Nachhaltigkeitszertifizierungen vorbereiten und dokumentieren

Das echte Ausmaß des Problems

Nachhaltigkeitszertifizierungen erleben seit 2022 einen deutlichen Schub in Deutschland. Das Bundesförderprogramm BEG (Bundesförderung für effiziente Gebäude) macht das Qualitätssiegel Nachhaltiges Gebäude (QNG) für geförderte Neubauten verpflichtend — Bauherren, die KfW-Förderung wollen, brauchen zunehmend einen zertifizierten Bau. Parallel dazu verankert die EU-Taxonomie Nachhaltigkeitsnachweise als Pflichtkriterium für institutionelle Investoren: Wer an ESG-konforme Fonds verkaufen will, muss zertifizieren. Das erzeugt Druck auf Bauherren — und damit auf Architekturbüros, die diese Leistung entweder selbst beherrschen oder einkaufen müssen.

Das Problem ist die Komplexität. DGNB System für Gebäude Neubau (Version 2023) bewertet 37 Kriterien in fünf Qualitäten: ökologisch, ökonomisch, soziokulturell-funktional, technisch und Prozessqualität. Jedes Kriterium hat eigene Berechnungsmethoden, Nachweisformate und Punkteschwellen. LEED BD+C (Building Design + Construction) umfasst über 50 Credit-Kategorien mit jeweils detaillierten Dokumentationsanforderungen. BNB (Bewertungssystem Nachhaltiges Bauen) des Bundesministeriums orientiert sich ebenfalls an drei Säulen, ist aber auf Bundesbauten zugeschnitten.

Für Büros ohne eigenen Nachhaltigkeitsexperten bedeutet das: Ein erstes DGNB-Projekt kostet intern 150 bis 250 zusätzliche Stunden allein für Einarbeitung, Kriterienstudium und Nachweisorganisation — neben den laufenden Projektleistungen. Diederichs Projektmanagement beziffert die Auditor-Honorare für ein Bürogebäude mit 10.000 m² BGF auf typischerweise 15.000 bis 25.000 Euro netto. Hinzu kommen Zusatzleistungen: Ökobilanzberechnung (LCA) 3.000 bis 6.000 Euro, Lebenszykluskostenrechnung (LCC) 2.000 bis 4.000 Euro, bauökologisches Gutachten 1.500 bis 3.000 Euro.

Das Ergebnis: Viele Büros lehnen Zertifizierungsprojekte ab, weil sie den Aufwand nicht abschätzen können — und damit Aufträge verlieren, die zunehmend an Büros mit Zertifizierungserfahrung gehen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen zu Ersteinreichungsvollständigkeit und internem Aufwand basieren auf Erfahrungswerten aus DGNB-Projekten; repräsentative Studien mit großen Fallzahlen liegen für diesen spezifischen KI-Einsatz noch nicht vor.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) KI nimmt vor allem die Recherche- und Strukturierungsarbeit ab: Welche Kriterien greifen in welcher Planungsphase? Welche Nachweise überschneiden sich? Was ist LPH-1-relevant, was kann bis LPH 5 warten? Dieser Orientierungsaufwand ist enorm — und für KI gut geeignet. Was KI nicht abnimmt: die eigentliche Datenerhebung (Energieberechnungen, Materialdeklarationen, Messungen), die Interaktion mit dem Auditor und die Entscheidung, welches Zertifizierungsniveau realistisch ist. Im Vergleich zu Entwurfsvisualisierung (5/5) oder Ausschreibungstexten (4/5), die einen direkten Kernprozess beschleunigen, wirkt die Zeitersparnis hier indirekter.

