Innovation Scout · Quellenprofil
Eine Studie ordnet Vertragsklauseln, fachliche Erläuterungen und rechtliche Informationen einer gemeinsamen Struktur zu. Im Versuch liefert diese Wissensbasis vollständigere Suchergebnisse als die Suche in Textabschnitten ohne diese fachliche Zuordnung.
Eine geänderte Vertragsklausel kann Pflichten verschieben, obwohl ihr Wortlaut der Vorlage noch ähnelt. Ein Forschungsteam um Eu Wang Kim untersucht, wie Sprachmodelle solche Änderungen mithilfe zugehörigen Fachwissens analysieren können. Als Grundlage dient das FIDIC Red Book von 1999, ein Mustervertrag für internationale Bauprojekte.
Das Team ordnet jeder Klausel den ursprünglichen Vertragstext, fachliche Erläuterungen, rechtliche Informationen und Hinweise aus der Vertragspraxis zu. Diese Wissensbasis wird durchsuchbar gemacht. Die Verbindung aus Informationssuche und Antworterzeugung durch ein Sprachmodell heißt Retrieval-Augmented Generation, kurz RAG.
Bei der Prüfung wird eine eingereichte Klausel zunächst dem passenden Teil der Vertragsstruktur zugeordnet. Innerhalb dieses Bereichs sucht das System nach passenden Wörtern und inhaltlich ähnlichen Aussagen. Das Sprachmodell vergleicht die Klausel anschließend mit der Vorlage und nutzt die gefundenen Erläuterungen für seine Analyse. Verweise sollen dem Prüfer ermöglichen, die Aussagen an den verwendeten Grundlagen nachzuvollziehen.
Das Team verglich die FIDIC-Vorlage mit den darauf aufbauenden omanischen Standardvertragsbedingungen von 2019. Vier Verfahren bearbeiteten jeweils 320 Testanfragen. Automatische Bewertungsverfahren untersuchten, wie vollständig die benötigten Informationen gefunden wurden und wie eng sich die Antworten an diese Grundlagen hielten.
Beide verglichenen RAG-Systeme kombinierten die Suche nach passenden Wörtern mit einer Suche nach ähnlicher Bedeutung. Sie unterschieden sich in der Aufbereitung des Wissens: Das einfache System suchte in Dokumentabschnitten ohne die fachliche Zuordnung zu Vertragsklauseln; das vorgeschlagene System nutzte die nach Klauseln geordnete Wissensbasis.
Der Vollständigkeitswert reicht von 0 bis 1; bei 1 wurden alle benötigten Informationen gefunden. Er lag beim einfachen RAG-System bei 0,635 und beim vorgeschlagenen System bei 0,969. Auch die Übereinstimmung der Antworten mit dem gefundenen Kontext verbesserte sich.
Die Fehleranalyse zeigt, dass gefundene Inhalte beim Formulieren wichtige Einzelheiten verlieren können. So wurde aus einem konkret festgelegten täglichen Satz mit einer Höchstgrenze ein allgemeiner Hinweis auf Zahlungen wegen Verzögerungen. Andere Antworten ließen Voraussetzungen oder die Abfolge vertraglicher Schritte aus. Gerade diese Angaben bestimmen, wie eine Klausel im konkreten Fall zu verstehen ist.
Ein Team könnte den Ansatz nutzen, um Änderungen gegenüber einer vertrauten Vertragsvorlage zusammen mit den zugehörigen Erläuterungen zu sichten. Dafür muss es die Wissensbasis mit Vertragswissen aufbauen und die verwendeten Fassungen pflegen. Für die anschließende Auslegung kommt es darauf an, dass Bedingungen, Beträge und Verfahrensschritte in ihrem Zusammenhang erhalten bleiben.
Die Studie zur KI-gestützten Vertragsprüfung gehört im Gebäudetyp-E-Briefing zum methodischen Hintergrund des vorgeschlagenen Vergleichs von Anforderungen und vereinbarten Eigenschaften in Projektunterlagen.
Deep Dive öffnenDie Studie zur KI-gestützten Vertragsprüfung gehört im Briefing zum Forschungsrahmen für den Vergleich von Anforderungen in Projektunterlagen und die Prüfung der daraus vorbereiteten Arbeitsgrundlagen.
Deep Dive öffnenDer Vertragsversuch von Kim und Kollegen dient als methodisches Beispiel dafür, wie strukturiertes Fachwissen die Dokumentensuche verbessert, während Bedingungen und Ausnahmen in Antworten weiterhin verloren gehen können.
Impuls öffnenAn FIDIC- und omanischen Standardverträgen untersucht die Studie von Kim und Kollegen, wie KI Vertragsfragen beantwortet und welche Anzeige- und Dokumentationsbedingungen dabei trotz verbesserter Suche verloren gehen.
Impuls öffnenDie Studie zur KI-gestützten Vertragsprüfung dient im Bad-Aibling-Profil als methodischer Hintergrund für die vorgeschlagene Weiterentwicklung veröffentlichter Bauerfahrungen zu einer KI-gestützten Wissensbasis.
Use Case öffnenDie Studie zur KI-gestützten Vertragsprüfung dient im Ingolstadt-Profil als Hintergrund für die vorgeschlagene digitale Wissensbasis, die Annahmen, Projektunterlagen und spätere Betriebserfahrungen zusammenführt.
Use Case öffnenDie Studie zur KI-gestützten Vertragsprüfung ergänzt im Shimizu-Profil sowohl die Empfehlungen zur Erprobung einer eigenen Dokumentassistenz als auch den vorgeschlagenen Wissenstransfer auf Projekte des einfachen Bauens.
Use Case öffnenDie Studie zur KI-gestützten Vertragsprüfung ergänzt im Dreso.AI-Profil die Empfehlungen für einen Ausschreibungspilot, dessen Ergebnisse Fachleute einschließlich Durchsicht und Korrektur beurteilen.
Use Case öffnenDie Studie zur KI-gestützten Vertragsprüfung dient im Gilbane-Profil als methodischer Hintergrund für die Empfehlung, Antworten in einem eigenen Pilot an typischen Fragen und passenden Originalstellen zu prüfen.
Use Case öffnenDie Studie zur automatisierten Bauvertragsprüfung dient im Lightblue-Profil als methodischer Hintergrund für die Erprobung eines Dokumentassistenten mit eigenen Fachfragen und gültigen Dokumentfassungen.
Organisation öffnenDie Studie zur Bauvertragsprüfung dient im Drees-&-Sommer-Profil als methodischer Hintergrund für die Frage, welche Aufgaben eine eigene Dokumentassistenz in einem Bau- oder Planungsunternehmen übernehmen soll.
Organisation öffnen