Materialschwund-Erkennung auf Baustellen

Das echte Ausmaß des Problems

Materialdiebstahl auf deutschen Baustellen verursacht laut dem BauWatch Crime Report 2024 jährlich Schäden von über 80 Millionen Euro — Tendenz steigend. Acht von zehn Baustellenverantwortlichen in Deutschland erlebten laut dieser Befragung von 500 Führungskräften mindestens einmal pro Jahr einen Diebstahl, knapp ein Fünftel mehrfach im Jahr. In 43 Prozent aller Fälle führten Diebstahl und Vandalismus zu messbaren Bauverzögerungen; in zwölf Prozent konnte das Projekt zunächst nicht weitergeführt werden.

Aber Diebstahl ist nur ein Teil des Problems — und nicht einmal der größte. Denn neben dem direkten Entwendungsschaden gibt es den stillen Überverbrauch: Material, das legal geliefert und gebucht wurde, aber deutlich mehr als die LV-Menge in Anspruch genommen hat. Ursachen sind Planungsfehler, zu tolerante Materialfreigabe, Gewerk-Übergabeprobleme oder schlichtes Nichtwissen, wie viel von welchem Material tatsächlich verbaut wurde.

Die PwC-Baubranche-Studie 2023 zeigt: 92 Prozent der befragten Bauunternehmen sind durch volatile Preisentwicklungen belastet, 91 Prozent durch Lieferkettenstörungen. In diesem Umfeld werden Materialkosten zur kritischsten Steuerungsgröße im Projekt — und bleiben gleichzeitig am schlechtesten dokumentiert.

Das strukturelle Problem: In der Kalkulation ist jede LV-Position auf den Cent genau geplant. Auf der Baustelle wird Material nach Gefühl freigegeben, auf Zuruf bestellt und mit Lieferscheinen aus der Baracke abgerechnet. Der Abstand zwischen geplantem und tatsächlichem Verbrauch entsteht täglich — aufgedeckt wird er erst, wenn es zu spät ist.

Was in der Fabrik undenkbar wäre — kein Soll-Ist-Vergleich auf Materialebene in Echtzeit — ist auf der Baustelle jahrzehntelanger Standard gewesen.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Eigener Schätzwert basierend auf Pilotprojekten mit Einkaufs-ERP-Anbindung; keine repräsentative Studie.

Ehrliche Einschränkung: Was das System erkennt, ist eine Abweichung — nicht deren Ursache. Ob dahinter Diebstahl, Überverbau oder ein Erfassungsfehler steckt, muss immer noch ein Mensch klären. Das System spart die Sucharbeit, nicht die Aufklärungsarbeit.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Der größte Zeitgewinn liegt nicht im täglichen Ablauf, sondern in den monatlichen Abstimmrunden und der Vorbereitung von Nachtragsverhandlungen. Ein Bauleiter, der heute für einen ordentlichen Soll-Ist-Bericht vier bis sechs Stunden Handarbeit braucht, bekommt diesen automatisch geliefert. In der täglichen Routinezeit verändert sich dagegen wenig — Materialbestellungen und Lieferscheinerfassung laufen weiter. Deshalb kein 4er oder 5er hier, sondern eine ehrliche 3: Zeitgewinn real, aber nicht der Treiber.

Kosteneinsparung — sehr hoch (5/5) Materialkosten machen auf den meisten Bauprojekten 40 bis 60 Prozent der Gesamtkosten aus. Wer auf einem 3-Millionen-Euro-Projekt 3 bis 5 Prozent Materialschwund abwendet, verhindert 90.000 bis 150.000 Euro Schaden — bei einem typischen Einrichtungsaufwand von 8.000 bis 20.000 Euro. Kein anderer Anwendungsfall in dieser Branche hat ein vergleichbares Kosten-Nutzen-Verhältnis, wenn er greift. Deshalb 5 — aber unter der Bedingung, dass der Datenfundus stimmt. Ohne saubere Eingangsdate ist dieser Hebel nicht betätigbar.

