BIM-Modelldaten mit KI analysieren und berichten

Das echte Ausmaß des Problems

BIM-Modelle versprechen eine Wahrheit im Modell: Alle Projektdaten an einem Ort, jederzeit abrufbar, automatisch konsistent. Die Praxis sieht anders aus.

Die Expertenumfrage der buildMedia GmbH zu BIM in Deutschland (2024) zeigt ein klares Bild: Experten aus Architektur- und Ingenieurbüros nennen einhellig Datenqualität und Schnittstellen als die größten Hindernisse beim BIM-Einsatz — nicht fehlendes Know-how, nicht die Softwarekosten. Die Daten sind im Modell vorhanden. Sie herauszuholen, zu bereinigen und in eine kommunizierbare Form zu bringen, kostet in der Praxis fast genauso viel Zeit wie das Modellieren selbst.

Typische Situationen in Büros, die BIM aktiv einsetzen:

• Flächenbilanzen für den Bauherrn: Wohnfläche nach WoFlV, BGF nach DIN 277, GRZ und GFZ — alles im Modell, aber die Extraktion und der Abgleich mit dem Raumprogramm sind manuell. Aufwand je Auswertung: 2–4 Stunden.
• Kostengruppen-Mengenermittlung: Bauteilmengen nach DIN 276 für die Kostenschätzung. Voraussetzung: korrekte Klassifikation aller Elemente im Modell. Tatsächlich sind in vielen Projekten 15–30 Prozent der Elemente falsch oder gar nicht klassifiziert.
• Kollisionsbericht für die Koordination: Clash Detection aus Navisworks oder Solibri liefert Hunderte von Clashes — aber welche sind kritisch, welche sind akzeptierte Toleranzen, welche wurden bereits behoben? Die Zusammenfassung für das Koordinationsmeeting ist wieder manuelle Arbeit.
• Statusbericht für Planungsphasen: Wie vollständig ist das Modell im Vergleich zur HOAI-Phase? Welche Elemente fehlen noch? Auch das ist häufig eine Frage, die niemand ohne erheblichen Aufwand beantworten kann.

Eine MDPI-Studie von 2024, die den Stand der KI-Integration in BIM/IFC-Daten analysiert, kommt zum Ergebnis: Die eigentliche Hürde für KI-gestützte BIM-Auswertung ist selten das KI-Modell — sie ist die Datenqualität im IFC-Export. Mengen können falsch, unvollständig oder doppelt erfasst sein, sobald das Quellmodell uneinheitliche Klassifikationen enthält. Die KI gibt zuverlässig aus — aber nur das, was drin ist.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Unter der Voraussetzung, dass das BIM-Modell vollständig und konsistent attributiert ist (LOI-Niveau gemäß HOAI-Phase). Bei unvollständiger Attributierung steigt der manuelle Bereinigungsaufwand erheblich.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Wer BIM-Auswertungen regelmäßig und manuell erstellt, kann mit einem gut aufgesetzten System 60–70 Prozent der Bearbeitungszeit sparen. Aber dieser Wert gilt nur für Büros, die BIM konsequent und vollständig einsetzen. Für Büros, die BIM teilweise nutzen oder Modelle ohne einheitliche Attributierung führen, ist die Ersparnis deutlich geringer — weil der Bereinigungsaufwand vor der Analyse bleibt. Kein Vergleich mit textlastigen Aufgaben wie Ausschreibungstexte automatisieren oder Bauherrenkommunikation, die sofort ohne Voraussetzungen starten.

Kosteneinsparung — mittel (3/5) Der direkte Kosteneffekt entsteht über eingesparte Arbeitszeit bei wiederkehrenden Berichtsaufgaben. Dazu kommt ein indirekter Nutzen: Konsistentere Kennwertdokumentation über Planungsphasen verhindert Fehler bei der Kostenschätzung und reduziert Nacharbeiten. Dieser Nutzen ist real, aber schwerer zu quantifizieren als die Stundenersparnis.

