CAFM-System-Datenauswertung per KI

Das echte Ausmaß des Problems

Fast jedes Unternehmen ab einer gewissen Gebäudegröße hat irgendwann ein CAFM-System eingeführt. Der Grund war fast immer derselbe: endlich Ordnung in die Wartungsaufträge, endlich ein digitaler Überblick über den Anlagenbestand, endlich Kostentransparenz über das Portfolio.

Das System läuft. Die Daten fließen. Aber ausgewertet wird trotzdem manuell.

Nach Einschätzung von CAFM-Praktikerinnen und -Praktikern aus dem deutschsprachigen Raum arbeiten viele Facility-Management-Teams die Rohdaten aus ihrem System monatlich in Excel auf — ein Aufwand von oft zwei bis sechs Stunden je Bericht. Der Grund ist strukturell: CAFM-Systeme sind Transaktionssysteme. Sie erfassen Wartungsaufträge, Kostenpositionen und Raumflächen — aber sie sind nicht dafür gebaut, diese Daten automatisch in Entscheidungsgrundlagen zu verwandeln.

Was fehlt, ist eine Interpretationsschicht. Eine Schicht, die nicht nur fragt „Was ist passiert?”, sondern auch: „Ist das normal? Ist das besser oder schlechter als letzten Monat? Was passiert, wenn wir so weitermachen?”

Genau hier kommen Machine Learning-gestützte Analytics-Werkzeuge ins Spiel. Sie können:

• Anomalien automatisch markieren — eine Rechnung, die 40 Prozent über dem Durchschnitt vergleichbarer Aufträge liegt, erscheint rot in einer Übersicht, statt in einer Zeilenliste unterzugehen
• Trends erkennen — ein Objekt, das in sechs aufeinanderfolgenden Monaten steigende Instandhaltungskosten hat, wird sichtbar, bevor die Budgetüberschreitung passiert
• Benchmarks aus dem eigenen Portfolio ziehen — Objekte mit ähnlicher Bauart und Nutzfläche werden verglichen; Ausreißer fallen auf, ohne dass jemand die Tabelle manuell durchkämmt
• Handlungsempfehlungen formulieren — statt einer Liste mit Kennzahlen bekommt die Führungsebene eine strukturierte Einschätzung: Was läuft gut, wo gibt es Handlungsbedarf, welche Entscheidungen sind überfällig

Die GEFMA (Deutsche Gesellschaft für Facility Management) beschreibt in ihrer aktuellen Publikation „CAFM-Handbuch — Digitalisierung im Facility Management erfolgreich einsetzen” (ResearchGate, 2025), dass Datenqualität, Datenstruktur und effizientes Datenmanagement die entscheidenden Säulen für erfolgreiche Digitalisierung im FM sind — und dass genau hier die größten Lücken liegen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Der Zeitvergleich stammt aus Praxisberichten von FM-Organisationen, die eine BI-Schicht auf ihr CAFM aufgesetzt haben — die Spannbreite ist groß, da sie stark von der Ausgangslage der CAFM-Datenbasis abhängt.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Das monatliche Reporting-Ritual verschwindet fast vollständig — wer heute vier bis sechs Stunden damit verbringt, CAFM-Rohdaten in einen Präsentationsbericht zu verwandeln, kommt mit einer gut eingerichteten Analytics-Schicht auf unter eine Stunde. Das ist real und messbar. Nicht ganz so groß ist der tägliche Arbeits-Effekt im Vergleich zu Mängelmeldungen automatisch klassifizieren oder der Sicherheitsbegehung-Dokumentation, weil CAFM-Analytics primär auf den Führungsebenen-Zyklus wirkt (monatlich, quartalsweise), nicht auf den täglichen Arbeitstakt.

Kosteneinsparung — niedrig (2/5)
Die Einsparung ist real, aber schwer direkt zu isolieren. Bessere Investitionsentscheidungen, weniger Fehlinvestitionen in Anlagen die schon kurz vor dem Tausch stehen, früher erkannte Vertragsabweichungen bei Dienstleistern — all das spart Geld, aber du buchst es nicht direkt in der GuV unter „CAFM-Analytics gespart”. Direkter messbare Kostenhebel im Vergleich gibt es in der Branche: zum Beispiel die Wartungsplan-Auswertung mit konkreten Einsparungen durch bessere Wartungsintervall-Planung.

