KI-gestützte Baukostenprognose

Das echte Ausmaß des Problems

Der BER-Flughafen ist zum Symbol geworden. Aber Budgetüberschreitungen sind kein Großprojekt-Problem, sie sind strukturell. Eine belastbare deutsche Quote, wie viele Hochbauprojekte ihr Budget überschreiten, haben wir nicht gefunden: Die Zahlen, die dazu kursieren, verweisen im Kreis aufeinander, ohne bei einer nachprüfbaren Erhebung anzukommen. Deshalb steht hier keine. Die Quote, die deine Entscheidung tragen muss, ist ohnehin die deines Büros, und die rechnest du in einem Nachmittag aus euren letzten zehn Projekten aus.

Die Hauptursache liegt nicht in schlechter Ausführung, sie liegt in falschen Ausgangslagen. In der HOAI-Phase 2 (Vorplanung), wenn Budgetrahmen festgelegt und Finanzierungen beantragt werden, liegen belastbare Detailplanungen noch nicht vor. Planer greifen auf Kostenkennwerte aus BKI-Datenbanken zurück, Werte pro Quadratmeter nach Gebäudetyp, gewonnen aus abgerechneten Projekten. Das Problem: Diese Kennwerte sind Bundesdurchschnitte. Sie differenzieren kaum nach Standort (München gegen Erfurt), nach aktuellem Marktgeschehen, nach spezifischer Bauweise oder Auftraggeber-Typ.

Wie schnell so eine Datenbasis altert, lässt sich dagegen belegen. Das Statistische Bundesamt weist für den Neubau konventionell gefertigter Wohngebäude von 2010 bis 2025 einen Preisanstieg von rund 89 Prozent aus, und im Mai 2026 lagen die Preise noch einmal 5,0 Prozent über dem Vorjahresmonat. Wer mit Kennwerten arbeitet, die zwei oder drei Jahre alt sind, liegt also nicht wegen eines Fehlers zu niedrig, sondern weil die Datenbasis dem Markt hinterherläuft. Aktuelle Werte: DESTATIS, Baupreise und Immobilienpreisindex.

Das Ergebnis: Budgets, die in Phase 2 kommuniziert werden, sind oft keine Prognosen, sie sind Hoffnungen mit Sicherheitspuffer.

Mit vs. ohne KI, ein ehrlicher Vergleich

Der wichtigste Eintrag in dieser Tabelle ist die erste Zeile, und er ist unbequem: Die meisten Büros kennen die Treffgenauigkeit ihrer Phase-2-Schätzungen gar nicht, weil niemand sie systematisch gegen die Endabrechnung hält. Wir nennen hier bewusst keine Genauigkeitsspanne vorher und nachher. Es gibt keine Erhebung, aus der sich ein Vorher-Wert für deutsche Büros ableiten ließe, und ein Nachher-Wert hängt vollständig davon ab, wie viele vergleichbare Projekte in eurer Datenbank liegen. Was der Ansatz wirklich ändert, ist nicht eine garantierte Prozentzahl, sondern dass die Genauigkeit überhaupt zu einer Größe wird, die man misst und verbessert.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Ja, eine KI-gestützte Kostenschätzung ist schneller als manuelle Kennwert-Recherche, vielleicht 1–2 Stunden pro Projekt. Aber Kostenschätzungen passieren selten: Ein Büro mit 15 Projekten pro Jahr schätzt 15 Mal. Die Zeitersparnis je Schätzung ist real, aber in der Summe ist es ein kleinerer Hebel als Protokollassistenz oder LV-Erstellung, die täglich genutzt wird.

Kosteneinsparung, hoch (4/5) Hier liegt der eigentliche Wert, aber der Mechanismus ist ein anderer, als er oft dargestellt wird: Eine bessere Prognose macht das Gebäude nicht billiger. Sie zeigt die realistischen Kosten früher, und zwar zu einem Zeitpunkt, an dem Ausstattungsstandard, Kubatur oder Zeitplan noch veränderbar sind. Wer in Phase 2 erfährt, dass es 5,8 statt 4,7 Millionen wird, kann das Projekt anpassen. Wer es aus der Endabrechnung erfährt, kann nur noch bezahlen. Nicht ganz maximal bewertet, weil der Nutzen beim Bauherrn anfällt, nicht direkt beim Planungsbüro.