Schnelle Umsetzung — niedrig (2/5) Das ist der größte Unterschied zu anderen Anwendungsfällen im Architekturbüro: Ein funktionierendes BIM-Auswertungssystem setzt voraus, dass das Quellmodell bereits strukturiert und vollständig attributiert ist. Büros ohne etablierten IFC-Workflow müssen erst dort anfangen — bevor KI überhaupt helfen kann. Realistisch sind 6–10 Wochen bis zum ersten produktiven Betrieb. Wer bereits sauber modelliert, kommt schneller ans Ziel.

ROI-Sicherheit — niedrig (2/5) Das ist der kritische Punkt dieser Anwendung: Der Nutzen ist vollständig abhängig von der Qualität der Eingabedaten. Ein BIM-Modell mit inkonsistenten Klassifikationen, fehlenden Attributen oder falsch gezeichneten Bauteilen erzeugt bei jeder automatisierten Auswertung falsche Kennwerte — die dann selbstbewusst und gut formatiert im Bericht stehen. Das ist potenziell gefährlicher als gar keine Auswertung. Wer den ROI dieser Investition nicht messen kann (weil kein Basiswert existiert), sollte mit einem kleinen Pilotprojekt starten.

Skalierbarkeit — hoch (4/5) Der einzige Bereich mit klarer Stärke: Ist ein gut funktionierendes Analyse-Template einmal aufgebaut, lässt es sich für jedes neue BIM-Projekt im Büro direkt wiederverwenden. Jedes weitere Projekt amortisiert den Einrichtungsaufwand weiter. Für Büros mit mehreren laufenden BIM-Projekten steigt der Nutzen linear mit der Projektanzahl.

Richtwerte — stark abhängig von BIM-Reifegrad und Modellierungskonventionen im Büro.

Was das System konkret macht

Der grundlegende Ansatz ist einfacher als er klingt: BIM-Modelldaten werden in ein maschinenlesbares Format exportiert — typischerweise als IFC-Datei, als strukturierten CSV/Excel-Export aus dem BIM-Tool, oder als Datenbankabfrage aus einer BIM-Plattform. Diese strukturierten Daten nimmt dann ein LLM entgegen und erstellt daraus Berichte, Zusammenfassungen oder Abweichungsanalysen.

Die KI ersetzt dabei keine BIM-Software und führt keine Geometrieberechnungen durch. Sie liest, strukturiert und kommuniziert. Das sind genau die Schritte, die nach dem Export aus Revit oder ArchiCAD bisher manuell passieren.

Drei konkrete Szenarien

Szenario 1 — Flächenbilanz und Raumprogramm-Abgleich Aus Revit oder ArchiCAD wird eine Raumauswertung als Excel exportiert. Diese enthält alle Räume mit ihren Attributen (Raumtyp, Grundfläche, Klassifikation). ChatGPT oder Claude strukturiert die Daten, berechnet Wohnfläche nach WoFlV und BGF nach DIN 277, und vergleicht sie mit dem Raumprogramm — inklusive Abweichungsanalyse und Hinweisen auf Räume mit fehlenden Klassifikationen.

Szenario 2 — Clash-Report-Aufbereitung Solibri oder Navisworks exportiert die Ergebnisse einer Kollisionsprüfung als BCF oder Excel-Liste. Das KI-System gruppiert die Clashes nach Schweregrad und Gewerk, filtert bereits als akzeptiert markierte Clashes heraus und erstellt eine priorisierte Zusammenfassung für das Koordinationsmeeting mit Handlungsempfehlungen pro Gewerk.

Szenario 3 — Statusbericht für Projektphasen Speckle oder Autodesk Construction Cloud extrahiert automatisch Modellattribute und Elementanzahlen über Planungsphasen hinweg. Claude oder ChatGPT vergleicht den aktuellen Attributierungsstand mit den BIM-Anforderungen der jeweiligen HOAI-Phase und erstellt einen Gap-Bericht: Welche Elemente fehlen noch, welche Attribute sind unvollständig, wo sind Widersprüche zwischen Fachmodellen?

Was das nicht löst

Die KI kann keine fehlerhaften Geometrien reparieren, keine falsch klassifizierten Bauteile identifizieren (sie sieht die Klassifikation, nicht das Bauteil selbst) und keine fachlichen Planungsentscheidungen treffen. Sie ist ein Kommunikations- und Strukturierungswerkzeug, kein Planungswerkzeug.