Schnelle Umsetzung — niedrig (2/5)
12 bis 16 Wochen von der Entscheidung bis zum ersten produktiven Dashboard ist die realistische Untergrenze — und die setzt voraus, dass das CAFM-System bereits eine verwendbare API oder zuverlässige Export-Funktion hat. In vielen Projekten stellt sich erst nach dem ersten Datenzugriff heraus, dass die Stammdaten in schlechterem Zustand sind als angenommen. Datenmigration, Fehlerkorrekturen und erste Schulungsrunden verlängern das auf 16–24 Wochen.

ROI-Sicherheit — niedrig (2/5)
Der Nutzen ist indirekt. Du kannst zeigen, dass Sandra heute 3,5 Stunden weniger für den Monatsbericht braucht — aber der eigentliche Wert entsteht in den Entscheidungen, die die Geschäftsführung mit besseren Daten anders trifft. Dieser Effekt ist real und nach Einschätzung aus FM-Praxisnetzwerken erheblich, aber er lässt sich selten direkt zuordnen. Anders als bei der Energieverbrauch-Analyse im Gebäude, wo du eine Energieeinsparung in Euro auf deiner Rechnung siehst.

Skalierbarkeit — maximal (5/5)
Das ist der klare Stärken-Score: Eine einmal eingerichtete Analytics-Schicht auf einem CAFM-System skaliert ohne nennenswerten Mehraufwand. Zehn Objekte mehr ins Portfolio? Die tauchen automatisch in allen Dashboards auf. Ein neues Berichtsformat für einen externen Auftraggeber? Das ist Konfiguration, keine neue Implementierung. Kein anderer Anwendungsfall in dieser Kategorie skaliert so friktionslos mit einem wachsenden Gebäudebestand.

Richtwerte — stark abhängig von CAFM-System, vorhandener Datenbasis und Objektanzahl.

Was die Analytics-Schicht konkret macht

Das technische Grundprinzip ist einfach: Eine Business-Intelligence-Plattform verbindet sich mit dem CAFM-System und bezieht dessen Daten — entweder über eine direkte API, über eine Datenbankverbindung oder über tägliche automatisierte Exports. Diese Daten werden bereinigt, strukturiert und in vordefinierte Modelle geladen, die dann Dashboards speisen.

Der KI-Anteil tritt an drei Stellen in Erscheinung:

Anomalieerkennung. Das System lernt aus historischen Daten, was „normal” für einen bestimmten Anlagetyp, ein bestimmtes Objekt oder einen bestimmten Dienstleister ist. Wenn eine Position davon abweicht — eine Rechnung 35 Prozent über dem Durchschnitt, eine Reparaturhäufigkeit, die den bisherigen Verlauf übersteigt — wird diese Abweichung automatisch markiert. Nicht „das System schickt einen Alert”, wenn ein Schwellwert überschritten wird (das können einfache Regeln), sondern: das System erkennt, dass die Abweichung ungewöhnlich ist, weil sie im Kontext aller vergleichbaren Objekte und Zeiträume selten vorkommt.

Musterkennung über Zeit. Predictive Analytics schaut auf Entwicklungstrends: Eine Anlage, deren Wartungskosten über sechs Monate steigen, obwohl keine größere Reparatur durchgeführt wurde, ist ein Signal für verschleiß-bedingten Handlungsbedarf — bevor die Anlage ausfällt. Ein Objekt, das im Sommer jeden Jahres mehr Klimatechnik-Aufwände verursacht als vergleichbare Objekte, liefert einen Hinweis auf unzureichende Dachbegrünung oder Beschattung.

Natürlichsprachige Abfragen und Zusammenfassungen. Moderne BI-Werkzeuge erlauben es, Fragen wie „Welche drei Objekte hatten im letzten Quartal die höchsten ungeplanten Instandhaltungskosten?” direkt einzutippen und eine strukturierte Antwort zu bekommen — ohne SQL, ohne Export. Generative KI-Funktionen in Tools wie Microsoft Power BI können dann automatisch einen kommentierten Managementbericht formulieren, der auf Knopfdruck aus den aktuellen Daten entsteht.

Datenqualität als Voraussetzung: Was das System über dich verrät

Das ist die unbequeme Wahrheit dieses Use Cases, und wer sie überspringt, verschwendet Geld.

Eine Analytics-Schicht auf einem CAFM-System ist nur so gut wie die Daten, die das CAFM-System enthält. Wenn Anlagen ohne Kostenstellen angelegt sind, wenn Wartungsaufträge im Status „offen” stecken, weil niemand sie abgeschlossen hat, wenn drei Objekte noch auf den Flächenstand von vor fünf Jahren laufen — dann produziert dein KPI-Dashboard exakt eines: präzise falsche Kennzahlen.