Schnelle Umsetzung, minimal (1/5) Das ist der aufwendigste Einstieg in der gesamten Kategorie Bauwesen. Historische Projektdaten strukturiert erfassen, normieren, bereinigen, allein das dauert 3–4 Monate. Dann Modellentwicklung, Backtesting, Interface. Realistische Vorlaufzeit bis zum produktiven Einsatz: 6–9 Monate. Für Büros ohne IT-Affinität ohne externen Data-Science-Partner: eher 12 Monate. Das macht diesen Use Case zu einem strategischen Investitionsprojekt, nicht zu einem schnellen Einstieg.

ROI-Sicherheit, mittel (3/5) Die Genauigkeitsverbesserung ist messbar (Backtesting auf historischen Projekten vor dem Launch, Ist-Soll-Vergleich danach). Aber der Kausalzusammenhang zwischen besserer Prognose und eingesparten Kosten ist nicht direkt: Der Bauherr spart das Geld, nicht das Planungsbüro. Das Planungsbüro gewinnt Reputation und weniger Streitfälle, schwerer zu beziffern als Stundeneinsparungen.

Skalierbarkeit, maximal (5/5) Das ist der einzige Use Case im Bauwesen, bei dem das System mit jedem neuen Projekt besser wird, nicht nur gleichbleibt. Jedes abgeschlossene Projekt geht als neuer Datenpunkt ins Modell ein. Mehr Projekte, mehr Daten, bessere Prognose, automatisch. Ohne proportional steigenden Betriebsaufwand. Dieser echte Compounding-Effekt macht den Use Case langfristig zu einem der stärksten in der gesamten Kategorie.

Richtwerte, stark abhängig von Anzahl verfügbarer Vergleichsprojekte und Homogenität der Projekttypen.

Was das KI-Prognosemodell konkret macht

Machine Learning für Kostenschätzung ist im Kern Mustererkennung in historischen Daten: Welche Kombinationen von Parametern (Standort, Gebäudetyp, Ausstattungsstandard, Bauzeitraum) führen statistisch zu welchen Endkosten?

Datenbasis aufbauen: Das Herzstück ist eine strukturierte Datenbank abgeschlossener Projekte mit tatsächlichen Endkosten, Planungsparametern (BGF, BRI, Nutzungstyp, Ausstattungsstandard, Standort) und Projektmerkmalen (Bauzeit, Auftraggeber-Typ, Terminpuffer). Für Architektur- und Ingenieurbüros mit 10+ Jahren Projekthistorie sind das 100–500 eigene Projekte, genug für erste Modelle.

Externe Datenerweiterung: Das Modell wird angereichert mit monatlich aktualisierten Preisindizes vom Statistischen Bundesamt (DESTATIS): Baupreisindex, Materialpreisindizes für Stahl, Holz, Kupfer. Dazu regionale Baulandpreise aus Gutachterausschüssen und Lohnkostenniveau-Faktoren nach PLZ-Region.

Modellansatz: Ein Gradient-Boosting-Modell (XGBoost, LightGBM) oder Random Forest, beides Ensemble-Methoden, die für tabellarische Daten mit gemischten Merkmalstypen (numerisch und kategorial) gut geeignet sind. Eingaben: Gebäudetyp, BGF, Ausstattungsstandard, Standort, Baubeginn-Quartal. Ausgabe: Prognostizierter Kosten/m² BGF mit Konfidenzintervall.

Praxisintegration: Der Planer gibt in HOAI-Phase 1 oder 2 Grundparameter ein. Das Modell zeigt die fünf ähnlichsten Vergleichsprojekte aus der Datenbank, das ist entscheidend für die Akzeptanz beim Bauherrn. “Hier sind drei Büroprojekte ähnlicher Größe in Stuttgart aus den letzten vier Jahren, das ergibt diesen Bereich” überzeugt mehr als ein Kennwert ohne Referenz.

Datenqualität als Voraussetzung

Das ist der blinde Fleck vieler Implementierungspläne: Ein ML-Modell ist nur so gut wie seine Trainingsdaten. Für Baukostenprognosen bedeutet das konkret:

Historische Projekte sind oft unvollständig dokumentiert. Die Endabrechnung liegt vor, aber nicht normiert: Was ist in den Kosten enthalten, Außenanlagen ja oder nein? Baunebenkosten? Planungshonorar? Ohne einheitliche Kostenabgrenzung nach DIN 276 sind Projekte untereinander nicht vergleichbar.