Schnelle Umsetzung — niedrig (2/5) Das ist kein SaaS-Click-and-Go-System. Bevor die KI vergleichen kann, muss eine saubere digitale Basislinie existieren: Lieferscheine digitalisiert, LV-Positionen im System, Gewerk-Zuordnung konsistent, Bestellmengen und Abrufmengen verknüpft. Das ist Aufbauarbeit, die 6 bis 12 Wochen kostet. Wer heute auf Papierlieferscheinen und Excel-Bestelllisten arbeitet, braucht erst die Digitalisierungsgrundlage — dann kommt die Anomalieerkennung. Verglichen mit anderen Anwendungsfällen in dieser Branche, die in wenigen Wochen live gehen können, ist das ein klarer 2er.

ROI-Sicherheit — niedrig (2/5) Das ist der ehrlichste Punkt und bewusst tief bewertet. Die Schwierigkeit: Man weiß nie mit Sicherheit, was ohne das System „weggegangen” wäre. War die Abweichung wirklich Diebstahl — oder hat das Planungsbüro zu knapp kalkuliert? Wurde Material auf das falsche Gewerk gebucht? Hat der Subunternehmer laut Vertrag einen anderen Verbrauchsansatz? Das System liefert einen Abweichungs-Alert, aber keinen Kausalitätsbeweis. Der ROI ist real — aber er lässt sich schwerer belegen als bei Systemen, die Fehler direkt verhindern (wie ein automatisiertes Rechnungsprüfungssystem). Für Unternehmen, die harte KPI-Belege für Budgetentscheidungen brauchen, ist das ein relevanter Vorbehalt.

Skalierbarkeit — hoch (4/5) Einmal aufgebaut für einen Projekttyp — z.B. Schlüsselfertigbau Wohngebäude — ist das Datenmodell für alle ähnlichen Projekte wiederverwendbar. Die LV-Strukturen sind ähnlich, die Materialarten bekannt, die Gewerk-Zuordnung konsistent. Skalierung über Projekt-Familien funktioniert gut. Was nicht gut skaliert: der erste Aufbau je komplett neuen Projekttyp (z.B. Tiefbau vs. Hochbau vs. Innenausbau). Deshalb 4 statt 5 — hohes Skalierungspotenzial, aber nur innerhalb ähnlicher Projektkategorien.

Richtwerte — stark abhängig von Projektvolumen, Digitalisierungsgrad der Dokumentationsprozesse und Anzahl der beteiligten Subunternehmer.

Was das System konkret macht

Das Kernprinzip ist ein kontinuierlicher Soll-Ist-Abgleich auf Materialebene: Aus dem Leistungsverzeichnis (LV) kennt das System, wie viel Material für welche LV-Position eingeplant ist. Aus dem Einkauf und den Lieferscheinen weiß es, was tatsächlich auf die Baustelle geliefert wurde. Der Vergleich ergibt die Abweichung — und Machine Learning bewertet, ob diese Abweichung im Normalbereich liegt oder eine Anomalie ist.

Was genau verglichen wird:

• Geplante Menge je LV-Position (aus Kalkulation oder AVA-Software)
• Tatsächlich abgerufene/gelieferte Menge (aus Bestellungen und Lieferscheinen)
• Verbrauch je Gewerk und Bauphase (wer hat was in welchem Zeitraum bezogen)
• Historische Abweichungsprofile vergleichbarer Projekte (was ist “normal” bei diesem Projekttyp)

Wie die Anomalieerkennung arbeitet: Statistisch gesehen gibt es bei jedem Projekt Abweichungen — Beton geht immer etwas über Kalkulationsmengen, weil Verluste beim Einbau unvermeidlich sind. Ein gut konfiguriertes System kennt diese normalen Toleranzen und meldet nur dann, wenn die Abweichung außergewöhnlich ist. Das Modell lernt aus historischen Projektdaten: Was liegt typischerweise im Bereich von ±5 Prozent? Was ist so weit außerhalb der Norm, dass eine manuelle Prüfung geboten ist?

Was eskaliert wird: Automatischer Alert an die Bauleitung, wenn eine Materialposition die definierte Schwelle überschreitet — mit Angabe: welches Material, welches Gewerk, wie groß die Abweichung in Menge und Euro, seit wann die Abweichung besteht.