Das ist gefährlicher als kein Dashboard. Ein Dashboard mit falschen Daten hat die Optik von Verlässlichkeit. Entscheidungen werden mit Zahlen begründet, die nicht stimmen. Investitionen in die falsche Richtung laufen.

Die CAFM-Fachcommunity hat einen Begriff dafür: „Dirty Data Decision Making”. Der CAFM-Blog.de (ein unabhängiges Fachportal der FM-Szene) dokumentiert, dass Datenqualitätsprobleme bei der Einführung von CAFM-Systemen der häufigste Grund für fehlgeschlagene Projekte sind — und zwar sowohl beim initialen CAFM-Rollout als auch bei nachgelagerten Analytics-Projekten.

Was gute Datenbasis für CAFM-Analytics bedeutet:

• Vollständigkeit: Mindestens 80 Prozent aller Wartungsaufträge werden tatsächlich im System erfasst und abgeschlossen — nicht in parallel gepflegten Excel-Listen oder auf Papier
• Konsistenz: Kostenstellen, Anlagennummern und Objektbezeichnungen sind systemweit einheitlich — nicht „Aufzug”, „Lift”, „Aufzugsanlage” und „AZ01” für dasselbe Gerät in verschiedenen Datensätzen
• Aktualität: Gebäudeflächen, Anlagenbestände und Dienstleistungsverträge sind aktuell gepflegt — nicht Stand bei CAFM-Einführung vor fünf Jahren
• Rückverfolgbarkeit: Historische Daten gehen mindestens zwei bis drei Jahre zurück — ohne diese Tiefe sind Trendanalysen nicht belastbar

Bevor du in eine Analytics-Schicht investierst, führe einen einfachen Selbsttest durch: Exportiere einen Monat Wartungsaufträge aus deinem CAFM und beantworte drei Fragen. Wie viele Aufträge sind im Status „offen” mit einem Erstelldatum älter als 90 Tage? Wie viele Anlagen haben keine zugewiesene Kostenstelle? Stimmt die Gesamtfläche im System mit dem aktuellen Grundbucheintrag überein? Wenn du diese drei Fragen nicht in zehn Minuten beantworten kannst, oder wenn die Antworten dich erschrecken — dann ist Datenbereinigung der richtige erste Schritt, nicht ein Analytics-Tool.

Konkrete Werkzeuge — was wann passt

Es gibt drei grundsätzliche Ansätze, je nachdem wie du aufgestellt bist:

Analytics direkt im CAFM-System (für große FM-Organisationen)

Planon — Das führende IWMS/CAFM-System im Enterprise-Segment hat seit 2023 eigene Analytics-Module mit KI-Anomalieerkennung an Bord. Für Unternehmen, die Planon als zentrales CAFM einsetzen, ist das der komfortabelste Weg: Daten verlassen das System nicht, keine externe Anbindung, keine Doppelpflege. Der Preis: Planon ist Enterprise-Software — Implementierungen kosten typisch 50.000–300.000 €, der Betrieb läuft auf Jahresvertragsbasis. Nur sinnvoll für Organisationen mit mehreren Tausend verwalteten Assets und dediziertem FM-Kompetenzteam.

Facilio — Cloud-natives FM-System mit eingebautem Spend-Analytics-Modul und ML-basierter Anomalieerkennung. Benchmarkt Instandhaltungskosten automatisch über vergleichbare Objekte hinweg und markiert Ausreißer. EU-Datenhaltung (AWS Frankfurt), DSGVO-konform. Skaliert besser als Planon für mittlere Portfolios (200–2.000 Assets). Kein deutschsprachiges Interface — relevante Einschränkung für Teams ohne Englischkompetenz im täglichen Betrieb. Einstieg typisch ab 15.000–40.000 € Jahresvertrag.

IBM Maximo Application Suite — Marktführer im Enterprise Asset Management, mit einem eigenen Analytics-Modul (Maximo Monitor) und KI-basierter Predictive Maintenance. Für FM-Organisationen in KRITIS-Umgebungen oder Konzernstrukturen, die Maximo bereits nutzen, ist dieser Weg die logische Erweiterung. Für neue Implementierungen ist Maximo ein erhebliches Budget-Commitment — realistisch für mittelständische FM-Betriebe nur als Teil eines Gesamtprojekts.

