Immobilienbewertungs-Assistent für FM

Das echte Ausmaß des Problems

Ein FM-Dienstleister kalkuliert nicht eine Immobilie pro Monat — er kalkuliert im Durchschnitt fünf bis fünfzehn Objekte gleichzeitig, je nach Größe des Unternehmens und Akquisitionsintensität. Jede Kalkulation beginnt mit einer Objektbegehung, endet mit einem Angebot und liegt irgendwo dazwischen in einem Graubereich aus manueller Datentransformation, gefühlter Erfahrung und schlechter Vergleichbarkeit.

Das eigentliche Problem ist dabei nicht der Zeitaufwand allein — es ist die strukturelle Informationsasymmetrie: Jeder Kalkulator hat andere Erfahrungen, nutzt andere Vorlagen, gewichtet Risiken anders. Was ein erfahrener Senior-Kalkulator über ähnliche Objekte weiß, ist für seinen Kollegen unsichtbar. Was vor drei Jahren bei einem vergleichbaren Gebäude schiefgelaufen ist, ist irgendwo in einer abgelegten Excel-Datei begraben — wenn es überhaupt dokumentiert wurde.

Das GEFMA-Whitepaper 929 (April 2026, “KI im Immobilien- und Facility Management”) identifiziert genau diesen Bereich — die Standardisierung und KI-gestützte Aufbereitung von Bestandsdaten für Betriebsentscheidungen — als einen der Kernbereiche mit messbarem Mehrwertpotenzial im FM-Bereich. Laut einer GEFMA-Umfrage sehen sich rund zwei Drittel der DACH-FM-Unternehmen durch fehlendes KI-Fachwissen daran gehindert, entsprechende Lösungen einzuführen — obwohl die konkreten Anwendungsfälle vorhanden sind.

Was in der Praxis schief geht, wenn dieser Schritt unterbleibt:

• Unterkalkulation: Das häufigste Risiko. Ein schlecht dokumentiertes Gebäude wird unterschätzt, der Auftrag gewonnen, das erste Betriebsjahr läuft defizitär.
• Überkalkulation aus Sicherheitszuschlägen: Um das Risiko der Unterkalkulation zu kompensieren, werden pauschale Sicherheitsaufschläge eingerechnet — das macht Angebote unattraktiv und Aufträge werden verloren.
• Wissensabhängigkeit von Einzelpersonen: Wenn der Senior-Kalkulator krank ist, krankt der gesamte Kalkulationsprozess.

Die Lösung ist kein Wundersystem, das aus einer schlechten Begehung eine gute Kalkulation macht. Sie ist ein strukturierter Prozess, der aus einer ordentlichen Begehung deutlich schneller und nachvollziehbarer eine fundierte Kalkulation erzeugt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Zeitaufwand-Schätzwerte basieren auf Erfahrungsberichten aus FM-Kalkulationsworkshops (fm-workshops.com). Die Qualitätswerte sind eigene Einschätzungen aus Projekten mit FM-Dienstleistern — keine repräsentative Studie.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Der konkreteste Hebel dieses Anwendungsfalls: Die Zeitersparnis beim Übergang von Begehungsdaten zur fertigen Kalkulationsgrundlage ist real und direkt messbar. Aus sechs bis zehn Stunden manueller Arbeit werden zwei bis drei Stunden — nicht weil die Kalkulation weniger gründlich wird, sondern weil die Rohdatenaufbereitung und der Referenzvergleich automatisiert ablaufen. Die Begehung selbst wird nicht kürzer. Aber alles danach schon.

Kosteneinsparung — mittel (3/5) Die Einsparung ist indirekt: weniger Verlustprojekte durch schärfere Kalkulation, mehr gewonnene Aufträge durch wettbewerbsfähigere Preise ohne übertriebene Risikoaufschläge. Das ist real, aber schwerer zu isolieren als beim Wartungsplan-Auswertung, wo Einsparungen direkt aus Wartungsintervallen messbar sind. Direkte Softwarekosten von 100–300 Euro pro Monat amortisieren sich, sobald ein Verlustprojekt weniger pro Quartal anfällt.