Kosteneinsparung — mittel (3/5) Der größte Hebel ist die Reduktion des externen Berateraufwands in den Leistungsphasen 1 bis 4. Wenn das Büro strukturiert in die Zertifizierung einsteigt, kann der Auditor ab LPH 5 einsteigen statt ab LPH 1 — das spart 5.000 bis 12.000 Euro. Das ist real, aber kein Volltreffer: Der DGNB-Auditor ist Pflicht, er wird nicht ersetzt. Der Effekt ist ähnlich wie bei der Kostenschätzung: Es gibt echte Einsparung, aber sie ist abhängig davon, wie gut die interne Vorbereitung die externe Beratung tatsächlich substituiert.

Schnelle Umsetzung — niedrig (2/5) Das ist der ehrlichste Wert in dieser Bewertung. Du kannst in einer Woche einen Prompt bauen, der den DGNB-Kriterienkatalog analysiert — aber du brauchst 3 bis 5 Monate, bis du dem System vertraust, es in Kundenunterlagen einsetzt und weißt, wo KI-Ausgaben von Auditoren nicht akzeptiert werden. Die bauphysikalischen Nachweise haben aus demselben Grund 1/5 — der Unterschied ist, dass dort spezifische Berechnungssoftware unersetzbar ist. Hier ersetzt kein Sonderfall-Software-Stack die Einarbeitungszeit ins Zertifizierungssystem selbst.

ROI-Sicherheit — mittel (3/5) Der ROI entsteht indirekt: mehr Projekte annehmbar, höhere Auslastung, weniger externe Beratungskosten. Keiner dieser Effekte ist so direkt messbar wie die Stunden-vor-nach-Rechnung bei Ausschreibungstexten. Der Zeitpunkt, ab dem sich die Investition in die KI-gestützte Kompetenz rechnet, hängt stark davon ab, wie viele Zertifizierungsprojekte das Büro tatsächlich einwirbt — und ob der erste Auftraggeber den Aufwand des Lernprojekts mitfinanziert.

Skalierbarkeit — hoch (4/5) Hier liegt die stärkste Karte. Der Aufwand für das erste Projekt ist hoch. Aber: Den DGNB-Kriterienkatalog musst du nur einmal in ein NotebookLM hochladen. Die Prompt-Vorlagen für Kriterienlisten und Nachweischecklisten verwendest du für jedes Folgeprojekt wieder. Jede neue Zertifizierung kostet weniger als die vorherige — das ist der Compounding-Effekt, den rein externe Beratung nicht bietet. Vergleichbar mit dem Skalierungseffekt von Ausschreibungstexten (5/5), aber mit etwas mehr Projektvarianz durch unterschiedliche Nutzungsprofile.

Richtwerte — stark abhängig von Projektgröße, gewähltem Zertifizierungssystem und vorhandener Planungstiefe im Team.

Was die KI-Unterstützung konkret macht

Die technische Grundlage ist hier kein spezielles Zertifizierungstool — es sind Large Language Models (LLM), die du als Assistenten für Recherche, Strukturierung und Dokumentenprüfung einsetzt. Das funktioniert auf drei Ebenen:

Kriterienanalyse und Priorisierung. Du lädst den aktuellen DGNB-Kriterienkatalog (als PDF öffentlich verfügbar) in ein Tool wie NotebookLM und stellst projektspezifische Fragen: Welche Kriterien sind für ein siebengeschossiges Bürogebäude mit Tiefgarage in LPH 2 relevant? Welche Mindestanforderungen müssen für ein DGNB Silber erfüllt sein? NotebookLM antwortet mit Quellenverweisen direkt auf die Seiten des Katalogs — das spart das manuelle Durcharbeiten von 160+ Seiten.

Nachweislisten und Projektchecklisten. ChatGPT oder Claude erstellen aus deinen Projekteingaben (Nutzungsart, Fläche, Konstruktionsprinzip, Standort) eine sortierte Nachweisliste: Dokument, zuständiger Planer, Fälligkeitszeitpunkt nach LPH, Verknüpfung mit Kriterium. Das entspricht einer Leistung, für die Auditoren in LPH 1/2 mehrere Stunden berechnen.