Das System ersetzt keine menschliche Entscheidung — es macht das Richtungsfeld sichtbar, das sonst im Lieferscheinrauschen unsichtbar bleibt.

Datenquellen-Realität auf der Baustelle

Hier liegt der entscheidende Unterschied zwischen Theorie und Praxis. Eine Fabrik hat strukturierte Materialbewegungen: Eingang gescannt, Verbrauch gebucht, Rest gelagert, alles im ERP. Die Baustelle ist das Gegenteil davon.

Das Lieferschein-Problem. Auf den meisten deutschen Baustellen gibt es noch immer Papier-Lieferscheine. Der Polier unterschreibt, legt den Schein in die Baustellenbaracke. In schlechten Fällen landet er dort wochenlang. In sehr schlechten Fällen kommt er nicht mehr im Büro an — geknüllt im Werkzeugkasten, beim Räumen vergessen, durch Regen beschädigt. Ohne vollständig erfasste Lieferscheine gibt es keine saubere “Ist”-Datenbasis — das KI-System vergleicht dann gegen eine Null statt gegen die reale Liefermenge.

Das Gewerk-Zuordnungs-Problem. Auf Projekten mit mehreren Subunternehmern bestellt manchmal der GU zentral, manchmal jedes Gewerk selbst. Material landet auf der Baustelle, ohne dass klar dokumentiert ist, welches Gewerk es tatsächlich verbaut. Wenn Betonstahl-Lieferscheine dem GU-Konto zugebucht werden, obwohl der Bewehrungsbauergewerbe-Subunternehmer das Material verarbeitet hat, ist die Zuordnung für den Soll-Ist-Vergleich wertlos.

Das Baseline-Problem. Das LV-Soll ist eine Kalkulations-Prognose, keine gemessene Größe. Wenn das Leistungsverzeichnis zu knapp kalkuliert wurde — was bei vielen Projekten vorkommt — erscheint jeder realistische Verbrauch als Abweichung. Das System braucht entweder korrekte LV-Mengen als Ausgangsbasis oder historische Projektdaten zur Kalibrierung.

Was das praktisch bedeutet: Vor dem Einsatz von KI-Anomalieerkennung muss die Datenfundamentierung stimmen. Das bedeutet konkret:

• Digitale Lieferscheinerfassung auf der Baustelle (App oder mobiles Scannen), idealerweise am Liefertag
• Klare Gewerk- und Kostenstellenzuordnung je Bestellung
• Konsistente Codierung zwischen Kalkulations-LV und Einkauf-Bestellungen

Wer diesen Schritt überspringt und hofft, dass die KI “irgendwie aus dem Chaos lernt”, wird enttäuscht. Garbage in, garbage out — das gilt nirgendwo so hart wie im Materialschwund-Monitoring.

Schwund vs. Schwund-Verschleierung: das False-Positive-Problem

Das ist die unbequeme Wahrheit über diesen Anwendungsfall: Das System kann eine Abweichung erkennen — aber nicht erklären, ob hinter ihr Diebstahl, legitimer Mehrverbrauch oder eine Fehlzuordnung steckt. Und dieser Unterschied ist juristisch, arbeitsrechtlich und kaufmännisch relevant.

Szenario 1: Echter Diebstahl. Kupferkabel verschwindet vom Lager, weil eine externe Person nachts Zutritt hatte. Der Soll-Ist-Vergleich zeigt 35 Meter Kabel mehr geliefert als verbaut. Das System hat recht — aber den Beweis liefert nicht das System, sondern die Strafanzeige, ein funktionierender Lagerabgleich oder Kameraaufnahmen.

Szenario 2: Überverbau durch schlechte Planung. Der Elektroingenieur hat zu wenig Kabel-Reserven einkalkuliert; auf der Baustelle werden längere Leitungswege benötigt als geplant. Abweichung identisch — Ursache komplett anders. Ohne Bautagebucheinträge und Pläne lässt sich das im Nachhinein kaum mehr rekonstruieren.

Szenario 3: Falschbuchung zwischen Gewerken. Material wurde auf das falsche Kostenstellenkonto gebucht. Die Abweichung existiert nur im System, nicht auf der Baustelle.

