphRAG process
Herausgeber
Microsoft
Publiziert
undatiert
Quellentyp
Technische Originaldokumentation
Geltungsbereich
Primäre technische Dokumentation für die eigene Architektur, nicht für allgemeine Bauleistungszusagen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- The GraphRAG ProcessTextstelle 1
- The GraphRAG Process; Index/QueryTextstelle 4 Textstelle 6 Textstelle 7
- Index/VersioningTextstelle 30 Textstelle 31
- Index; QueryTextstelle 51
Quelle 14
How McCarthy Holdings, Inc. transformed dispersed company knowledge into AI-powered advantage with Glean
Herausgeber
Glean mit Aussagen benannter McCarthy-Verantwortlicher
Publiziert
undatiert
Quellentyp
Anbieterquelle
Geltungsbereich
Konkreter Go-live und Aufgabe; Anbieter-/Nutzereigenbericht ohne unabhängige Wirkungsmessung und ohne Tagesdatum.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (11 Textstellen)
- Solution; Launching GleanTextstelle 3
- Solution; ResultsTextstelle 5 Textstelle 47
- Launching Glean; Search delivers instant value; Driving SuccessTextstelle 24 Textstelle 25 Textstelle 28 Textstelle 29 Textstelle 37
- Launching GleanTextstelle 36
- KundenfallTextstelle 37
- Launching Glean; FutureTextstelle 39
- Finding a 14-year-old building model; SolutionTextstelle 40
Quelle 15
McCarthy Building Companies: Beitrag zu Alex Elsayegh und Glean:GO 2026
Herausgeber
McCarthy Building Companies, Inc.
Publiziert
undatiert
Quellentyp
Institutionelle oder anwendungsbezogene Originalquelle
Geltungsbereich
Öffentlicher Anwenderbeitrag; ein Jahr Rollout berichtet. Relative Altersangaben nicht absolut datierbar.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Öffentlicher Beitrag und eingebettete Aussage Alex ElsayeghTextstelle 24 Textstelle 25 Textstelle 37
- Beitrag; eingebetteter RolloutberichtTextstelle 39
Quelle 16
Enterprise Graph: Powering AI with Deep Organizational Knowledge
Herausgeber
Glean
Publiziert
undatiert
Quellentyp
Anbieterquelle
Geltungsbereich
Produktbeschreibung für Graph und Berechtigungen; kein kundenspezifischer Versions-/Sicherheitsaudit.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Protect your data; permissions-enforced enterprise searchTextstelle 28 Textstelle 29
- Graph/DatenzugangTextstelle 35
- Permissions; Enterprise GraphTextstelle 49
- Enterprise GraphTextstelle 51
Quelle 17
BifrostRAG: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety
Herausgeber
Zhang, Wang, Hu, Zhang; arXiv
Publiziert
18.07.2025
Quellentyp
Originaler Forschungsbeitrag
Geltungsbereich
Zeitlicher Originalanker derselben Forschungsfamilie wie WEB-091; keine unabhängige Bestätigung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Abschnitt 8.4Textstelle 12 Textstelle 13 Textstelle 32 Textstelle 33
- Abs.8.4Textstelle 38
Quelle 18
Using AI in construction sites to reduce injuries and save lives – new white paper released
Herausgeber
Discovering Safety / HSE
Publiziert
02.11.2020
Quellentyp
Institutionelle oder anwendungsbezogene Originalquelle
Geltungsbereich
Primärer Datierungs-/Projektbeleg; gleiche Familie wie Partnerbericht WEB-553.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- 02/11/20; ProjektmeldungTextstelle 22 Textstelle 23

Alle Impulse im Radar entdecken

Wissensgraphen, GraphRAG und semantisches Bauwissen

Um was geht es bei Wissensgraphen, GraphRAG und semantisches Bauwissen?

Einordnung im Impulsradar

Beziehungen erschließen, Antworten prüfen

Worauf es bei Wissensgraphen, GraphRAG und semantisches Bauwissen 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

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum Wissensgraphen, GraphRAG und semantisches Bauwissen relevant ist

Für welche Bauprozesse Wissensgraphen, GraphRAG und semantisches Bauwissen relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen Wissensgraphen, GraphRAG und semantisches Bauwissen relevant ist

Architektur-, Ingenieur- und Planungsbüros

Bauunternehmen und Generalunternehmer

Betreiber, Facility- und Asset-Management

Technologieanbieter und Systemintegratoren

Forschung, Verbände und Netzwerke

Mit welchen Technologie- und Anwendungsfeldern Wissensgraphen, GraphRAG und semantisches Bauwissen verknüpft ist

Datenplattformen & KI-Infrastruktur

BIM & Digitaler Zwilling

Predictive Analytics & Entscheidungen

Verknüpfte Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu Wissensgraphen, GraphRAG und semantisches Bauwissen

Quellen und Evidenz zu Wissensgraphen, GraphRAG und semantisches Bauwissen

Efficient Knowledge Graph Construction and Retrieval from Unstructured Text for Large-Scale RAG Systems

Enabling Natural Language Access to BIM Models with AI and Knowledge Graphs

Towards Practical GraphRAG: Efficient Knowledge Graph Construction and Hybrid Retrieval at Scale

GraphRAG-Based Decision Support System Integrating and Selecting Sustainable Building Products

Integrating IoT, large language models, and knowledge graphs for future smart districts: A semantic approach for energy performance assessment

GraphEET – Graphen und KI-Verfahren für das Technische Monitoring von energieeffizienten Gebäuden

A Graph-RAG Framework for Natural Language Interaction with Dynamic Construction Project Graphs

When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation

Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety

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

Digital twin for Freiburg im Breisgau

Using AI in Construction to Reduce Injuries and Save Lives

Welcome to GraphRAG – GraphRAG process

How McCarthy Holdings, Inc. transformed dispersed company knowledge into AI-powered advantage with Glean

McCarthy Building Companies: Beitrag zu Alex Elsayegh und Glean:GO 2026

Enterprise Graph: Powering AI with Deep Organizational Knowledge

BifrostRAG: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety

Using AI in construction sites to reduce injuries and save lives – new white paper released

Passende Deep Dives