Schnelle Umsetzung — niedrig (2/5) Das ist der ehrliche Haken: Ohne eine strukturierte Referenzdatenbasis aus abgeschlossenen Projekten hat das System nichts zum Vergleichen. Wer heute anfängt, braucht 8–12 Wochen — nicht weil die Technik komplex ist, sondern weil historische Begehungsprotokolle und Abrechnungsdaten zuerst strukturiert erfasst werden müssen. Das ist Aufwand, der sich lohnt, aber nicht übersprungen werden kann.

ROI-Sicherheit — mittel (3/5) Messbar durch Angebotsgenauigkeit (Abweichung Kalkulation vs. Ist-Abrechnung), Angebotserfolgsquote und Marge je Auftrag. Diese Kennzahlen existieren bereits in den meisten FM-Unternehmen — sie müssen nur mit dem System verknüpft werden. In der Praxis berichten FM-Dienstleister von einer spürbaren Verbesserung der Kalkulationsgenauigkeit nach sechs bis zwölf Monaten, sobald die Referenzbasis wächst — aber der Effekt ist erst nach mehreren Projekten statistisch belastbar.

Skalierbarkeit — mittel (3/5) Das System wird mit jedem abgeschlossenen Projekt besser: Mehr Referenzdaten bedeuten schärfere Vergleichswerte. Für einen FM-Dienstleister, der jedes Jahr fünfzig neue Objekte akquiriert, entsteht nach drei bis fünf Jahren eine echte Wissensdatenbank. Die Skalierbarkeit hat aber eine Grenze: Die Referenzbasis muss aktiv gepflegt werden — veraltete Preise, veränderte Lohnkosten und neue Gebäudetypen erfordern regelmäßige Aktualisierung.

Richtwerte — stark abhängig von Unternehmensgröße, Akquisitionsvolumen und Qualität der historischen Dokumentation.

Was der Bewertungsassistent konkret macht

Das System hat drei Kernaufgaben, die zusammen den manuellen Kalkulations-Workflow ersetzen:

1. Begehungsdaten strukturieren Handnotizen, ausgefüllte Formulare, Fotos und mündliche Protokollierungen werden in ein einheitliches, maschinenlesbares Format überführt. Das passiert heute am effektivsten, wenn die Begehung selbst schon strukturiert stattfindet — mit einer standardisierten Checkliste auf dem Smartphone oder Tablet. Ein KI-Agent kann anschließend unstrukturierte Texteingaben in strukturierte Datenpunkte übersetzen: “Flachdach ca. 20 Jahre alt, Bitumenbahn sichtbar gerissen” → { Bauteil: Dach, Typ: Flachdach, Alter_Jahre: ~20, Zustand: mangelhaft, Maßnahme_Priorität: hoch }.

2. Referenzvergleich automatisieren Das Herzstück des Systems: Das strukturierte Begehungsprotokoll wird gegen eine Datenbank abgeschlossener Projekte gespiegelt. Welche ähnlichen Objekte hat das Unternehmen bisher betrieben? Was hat Reinigung, Haustechnik, Instandhaltung dort jeweils tatsächlich gekostet? Der LLM-gestützte Assistent findet die relevantesten Vergleichsobjekte und erklärt die Ähnlichkeiten und Unterschiede — nicht als Blackbox-Zahl, sondern als nachvollziehbaren Begründungstext.

3. Kalkulationsgrundlage generieren Auf Basis der strukturierten Begehungsdaten und der Referenzvergleiche wird ein erster Kalkulationsentwurf generiert — mit Positionen, Mengenangaben, Erfahrungspreisen und Risikohinweisen. Das Ergebnis ist kein fertiges Angebot, das abgeschickt werden kann, sondern eine solide Grundlage, die der Kalkulator in ein bis zwei Stunden auf Vollständigkeit und Plausibilität prüft — statt sechs Stunden damit zu verbringen, diese Grundlage aus dem Nichts aufzubauen.