Szenario 4: Internen Schwund durch Subunternehmer. Subunternehmer ordert über den GU mehr Material als tatsächlich verbaut wird und schafft Rest-Material von der Baustelle. Rechtlich und vertraglich komplex — wer haftet? Welcher Nachweis ist gültig?

Das System wird in allen vier Szenarien denselben Alert liefern. Es ist kein Richter, kein Staatsanwalt und kein Sachverständiger. Es ist ein Frühwarnsystem — das seinen Wert darin hat, Fälle rechtzeitig sichtbar zu machen, bevor Bauphasen abgeschlossen und Beweise vernichtet sind.

Die Gefahr: Unternehmen, die auf jede Anomalie mit arbeitsrechtlichen oder geschäftlichen Konsequenzen reagieren, ohne den Sachverhalt aufzuklären, schaffen ein schwieriges Betriebsklima und setzen sich rechtlichen Risiken aus. Der richtige Umgang mit einem Alert ist immer: Recherche zuerst, Konsequenz danach.

Konkrete Werkzeuge — was wann passt

Für die KI-gestützte Materialschwund-Erkennung gibt es keinen einzelnen “Knopf drücken und fertig”-Button. Die Lösung entsteht durch die Kombination aus digitalem Einkauf, Lieferscheinerfassung und Analyseschicht.

Procore — Vollplattform mit Einkaufs- und Kostensteuerungsmodul Procore bietet Materialverwaltung, Direktkosten-Tracking und Budgetvergleich in einer Plattform. Wer alle Beteiligten — GU, Subunternehmer, Bauleitung — bereits in Procore arbeiten lässt, hat den Soll-Ist-Abgleich weitgehend eingebaut. Procore AI erkennt Abweichungen in Kostenpositionen automatisch. Einschränkung: US-Datenhaltung, für öffentliche Auftraggeber problematisch. Preis: ab ca. 10.000–15.000 USD/Jahr; ROI-Horizont 12–18 Monate.

Kojo — Spezialist für Materialbestellung und Lieferschein-Abgleich Kojo digitalisiert genau den schwierigsten Teil: die Verbindung zwischen Bestellung und Lieferung auf der Baustelle. Die mobile App ermöglicht Lieferscheinerfassung direkt beim Wareneingang; das System gleicht automatisch mit der ursprünglichen Bestellung ab. Nutzer berichten von 3–5 Prozent Materialkosteneinsparung durch Rechnungsprüfung allein. Einschränkung: keine deutsche Oberfläche, US-Hosting, kein öffentlicher Listenpreis. Am stärksten für materialintensive Fachgewerke (Elektriker, HLS, Trockenbauer).

PlanRadar + eigene Datenauswertung — pragmatischer Einstieg für DSGVO-sensible Betriebe PlanRadar ermöglicht digitale Baudokumentation auf österreichischen/EU-Servern. Es ist kein Materialtracking-System — aber es ermöglicht, Lieferscheine digital zu erfassen, zu verorten und mit Bauphasen zu verknüpfen. Wer PlanRadar bereits für Mängelmanagement nutzt, kann es als Erfassungsschicht für Materialbelege erweitern. Die Analyse-Schicht muss dann manuell oder via Export aufgebaut werden. Preis: ab 89 Euro/Monat für bis zu 10 Nutzer.

Eigene Excel/Power-BI-Lösung als Zwischen-Schritt Bevor ein teures Tool eingeführt wird: Wer seine Lieferscheine digitalisiert (auch nur als Foto per WhatsApp ins Büro-Postfach), Bestellungen in einer konsistenten Tabelle führt und monatlich einen LV-Abgleich per Excel durchführt, hat den größten Teil des Problems bereits gelöst. Eine Power-BI-Visualisierung kostet wenig, ist sofort verfügbar und zeigt die Abweichungen klar. Diesen Zwischenschritt zu überspringen und sofort ein KI-System einzuführen, ist der häufigste und teuerste Fehler.