IFC-Datenqualität als Voraussetzung

Das ist der Abschnitt, der in den meisten BIM-KI-Tutorials fehlt — und der in der Praxis entscheidend ist.

IFC (Industry Foundation Classes) ist das offene Austauschformat für BIM-Daten. Beim Export aus Revit, ArchiCAD oder anderen BIM-Tools entsteht eine IFC-Datei, die theoretisch alle Modellinformationen enthält. Theoretisch.

In der Praxis enthält jedes IFC-Modell Lücken und Inkonsistenzen, deren Ausmaß direkt beeinflusst, wie sinnvoll eine automatisierte Auswertung ist. Zwei Schlüsselbegriffe:

LOD — Level of Development beschreibt, wie vollständig und zuverlässig die Geometrie eines Modells für eine Planungsphase ist. Ein Wand-Element im LOD 200 hat eine ungefähre Dicke und Position; im LOD 400 hat sie exakte Abmessungen, Schichtaufbau und Einbaudetails. KI-gestützte Mengenermittlung funktioniert nur, wenn das LOD dem Auswertungsziel entspricht.

LOI — Level of Information beschreibt die Vollständigkeit der nicht-geometrischen Attribute: Kostengruppe nach DIN 276, Raumnutzungsart, Materialbezeichnung, Herstellerangaben. Ein geometrisch perfektes Modell mit fehlendem oder inkonsistentem LOI produziert bei jeder automatisierten Auswertung falsche Kennwerte — weil die KI keine fehlenden Attribute erraten kann.

Was in der Praxis häufig schief läuft:

• Decken, die geometrisch als Boden modelliert sind — falsch für Flächenberechnungen
• Räume, die keine Raumnummer oder keinen Raumtyp tragen — fallen aus der WoFlV-Berechnung heraus
• Bauteile, die keine DIN-276-Kostengruppe haben — machen Kostengruppen-Berichte unvollständig
• Bauteilklassifikationen, die inkonsistent zwischen Fachmodellen verwendet werden — ergeben falsche Mengen beim Zusammenführen

Eine Daumenregel aus der Praxis: Rechne bei einem typischen Revit-Modell mittlerer Größe mit 15–25 Prozent der Elemente, die für eine automatisierte Auswertung manuell nachgepflegt werden müssen, bevor die Ergebnisse verlässlich sind. Diese Bereinigung ist Investition — sie zahlt sich über alle folgenden Auswertungen aus.

Was beim IFC-Export verloren geht

Ein weiterer blinder Fleck in der BIM-KI-Praxis: Der IFC-Export ist nie verlustfrei.

Revit und ArchiCAD schreiben IFC nach unterschiedlichen Konventionen, selbst wenn beide den IFC2x3- oder IFC4-Standard verwenden. Was in Revit als IfcWall mit einem bestimmten Property-Set exportiert wird, erscheint in einem ArchiCAD-IFC-Export möglicherweise als anderen Elementtyp — oder die Property Sets haben unterschiedliche Namen. Das ist kein Bug, sondern eine direkte Folge davon, wie die beiden Tools BIM-Konzepte intern repräsentieren.

Konkrete Beispiele:

• Revit-Verbundwände (mehrschichtig) exportieren die Gesamtfläche als ein Element — ArchiCAD kann mehrschichtige Wände schichtweise exportieren. Beide sind korrekt nach IFC-Standard, aber ein Auswertungsskript, das für Revit entwickelt wurde, schlägt bei ArchiCAD-Modellen fehl.
• Raumattribute (Space Boundaries) werden von ArchiCAD deutlich vollständiger exportiert als von Revit — relevant für energetische Auswertungen.
• Fenster und Türen verlieren beim Revit-IFC-Export häufig Materialattribute, weil das Hosting-Bauteil nicht immer korrekt übernommen wird.

Was das für die Praxis bedeutet: Auswertungsskripte und Analyse-Prompts müssen für den spezifischen Exportpfad entwickelt werden — Revit-IFC und ArchiCAD-IFC sind nicht ohne weiteres austauschbar. Wer in einem Büro beide Tools einsetzt, muss beide Exportprofile getrennt testen und validieren.

Tools wie Speckle und Solibri normalisieren den IFC-Import teilweise und gleichen bekannte Exportinkonsistenzen aus — das macht sie zu sinnvolleren Extraktionsschichten als der direkte Zugriff auf rohe IFC-Dateien.