Dokumentenprüfung auf Vollständigkeit. Wenn du dem LLM deinen Entwurfsbericht, deine Gebäudebeschreibung oder deinen Nachhaltigkeitsbericht hochlädst, prüft es systematisch, welche Kriterien abgedeckt sind und welche Lücken bleiben: „Für Kriterium ECO1.1 (Lebenszykluskostenrechnung) fehlt noch eine Angabe zur Nutzungsdauer der technischen Gebäudeausrüstung.” Diese Prüfung ist eine klassische Aufgabe, die sonst mit einem Auditor in einem mehrstündigen Meeting erledigt wird.

Was die KI nicht leistet: Berechnungen. Energiebedarfsberechnungen nach GEG (für DGNB ENV1.1), Ökobilanzen nach DIN EN 15978, Tageslichtsimulationen oder Lebenszykluskosten-Modelle erfordern zertifizierte Berechnungssoftware und Fachkenntnis. Hier ist Hottgenroth für GEG-Berechnungen und spezialisierte LCA-Tools die richtige Wahl — KI hilft allenfalls bei der Interpretation der Ergebnisse.

Welche Aufgaben KI übernehmen kann — und welche nicht

Das ist die Frage, die den Unterschied zwischen einem produktiven KI-Einsatz und einer enttäuschenden Erfahrung macht. Eine Forschungsarbeit der Universität Dresden (2025) hat für LEED-Zertifizierungen systematisch untersucht, welche Kriterienkategorien sich für KI-gestützte Automatisierung eignen — und welche nicht:

Gut automatisierbar (85–95 % der Dokumentationsaufgaben):

• Energie- und Wassereffizienz-Nachweise: Wenn die Berechnungsergebnisse vorliegen, kann KI sie in das geforderte Dokumentationsformat bringen, Grenzwertvergleiche durchführen und Lücken identifizieren
• Materialnachweise (EPDs, Produktdeklarationen): KI kann EPD-Daten aus Herstellerangaben extrahieren, in Kriterienformat bringen und Vollständigkeit prüfen
• Prozessqualitätsnachweis: Besprechungsprotokolle, Planungsablaufnachweise, Beauftragungsdokumentation — alles textbasierte Aufgaben, bei denen KI systematisch und schnell ist

Teilweise automatisierbar (65–80 %):

• Standort- und Erschließungsnachweise: Kartenmaterialien, ÖPNV-Erreichbarkeit, Infrastrukturanbindung — hier braucht es Interpretation standortspezifischer Daten
• Soziokulturelle Qualität (DGNB): Barrierefreiheit, Aufenthaltsqualität, Raumkomfort — Texte formulierbar, aber Bewertung erfordert Planungswissen

Kaum automatisierbar (unter 50 %):

• Innovationskredit-Kategorien: Eigene Konzepte, die über Standardkriterien hinausgehen — hier ist menschliches Fachwissen unersetzlich
• Qualitative Projektziele und Entwurfsphilosophie: Was KI nicht kann, ist beurteilen, ob ein Entwurf wirklich das hält, was er verspricht
• Auditor-Rückmeldungen interpretieren: Die spezifische Anforderungsauslegung eines DGNB-Auditors ist Erfahrungswissen, das nicht aus einem Katalog ablesbar ist

Praktische Konsequenz: Nutze KI für die erste Sichtung, die Checklisten, die Dokumentenvorbereitung und die Lückenerkennung. Übergib dem Auditor oder dem Nachhaltigkeitsfachplaner eine vorbereitete, weitgehend vollständige Dokumentation — nicht eine halbfertige Liste mit der Erwartung, dass der Auditor die Arbeit macht.