BI-Werkzeuge als externe Analytics-Schicht (für den Mittelstand)

Microsoft Power BI — Der pragmatischste Weg für die meisten FM-Organisationen im Mittelstand. Power BI verbindet sich via API oder Datenbankverbindung mit dem CAFM-System, lädt die Daten täglich automatisch nach und bereitet sie in konfigurierten Dashboards auf. Die Q&A-Funktion erlaubt natürlichsprachige Abfragen auf Deutsch — „Welche drei Objekte hatten die höchsten Reparaturkosten in Q1?” beantwortet das System mit einem Diagramm. Kosten: Power BI Desktop kostenlos, Pro ab 12,10 €/Nutzer/Monat, Sharing-Lizenzen für das gesamte FM-Team bleiben erschwinglich. Voraussetzung: das CAFM-System muss Daten exportierbar oder über API zugänglich machen, und jemand im Team (oder extern) muss das Datenmodell initial aufbauen können.

Ad-hoc-Analyse für den Einstieg

Julius AI — Kostenloser Einstieg ohne CAFM-Anbindung. Exportiere einen Monat CAFM-Daten als CSV, lade sie in Julius hoch, stelle Fragen in normaler Sprache. Kein Setup, keine Integration, kein Datenmodell. Der Haken: Julius speichert Daten auf US-Servern, was für Daten mit Personenbezug problematisch ist. Für nicht-personenbezogene CAFM-Exporte (Kostenstellen, Wartungsaufträge ohne Mitarbeiterdaten) ist es ein sinnvoller Proof-of-Concept-Schritt, bevor du in eine vollständige BI-Integration investierst.

Zusammenfassung: Wann welcher Weg?

• Enterprise CAFM bereits im Einsatz (Planon, Maximo) → natives Analytics-Modul erweitern
• Mittleres Portfolio, Wechselbereitschaft → Facilio als neues CAFM mit eingebautem Analytics
• Bestehendes CAFM, Microsoft-365-Umgebung → Power BI als externe Schicht drauflegen
• Kein Budget, erstmal testen → Julius AI mit anonymisiertem CSV-Export

Integrations-Realität: Die CAFM-Schnittstelle ist die eigentliche Baustelle

Das klingt technisch und ist technisch. Aber es ist zu wichtig, um es in einem Absatz abzuhandeln.

Die meisten CAFM-Systeme, die vor mehr als fünf Jahren eingeführt wurden, wurden für interne Nutzung gebaut — nicht für externe Auswertungen. Das bedeutet: Es gibt zwar oft Export-Funktionen (Excel, CSV), aber keine strukturierte API-Schnittstelle, keine Echtzeit-Datenverbindung, und die Datenstruktur ist optimiert für die interne Oberfläche des Systems, nicht für externe Analyse-Tools.

Was das in der Praxis bedeutet:

Szenario 1: Export-basierte Integration. Dein CAFM kann täglich automatisierte Excel- oder CSV-Exports in einen freigegebenen Ordner schreiben. Power BI liest diese Exports automatisch ein. Das funktioniert, ist aber fehleranfällig — wenn ein Export ausbleibt, laufen Dashboards auf alten Daten. Pflege- und Monitoringaufwand unterschätzt.

Szenario 2: Datenbankverbindung. Power BI verbindet sich direkt mit der CAFM-Datenbank (SQL Server, Oracle, PostgreSQL). Das ist stabiler und erlaubt tagesaktuelle Daten. Voraussetzung: IT-Unterstützung für den Datenbankzugang, saubere Kenntnis der Datenbanktabellen und ihrer Beziehungen (nicht selbstverständlich für proprietäre CAFM-Systeme).

Szenario 3: REST-API. Moderne CAFM-Systeme (Facilio, Planon ab aktuellen Versionen) bieten eine REST-API. Das ist die sauberste Integration — strukturierte Daten, authentifizierter Zugriff, dokumentierte Schnittstelle. Erfordert aber Entwicklerarbeit für die initiale Anbindung.

Das Ehrlichkeitsgebot hier: In vielen Projekten stellt sich erst nach dem ersten Datenzugriff heraus, dass die Integration komplexer ist als gedacht. Plane 30–50 Prozent mehr Zeit ein als im ersten Gespräch mit dem BI-Tool-Anbieter kalkuliert. Und hol dir beim CAFM-Hersteller frühzeitig eine schriftliche Aussage, welche Export- und API-Optionen deine konkrete Version unterstützt — nicht die aktuelle Version in den Marketingunterlagen, sondern die Version, die auf deinen Servern läuft.