Konkrete Werkzeuge — was wann passt

Es gibt zwei grundlegende Ansätze, je nach Infrastruktur und Reifegrad des BIM-Workflows.

Speckle — wenn du Automatisierung ohne Lizenzkosten willst Die Open-Source-BIM-Dataplattform verbindet Revit, ArchiCAD, Rhino und IFC in einem gemeinsamen Datenstrom. Speckle Intelligence erstellt aus den Modelldaten automatisch Mengen-, Flächen- und Fortschrittsdashboards — ohne manuellen Export. Der kostenlose Plan reicht für ein erstes Pilotprojekt; der Team-Plan kostet 99 USD/Monat. Für Büros, die Datenkontrolle brauchen: Speckle ist vollständig Open Source und selbst hostbar.

Solibri — wenn du Datenqualität sichern willst, bevor du auswertest Solibri prüft IFC-Modelle regelbasiert auf Vollständigkeit und Konsistenz — und exportiert strukturierte Auswertungen in Excel und BCF. Diese Exporte eignen sich hervorragend als Eingabe für eine KI-Analyse, weil Solibri bereits eine erste Bereinigungsstufe übernimmt. Starter-Lizenz ab 99 EUR/Jahr (Viewer-Level), produktiver Einsatz ab Essential für 1.428 EUR/Jahr.

Navisworks + KI — wenn du Clash-Reports aufbereiten willst Navisworks exportiert Clash Detection-Ergebnisse als Excel oder BCF. Diese Exporte lassen sich direkt in ChatGPT oder Claude laden für eine priorisierte, kommunizierbare Zusammenfassung. Navisworks Manage kostet ca. 3.000 EUR/Jahr, ist aber in der Autodesk AEC Collection (ca. 3.900 EUR/Jahr) bereits enthalten.

Autodesk Construction Cloud — wenn du bereits im Autodesk-Ökosystem bist ACC hat eigene Reporting-Funktionen, die BIM-Daten direkt aus verbundenen Revit-Modellen auswerten. In Kombination mit Power BI (über den ACC Power BI Connector) entstehen interaktive Projektdashboards. Gut geeignet für Büros, die Revit-First arbeiten und schon ACC-Lizenzen haben.

Julius AI + Excel-Export — der schnelle Einstieg ohne Infrastruktur Wer sofort anfangen will ohne neue Software: BIM-Tool-Export als Excel oder CSV, dann in Julius AI hochladen und in natürlicher Sprache auswerten lassen. Julius erstellt automatisch Visualisierungen, vergleicht Spalten und identifiziert Ausreißer. Kostenlos bis 100 Credits/Monat, Plus-Plan für 20 USD/Monat. Datenhaltung in den USA — für Projektdaten ohne personenbezogene Inhalte in der Regel unkritisch.

ChatGPT oder Claude direkt — wenn du strukturierte Berichte generieren willst Für das Formulieren von Berichten aus strukturierten BIM-Exportdaten reicht oft ein direktes Sprachmodell ohne zusätzliche Infrastruktur. CSV-Export aus Revit oder ArchiCAD hochladen, Prompt mit dem gewünschten Berichtsformat, fertig. ChatGPT Plus kostet 20 USD/Monat, Claude Pro 18 EUR/Monat. Keine spezialisierte BIM-Integration, aber maximale Flexibilität.

Zusammenfassung: Wann welcher Ansatz

• Automatisierung und dauerhafte Synchronisierung → Speckle
• Datenqualität prüfen und strukturiert exportieren → Solibri
• Clash-Reports kommunizierbar machen → Navisworks + Claude/ChatGPT
• Bereits in Autodesk ACC → ACC-eigene Reports + Power BI
• Schneller Einstieg ohne neue Infrastruktur → Julius AI oder direkt ChatGPT

Datenschutz und Datenhaltung

BIM-Modelle enthalten in der Regel keine personenbezogenen Daten im klassischen Sinne — keine Namen, keine Kontodaten, keine Gesundheitsdaten. DSGVO ist trotzdem relevant, wenn Projektdaten an externe KI-Dienste übermittelt werden, weil:

1. Modelle häufig Firmenbezeichnungen, Auftragnehmer-Namen und Projektadressen enthalten
2. Kostendaten und Mengen als Geschäftsgeheimnisse einzustufen sein können
3. Auftraggeber (insbesondere öffentliche Bauherren) vertraglich EU-konforme Datenhaltung voraussetzen können

Tool-spezifische Einordnung:

• Speckle (Cloud): EU-Server, DPA für Team/Enterprise verfügbar. Self-Hosting als vollständig EU-konforme Alternative möglich.
• Solibri: EU-Hosting (Solibri Oy, Helsinki, Finnland), Desktop-Verarbeitung optional ohne Cloud. Gute Wahl für öffentliche Projekte.
• Navisworks: Desktop-lokal sicher; cloud-basierte Features über Autodesk Construction Cloud laufen über US-Server.
• Julius AI: US-Hosting, kein EU-Pendant. Für Projektdaten ohne personenbezogene oder vertragliche Inhalte tolerierbar; vor sensiblen Kosten- und Mengendaten Datenschutzbeauftragten einbeziehen.
• ChatGPT / Claude (API): Über die API verarbeiten beide Anbieter Daten nicht für Modell-Training (bei ausgeschalteter Trainingseinwilligung). Für Business-Zwecke: Anthropic-API-Nutzung mit aktivierten Datenschutzeinstellungen und AVV.

Praktische Empfehlung: Vor der Übergabe von Projektdaten an KI-Dienste prüfen, ob vertragliche Geheimhaltungspflichten gegenüber dem Auftraggeber bestehen. Bei öffentlichen Projekten oder sensiblen Kostenunterlagen: Speckle Self-Hosting oder rein lokale Verarbeitung (Solibri Desktop + ChatGPT mit anonymisierten Exports).

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Analyse-Templates und Prompt-Bibliothek aufbauen: 2–4 Wochen Einrichtungsaufwand intern
• IFC-Exportprofile in Revit/ArchiCAD für konsistente Attribute konfigurieren: 1–2 Wochen
• Ggf. externe BIM-Beratung für IFC-Workflow-Optimierung: 1.500–4.000 EUR

Laufende Kosten (monatlich)

• Speckle Team: 99 USD/Monat (~90 EUR) für bis zu 5 Projekte
• Solibri Essential: 1.428 EUR/Jahr (~119 EUR/Monat) — Einstieg für vollständige Auswertungen
• Julius AI Plus: 20 USD/Monat (~18 EUR) für CSV/Excel-basierte Analyse
• ChatGPT Plus oder Claude Pro: 18–20 EUR/Monat

Wer einen bestehenden Solibri- oder Navisworks-Vertrag hat, zahlt nur für das KI-Werkzeug obendrauf — oft 18–40 EUR/Monat zusätzlich zu den ohnehin laufenden BIM-Lizenzkosten.

Wie du den Nutzen tatsächlich misst

Halte fest, wie lange Flächenbilanzen und Mengenberichte heute dauern — Stempel am Anfang, Stempel am Ende. Nach drei Monaten mit dem neuen System: nochmal messen. Der Unterschied in Stunden ist dein direkter Nutzennachweis. Sekundär: Zähle, wie oft Korrekturen nötig sind, weil Kennwerte zwischen Berichten inkonsistent waren. Ein gut etabliertes System reduziert das messbar.

Was du dagegenrechnen kannst

Eine Projektarchitektin mit 55.000–70.000 EUR Jahresgehalt kostet das Büro bei einer 40-Stunden-Woche rund 30–38 EUR/Stunde (Brutto, ohne Overhead). Wenn zwei BIM-Auswertungen pro Woche je zwei Stunden eingespart werden, sind das vier Stunden/Woche — rund 120–150 EUR/Woche Ersparnis. Im Monat 480–600 EUR. Das deckt die laufenden Werkzeugkosten mehrfach — aber nur, wenn die BIM-Datenqualität hoch genug ist, dass die Auswertungen tatsächlich ohne manuelle Bereinigung nutzbar sind.