Konkrete Werkzeuge — was wann passt

NotebookLM — Kriterienkatalog als Wissensquelle Lade den aktuellen DGNB-Kriterienkatalog, die BNB-Steckbriefe oder das LEED Reference Guide als Quelle hoch. Stelle dann projektspezifische Fragen direkt an das Dokument — NotebookLM antwortet mit genauen Quellenverweisen auf Seitenzahlen und Abschnitte. Das ist die schnellste Methode, um bei einem neuen Projekt herauszufinden: Was muss ich jetzt tun? Kostenlos für bis zu 50 Quellen; NotebookLM Plus ab 9,99 Euro/Monat für parallele Projekte. Datenhaltung in den USA — für reine Kriterienkatalog-Befragungen ohne projektspezifische Daten datenschutzrechtlich unproblematisch.

Claude oder ChatGPT — Checklisten und Dokumentenprüfung Für strukturierte Outputs wie Nachweislisten, projektspezifische Kriterienkarten oder das Prüfen eigener Texte auf Zertifizierungskonformität. Claude arbeitet präziser bei langen Dokument-Inputs (wichtig, wenn du Entwurfsberichte oder Ausschreibungstexte prüfen lässt); ChatGPT ist verbreiteter und hat eine breitere Wissensbasis zu internationalen Systemen wie LEED und BREEAM. Beide ab ca. 18–22 Euro/Monat. Für sensible Projektdaten: Microsoft 365 Copilot (AVV inklusive, EU Data Boundary) als Alternative.

Perplexity — Aktuelle Anforderungsrecherche Nachhaltigkeitsstandards ändern sich. Das DGNB-System wurde 2023 aktualisiert; das QNG-Siegel hat neue Anforderungen mit dem BEG-Update 2024. Perplexity eignet sich für schnelle Fragen zu aktuellen Anforderungen — mit Quellenangaben, die du nachprüfen kannst. Besser als ein generisches LLM für diese Aufgabe, weil es aktuelle Webinhalte einbezieht. Kostenlos für grundlegende Suchen; Perplexity Pro ab 20 USD/Monat.

Hottgenroth — Energieberechnungen für DGNB und BNB Die Nachhaltigkeitszertifizierungen verlangen für DGNB-Kriterium ENV1.1 einen Nachweis des Primärenergiebedarfs — das ist eine echte GEG-Berechnung, keine KI-Aufgabe. Hottgenroth ist die Standardsoftware für GEG-konforme Energieausweise und Energieberichte. Das Ergebnis fließt als Berechnungsnachweis direkt in den Zertifizierungsprozess ein. Ab ca. 650 Euro/Jahr (Energieberater Wohnen) bzw. 3.419 Euro einmalig für den ETU-Planer Bronze.

Solibri — Datenauszug aus BIM-Modell für Nachhaltigkeitsnachweise Wenn ein BIM-Modell existiert, enthält es oft schon Materialmengen, Flächenberechnungen und Raumzuordnungen, die für DGNB-Kriterien relevant sind. Solibri kann diese Daten regelbasiert extrahieren und in Nachweisformat aufbereiten — insbesondere für Kriterien wie Flächeneffizienz (SOC1.1) oder Raumkomfort. Relevant vor allem für Büros, die BIM-Projekte mit LOI 300+ bearbeiten. Ab 99 Euro/Jahr für die Starter-Version.

Zusammenfassung: Wann welcher Ansatz

• Kriterienstudium und erste Projektsichtung → NotebookLM mit Kriterienkatalog als Quelle
• Nachweislisten, Checklisten, Dokumentenprüfung → Claude oder ChatGPT
• Aktuelle Normänderungen und neue BEG-Anforderungen recherchieren → Perplexity
• GEG-Berechnungen für ENV-Kriterien → Hottgenroth
• Mengenauszüge und Raumdaten aus BIM → Solibri

Datenschutz und Datenhaltung

Nachhaltigkeitsprojekte enthalten projektspezifische Daten, die im Verhältnis zum Auftraggeber vertraulich sind: Energiekennwerte des Gebäudes, Kostenkennwerte, Materialentscheidungen, teils sogar Standortdaten mit Eigentümerangaben. Was davon in ein Cloud-LLM eingespielt werden darf, muss mit dem Auftraggeber besprochen sein — und erfordert in der Regel einen Auftragsverarbeitungsvertrag (AVV) mit dem Tool-Anbieter.