Datenschutz und Datenhaltung

CAFM-Systeme enthalten in der Regel wenig Personenbezogenes im technischen Kern — Anlagennummern, Kostenstellen, Raumflächen, Wartungsaufträge sind nicht personengebunden. Aber sie können es werden: Wartungsaufträge mit zugewiesenen Technikernamen, Zutrittsprotokolle, Dienstleistungsverträge mit Kontaktdaten von Ansprechpartnern.

Sobald personenbezogene Daten in das Analytics-System fließen, gilt die DSGVO. Das bedeutet:

• AVV mit dem BI-Tool-Anbieter abschließen — Microsoft stellt diesen für Power BI über den M365-Vertrag bereit; für externe Tools wie Julius AI ohne Business-Plan musst du ihn aktiv anfordern
• EU-Datenhosting prüfen — Power BI kann über das EU Data Boundary Programm in europäischen Rechenzentren betrieben werden; Julius AI hostet ausschließlich in den USA (kein EU-Hosting verfügbar)
• Datensegmentierung — in vielen Projekten ist es sinnvoll, das Analytics-Dashboard zu segmentieren: technische Kennzahlen (kein Personenbezug) über günstigere Cloud-Tools, HR-relevante Daten nur über zertifizierte EU-Hosting-Optionen
• Datenschutzfolgenabschätzung — wenn das Analytics-System neue Verknüpfungen ermöglicht, die vorher nicht möglich waren (z.B. Produktivitätsauswertung auf Technikerebene), prüfen, ob eine DSFA nach Art. 35 DSGVO erforderlich wird

Für Organisationen im öffentlichen Bereich (Kommunen, Universitäten, Behörden) gilt oft zusätzlich: Das Analytics-Tool muss auf einer zertifizierten deutschen oder europäischen Cloud laufen. Microsoft Power BI mit EU Data Boundary erfüllt diese Anforderung, viele Alternativtools nicht.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Das ist die häufig unterschätzte Position. Die Software-Lizenz ist oft der kleinste Teil.

• CAFM-Schnittstelle einrichten: 3.000–12.000 € für Entwicklerarbeit zur API- oder Datenbankanbindung, je nach CAFM-System und Komplexität der Datenstruktur
• Datenbereinigung: 2.000–8.000 € oder mehr — wenn die Stammdaten in schlechtem Zustand sind, ist das der größte Posten. Manche Projekte scheitern hier, weil der Aufwand unterschätzt wurde
• Dashboard-Entwicklung: 3.000–10.000 € für ein professionell entwickeltes BI-Modell mit den richtigen KPI-Definitionen — nicht ein Template, sondern ein FM-spezifisches Modell das die richtigen Fragen beantwortet
• Schulung: 1.000–3.000 € für Team-Schulung

Gesamtrahmen für eine mittlere FM-Organisation (5–20 Objekte): 10.000–30.000 € einmalig.

Laufende Kosten (monatlich)

• Power BI Pro: 12,10 €/Nutzer/Monat — für ein 5-Personen-FM-Team unter 100 €/Monat
• Facilio: ab 15.000 €/Jahr im Einstiegsbereich
• Planon: Jahresvertrag, Preise auf Anfrage

Wie der Nutzen entsteht — und wie du ihn misst

Der direkteste messbare Nutzen ist die Reporting-Zeit: Wenn Sandra Koch heute vier Stunden weniger pro Monat für den Management-Bericht braucht, sind das vier Stunden Fachkraft-Zeit. Bei einem Stundensatz von 40–60 € entspricht das 160–240 € monatlich — die Lizenzkosten des BI-Tools.

Der eigentliche Wert entsteht aber in den Entscheidungen. Eine FM-Organisation mit 10 Objekten und einem Jahresbudget von 500.000 € kann durch datenbasierte Dienstleisterverhandlungen, rechtzeitig erkannte Überschreitungen und bessere Investitionspriorisierungen realistisch 2–5 Prozent des Budgets optimieren — das sind 10.000–25.000 € pro Jahr. Diese Zahl ist kein Versprechen, sondern eine Einschätzung aus Praxisberichten von FM-Dienstleistern. Sie setzt voraus, dass das Analytics-System aktiv genutzt wird und die Datenbasis valide ist.

Was du dagegenrechnen kannst:
Für eine FM-Organisation mit 1.000.000 € Jahresbudget gilt: Selbst wenn KI-gestützte Analytics nur 1 Prozent bessere Budgetentscheidungen ermöglicht, sind das 10.000 € — mehr als die Gesamtlizenzkosten für Power BI für das gesamte Team in einem Jahr.