Zusammenfassung:

• Großprojekte mit internationalem GU → Procore
• Materialintensive Fachgewerke, keine DSGVO-Hürde → Kojo
• Deutsche Betriebe, DSGVO-sensibel, Einstieg → PlanRadar + Excel/Power BI
• Tiefbau/Hochbau, öffentliche Auftraggeber → RIB iTWO mit Kostensteuerungsmodul

Datenschutz und Datenhaltung

Materialverbrauchsdaten auf Baustellen sind keine hochsensiblen Personendaten — sie enthalten primär Mengen, Positionen und Preise. Dennoch gelten einige DSGVO-relevante Aspekte:

Wenn Mitarbeiterdaten betroffen sind: Sobald das System erfasst, welcher Polier oder welche Person eine Lieferscheinunterschrift geleistet hat, oder wenn Materialabweichungen bestimmten Schichten oder Mitarbeitendengruppen zugeordnet werden, entstehen personenbezogene Verarbeitungsvorgänge. Hier gilt: Betriebsrat informieren (BetrVG § 87), AVV mit dem Softwareanbieter abschließen, Verwendungszweck klar definieren.

Lieferantendaten: Bestellmengen und Preise sind Geschäftsgeheimnisse. Sie dürfen nicht in Cloud-Systemen landen, die keine vertragliche Absicherung bieten. Auch hier: AVV nach Art. 28 DSGVO ist Pflicht vor dem Produktivbetrieb.

Tool-spezifische Hinweise:

• Procore: US-Hosting, DPA verfügbar, für öffentliche Auftraggeber kritisch
• Kojo: US-Hosting, DPA erhältlich, für rein deutschen Betrieb nicht empfohlen
• PlanRadar: EU-Hosting, österreichisches Unternehmen, DSGVO-konform

Für Unternehmen, die ausschließlich für öffentliche Auftraggeber tätig sind (Kommunen, Bundesbehörden), ist EU-Hosting keine Option, sondern Pflicht.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten Der größte Kostentreiber ist nicht das Software-Abo — es ist die Digitalisierungsarbeit davor:

• Prozessaufnahme: Wie werden heute Bestellungen, Lieferungen und Lieferscheine erfasst? 2–4 Tage
• Datenmodell aufbauen: LV-Positionen mit Einkaufspositionen verknüpfen, Gewerkezuordnung klären: 1–3 Wochen intern
• Software-Einführung und Schulung: je nach Tool 5.000–20.000 Euro einmalig (Procore-Implementierung; Kojo und PlanRadar deutlich günstiger)
• Pilotprojekt auf einem laufenden Projekt aufsetzen: 4–6 Wochen

Laufende Kosten

• Procore: ab ca. 10.000–15.000 USD/Jahr; Materialkostenmodul extra
• PlanRadar: ab 89 Euro/Monat (bis 10 Nutzer); 30-Tage-Testphase kostenlos
• Kojo: Individualpreis; Richtwert ab 300–800 USD/Monat
• Power-BI-basierter Eigenaufbau: ca. 10–15 Euro/Nutzer/Monat (Microsoft-Lizenz)

Wie du den Nutzen tatsächlich misst Der härteste Beweis: ein konkreter Fall, in dem ein Alert zu einer Untersuchung führte und der Schaden beziffert werden konnte. Für regelmäßige Erfolgsmessung eignet sich die Kennzahl “Verhältnis zwischen tatsächlichem und geplantem Materialverbrauch je Projekttyp” — wenn dieser Wert über mehrere Projekte sinkt, wirkt das System.

Was du dagegenrechnen kannst Materialmarge auf einem typischen Hochbauprojekt: 40–55 Prozent der Gesamtkosten. Bei einem 5-Millionen-Euro-Projekt wären das 2,0–2,75 Millionen Euro Materialbudget. 3 Prozent Schwund, der unentdeckt bleibt: 60.000–82.500 Euro. Ein einziger verhindeter Fall in dieser Größenordnung amortisiert die gesamten Einrichtungskosten.

Konservatives Szenario: Das System erkennt in 18 Monaten 5 Anomalien, von denen zwei zu echten Korrekturen führen (die anderen drei sind Buchungsfehler oder legitime Mehr-Verbauungen). Jede Korrektur spart im Schnitt 15.000 Euro. Ergebnis: 30.000 Euro Einsparung vs. 20.000 Euro Einrichtungskosten — im Break-even. Für Unternehmen mit mehreren Großprojekten gleichzeitig ist die Rechnung deutlich attraktiver.