Für die Praxis gilt die Faustregel: Wenn du den DGNB-Kriterienkatalog befragst (öffentlich zugängliches Dokument), ist das datenschutzrechtlich unkritisch. Wenn du Energieberichte mit Standortdaten, Kostenberechnungen oder namentlich dem Auftraggeber zuzuordnende Dokumente hochlädst, brauchst du eine Rechtsgrundlage — und die ist bei US-gehosteten Tools (NotebookLM, ChatGPT Standard, Perplexity) nicht automatisch vorhanden.

Für projektspezifische Dokumente empfehlen sich:

• Microsoft 365 Copilot: Wenn dein Büro bereits M365 nutzt, ist der Datenschutzrahmen über den bestehenden Unternehmensvertrag und das EU Data Boundary-Programm abgedeckt — kein separater AVV nötig. Ca. 30 Euro/Person/Monat zusätzlich zur bestehenden Lizenz.
• Claude Team/Enterprise: Anthropic stellt AVV-Verträge bereit; Daten werden in der Team-Version nicht für das Modell-Training verwendet. Für Büros mit mehreren Mitarbeitenden empfehlenswert.
• On-premise LLM: Technisch möglich (z. B. mit Ollama lokal), aber für 7-köpfige Büros selten praktikabel.

Die DSGVO-Anforderung ist klar: Sobald du personenbezogene oder vertraglich geschützte Projektdaten verarbeitest, braucht es einen AVV nach Art. 28 DSGVO. Rein öffentliche Kriterienarbeit ist davon nicht betroffen.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten (erstes Projekt)

• Interne Einarbeitungszeit: 60–100 Stunden (Kriterienkatalog studieren, Prompt-System aufbauen, erstes Projekt als Lernfall behandeln). Bei einem kalkulierten Stundensatz von 60–80 Euro netto: 3.600 bis 8.000 Euro interner Aufwand
• KI-Tools: 0 bis 400 Euro (NotebookLM und Perplexity im kostenlosen Tier testbar; Claude oder ChatGPT Plus 18–22 Euro/Monat)
• Keine externe KI-Einrichtungsleistung nötig — das ist der Vorteil des LLM-Ansatzes

Laufende Kosten

• KI-Tool-Abonnements: 18–44 Euro/Monat (1–2 LLM-Abos)
• Hottgenroth für GEG-Berechnungen: 54–120 Euro/Monat (bei Jahresabo umgerechnet)
• Optional Solibri Starter: 8 Euro/Monat

Direktvergleich: Externer Berater vs. interne Vorbereitung

• Zertifizierungsprojekt ohne Vorbereitung: Auditor-Honorar 15.000–25.000 Euro netto, plus Zusatzgutachten (LCA, LCC) 5.000–13.000 Euro, plus interne Zusatzstunden unbegrenzt
• Zertifizierungsprojekt mit KI-gestützter Vorbereitung: Auditor-Honorar ab LPH 5: 10.000–18.000 Euro, interner Mehraufwand 40–60 Stunden (statt 150–250), Zusatzgutachten unverändert

Was du nachher messen kannst Stunden intern für Zertifizierungsarbeit pro Projekt — der direkteste Vergleich. Ersteinreichungsvollständigkeit (Anteil der Kriterien, bei denen beim ersten Einreichen alles vollständig war). Anzahl Rückfragen des Auditors, die durch bessere Vorvorbereitung vermieden wurden. ROI-Sicherheit bleibt indirekt: ob du neue Zertifizierungsaufträge gewinnst, hängt auch von Marktlage und Büro-Portfolio ab.