Typische Einstiegsfehler

1. Die Schnittstelle als Selbstverständlichkeit behandeln.
Der häufigste Fehler: Der BI-Anbieter zeigt in der Demo, wie einfach die Anbindung an das CAFM-System aussieht. Die Demo verwendet dabei entweder eine Musterdatenbank oder eine aktuelle CAFM-Version. In der Praxis läuft das CAFM-System des Kunden in einer Version von vor vier Jahren, die andere API-Endpoints hat oder gar keine. Oder die Datenbankstruktur ist proprietär und wurde nie dokumentiert. Lösung: Vor der Auftragsvergabe die technische Machbarkeit der CAFM-Anbindung mit dem eigenen CAFM-Support klären — schriftlich. Dann erst BI-Tool-Anbieter bewerten.

2. Den Datenbereinigungsaufwand unterschätzen.
Die Bereinigung der CAFM-Stammdaten ist in den meisten Projekten der größte Einzelposten — und der wird im Vorfeld fast immer unterschätzt. Grund: Datenqualitätsprobleme sind nicht sichtbar, bis man genau hinschaut. Ein CAFM, das täglich genutzt wird, wirkt vollständig. Erst wenn man die Daten exportiert und systematisch prüft, sieht man: 15 Prozent der Anlagen haben keine Kostenstelle, 20 Prozent der Wartungsaufträge wurden nie abgeschlossen, fünf Objekte haben falsche Flächenangaben. Lösung: Datenanamnesetag einplanen — bevor das BI-Projekt startet.

3. Kennzahlen wählen, die wichtig klingen, aber nicht entscheidungsrelevant sind.
Ein häufiges Phänomen: Dashboards werden mit 20 KPIs befüllt, weil alle denkbaren Messwerte verfügbar sind. Das Ergebnis ist ein Dashboard, das niemand öffnet — weil es keine Fragen beantwortet, die jemand wirklich hat. Lösung: Vor dem Build mit der Führungsebene drei bis fünf Entscheidungsfragen definieren, die das Dashboard beantworten soll. Nicht: „Was soll das Dashboard zeigen?” Sondern: „Welche Entscheidungen trefft ihr heute mit schlechter Informationsgrundlage, die ihr mit besseren Daten anders treffen würdet?”

4. Das System einrichten und dann nicht pflegen.
Das ist der gefährlichste Fehler — weil er nicht sofort auffällt.

Ein CAFM-Analytics-Dashboard, das vier Monate nach dem Launch keine Updates mehr erhält, zeigt irgendwann veraltete Benchmarks, läuft auf Exporten die niemand mehr täglich aktualisiert, und wird still deaktiviert. Schlimmer: Wenn die Datenbankverbindung bricht und niemand es merkt, laufen die Dashboards auf Daten von vor drei Monaten — und jemand trifft Budgetentscheidungen auf Basis dieser falschen Aktualität.

Definiere vor dem Launch, wer für den Betrieb des Analytics-Systems verantwortlich ist. Nicht IT, nicht „das Team”, sondern eine namentliche Person, die monatlich prüft: Laufen alle Datenverbindungen? Stimmen die Kennzahlen mit dem CAFM überein? Gibt es neue Anforderungen, die ins Modell aufgenommen werden sollen?

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist nicht das Problem. Das Problem ist das Vertrauen.

Die „Das glaub ich erst, wenn es stimmt”-Fraktion. In jedem FM-Team gibt es jemanden, der sehr genau weiß, was im CAFM-System falsch ist — weil er oder sie täglich damit arbeitet. Wenn das Analytics-Dashboard eine Zahl produziert, die nicht stimmt (weil die Stammdaten nicht passen), ist das für diese Person der Beweis, dass das System nicht funktioniert. Und sie liegt nicht falsch. Die Lösung ist nicht, diese Kritik zu ignorieren, sondern sie zu kanalisieren: Mach diese Person zur CAFM-Datenqualitäts-Verantwortlichen. Gib ihr ein Budget für die Bereinigung. Der schärfste Kritiker des Systems wird zum stärksten Befürworter, wenn er mitgebaut hat.

Die Führungsebene, die das Dashboard nicht öffnet. Es ist keine Seltenheit, dass ein Management-Reporting-Dashboard gebaut wird, das die Geschäftsführung dann nie öffnet — weil sie es gewohnt ist, in Meetings einen aufbereiteten Bericht zu bekommen, nicht selbst ein Tool zu bedienen. Lösung: Das Dashboard direkt in die Besprechungsvorlage integrieren, als Screenshot oder Link. Den Bericht nicht mehr manuell erstellen, sondern den Dashboard-Screenshot als Bericht definieren. Erzwinge den Übergang, statt ihn zu erhoffen.