Drei typische Einstiegsfehler

1. Das Digitalisierungsfundament überspringen. Wer ein KI-Anomalie-System aufsetzen will, ohne vorher die Lieferschein-Erfassung, Bestellprozesse und Gewerk-Zuordnung zu digitalisieren, baut auf Sand. Das System vergleicht “Kalkulations-Soll” gegen “was irgendwie als Summe abgerechnet wurde” — und findet nichts Nützliches. Die häufigste Ursache für das Scheitern dieser Projekte: zu früh gestartet, bevor die Datenfundierung stimmt. Die richtige Reihenfolge ist: erst digitale Lieferscheine, dann Bestellsystem, dann Analyseschicht.

2. Jede Anomalie sofort als “Klau” behandeln. Das System liefert Abweichungs-Alerts — keine Schuldsprüche. Wer bei der ersten Anomalie sofort den Subunternehmer konfrontiert oder arbeitsrechtliche Konsequenzen zieht, ohne den Sachverhalt zu prüfen, wird schnell feststellen: Die meisten Abweichungen haben legitime Ursachen. Das zerstört das Vertrauen in das System, erzeugt Konflikte mit Subunternehmern und führt dazu, dass Mitarbeitende das Monitoring als Überwachungsinstrument betrachten — anstatt als Werkzeug der gemeinsamen Kostenkontrolle.

3. Das System einführen und nie kalibrieren. Ein Soll-Ist-Vergleich ist nur so gut wie die Baseline, gegen die verglichen wird. Wenn die ursprüngliche Kalkulation zu knapp war, erscheint jeder reale Verbrauch als Anomalie. Wenn der Schwellenwert zu weit gefasst ist, werden echte Abweichungen verschluckt. Das System braucht nach den ersten 3–5 Projekten eine systematische Kalibrierung: Was war tatsächlich Schwund? Was war legitimer Mehrverbrauch? Diese Learnings müssen in die Toleranzgrenzen einfließen — sonst degeneriert das System zu einem “Alert-Generator, den niemand mehr ernst nimmt”.

Was mit der Einführung wirklich passiert — und was nicht

Die häufigste Überraschung für Bauleiter: Das System liefert mehr Arbeit, nicht weniger — jedenfalls in den ersten Monaten.

Jede Anomalie muss geprüft werden. Das bedeutet: Lieferscheine raussuchen, Polier befragen, Subunternehmer kontaktieren, Mengen nachrechnen. Dieser Aufwand war früher auch da — er war nur unsichtbar, weil die Anomalien nie sichtbar wurden. Das System macht Arbeit sichtbar, die vorher existiert hat, ohne wahrgenommen zu werden.

Typische Widerstands-Muster:

Subunternehmer-Widerstand. “Wieso kontrolliert ihr jetzt unsere Bestellmengen? Das war bisher nicht euer Bier.” Hier hilft ein frühzeitiges Gespräch: Das System dient der gemeinsamen Kostensicherheit — nicht der Kontrolle des Subunternehmers. Wer das transparent kommuniziert und im Vertrag keine Überraschungen produziert, hat in der Regel kein dauerhaftes Problem.

Polier-Skepsis. Der Polier auf der Baustelle sieht das System als Überwachung. Was hilft: ihn von Anfang an einbeziehen. Wenn der Polier versteht, dass das System ihn entlastet — er muss sich keine manuelle Buchführung mehr anlegen, weil das System das übernimmt — wird aus dem Skeptiker oft ein Nutzer.

Management-Überforderung. Wenn das System 20 Alerts pro Woche produziert, werden sie ignoriert. Die Kalibrierung der Eskalationsschwellen ist daher genauso wichtig wie die technische Einführung. Ziel: maximal 2–3 wirklich relevante Alerts pro Woche, die ernst genommen werden. Lieber weniger Alerts, die alle geprüft werden, als ein Alert-Flut, die ins Leere läuft.