Vier typische Einstiegsfehler

1. Den Kriterienkatalog in ein LLM laden und dann Berechnungsergebnisse abfragen. KI kann dir erklären, wie DGNB ENV1.1 Primärenergiebedarf berechnet wird. Es kann dir nicht ausrechnen, wie viel Primärenergie dein konkretes Projekt verbraucht — das erfordert eine echte GEG-Simulation mit Gebäudedaten. Büros, die KI für beides einsetzen wollen, werden beim Auditor abgeblitzt. Die Grenze ist klar: Erklärung und Strukturierung ja, zertifizierbare Berechnung nein.

2. Mit dem ersten Zertifizierungsprojekt die eigene KI-Kompetenz gleichzeitig aufbauen. Das Lernprojekt kostet mehr als gedacht — und der Auftraggeber zahlt die Lernkurve unfreiwillig mit. Besser: Zuerst ein internes Übungsprojekt anlegen (ein abgeschlossenes Büroprojekt rückwirkend fiktiv durchzertifizieren), dabei das Prompt-System aufbauen und validieren, und erst dann die Methode auf echte Kundenprojekte anwenden.

3. Annehmen, dass KI-erstellte Nachweislisten dem Auditor-Standard entsprechen. Auditoren haben eigene Formulare, Nachweisstandards und Erfahrungswerte dazu, was sie als ausreichend akzeptieren. Eine KI-erstellte Liste ist ein guter Ausgangspunkt für das Gespräch mit dem Auditor — nicht ein Ersatz dafür. Wer dem Auditor eine KI-Checkliste präsentiert und erwartet, dass dieser sie einfach abnickt, wird enttäuscht.

4. Das Dokumentationssystem nach dem ersten Projekt nicht weiterentwickeln. Das ist der Fehler, der den Skalierbarkeits-Effekt zunichtemacht. Das Prompt-System, die Checklisten und die Vorlagen müssen nach jedem Projekt aktualisiert werden: Was hat der Auditor beanstandet? Welche Kriterien wurden unterschätzt? Welche neuen Normen gelten? Ein einmal aufgesetztes System, das nie gepflegt wird, veraltert schneller als ein analoges Handbuch — weil es den Eindruck von Vollständigkeit erweckt, die es nicht mehr hat.

Was mit der Einführung wirklich passiert — und was nicht

Die Einführung einer KI-gestützten Zertifizierungsvorbereitung ist weniger eine Frage der Technik als des internen Rollenverständnisses.

In kleinen Büros entsteht oft die Erwartung, dass KI den Nachhaltigkeitsexperten ersetzt, den man sich nicht leisten kann oder will. Das ist nicht, was passiert. Was passiert: Das Büro kann einen Nachhaltigkeitsexperten (DGNB-Auditor) effizienter und gezielter einsetzen, weil es besser vorbereitet in das erste Gespräch geht. Das ist wertvoll — aber es ist etwas anderes.

Widerstandsmuster, die auftreten:

Der überlastete Projektarchitekt. Zertifizierungen kommen on top zu laufenden Projektaufgaben — und die KI-gestützte Aufbauarbeit passiert oft in Lücken, die keine Lücken sind. Was hilft: eine klare Stunden-Zuweisung. Wer ist für die Zertifizierungskoordination zuständig, wie viele Stunden pro Woche, ab welcher Planungsphase?

Das Vertrauen-Problem. KI-Outputs bei komplexen Anforderungen werden von Architekten verständlicherweise mit Skepsis betrachtet — zu recht, wenn es um Berechnung oder Normauslegung geht, zu Unrecht, wenn es um reine Strukturierung und Recherche geht. Eine gute Übung: Vergleiche eine KI-erstellte Nachweisliste mit der, die ein erfahrener Auditor in einem ersten Beratungsgespräch erstellt hätte. Der Unterschied zeigt dir, wo KI stark ist und wo nicht.

Die Qualitätsunsicherheit bei ersten Einreichungen. Die erste Einreichung mit KI-Vorbereitung ist besser vorbereitet — aber nicht perfekt. Der Auditor wird Rückmeldungen geben. Das ist normal und kein Zeichen, dass das System nicht funktioniert.