Das Analytics-Team, das nach drei Monaten anfängt, eigene Kennzahlen zu bauen. Sobald ein BI-Tool im Einsatz ist, entstehen Sonder-Reports, Parallelauswertungen und individuelle Dashboards — weil jede Abteilung glaubt, ihre Anforderungen seien besonderer als die des Kernsystems. Das führt zu fragmentierten Wahrheiten: Objekt 3 hat laut Instandhaltungs-Team eine andere Kostenentwicklung als laut FM-Leitung-Dashboard. Lösung: Eine einzige Datenquelle und eine einzige Definition für jede Kennzahl — von Anfang an dokumentiert. „Instandhaltungskosten” bedeutet überall dasselbe, oder das System wird innerhalb eines Jahres zur Streitgrundlage.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Plane den Datenbereinigungsschritt als eigene Phase mit eigenem Budget ein. Wer ihn als Teil des BI-Projekts laufen lässt, unterschätzt seinen Umfang und seinen Einfluss auf den Projektfortschritt.

Häufige Einwände — und was dahintersteckt

„Unser CAFM hat doch selbst ein Reporting-Modul.”
Ja — fast alle CAFM-Systeme haben Standard-Reports. Die Frage ist, ob diese Reports beantworten, was du beantworten musst. Standard-Reports zeigen, was passiert ist. KI-gestützte Analytics zeigt, was ungewöhnlich ist, warum es passiert und was wahrscheinlich als nächstes passiert. Wenn das Standard-Reporting reicht und die Entscheidungsgrundlage ausreicht — dann braucht es kein weiteres Tool. Wenn nicht, ist das Argument gegen die Erweiterung schwach.

„Unsere Daten sind zu schlecht für Analytics.”
Das ist kein Argument gegen Analytics — das ist ein Argument für Datenbereinigung. Keine Organisation hat perfekte CAFM-Daten. Die Frage ist, ob der Aufwand für die Bereinigung gerechtfertigt ist. Bei einer FM-Organisation mit 10+ Objekten und einem Jahresbudget über 300.000 € fast immer: ja.

„Das ist zu teuer für unsere Größe.”
Für eine FM-Organisation, die ein bestehendes CAFM hat und Power BI nutzen möchte, ist der monatliche Lizenzaufwand minimal. Der tatsächliche Kostenpunkt ist die Einrichtung — und der ist einmalig. Bei einem 15-köpfigen FM-Team, das zusammen 20 Stunden monatlich für manuelles Reporting aufwendet, beträgt der Zeitkostenersatz 800–1.200 € pro Monat — mehr als das Doppelte der Lizenzkosten.

„Wir haben keine Person, die das BI-Tool einrichten kann.”
Das ist das ehrlichste Einwand-Argument. Power BI hat eine Lernkurve. Ein FM-Manager, der keine Vorerfahrung mit BI-Tools hat, wird ohne externe Unterstützung kein solides Datenmodell aufbauen. Die Lösung ist kein einfacheres Tool — die Lösung ist, einmalig einen Datenberater oder eine Power-BI-Agentur hinzuzuziehen. Die einmaligen Kosten amortisieren sich typisch in 6–18 Monaten.

Woran du merkst, dass das zu dir passt

• Dein FM-Team verbringt monatlich mehr als zwei Stunden mit dem Aufbereiten von CAFM-Rohdaten für Reports, die dann die Geschäftsführung oder Auftraggeber sehen
• Entscheidungen über größere Instandhaltungsbudgets werden auf Basis von Erfahrungswerten und Intuition getroffen — nicht auf Basis ausgewerteter Datenmuster
• Du verwaltest fünf oder mehr Objekte, und du hast nicht für jedes Objekt eine spontane Antwort auf „Wie entwickeln sich die Instandhaltungskosten seit 18 Monaten?”
• Dein CAFM-System enthält Daten aus mindestens zwei Jahren — ohne diese historische Tiefe sind Trendanalysen nicht aussagekräftig
• Jemand in deiner Organisation hat die Kapazität, ein BI-Tool zu erlernen oder eine externe Einrichtung zu koordinieren und anschließend zu betreiben

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

1. Unter 100 verwalteten Assets oder einem Objekt. Bei kleinem Portfolio ist das Verhältnis aus Einrichtungsaufwand und analytischem Mehrwert ungünstig. Eine gut strukturierte Excel-Lösung mit definierten KPI-Spalten und monatlichem Review ist für diesen Maßstab effizienter.