Was konkret hilft:

• Vor dem Rollout die Subunternehmer-Verträge prüfen: Welche Daten dürfen geteilt werden?
• Eine Pilotphase auf einem Projekt, das gerade startet — keine Nachdigitalisierung alter Projekte
• Eine verantwortliche Person benennen, die Anomalien tatsächlich nachverfolgt (kein Teilzeitjob nebenbei)
• Klare Eskalationsregeln: Ab welcher Abweichung passiert was — wer entscheidet, wer wird informiert?

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Plane 6 Monate ein, bevor das System verlässlich läuft. Wer nach 8 Wochen erwartet, dass alle Anomalien sauber erfasst und kalibriert sind, wird enttäuscht. Das Modell lernt aus Projektdaten — und braucht Projekte, die durchgelaufen sind, um zu kalibrieren.

Häufige Einwände — und was dahintersteckt

„Unsere Subunternehmer machen das mit.” Das ist oft der erste Einwand — und selten ganz falsch. Subunternehmer sind besorgt, dass Einsicht in ihre Bestellmengen bedeutet, dass der GU ihre Kalkulationsgrundlagen kennt und bei zukünftigen Ausschreibungen ausnutzt. Dieser Vorbehalt ist verständlich und muss adressiert werden: Welche Daten werden geteilt? Zu welchem Zweck? Im Vertrag geregelt? Wer diesen Einwand nicht ernst nimmt, wird die Zusammenarbeit mit Subunternehmern erschweren.

„Wir haben keine Zeit für die Einführung — die Baustellen laufen.” Das ist ein legitimer Punkt. Die Einführung von Materialschwund-Monitoring auf laufenden Projekten ist tatsächlich schwieriger als auf Neuprojekten — weil die historischen Daten fehlen und die Prozesse erst umgestellt werden müssen, während das operative Geschäft läuft. Lösung: Pilotprojekt auf einem Neuprojekt, das gerade startet. Kein Versuch, laufende Projekte nachzudigitalisieren.

„Wenn wir nichts finden, war es umsonst.” Die Frage ist falsch gestellt. Wenn das System nach 18 Monaten keine nennenswerten Anomalien gefunden hat, gibt es drei mögliche Erklärungen: (a) Das Unternehmen hat tatsächlich kein Schwundproblem und gute Prozesse — dann war das System eine Investition in die Gewissheit. (b) Die Kalibrierung ist so lasch, dass echte Anomalien nicht erkannt werden — dann war das System schlecht eingerichtet. (c) Die Baseline ist zu ungenau — dann ist das System auf Sand gebaut. Nur Erklärung (a) ist akzeptabel, und sie muss aktiv überprüft werden.

Woran du merkst, dass das zu dir passt

• Deine Materialmarge ist relevant: Auf deinen Projekten machen Materialkosten 40 Prozent oder mehr aus — und du weißt aus Erfahrung, dass du am Projektende öfter mehr Material verbraucht hast als geplant
• Du arbeitest mit mehreren Gewerken: Wenn ein Projekt 5 oder mehr Subunternehmer hat, ist die manuelle Überblickskontrolle zu aufwendig geworden
• Die Schlussabrechnung überrascht dich regelmäßig: Du erkennst Überverbrauch erst, wenn das Projekt abgerechnet wird — nie während es läuft
• Du hast ein Einkaufssystem oder bist bereit, eines einzuführen: Ohne digitale Bestellprozesse gibt es keine Datenbasis für den Soll-Ist-Abgleich
• Du verwaltest mindestens 500.000 Euro Materialbudget pro Projekt: Erst ab dieser Größenordnung ist der Einrichtungsaufwand wirtschaftlich vertretbar

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

1. Projekte unter 500.000 Euro Materialbudget. Der Einrichtungsaufwand (8.000–20.000 Euro plus interne Zeit) rechnet sich erst, wenn das potenzielle Schwundvolumen signifikant ist. Für kleinere Projekte — Einfamilienhäuser, kleine Sanierungen — reicht direkter Sichtkontakt auf der Baustelle als Kontrollinstrument.