Der technische Unterbau ist ein RAG-System: eine Kombination aus Vektordatenbank für die Referenzobjekte und einem Generativen KI-Sprachmodell für Analyse und Texterstellung. Das klingt technischer als es ist — in der Praxis bedeutet es, dass du keine eigene Softwareentwicklung brauchst, wenn du einen der unten beschriebenen Werkzeuge-Ansätze wählst.

Die Referenzdatenbasis: Voraussetzung, die du nicht unterschätzen darfst

Das ist der Abschnitt, den andere Guides in einer Fußnote verstecken — er verdient aber einen eigenen Platz, weil er darüber entscheidet, ob das System funktioniert oder nicht.

Ein Bewertungsassistent vergleicht. Wenn er nichts hat, mit dem er vergleichen kann, hilft er dir nicht.

Was das in der Praxis bedeutet:

• Du brauchst mindestens 20–30 strukturierte Referenzobjekte mit abgeschlossenen Betriebsdaten (Fläche, Gebäudetyp, Zustand bei Übernahme, tatsächliche Betriebskosten je Gewerk), bevor der Vergleich statistisch belastbar wird.
• Die Referenzqualität ist wichtiger als die Menge: Ein gut dokumentiertes Objekt mit vollständigen Ist-Kosten ist mehr wert als zehn mit lückenhaften Angaben.
• Die Referenzdaten veralten: Preisindexänderungen, neue Tarifverhandlungen im Reinigungsbereich, veränderte Energiepreise — wenn die Referenzbasis nicht jährlich indexiert wird, kalibriert das System gegen veraltete Kosten.

Wie du die Referenzdatenbasis aufbaust Schau dir deine letzten 20–30 abgeschlossenen Projekte an. Für jedes Objekt brauchst du mindestens: Bruttogrundfläche, Gebäudekategorie (Büro, Schule, Handel, Produktion…), Zustandsbeschreibung bei Übernahme und die tatsächlichen Betriebskosten nach Jahr 1 und Jahr 2 nach Gewerk aufgegliedert. Das ist Aufwand von drei bis fünf Tagen, abhängig davon, wie gut eure historischen Dokumente strukturiert sind. Dieser Aufwand ist einmalig — und er lohnt sich auch unabhängig vom KI-Einsatz, weil du damit endlich weißt, womit du wirklich Geld verdient hast und womit nicht.

Konkrete Werkzeuge — was wann passt

NotebookLM — kostenloser Einstieg ohne Infrastruktur Googles NotebookLM ist der einfachste Weg, sofort zu testen, ob das Konzept für euch funktioniert. Lade zehn bis fünfzehn abgeschlossene Projektprotokolle, Abnahmeberichte und Kalkulationsunterlagen hoch — NotebookLM macht sie direkt befragbar. “Welche Objekte in unserem Portfolio hatten Flachdächer mit Sanierungsbedarf, und was haben wir dort tatsächlich kalkuliert?” Das ist kein produktionsfähiger Ersatz, aber ein Proof of Concept in einer Stunde. Kostenlos mit Google-Account.

ChatGPT mit Datei-Upload (ab Plus-Tarif) — für strukturierte Einzelanalysen Für die Rohdatenaufbereitung einzelner Begehungsprotokolle ist ChatGPT mit Datei-Upload sehr gut geeignet: Lade ein Begehungsprotokoll als PDF oder Word-Dokument hoch und bitte das Modell, die relevanten Daten strukturiert zu extrahieren. Das Ergebnis ist eine tabellarische Aufstellung, die du direkt in dein Kalkulationstool übernehmen kannst. Preis: 20 Euro/Monat für den Plus-Tarif. Einschränkung: Kein direkter Referenzvergleich mit eigenen historischen Projekten, solange du diese nicht im Kontext mithochladest.