Typische Einstiegsfehler

1. Mit dem Bericht starten, nicht mit der Datengrundlage. Der häufigste Fehler: Das Büro konfiguriert einen schönen ChatGPT-Prompt für Flächenberichte — und bemerkt erst beim ersten Lauf, dass 30 Prozent der Räume keine Raumnutzungsart haben. Die KI produziert einen Bericht, der optisch überzeugend ist, aber inhaltlich falsche Summen enthält, weil die Klassifikationen fehlen. Ein in der Forschungsliteratur besonders dokumentierter Spezialfall: Verbundwände und mehrschichtige Decken produzieren bei automatisierter Mengenermittlung systematisch Abweichungen, weil überlappende Bauteilbereiche mehrfach gezählt werden — ein Modellierungsartefakt, das weder Revit noch ArchiCAD automatisch korrigiert. Lösung: Zuerst einen Solibri- oder Speckle-Lauf machen, der die Vollständigkeit der Attribute und die Elementgeometrie prüft. Erst wenn das Modell sauber ist, lohnt sich die Berichtsautomatisierung.

2. IFC-Export als universelle Schnittstelle behandeln. IFC ist ein Standard — aber kein einheitlicher Export. Revit-IFC und ArchiCAD-IFC sehen strukturell unterschiedlich aus, selbst bei gleicher IFC-Version. Ein Analyse-Skript oder ein Prompt, der für Revit-Modelle entwickelt wurde, schlägt bei ArchiCAD-Modellen oft fehl — wegen unterschiedlicher Property-Set-Namen, Elementhierarchien und Attributzuordnungen. Lösung: Immer für den spezifischen Exportpfad testen und kalibrieren. Kein “universeller IFC-Prompt” ist wirklich universell.

3. Das System wird eingerichtet, aber die Modellierungskonventionen bleiben wie gehabt. Das System funktioniert in Woche eins gut, weil ein Modell mit sauberen Attributen als Pilot gewählt wurde. Drei Projekte später modelliert das Büro wieder ohne einheitliche Klassifikationsvorgaben — und das System produziert wieder unzuverlässige Ausgaben. Lösung: Gleichzeitig mit dem KI-Auswertungssystem ein Modellierungshandbuch einführen, das die Attribute-Anforderungen pro Planungsphase definiert. Das ist die organisatorische Voraussetzung, nicht die technische.

4. Ergebnisse nicht vor der ersten Verwendung validieren. Ein BIM-Modell und ein Analyse-Prompt zusammen erzeugen ein Ergebnis. Ob dieses Ergebnis stimmt, weiß man erst, wenn man es gegen eine händische Kontrolle gegengecheckt hat. Bei der ersten Implementierung immer einen vollständigen manuellen Vergleich durchführen — das ist der einzige Weg, zu kalibrieren, ob die Auswertung vertrauenswürdig ist. Wer diesen Schritt überspringt und direkt Bauherrengespräche mit KI-generierten Kennwerten führt, riskiert falsche Zahlen mit professionell wirkendem Format.

Was mit der Einführung wirklich passiert — und was nicht

Die erste überraschende Erkenntnis nach dem Einrichten: Das System läuft, aber das Ergebnis stimmt nicht. Wände ohne Kostengruppe, Räume ohne Fläche, Fenster ohne Materialattribut — das Modell ist besser als gedacht, aber nicht gut genug für verlässliche automatische Auswertungen.

Das ist kein Versagen des Systems. Es ist eine Diagnose. Und die ist wertvoll.

Denn jedes Büro, das diesen Weg geht, durchläuft denselben Prozess: Die Einrichtung der Auswertungsautomatisierung erzwingt eine Bestandsaufnahme der eigenen Modellierungsqualität. Viele Büros erfahren dabei zum ersten Mal präzise, wo ihre BIM-Workflows wirklich stehen.

Das typische Widerstands-Muster:

Modellierende, die bisher ohne strenge Attributierungsvorgaben gearbeitet haben, empfinden die neuen Anforderungen als zusätzliche Last — nicht als Verbesserung. “Ich muss jetzt für jede Wand die Kostengruppe eingeben, das kostet doch mehr Zeit als es spart.” Das stimmt kurzfristig. Langfristig sinkt der Gesamtaufwand, weil die Auswertungsroutinen dann tatsächlich automatisch funktionieren.