Kostenzuordnung nach Gewerk variiert. Manche Büros buchen elektrische Anlagen unter Ausbau, andere separat. Ohne Normierung zieht das Modell falsche Schlüsse.

Zu wenige Projekte pro Nische. Ein Büro, das primär Wohnungsbau macht, hat 80 Wohnbauprojekte und 12 Bürogebäude. Das Modell ist für Wohnungsbau gut, für Bürogebäude nicht belastbar. Das muss vor dem Launch kommuniziert werden.

Qualitätsregel: Lieber 80 sorgfältig normierte Projekte als 300 schlecht strukturierte. Aufwand für Normierung ist der eigentliche Engpass, nicht die Modellentwicklung.

Konkrete Werkzeuge, was wann passt

BKI Baukosten , De-facto-Standard für Kostenkennwerte in deutschen Architekturbüros, aus real abgerechneten Projekten nach DIN 276, anerkannt von Prüfbehörden, Gutachtern und Banken. Für Büros ohne eigene Projektdatenbank der pragmatische Einstieg. Sparpaket Baukosten Neubau ab 269 Euro inkl. MwSt., der BKI Kostenplaner ab 593 Euro (499 Euro netto), vier Wochen kostenlos testbar.

Eine Klarstellung, weil dazu Falsches im Umlauf ist, auch in einer früheren Fassung dieser Seite: Ein Produkt „BKI Baukosten Plus” mit KI-Erweiterungen existiert nicht. BKI liefert Kennwerte und Planungswerkzeuge, keine KI-gestützte Prognose. Wenn dir jemand ein KI-Modul von BKI zu einem vierstelligen Jahrespreis anbietet, lass dir das Produktblatt zeigen. BKI bleibt für diesen Use Case relevant, aber als solide Kennwertbasis, nicht als KI-Werkzeug.

RIB iTWO , Etablierte 5D-Software für große Bauunternehmen, Modell, Termine und Kosten in einer Plattform, Datenhaltung in Deutschland möglich. Für Büros relevant, die ohnehin darin kalkulieren, weil die Projektdaten dann schon strukturiert vorliegen. Wichtig zur Einordnung: Ein dediziertes KI-Prognosemodul für Baukosten ließ sich nicht belegen. Behandle iTWO also als gut strukturierte Datenquelle für ein eigenes Modell, nicht als fertige KI-Prognose. Preise auf Anfrage, kein Listenpreis.

Julius AI , Für Büros, die historische Projektdaten in Excel haben und erste Regressionsmodelle ohne Programmieraufwand testen wollen. Datei hochladen, Modell trainieren lassen, Ergebnisse interpretieren. Kostenloser Tarif mit täglichen Gratis-Credits, Plus 20 USD/Monat, Pro 45 USD/Monat. Kein Bau-Tool, aber genau richtig für die erste Machbarkeitsprüfung: Gibt es überhaupt ein erkennbares Muster in unseren Projektdaten?

Python (scikit-learn, LightGBM) + eigene Projektdatenbank, Für Büros mit IT-affinen Mitarbeitenden oder einem Data-Science-Partner. Vollständige Kontrolle, geringste laufende Kosten nach Entwicklung, aber erheblicher Initialaufwand. Geeignet für Büros mit klarem strategischen Commitment und mindestens 150 normalisierten Projekten in der Datenbasis.

Datenschutz und Datenhaltung

Baukostendaten sind in der Regel keine personenbezogenen Daten im Sinne der DSGVO, sie beziehen sich auf Projekte, nicht auf natürliche Personen. Dennoch sind einige Punkte zu beachten:

Mandantenvertraulichkeit: Projektdaten enthalten oft sensible Informationen über Bauherrn-Budgets und Finanzierungsrahmen. Wer eine externe Cloud-Lösung für die Datenbank nutzt, sollte sicherstellen, dass Projektdaten nicht in Trainingsmodellen des Anbieters landen, Auftragsverarbeitungsvertrag (AVV) prüfen.

Interne Datenhaltung empfohlen: Gerade für mittlere Büros mit eigener IT ist eine lokal gehostete Lösung (Python-Modell auf eigenem Server) die sicherste Option. Kein Cloud-Abhängigkeit, keine AVV-Problematik.

BIM-Daten: Wenn das Modell mit BIM-Modelldaten angereichert wird (automatisierte Mengenermittlung), gelten die Datenschutzanforderungen des jeweiligen Projekts, oft mit vertraglichen Einschränkungen zur Datenweitergabe.