Claude mit Projects-Feature — für strukturiertes Arbeiten mit größerem Kontextvolumen Claudes 200.000-Token-Kontextfenster macht es zum besten frei verfügbaren Werkzeug, wenn ein Begehungsprotokoll viele Seiten umfasst oder wenn du mehrere Referenzprojekte gleichzeitig im Kontext haben willst. Mit dem “Projects”-Feature kannst du Referenzprojekt-Dokumente dauerhaft im Kontext ablegen — jede neue Begehungsauswertung läuft damit gegen dieselbe Wissensbasis. Preis: 20–25 Euro/Monat (Pro/Team-Plan).

Airtable als strukturierte Referenzdatenbank Für den mittelfristigen Aufbau der Referenzdatenbasis ist Airtable ein sinnvolles Werkzeug: Strukturierte Erfassung aller historischen Objekte mit definierten Feldern (Gebäudetyp, BGF, Zustand, Gewerkekosten), automatisierbare Verknüpfungen und eine API, über die du externe KI-Tools andocken kannst. Preis: ab 20 Euro/Nutzer/Monat (Team-Tarif); für das erste Jahr reicht oft die kostenlose Version. Kein KI-Tool selbst, aber die Datenbasis, auf der ein KI-Tool arbeiten kann.

Azure Document Intelligence — für skalierbare Dokumentenextraktion Für FM-Dienstleister, die monatlich zehn oder mehr Begehungsprotokolle in unterschiedlichen Formaten verarbeiten, wird ein manueller Copy-paste-Ansatz schnell zum Flaschenhals. Azure Document Intelligence extrahiert strukturierte Daten aus PDFs, Scans und Formularen automatisch — mit einem definierten Extraktionsschema. Das erfordert initiale Konfiguration (ca. 2–4 Tage Einrichtungsaufwand mit technischer Unterstützung), skaliert dann aber ohne proportionalen Mehraufwand. Preis: verbrauchsbasiert, ca. 1,50–3 Euro je 1.000 verarbeitete Seiten.

Make.com zur Workflow-Automatisierung Wer die einzelnen Schritte verbinden will — Begehungsformular füllen, Daten in Airtable schreiben, KI-Analyse triggern, Kalkulationsentwurf per E-Mail versenden — kann das mit Make.com ohne Code verbinden. Make ist ein visueller Workflow-Builder, der APIs verbindet. Einrichtungsaufwand: ein bis zwei Tage für einen einfachen Workflow. Preis: ab 9 Euro/Monat.

Zusammenfassung: Wann welcher Ansatz

• Einfacher Test ohne Investition → NotebookLM kostenlos
• Einzelne Protokolle aufbereiten, sofort starten → ChatGPT Plus
• Mehr Kontext, strukturiertes Arbeiten → Claude mit Projects
• Referenzdatenbasis strukturiert aufbauen → Airtable
• Dokumentenextraktion im Volumen → Azure Document Intelligence
• Workflow-Verbindung mehrerer Tools → Make.com

Datenschutz und Datenhaltung

Begehungsprotokolle enthalten zwar in der Regel keine personenbezogenen Daten im engeren Sinne — aber Gebäudedaten können unter bestimmten Umständen sensibel sein: Sicherheitslücken, technische Mängel, Informationen über kritische Infrastruktur. Wichtiger als DSGVO-Compliance im engeren Sinne ist hier die Vertraulichkeit gegenüber dem Auftraggeber: Begehungsdaten, die du an einen US-Cloud-Dienst sendest, verlassen den kontrollierten Bereich.

Konkret für die genannten Tools:

• NotebookLM: Google-Infrastruktur, primär US-Server. Für interne Tests ohne vertrauliche Kundendaten vertretbar. Für produktiven Einsatz mit echten Begehungsprotokollen des Auftraggebers: AVV prüfen, ob Google Workspace for Business mit EU-Datenregion konfiguriert ist.
• ChatGPT / Claude: US-gehostet in der Standard-Konsumentenversion. Für vertrauliche Begehungsdaten: über API mit Azure OpenAI Service (EU-Region) oder Claude via AWS Bedrock (Frankfurt) — das erfordert technische Einrichtung, bietet dann aber EU-Datenresidenz und einen vollständigen AVV.
• Airtable: US-gehostet, AVV auf Anfrage. Für interne Referenzdaten ohne Kundenbezug meist unproblematisch; für Kundendaten Datenminimierung empfohlen.
• Azure Document Intelligence: Microsoft, EU-Region konfigurierbar — derzeit die sauberste DSGVO-Option für die automatisierte Dokumentenverarbeitung.