Was konkret hilft:

• Einen internen Lernfall anlegen (fiktives Übungsprojekt) bevor die Methode produktiv eingesetzt wird
• Klaren Verantwortlichen für Zertifizierungskoordination benennen (keine Kollektivzuständigkeit)
• Nach dem ersten echten Projekt eine interne Retrospektive machen: Was hat KI gut unterstützt, was musste der Auditor korrigieren?

Realistischer Zeitplan mit Risikohinweisen

Wichtiger Hinweis: Das DGNB-System wird regelmäßig aktualisiert (aktuell Version 2023; neue Kriterien für kleine Wohngebäude ab 2024). Plane einen jährlichen Review-Zyklus ein, bei dem du prüfst, ob der hochgeladene Kriterienkatalog noch aktuell ist.

Häufige Einwände — und was dahintersteckt

„Wir brauchen einen DGNB-Auditor, KI hilft da nicht.” Stimmt — du brauchst zwingend einen DGNB-Auditor, das ist systembedingte Pflicht. KI ersetzt den Auditor nicht. Was KI verändert: den Scope und die Kosten, die der Auditor in den frühen Planungsphasen erbringt. Wenn dein Büro gut vorbereitet zum ersten Audit-Gespräch erscheint, verschiebt sich der Auditoreinsatz in die späteren Phasen — mit entsprechendem Honorareffekt.

„Der Aufwand lohnt sich nur, wenn wir mehrere Zertifizierungsprojekte im Jahr haben.” Nicht ganz richtig — aber die Aussage ist verständlich. Das erste Projekt hat tatsächlich einen überdurchschnittlichen Invest. Ab dem zweiten Projekt wird der Unterschied sichtbar: Die Kriterienkatalog-Sichtung dauert zwei Stunden statt zwei Wochen, weil das System schon steht. Für Büros, die ernsthaft in dieses Segment wachsen wollen, ist der erste Invest der Eintritt in den Markt — nicht nur eine Prozessoptimierung.

„KI halluziniert bei komplexen Normanforderungen.” Das ist ein berechtigter Einwand — und er trifft genau den Bereich, in dem KI nicht eingesetzt werden sollte: für verbindliche Berechnungen oder Normeninterpretationen ohne Prüfung. Für Recherche, Strukturierung und Dokumentenvorbereitung gilt er nur eingeschränkt, weil das Ergebnis immer mit dem tatsächlichen Kriterienkatalog abgeglichen werden kann. NotebookLM mit quellenbasierter Antwort ist hier robuster als ein generisches LLM, das aus dem Trainingswissen antwortet — die Antwort ist nachprüfbar auf die genaue Seitenzahl.

Woran du merkst, dass das zu dir passt

Signale, dass dieser Ansatz Sinn ergibt:

• Dein Büro bekommt regelmäßig Anfragen für Projekte mit Nachhaltigkeitszertifizierung, lehnt sie aber ab oder verweist weiter — wegen Kompetenz oder Ressourcen
• Du hast bereits einen DGNB-Auditor im Netzwerk, den du bei entsprechenden Projekten hinzuziehst — der erste Schritt fehlt dir
• Mindestens zwei bis drei Projekte in den nächsten zwei Jahren, bei denen eine Zertifizierung relevant wäre (QNG für KfW-Förderung, DGNB auf Bauherrenwunsch, LEED für internationale Investoren)
• Das Büro hat schon Erfahrung mit strukturierten Dokumentations-Workflows — die Disziplin für ein Zertifizierungssystem ist vorhanden

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

1. Dein Büro hat noch kein vollständiges Projekt ohne Zertifizierung abgewickelt. KI-gestützte Zertifizierungsvorbereitung setzt voraus, dass du weißt, was ein Normnachweis ist, wie Planungsphasen ineinandergreifen und wie man mit Auditoren kommuniziert. Wer das zum ersten Mal parallel zu Zertifizierung lernt, wird von beiden Seiten überfordert.