Was es kostet, realistisch gerechnet

Ansatz 1: Bessere Kennwertbasis statt eigenem Modell:

• BKI Baukosten Sparpaket ab 269 Euro, BKI Kostenplaner ab 593 Euro, jeweils inkl. MwSt.
• Julius AI für die Musterprüfung auf euren eigenen Daten: 20 USD/Monat, kündbar
• Schnellste Umsetzung (Tage bis Wochen), geringstes Risiko, aber keine Anpassung an büro-spezifische Muster. Wer hier stehenbleibt, bekommt aktuellere Kennwerte, kein Prognosemodell

Ansatz 2: Eigenentwicklung auf historischen Projektdaten:

• Datenbankaufbau (Normierung eigener Projekte nach DIN 276): überwiegend eure eigene Arbeitszeit. Normiere fünf Projekte, stopp die Zeit und rechne sie auf euren Bestand hoch, dann kennst du den größten Posten, bevor du jemanden beauftragst
• Modellentwicklung (externer Data Scientist) und Planer-Interface: belastbar nur per Angebot. Hol dir zwei, mit getrennt ausgewiesenen Posten
• Laufende Kosten für Retraining, Datenpflege und Preisindex-Updates, jedes Jahr. Lass sie dir im Angebot als Jahresbetrag nennen, sonst fehlen sie in jeder Amortisationsrechnung

Wie du den ROI rechnest, ohne dir Zahlen zu leihen: Die verbreitete Rechnung „X Prozent weniger Nachtragsaufwand” braucht zwei Werte, die niemand belegen kann: wie viel Nachtragsbearbeitung anteilig kostet und um wie viel eine bessere Prognose sie senkt. Beide haben wir nicht gefunden, also stehen sie hier nicht.

Rechenbar ist etwas anderes, und es liegt in eurer Ablage: Zieh die letzten zehn abgeschlossenen Projekte heraus und miss die Abweichung zwischen Phase-2-Schätzung und Endabrechnung. Notiere für jedes Projekt, was die Abweichung euer Büro gekostet hat, an Nachverhandlung, Umplanung, Konfliktzeit und im Zweifel an Honorarkürzung. Die Summe geteilt durch zehn, mal die Zahl eurer Kostenschätzungen pro Jahr, ist die Obergrenze dessen, was eine bessere Prognose euch im Jahr wert sein kann. Obergrenze, weil auch ein gutes Modell nicht jede Abweichung verhindert. Mit diesem Jahresbetrag gehst du in die Angebote: Laufende Kosten plus die Einrichtung, verteilt auf die Jahre, die ihr mit dem Modell arbeiten wollt, müssen darunter bleiben. Bleibt kein Angebot darunter, heißt die Antwort aktuellere Kennwerte statt eigenem Modell.

ROI messen: Genauigkeit vorher (durchschnittliche Abweichung eurer Phase-2-Schätzungen von der Endabrechnung) dokumentieren und im Backtesting gegen die Modellschätzung für dieselben Projekte halten. Das ist der direkteste Beweis. Den Ist-Vergleich an neuen Projekten gibt es erst mit deren Endabrechnung, also nach Monaten bis Jahren, nicht nach einem halben Jahr.

Typische Einstiegsfehler

Fehler 1, Mit zu wenigen und zu heterogenen Projekten starten Ein Büro hat 30 abgeschlossene Projekte, aber darunter 10 Wohnbauten, 8 Büros, 5 Industriegebäude und 7 Sonderbauten. Für jeden Typ zu wenige Daten, um belastbare Muster zu erkennen. Das Modell über-generalisiert und ist schlechter als einfache Kennwerte. Lösung: Erst auf den häufigsten Projekttyp fokussieren und dort mit mindestens 40–50 normalisierten Projekten starten.

Fehler 2, Historische Projekte ohne Normierung einpflegen “Unsere Endabrechnungen sind alle in SAP” klingt gut, bis sich herausstellt, dass jeder Projektleiter Kostengruppen anders gebucht hat. Ein Modell, das auf unnormierten Daten trainiert wird, lernt die individuellen Buchungsgewohnheiten einzelner Mitarbeitender statt echter Baukostenmuster. Normierung nach DIN 276 ist Pflicht vor dem ersten Modelltraining.