Pragmatische Empfehlung: Anonymisiere Begehungsprotokolle vor dem Upload, wo das möglich ist — streiche Eigentümernamen und Adressen, behalte Gebäudeparameter. Das reduziert das DSGVO-Risiko erheblich und ist bei einer reinen Kalkulationsnutzung meist ausreichend.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten Der größte Posten ist nicht die Software, sondern die initiale Datenaufbereitung: Historische Projekte strukturiert erfassen, Referenzdatenbasis anlegen, Begehungsformular standardisieren. Erfahrungsgemäß: 3–5 Tage interner Aufwand + optional 1–2 Tage externer Beratung für die KI-Tool-Konfiguration.

• Interne Kosten (3–5 Tage Mitarbeitzeit): 1.500–3.000 Euro Opportunitätskosten
• Externe Konfigurationshilfe (optional): 1.000–2.500 Euro
• Software-Einrichtung: 0–500 Euro einmalig

Laufende Kosten (monatlich) Abhängig vom gewählten Ansatz:

• Einstiegslösung (NotebookLM + ChatGPT): 20 Euro/Monat für ChatGPT Plus
• Professionelle Lösung (Claude + Airtable + Make.com): ca. 60–80 Euro/Monat
• Skalierbare Lösung (Azure Document Intelligence + Airtable + Make.com): 100–250 Euro/Monat je nach Volumen

Was du dagegenrechnen kannst Ein FM-Dienstleister mit fünf Kalkulatoren, die je zehn Angebote pro Monat erstellen: Wenn jede Kalkulation von acht auf drei Stunden sinkt, spart das 250 Stunden pro Monat. Bei einem internen Stundensatz von 35–50 Euro: 8.750–12.500 Euro monatlich in eingesparter Kalkulations-Arbeitszeit — plus der schwerer messbare Effekt weniger Verlustprojekte.

Selbst im konservativen Szenario (50 Prozent weniger Zeitersparnis in den ersten Monaten, weil Referenzdatenbasis noch wächst): 4.000–6.000 Euro Zeitersparnis bei 60–250 Euro Softwarekosten.

Wie du den ROI tatsächlich misst Nicht durch die theoretische Rechnung, sondern durch drei KPIs, die FM-Unternehmen ohnehin kennen: (1) Abweichung Kalkulations- vs. Ist-Kosten in den ersten zwölf Betriebsmonaten pro Objekt, (2) Angebotsgewinnquote im Zeitverlauf, (3) Kalkulationszeit je Objekt in Stunden. Wer diese Zahlen vor und nach der Einführung vergleicht, hat einen belastbaren ROI-Beweis — keine Hochrechnung.

Typische Einstiegsfehler

1. Die Begehung bleibt unstrukturiert. Der häufigste Fehler: Das KI-Tool wird eingeführt, aber die Begehung selbst läuft weiterhin mit freien Handnotizen und uneinheitlichen Fotos ab. Das System kann strukturieren, was strukturierbar ist — aber aus wirklich unstrukturierten Eingaben entsteht kein verlässlicher Output. Der erste Schritt vor dem KI-Einsatz ist ein standardisiertes Begehungsformular: Zwanzig bis dreißig definierte Felder, die bei jeder Begehung gleich ausgefüllt werden. Das allein spart schon Zeit, auch ohne KI.