Was hilft: Nicht als “KI-Projekt” einführen, sondern als BIM-Qualitätsprojekt. Die automatisierten Berichte sind das sichtbare Ergebnis einer besser strukturierten Arbeitsweise. Das verändert die Framing-Frage von “muss ich KI einsetzen?” zu “möchte ich, dass meine Planungsdaten verlässlich und auswertbar sind?”

Was das System nicht automatisch löst:

• Uneinigkeit im Team, welche Klassifikationsstandards gelten — solange verschiedene Mitarbeitende unterschiedliche Konventionen verwenden, bleibt die Datenqualität inkonsistent
• Fehlende Schnittstellen zwischen Fachplanern — wenn TGA-Planerin und Architektin verschiedene Klassifikationssysteme nutzen, helfen individuelle Auswertungen pro Modell, aber ein gemeinsamer Bericht bleibt aufwendig

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir bekommen aus Revit/ArchiCAD direkt Mengenberichte — warum brauchen wir KI?” Die eingebauten Mengenberichte in Revit und ArchiCAD sind gut für maschinenlesbare Rohdaten. Was fehlt, ist die Aufbereitung für menschliche Empfänger: strukturierte, phasenvergleichende Berichte mit Abweichungsanalysen und Kommentaren. Das ist die Schicht, die KI ergänzt — nicht die Extraktion, sondern die Kommunikation.

„Unsere Modelle sind nicht sauber genug dafür.” Das ist der ehrlichste Einwand — und oft zutreffend. Die richtige Antwort darauf ist nicht “dann ist KI nichts für uns”, sondern: “Dann beginnen wir mit der Modellierungsqualität, und die automatisierte Auswertung ist das Ziel, auf das wir hinarbeiten.” Das KI-Projekt wird zum BIM-Reifegrad-Projekt. Das ist kein Umweg, das ist der Weg.

„Wir haben keine Zeit, ein neues System einzuführen.” Kein Widerspruch, wenn der Projektdruck gerade sehr hoch ist. Aber der Einrichtungsaufwand von 6–10 Wochen ist eine Einmalinvestition — und sie lässt sich auf ruhigere Projektphasen legen. Ein guter Einstieg: Das nächste Projekt von Anfang an mit konsistenten Attributierungsvorgaben führen, ohne sofort Auswertungsautomation einzubauen. Die Grundlage legen — der Rest folgt.

Woran du merkst, dass das zu dir passt

• Dein Büro führt BIM aktiv mit Revit oder ArchiCAD, modelliert strukturiert nach HOAI-Phasen, und erstellt regelmäßig Flächenberichte, Mengenauswertungen oder Koordinationsberichte — mindestens einmal pro Monat pro Projekt
• Du verbringst erkennbar Zeit mit dem manuellen Bereinigen von BIM-Exporten: Tabellen zuschneiden, Klassifikationen prüfen, Raumnamen normalisieren — das sind Aufgaben, die das System übernehmen kann
• Du hast mehr als zwei laufende BIM-Projekte gleichzeitig: Erst dann rechnet sich die Template-Entwicklung schnell genug, um den Einrichtungsaufwand zu rechtfertigen
• Bauherren und Projektbeteiligte erwarten regelmäßige, konsistente Kennwertberichte: Wenn Berichte immer leicht unterschiedlich aussehen, weil verschiedene Mitarbeitende sie erstellt haben, ist das ein Signal für strukturierten Handlungsbedarf

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Büros mit weniger als 5 vollständigen BIM-Projekten pro Jahr. Der Einrichtungsaufwand für saubere IFC-Exportprofile, Attributierungsstandards und Analyse-Templates amortisiert sich erst bei regelmäßiger Nutzung. Wer BIM nur gelegentlich einsetzt oder hauptsächlich 2D-Projekte führt, kommt mit manuellen Auswertungen günstiger weg.

2. Wer kein einheitliches LOI-Niveau im Modell sicherstellen kann. Wenn verschiedene Mitarbeitende oder Fachplaner Attribute nach eigenen Konventionen vergeben — ohne festgelegte Standards für Kostengruppen, Raumnummern und Bauteilklassifikationen — erzeugt das System zuverlässig falsche Berichte. Das ist schlimmer als gar keine Automatisierung: Es sieht korrekt aus und ist es nicht.