Fehler 3, Modell trainieren und laufen lassen ohne Preisindex-Update Ein Modell, das auf 2018–2022 Projekten trainiert wurde und 2024 prognostiziert, unterschätzt systematisch die aktuelle Preisentwicklung, wenn keine Preisindex-Anpassung erfolgt. Das ist exakt das Problem, das die KI lösen soll, nur reproduziert. Monatliche oder quartalsweise DESTATIS-Index-Aktualisierung muss in den Betrieb eingeplant sein.

Fehler 4, Das Modell ohne Erklärung an Bauherrn kommunizieren “Die KI sagt 4,8 Millionen” überzeugt kaum jemanden, und das zu Recht. Die Stärke des Systems liegt in der Transparenz: Zeige die fünf ähnlichsten Vergleichsprojekte, erkläre welche Faktoren die Schätzung nach oben oder unten ziehen. Bauherrn und Banken wollen Nachvollziehbarkeit, keine Black Box.

Fehler 5, Maintenance-Verantwortung nicht klären Wer pflegt das Modell, wenn Mitarbeitende das Büro verlassen? Wer stellt sicher, dass jedes abgeschlossene Projekt normiert in die Datenbank eingeht? Ohne klar definierten Prozess und Verantwortlichen degradiert das System innerhalb von zwei Jahren zur Bedeutungslosigkeit, die Datenbasis altert und wird dünner, nicht besser.

Was mit der Einführung wirklich passiert, und was nicht

Monate 1–3: Datenbankaufbau. Das ist langweilig und anstrengend, historische Endabrechnungen ausgegraben, normiert, eingetragen. Kein sichtbarer Nutzen. Hier ist das Risiko am größten, dass das Vorhaben einschläft, weil die Motivation nachlässt.

Monate 4–6: Erster Modellentwurf auf Basis der aufgebauten Daten. Backtesting: Das Modell wird auf Holdout-Projekten (Projekte, die nicht im Training waren) getestet. Rechne damit, dass das Ergebnis am Anfang ernüchtert: Der mittlere absolute Fehler kann beim ersten Durchlauf in derselben Größenordnung liegen wie die bisherige Handschätzung. Das ist normal und kein Abbruchgrund, Modell-Tuning und mehr Daten verbessern das. Entscheidend ist, dass ihr die Zahl ab jetzt überhaupt kennt.

Monate 7–9: Interface-Entwicklung. Die erste Version, die Planer tatsächlich nutzen können. Erster Praxiseinsatz. Planer zweifeln an Ergebnissen, die von ihrer Intuition abweichen. Das ist der psychologisch kritische Moment: Das Modell kann korrekt liegen, während die Intuition falsch ist, das will erst bewiesen werden.

Nach Monat 12: Das System produziert konsistent. Neue Projekte gehen ein, Datenbank wächst, Prognosen werden leicht besser. Der Compounding-Effekt beginnt. Nach zwei Jahren ist das System ein echter Wettbewerbsvorteil gegenüber Büros, die noch mit statischen Kennwerten arbeiten.

Was nicht passiert: Das Modell eliminiert keine Unsicherheit, es quantifiziert sie. Eine Prognose mit ±15 % Konfidenzintervall ist kein Versprechen. Planer, die das als Garantie kommunizieren, verlagern das Problem nur.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Jedes Bauprojekt ist einzigartig, kein Modell kann das erfassen.” Das Modell erfasst nicht die Einzigartigkeit, das bleibt Aufgabe des Planers. Es erfasst die statistischen Muster in den Parametern, die sich systematisch auf Kosten auswirken: Standort, Ausstattungsstandard, Gebäudetyp, Marktphase. Die fünf ähnlichsten abgeschlossenen Projekte als Anker zu haben ist sachlich besser als ein Bundesschnitt. Das Einzigartige des Projekts, besondere Gründungssituation, komplexe Geometrie, besonderer Auftraggeber, kann der Planer als Aufschlag manuell einpflegen.

„Unsere Projektdaten sind nicht strukturiert genug.” Das stimmt für die meisten Büros, und ist der eigentliche Aufwand. Aber selbst 50 sorgfältig normierte Abschlussprojekte der letzten fünf Jahre sind besser als keine. Und: Strukturierte Projektdaten haben unabhängig von KI einen Wert, für Akquisitionsgespräche (“Hier sind unsere Referenzprojekte mit echten Endkosten”), für Mitarbeiter-Onboarding, für Qualitätssicherung. Die Investition in die Datenbank rechnet sich auch ohne das KI-Modell.