2. Du hast kein einziges Projekt, bei dem eine Zertifizierung in den nächsten 18 Monaten relevant ist. Die Einarbeitungszeit von 3 bis 5 Monaten amortisiert sich nur über mehrere Projekte. Wenn du das System aufbaust und dann kein Anwendungsfall kommt, verfällt das Know-how schneller als du baust.

3. Deine Projektdaten sind hochvertraulich und dein Auftraggeber hat keine Bereitschaft für Cloud-Verarbeitung. DGNB-Projekte für öffentliche Auftraggeber, Kliniken oder sicherheitskritische Immobilien haben oft spezifische Anforderungen an Datenhaltung. Ohne eine klare Datenschutzlösung (On-premise-LLM oder vertraglich gesichertes EU-Hosting) musst du diesen Weg erst mit dem Auftraggeber und dem Datenschutzbeauftragten klären.

Das kannst du heute noch tun

Öffne NotebookLM — kostenlos, kein Setup. Lade den aktuellen DGNB-Kriterienkatalog Gebäude Neubau (als PDF auf dgnb.de kostenlos verfügbar) als Quelle hoch. Stelle dann die Frage: „Welche DGNB-Kriterien sind für ein siebengeschossiges Bürogebäude in LPH 2 besonders relevant — und welche Entscheidungen müssen jetzt getroffen werden?”

Was du danach weißt: ob die quellenbasierte Kriterienanalyse für deinen konkreten Anwendungsfall taugt — bevor du einen Cent ausgibst.

Für die erste strukturierte Nachweisliste eines Projekts kannst du folgenden Prompt direkt einsetzen:

Quellen & Methodik

• DGNB-Kriterienkatalog Gebäude Neubau, Version 2023: Deutsche Gesellschaft für Nachhaltiges Bauen e.V. (dgnb.de). Öffentlich zugänglich. 37 Bewertungskriterien in fünf Qualitäten; Grundlage für alle DGNB-spezifischen Aussagen in diesem Beitrag.
• Kosten DGNB-Auditor und Zusatzgutachten: Diederichs Projektmanagement GmbH, „Nachhaltigkeitszertifizierungen: Kosten, Nutzen und Wirtschaftlichkeit im Überblick” (2024). Auditor-Honorar 15.000–25.000 € netto für 10.000 m² BGF; LCA 3.000–6.000 €; LCC 2.000–4.000 €.
• DGNB-Zertifizierungsgebühren: DGNB Gebührenordnung (Stand 2024, dgnb.de). Für 10.000 m² Bürogebäude: 7.200 € netto für DGNB-Mitglieder; 11.520 € netto für Nicht-Mitglieder.
• LLM-gestützte LEED-Zertifizierungsautomatisierung: „An Integrated Platform for LEED Certification Automation Using Computer Vision and LLM-RAG”, arxiv.org (2025). 60–70 % Reduktion des Personenstunden-Aufwands; 82 % der Kriterien automatisierbar; Energie/Wasser 90–95 %; Standort/Transport 75 %; Innovation unter 50 %.
• Preisangaben KI-Tools: Veröffentlichte Tarife der jeweiligen Anbieter (Stand April 2026): NotebookLM (Google), ChatGPT Plus (OpenAI), Claude Pro (Anthropic), Perplexity Pro.
• Hottgenroth/ETU Preise: Hersteller-Website hottgenroth.de (Stand April 2026). Energieberater Wohnen ab 650 €/Jahr; ETU-Planer Bronze 3.419 € einmalig.
• QNG und BEG: Informationsportal Nachhaltiges Bauen, Bundesinstitut für Bau-, Stadt- und Raumforschung (nachhaltigesbauen.de).

Du willst wissen, welches Zertifizierungssystem für dein nächstes Projekt realistisch ist und welche Vorbereitungsschritte du intern anpacken kannst? Meld dich — das klären wir gern in einem kurzen Gespräch.