3. Wer noch keine funktionierenden IFC-Exportprofile hat. Ein IFC-Export, der nicht vollständig und konsistent alle relevanten Attribute überträgt, ist keine geeignete Grundlage für Auswertungsautomatisierung. Dieser Schritt muss zuerst kommen — bevor KI-Unterstützung überhaupt sinnvoll eingesetzt werden kann.

Das kannst du heute noch tun

Exportiere aus deinem aktuellen BIM-Modell eine Raumauswertung als Excel-Datei — das geht in Revit und ArchiCAD ohne zusätzliche Lizenz. Lade diese Tabelle in Julius AI (kostenloser Plan reicht für einen ersten Test) oder direkt in ChatGPT hoch und frag nach einer strukturierten Flächenbilanz.

Das zeigt dir in 30 Minuten, ob deine Exportdaten gut genug strukturiert sind, um automatisiert ausgewertet zu werden — und wo genau die Lücken sind.

Für den produktiven Einsatz — mit konsistenten Berichten, die du dem Bauherrn direkt übergeben kannst — nutze dieses Analyse-Template:

Quellen & Methodik

• BIM und IFC-Datenqualität für KI-Integration: Ilter, D. et al., „BIM and IFC Data Readiness for AI Integration in the Construction Industry: A Review Approach”, Buildings, MDPI, 2024. Kernaussage: Semantische Lücken und inkonsistente Attributierung im IFC-Modell sind die primären Hindernisse für KI-gestützte BIM-Auswertung — nicht die KI-Algorithmen selbst. doi:10.3390/buildings14103305
• IFC-Struktur und KI im Bauwesen: Kretschmann, Felix, „Die IFC-Struktur ist im Bauwesen im Bereich KI sehr verbreitet”, BSD Plus, 2024. Praktische Einschätzung zur Bereitschaft von BIM-Daten für KI-Anwendungen in deutschen Planungsbüros. bsdplus.de
• BIM 2024 Expertenumfrage Deutschland: buildMedia GmbH, „BIM 2024: Die große Expertenumfrage”, bauen-aktuell.eu, 2024. Datengrundlage für Herausforderungen bei Datenqualität und Schnittstellen im deutschen Markt.
• Mengenermittlung mit BIM-Automatisierung: MuM Mensch und Maschine, Produktseite BIM Booster Kalkulation mit Kundenreferenz DGI Bauwerk GmbH Berlin. mum.de/produkte/bim-booster-kalkulation. Zeigt die Praxisanforderung an konsistente BIM-Attributierung als Voraussetzung für automatisierte Mengenermittlung.
• Speckle-Preise: Speckle Systems Ltd., speckle.systems/pricing/ (Stand April 2026). Team-Plan: 99 USD/Monat für bis zu 5 Projekte und 10 Nutzer.
• Solibri-Preise: Solibri Oy, solibri.com (Stand April 2026). Essential-Plan: 1.428 EUR/Jahr (~119 EUR/Monat).
• LOD/LOI-Definitionen: buildingSMART International, IFC-Standard und VDI/bS-Richtlinien für Level of Development und Level of Information im deutschen BIM-Kontext.
• Mengenermittlung bei Verbundbauteilen: Kim et al., „Improving the accuracy of BIM-based quantity takeoff for compound elements”, Automation in Construction, ScienceDirect, 2018. Kernaussage: Überlappende Bereiche von Verbundwänden und mehrschichtigen Decken führen bei automatisierter Mengenermittlung zu systematisch falschen Ergebnissen — ein Modellierungsartefakt, das ohne Nachbearbeitung in jede automatisierte Auswertung eingeht. doi:10.1016/j.autcon.2018.08.004
• Scoring-Kalibrierung: Verglichen mit anderen Architektur-Anwendungsfällen auf ki-syndikat.de. Besonders niedrige ROI-Sicherheit (2/5) und niedrige schnelle_umsetzung (2/5), weil der Nutzen vollständig von der IFC-Datenqualität abhängt — diese ist in der deutschen Praxis oft unzureichend.

Du willst wissen, ob eure BIM-Modelle für automatisierte Auswertungen gut genug aufgestellt sind — und wo der sinnvollste Einstiegspunkt für euer Büro liegt? Meld dich für ein kurzes Gespräch.