„Eine Eigenentwicklung ist für ein Büro unserer Größe zu teuer.” Für den Eigenentwicklungsansatz stimmt das oft, und ob es für euch stimmt, zeigt die Rechnung oben: Schaden je Fehlschätzung mal Schätzungen pro Jahr. Bei wenigen Schätzungen im Jahr trägt der Betrag kein externes Modellprojekt. Der sinnvolle Einstieg für kleinere Büros ist deshalb ein anderer: aktuelle BKI-Kennwerte ab 269 Euro, dazu die Disziplin, jedes abgeschlossene Projekt normiert zu erfassen. Diese Datenbank ist ohnehin die Voraussetzung für jedes spätere Modell, und sie hat auch ohne Modell schon einen Wert.

Woran du merkst, dass das zu dir passt

Das passt, wenn:

• Dein Büro 10 oder mehr Projekte pro Jahr abschließt und historische Endabrechnungen systematisch vorliegen (oder aufgebaut werden können)
• Die durchschnittliche Abweichung zwischen eurer Phase-2-Schätzung und der Endabrechnung konsistent über 15 % liegt
• Ihr regelmäßig denselben Gebäudetyp plant, genug Vergleichsprojekte für ein belastbares Modell
• Ihr IT-affine Mitarbeitende habt oder bereit seid, einen externen Partner für die Modellentwicklung zu beauftragen

Das passt noch nicht, wenn:

• Das Büro jünger als fünf Jahre ist und keine ausreichende Datenbasis aus abgeschlossenen Projekten hat, das Modell braucht Vergangenheit, die es noch nicht gibt
• Jedes Projekt ein Sonderbau oder ein stark individualisiertes Vorhaben ist, kein Muster, kein Modell
• Der Jahresschaden aus Fehlschätzungen, den du mit der Diagnose unten ermittelst, kein Angebot für die Eigenentwicklung trägt und die bestehende BKI-Lösung für die Praxis ausreichend gute Ergebnisse liefert

Das kannst du heute noch tun

Mache heute einen einfachen Diagnose-Test: Ziehe zehn abgeschlossene Projekte der letzten fünf Jahre heraus und vergleiche die Phase-2-Kostenschätzung mit der Endabrechnung. Wenn die mittlere Abweichung unter 15 % liegt, ist der Optimierungsspielraum klein. Wenn sie über 20 % liegt, ist der Handlungsbedarf real, und das solltest du sehen können, bevor du irgendetwas investierst.

Quellen & Methodik

• DESTATIS, Baupreise und Immobilienpreisindex, Preisanstieg für den Neubau konventionell gefertigter Wohngebäude von rund 89 Prozent zwischen 2010 und 2025, im Mai 2026 weitere 5,0 Prozent gegenüber dem Vorjahresmonat, monatliche Aktualisierung: destatis.de (abgerufen 18.09.2026)
• BKI Baukosten, Produkte und Preise, Sparpaket Baukosten Neubau ab 269 Euro, Kostenplaner ab 593 Euro, jeweils inkl. MwSt. (Kostenplaner 499 Euro netto), vier Wochen Testversion (bki.de/kostenplaner, abgerufen 03.10.2026). Ein Produkt „BKI Baukosten Plus” oder eine KI-Erweiterung von BKI existiert nicht: bki.de (abgerufen 18.09.2026)
• Julius AI, Preise, kostenlos mit täglichen Gratis-Credits, Plus 20 USD, Pro 45 USD je Monat, nur in US-Dollar (julius.ai/pricing, abgerufen am 18.09.2026)
• Entfernte Angaben: Eine frühere Fassung dieser Seite berief sich auf eine Analyse des Hauptverbands der Deutschen Bauindustrie zu Budgetüberschreitungen, auf einen Baupreisanstieg von über 40 Prozent zwischen 2021 und 2023, auf eine nicht näher bezeichnete ScienceDirect-Benchmarkstudie und auf ein KI-Modul von BKI. Keine dieser Angaben ließ sich verifizieren, sie wurden gestrichen statt abgeschwächt
• Kosten für Datenbankaufbau und Modellentwicklung: Dafür haben wir keine belastbare Zahl gefunden, deshalb nennt die Seite keine. Den Normierungsaufwand misst du an fünf eigenen Projekten, die Entwicklung beziffern nur echte Angebote