2. CAFM-System wird von weniger als 70 Prozent der tatsächlichen Wartungsaktivitäten genutzt. Wenn ein erheblicher Teil der Wartungen, Reparaturen und Kostenstellen außerhalb des Systems läuft — in separaten Excel-Listen, auf Papier, in der E-Mail-Kommunikation — dann spiegelt das Analytics-Dashboard nie die Realität wider. Analytics auf einer halbleeren Datengrundlage erzeugt systematisch falsche KPIs.

3. Kein API-Zugang, kein zuverlässiger Export, und kein IT-Integrationsbudget. Wenn das CAFM-System keine strukturierte Schnittstelle bietet und der Hersteller keinen Zugang zur Datenbank erlaubt, und wenn für Entwicklerarbeit zur Anbindung kein Budget besteht, dann ist der Aufwand für eine externe BI-Schicht nicht zu rechtfertigen. Hier ist das richtige Signal: CAFM-System-Upgrade oder -Wechsel evaluieren, bevor Analytics aufgebaut wird.

Das kannst du heute noch tun

Ohne Budget, ohne Tool-Wechsel, ohne externe Hilfe — in 20 Minuten:

Exportiere den Wartungsauftragsbestand des letzten Jahres aus deinem CAFM als CSV oder Excel. Lade ihn in Julius AI hoch (kostenlos, keine Registrierung nötig für erste Tests). Stelle diese drei Fragen:

1. „Welches Objekt hatte die meisten Notfallreparaturen?”
2. „Welche Kostenstelle hat die höchsten ungeplanten Ausgaben?”
3. „Gibt es Monate, in denen die Wartungsaufträge deutlich über dem Jahresdurchschnitt liegen?”

Was du danach weißt: Ob deine CAFM-Daten für Analytics qualifiziert sind — und welche Fragestellungen das Analytics-System für dich beantworten sollte. Das kostet nichts und spart später teure Umwege.

Für den produktiven Einsatz mit Microsoft Power BI oder Übergaben an die Führungsebene brauchst du einen strukturierten Daten-Prompt. Hier ist einer, den du direkt verwenden kannst:

Quellen & Methodik

• GEFMA e.V. — „CAFM-Handbuch: Digitalisierung im Facility Management erfolgreich einsetzen” (ResearchGate, 2025): Autoritative Fachpublikation der Deutschen Gesellschaft für Facility Management zur Bedeutung von Datenqualität und -struktur im CAFM-Kontext.
• SPIE Deutschland — „KI im technischen Facility Management” (spie.de, Februar 2025): Praxisbericht eines führenden FM-Dienstleisters über KI-Einsatz in der Gebäudetechnik, inkl. Predictive Maintenance und Auswertungsautomatisierung.
• CAFM-Blog.de — „10 mistakes when introducing CAFM software” (2023, unabhängiges FM-Fachportal): Dokumentiert die häufigsten Fehler bei CAFM-Einführung und -Analytik, insb. Datenqualitätsprobleme als primärer Projektabbruch-Grund.
• Facilio Inc. — „AI in Facility Management: Benefits, and Trends for 2026” (facilio.com, 2024): Hersteller-Perspektive mit quantitativen Angaben zu Effizienzgewinnen durch CAFM-Analytics; als Vendor-Claim gekennzeichnet — unabhängige Bestätigung dort, wo konsistent mit anderen Quellen.
• IBM — „Computer-Aided Facility Management (CAFM)” (ibm.com/think/topics/cafm, 2024): Überblick über KI-gestütztes CAFM, insb. Predictive Maintenance und Anomalieerkennung.
• Gartner — AI Project Failure Rates: Referenziert in mehreren Sekundärquellen (Applify Blog, DataIdeology) für die Angabe, dass bis zu 80 % der KI-Projekte die Pilotphase nicht verlassen — Primärquelle nicht direkt zugänglich; als Orientierungswert verwendet.
• Preisangaben Power BI, Facilio, Planon: Veröffentlichte Tarife und Anbieterangaben (Stand Mai 2026); Planon- und Facilio-Projektkosten aus Erfahrungswerten von FM-Beratungsnetzwerken.

Du willst wissen, ob dein CAFM-System für eine Analytics-Schicht bereit ist — und was der sinnvolle erste Schritt wäre? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.