KI-gestützte Baukostenprognose

Das echte Ausmaß des Problems

Der BER-Flughafen ist zum Symbol geworden. Aber Budgetüberschreitungen sind kein Großprojekt-Problem — sie sind strukturell. Laut einer Analyse des Hauptverbands der Deutschen Bauindustrie (2022) überschreiten über 60 % aller Hochbauprojekte ihr ursprüngliches Budget. Im Schnitt um 20–30 %, bei Projekten mit komplexen Anforderungen deutlich mehr.

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 — Erfahrungswerte pro Quadratmeter nach Gebäudetyp. Das Problem: Diese Kennwerte sind Bundesdurchschnitte. Sie differenzieren kaum nach Standort (München vs. Erfurt), nach aktuellem Marktgeschehen (2019 vs. 2022), nach spezifischer Bauweise oder Auftraggeber-Typ.

Materialpreisvolatilität hat das Problem in den letzten Jahren massiv verschärft: Der Baupreisindex stieg 2021–2023 um über 40 %. Wer 2022 mit BKI-Kennwerten aus 2019 kalkulierte, lag systemisch zu niedrig — nicht aus Fehler, sondern weil die Datenbasis veraltet war.

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

Wichtig: Die Verbesserung von ±30 % auf ±15 % klingt abstrakt. In konkreten Zahlen: Bei einem 5-Millionen-Projekt bedeutet das den Unterschied zwischen “Budget-Puffer 750.000 Euro” und “Budget-Puffer 1,5 Millionen Euro” — ein Unterschied, der die Finanzierungsentscheidung eines Bauherrn verändern kann.

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. Wenn ein 5-Millionen-Projekt dank besserer Prognose statt 25 % nur 12 % über Budget liegt, spart das dem Bauherrn 650.000 Euro. Das ist ein starker direkter Hebel — vergleichbar mit Nachtragsmanagement. Nicht ganz maximal bewertet, weil die Einsparung beim Bauherrn liegt, 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. Seit 2024 mit ersten KI-Erweiterungen für projektspezifische Anpassungsfaktoren. Für Büros ohne eigene historische Projektdatenbank der pragmatische Einstieg. Kosten: ab 200 Euro/Jahr für einzelne Datenbände, BKI Plus mit KI-Erweiterungen auf Anfrage. Schnellste Implementierung, geringstes Risiko, aber begrenzte Anpassbarkeit auf büro-spezifische Projekttypenmuster.

RIB iTWO — Marktführer für Baucontrolling-Software in Deutschland. Hat eine Kostenprognose-KI-Komponente, die auf der iTWO-Projektdatenbank aufbaut — für Büros, die iTWO bereits für Kalkulation nutzen. Gut integriert, hohe Einführungskosten. Datenhaltung Deutschland.

Julius AI — Für Büros, die historische Projektdaten in Excel haben und erste Regressionsmodelle ohne Programmieraufwand testen wollen. Datei hochladen, Modell trainieren lassen, Ergebnisse interpretieren. Kostenlos (begrenzt) bis 22 USD/Monat. Kein Bau-Tool, aber geeignet für 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: Erweiterung bestehender Software (BKI Plus, RIB iTWO):

• Lizenzerhöhung: 2.000–8.000 Euro/Jahr
• Schulung: 1.500–3.000 Euro einmalig
• Schnellste Implementierung (Wochen), geringstes Risiko, aber begrenzte Anpassbarkeit auf büro-spezifische Muster

Ansatz 2: Eigenentwicklung auf historischen Projektdaten:

• Datenbankaufbau (Normierung eigener Projekte): 15.000–30.000 Euro
• Modellentwicklung (externer Data Scientist): 20.000–40.000 Euro
• Planer-Interface: 10.000–20.000 Euro
• Gesamt: 45.000–90.000 Euro einmalig
• Laufende Kosten: 5.000–10.000 Euro/Jahr (Retraining, Datenpflege, Preisindex-Updates)

Konservative ROI-Rechnung: Ein mittelgroßes Architekturbüro (5 Mio. Euro verwaltetes Projektvolumen/Jahr) reduziert durch bessere Kostenprognosen die späteren Nachtrags- und Konfliktaufwände um 15 %. Nachtragsbearbeitung kostet erfahrungsgemäß 3–5 % der Projektkosten — Einsparung: 22.500–37.500 Euro/Jahr. Eigenentwicklung amortisiert sich in 2–3 Jahren. BKI Plus amortisiert sich in Wochen.

ROI messen: Genauigkeit vorher (durchschnittliche Abweichung aktueller Phase-2-Schätzungen von Endabrechnung) dokumentieren; nach sechs Monaten vergleichen. Das ist der direkteste Beweis.

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. Die meisten Projekte scheitern in dieser Phase, 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. Ergebnis: oft ernüchternd am Anfang — MAE (mittlerer absoluter Fehler) liegt vielleicht bei ±22 %, nicht ±12 %. Das ist normal; Modell-Tuning und mehr Daten verbessern das.

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.

„Das kostet 50.000 Euro und wir sind zu klein dafür.” Stimmt für den Eigenentwicklungsansatz — der ist für Büros unter 3 Mio. Euro Jahresumsatz selten wirtschaftlich. Aber BKI BauKosten Plus ist für 2.000–5.000 Euro/Jahr zugänglich und bringt sofort bessere Kennwerte. Das ist der sinnvolle Einstieg für kleinere Büros, bevor man über Eigenentwicklung nachdenkt.

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
• Kein Budget von mindestens 45.000 Euro für die Eigenentwicklung vorhanden ist 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

• Hauptverband der Deutschen Bauindustrie — Analyse Baukostenüberschreitungen; über 60 % der Hochbauprojekte überschreiten Budget (Brancheninformation Bau, 2022)
• DESTATIS Baupreisindex — Preisanstieg 2021–2023 über 40 %; monatliche Aktualisierung unter destatis.de/baupreise
• ScienceDirect 2025: “Transparent and reliable construction cost prediction using advanced ML” — Benchmark-Studie zu ML-Modellgenauigkeit für Baukostenprognosen, MAPE-Verbesserung gegenüber klassischen Kennwerten
• BKI BauKosten Produktdokumentation — Kennwert-Methodik, Datengrundlage, KI-Erweiterungen 2024 (verifiziert April 2026)
• Erfahrungswerte aus Praxisprojekten — Aufwandschätzungen für Datenbankaufbau und Modellentwicklung basieren auf eigenen Beobachtungen aus Digitalisierungsprojekten bei Architektur- und Ingenieurbüros mit 10–50 Mitarbeitenden; keine repräsentative Studie