2. Lieferscheine noch rein auf Papier, kein Wille zur Digitalisierung. Das ist kein technisches, sondern ein organisatorisches Ausschlusskriterium. Wer den Lieferschein-Prozess erst digitalisieren muss und gleichzeitig ein KI-System aufsetzen will, überfordert die Organisation. Zuerst der Digitalisierungsschritt — das Analysetool kommt danach.

3. Keine zentrale Beschaffung: jeder Subunternehmer kauft selbst. Wenn Subunternehmer ihr Material vollständig eigenverantwortlich einkaufen und dem GU nur ihre Werkleistung in Rechnung stellen, gibt es keine gemeinsame Materialdatenebene. Das Schwundrisiko liegt dann beim Subunternehmer — und die Kontrolle liegt beim Nachunternehmervertrag, nicht bei einem KI-System.

Das kannst du heute noch tun

Noch bevor du ein Tool evaluierst: Führe auf deinem aktuellen Projekt einen manuellen Soll-Ist-Abgleich durch. Nimm die drei größten Materialpositionen aus dem LV — Beton, Stahl, Kabel oder was auch immer dein volumenstärkstes Material ist. Schau in die Bestellungen der letzten drei Monate. Vergleiche mit der LV-Planung. Was ist die Abweichung?

Wenn du diese Zahl nicht in einer Stunde herausarbeiten kannst, fehlt dir die Datenbasis. Das ist die wichtigste Information, die du vor jeder Systemeinführung brauchst.

Wenn du eine erste automatisierte Analyse testen willst, nutze den folgenden Prompt mit ChatGPT oder Claude, um aus deinen Bestelldaten (als Export aus Excel oder ERP) eine erste Abweichungsanalyse zu bekommen:

Quellen & Methodik

• BauWatch Crime Report 2024: Befragung von 500 Baustellenverantwortlichen in Deutschland und Europa. 8 von 10 erleben mindestens einmal jährlich Diebstahl; über 80 Mio. Euro Jahresschaden in der deutschen Bauindustrie; 43 % der Projekte von Verzögerungen durch Baustellenkriminalität betroffen. https://www.bauwatch.com/de-at/news/aktuelle-studie-acht-von-zehn-baustellenverantwortlichen-in-deutschland-erleben-mindestens-einmal-im-jahr-einen-diebstahl
• PwC Baubranche-Studie 2023: Telefonbefragung von 100 deutschen Bauunternehmen, Planern und Projektsteuernden (Herbst 2022). 92 % durch volatile Preisentwicklungen belastet; 91 % durch Lieferkettenstörungen; 6 von 10 sehen Nachholbedarf bei operativer Digitalisierung. https://www.pwc.de/de/pressemitteilungen/2023/pwc-studie-zur-baubranche-2023-die-digitalisierung-stockt-in-sachen-nachhaltigkeit-geht-es-voran.html
• Kojo-Nutzerdaten (Eigenangaben des Anbieters, April 2026): Nutzer berichten von 3–5 % Materialkosteneinsparung durch automatisierte Rechnungsprüfung und bis zu 1.200 USD erkannter Abrechnungsfehler innerhalb der ersten vier Wochen. Anbieterangaben — keine unabhängige Studie.
• Digitale Lieferscheine auf Baustellen: Schweizerischer Baumeisterverband (2023) und SORBA AG beschreiben typischen Papier-Lieferschein-Workflow auf deutschen und Schweizer Baustellen: Unterschrift auf der Baustelle, mehrtägige Verzögerung bis zum Büro, relevante Verlustrate. https://baumeister.swiss/vom-papier-zum-pixel-lieferschein-digitalisieren-und-in-prozesse-integrieren/
• Soll-Ist-Toleranzen Materialverbrauch: Erfahrungswerte aus Bauprojekten in der DACH-Region; branchentypische Beton-Verlustfaktoren 3–6 % basierend auf Materialprüfungsrichtlinien und Fachliteratur. Keine eigene Primärerhebung.

Du willst wissen, ob deine aktuelle Projektdatenlage für ein Schwund-Monitoring ausreicht — und welcher Einstiegsweg für euch der richtige ist? Meld dich — das klären wir in einem kurzen Gespräch.