Predictive Analytics & Entscheidungen

KI kann historische Projekt-, Markt-, Kosten- und Termindaten analysieren, um mögliche zukünftige Entwicklungen abzuschätzen. In frühen Projektphasen können beispielsweise Nachfrage, Wirtschaftlichkeit oder Kostenbandbreiten untersucht werden. In laufenden Bauprojekten stehen Terminabweichungen, Restlaufzeiten, Ressourcenbedarf oder erwartete Endkosten im Mittelpunkt.

Mögliche Datengrundlagen sind:

• historische Projekt- und Kalkulationsdaten,
• Terminpläne und Baufortschrittsinformationen,
• Kostenstände und Nachträge,
• Markt-, Preis- und Konjunkturdaten,
• Wetter- und Standortinformationen,
• Ressourcen- und Lieferdaten,
• Nutzungs- und Betriebsdaten.

Die Prognosequalität hängt stark davon ab, wie vergleichbar frühere und aktuelle Projekte sind. Bauprojekte unterscheiden sich hinsichtlich Standort, Vertragsmodell, Beteiligten, Komplexität und Ausführung. Ein Modell, das in einem Projekttyp gut funktioniert, lässt sich daher nicht automatisch auf andere Bauaufgaben übertragen.

Gute Prognosesysteme liefern nicht nur einen einzelnen Wert, sondern Bandbreiten, Wahrscheinlichkeiten und die wichtigsten Einflussfaktoren. So wird sichtbar, wie sicher eine Aussage ist und welche Annahmen das Ergebnis besonders stark beeinflussen.

Frühwarnsysteme verbinden aktuelle Projekt- oder Betriebsdaten mit erwarteten Verläufen. Sie können darauf hinweisen, dass Termine, Kosten, Qualität, Energieverbrauch oder technische Zustände von einem definierten Korridor abweichen.

In der Bauausführung können beispielsweise Baufortschritt, Terminplan, Ressourcen, Lieferungen und dokumentierte Störungen gemeinsam betrachtet werden. Im Betrieb können Sensor-, Anlagen- und Wartungsdaten auf mögliche Ausfälle oder ungewöhnliche Zustände hinweisen.

KI unterstützt dabei, komplexe Muster zu erkennen und Hinweise nach Dringlichkeit zu priorisieren. Eine Warnung ist jedoch noch keine gesicherte Diagnose. Sie zeigt, wo eine fachliche Prüfung und gegebenenfalls eine Reaktion erforderlich sein könnte.

Besonders wichtig ist die Unterscheidung zwischen:

• einer beobachteten Abweichung,
• einer statistisch erwarteten Entwicklung,
• einem möglichen Risiko,
• einer gesicherten Ursache,
• einer empfohlenen Maßnahme.

Diese Ebenen sollten in Nutzeroberflächen und Berichten nicht vermischt werden.

Prognosen beschreiben eine wahrscheinliche Entwicklung unter bestimmten Annahmen. Szenarioanalysen untersuchen dagegen, wie sich unterschiedliche Entscheidungen oder Rahmenbedingungen auswirken könnten.

Im Bau können beispielsweise folgende Fragen betrachtet werden:

• Wie verändert sich die Wirtschaftlichkeit bei steigenden Baukosten oder Zinsen?
• Welche Folgen hat eine verspätete Lieferung für den weiteren Bauablauf?
• Wie wirken sich unterschiedliche Planungsvarianten auf Kosten, Energie und Material aus?
• Welche Wartungsstrategie reduziert Ausfallrisiken und Lebenszykluskosten?
• Wie verändern Wetter, Nutzung oder Energiepreise den Gebäudebetrieb?
• Welche Rückbauvariante verbessert Wiederverwendung und Recycling?

Simulationen, digitale Zwillinge und Optimierungsmodelle können solche Szenarien berechnen. KI kann die Modelle ergänzen, indem sie Parameter aus Daten ableitet, besonders relevante Varianten identifiziert oder komplexe Ergebnisräume strukturiert.

Szenarien sind keine Vorhersagen der Zukunft, sondern kontrollierte „Was-wäre-wenn“-Betrachtungen. Ihre Aussagekraft hängt von den verwendeten Annahmen, Daten und Modellgrenzen ab. Deshalb sollten Eingangswerte, Unsicherheiten und Gültigkeitsbereiche nachvollziehbar dokumentiert werden.

Entscheidungen im Bau beruhen meist auf mehreren Kriterien. Neben Kosten und Terminen können technische Machbarkeit, Qualität, Sicherheit, Nachhaltigkeit, Genehmigungsfähigkeit, Ressourcen und langfristige Betriebswirkungen eine Rolle spielen.

KI-gestützte Entscheidungsmodelle können solche Kriterien zusammenführen und unterschiedliche Optionen vergleichbar machen. Mögliche Anwendungen sind:

• Standort- und Investitionsentscheidungen,
• Auswahl von Planungs- oder Ausführungsvarianten,
• Priorisierung von Projektrisiken,
• Angebots- und Vergabeprüfung,
• Ressourcen- und Logistikplanung,
• Wartungs- und Modernisierungsentscheidungen,
• Bewertung von Energie- oder Nachhaltigkeitsmaßnahmen.

Dabei sollte nicht nur das Ergebnis, sondern auch seine Herleitung sichtbar sein: Welche Kriterien wurden berücksichtigt? Wie wurden sie gewichtet? Welche Daten fehlen? Wie verändert sich die Empfehlung bei anderen Annahmen?

Methoden wie Sensitivitätsanalyse, Multikriterienbewertung und erklärbare KI helfen dabei, Entscheidungen nachvollziehbarer zu machen. Die abschließende Abwägung bleibt jedoch eine fachliche und unternehmerische Aufgabe.

Agentic AI geht über die reine Analyse hinaus. Ein agentisches System kann ein Ziel oder eine Aufgabe erhalten, Informationen aus mehreren Quellen abrufen, Zwischenschritte planen, Werkzeuge aufrufen und innerhalb definierter Grenzen Handlungen vorbereiten oder auslösen.

Mögliche zukünftige Anwendungen im Bau sind beispielsweise:

• automatische Aktualisierung von Projektprognosen bei neuen Daten,
• Prüfung von Terminabweichungen und Vorbereitung alternativer Ablaufpläne,
• Koordination definierter Informations- und Freigabeprozesse,
• Anpassung von Gebäude- oder Anlagenstrategien innerhalb sicherer Grenzwerte,
• Auslösung von Wartungsaufträgen nach fachlich bestätigten Warnhinweisen,
• Unterstützung bei Ressourcen-, Maschinen- und Lieferplanung.

Agentische Systeme sollten nicht mit vollständig autonomen Entscheidungen gleichgesetzt werden. Ihr Handlungsspielraum kann sehr unterschiedlich sein: von der Vorbereitung eines Vorschlags über das Erstellen eines Entwurfs bis zum kontrollierten Auslösen eines festgelegten Prozessschritts.

Für den Bau sind klare Berechtigungen, Protokollierung, menschliche Freigaben und jederzeitige Übersteuerbarkeit besonders wichtig. Sicherheits-, haftungs-, vergabe- oder genehmigungsrelevante Entscheidungen dürfen nicht allein deshalb automatisiert werden, weil das System technisch dazu in der Lage wäre.