2. Zu wenige Referenzdaten beim Start. Wer mit zehn historischen Projekten anfängt und erwartet, dass das System sofort treffsichere Vergleichswerte liefert, wird enttäuscht. Mit zehn Projekten kann das System grobe Muster erkennen, aber keine statistisch belastbaren Kostenwerte liefern. Mindestens zwanzig bis dreißig vergleichbare Referenzobjekte sind der realistische Schwellenwert für verlässliche Ergebnisse. Das bedeutet: Entweder man wartet, bis diese Datenbasis organisch gewachsen ist, oder man investiert zwei bis drei Wochen in die retrospektive Aufbereitung historischer Projekte.

3. Das System wird als Entscheidung behandelt, nicht als Grundlage. Das häufigste Missverständnis in der Einführungsphase: “Der KI-Vorschlag sagt 48.000 Euro — das tippen wir so ein.” Ein KI-generierter Kalkulationsentwurf ist eine Arbeitshypothese, keine Unterschrift. Die Plausibilitätsprüfung durch den Kalkulator ist nicht optional. Das System reduziert die Recherche- und Strukturierungsarbeit erheblich — aber das Urteilsvermögen erfahrener Mitarbeitender für Sondersituationen (Altbauten, Industriegebäude, besondere Gefährdungslagen) bleibt unverzichtbar.

4. Die Referenzdatenbasis wird nach dem Start nicht gepflegt. Das ist der stille Verfall: Preisindizes ändern sich, Lohntarife steigen, die Kostenstruktur bei Reinigung, Sicherheit und Haustechnik verändert sich jedes Jahr. Eine Referenzdatenbasis, die 2024 aufgebaut wurde und bis 2027 nie aktualisiert wird, kalibriert das System gegen veraltete Kostenrealitäten. Einmal jährlich Preisindexanpassung und Überprüfung der teuersten Gewerke ist das Minimum für anhaltende Kalkulations-Qualität.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist handhabbar. Die größere Herausforderung ist das Umdenken im Prozess.

Erfahrene Kalkulatoren reagieren oft mit Skepsis, weil ihr implizites Wissen plötzlich explizit gemacht werden soll — und das fühlt sich wie eine Kontrolle der eigenen Arbeit an, nicht wie Unterstützung. Dieser Widerstand ist nachvollziehbar und lässt sich entschärfen: Binde die erfahrensten Kalkulatoren in den Aufbau der Referenzdatenbasis ein. Wer die Wissensbasis mitgestaltet hat, verteidigt sie statt sie zu umgehen. Konkret: Lass sie die dreißig Referenzobjekte auswählen und die Kosten-Kategorien definieren.

Der erste Monat enttäuscht meistens, weil die Referenzdatenbasis noch dünn ist und der Assistent vorsichtige Bandbreiten statt konkreter Werte liefert. Das ist kein Fehler des Systems, sondern das ehrliche Spiegelbild der eigenen Datenbasis. Kommuniziere das im Team vorher: “Wir bauen das System auf. In Monat sechs ist es besser als heute. In Jahr zwei ist es deutlich besser als in Monat sechs.”

Was nicht passiert: Der Kalkulator wird nicht ersetzt. Niemand im FM-Bereich nimmt ein KI-Angebot ungeprüft an — zu hoch ist das Risiko eines Vertragsjahres im Defizit. Was passiert: Die Vorbereitung wird schneller und nachvollziehbarer, der Kalkulator kann sich auf die schwierigen Fragen konzentrieren statt auf die Datentransformation.

Konkrete Einführungshilfe

• Begehungsformular vor dem KI-Start standardisieren (eine Woche vor dem Pilotbeginn)
• Pilotgruppe: zwei bis drei Kalkulatoren, nicht das gesamte Team auf einmal
• Evaluationszeitraum kommunizieren: drei Monate, bevor irgendwelche Urteile gefällt werden
• Jedes schlechte KI-Ergebnis als Signal behandeln: “Was fehlt in der Referenzdatenbasis?”

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben kein KI-Know-how im Haus.” Für den Einstieg mit NotebookLM oder ChatGPT braucht man kein KI-Know-how — nur die Bereitschaft, ein Prompt-Dokument einmal durchzulesen und zehn historische Projekte hochzuladen. Das dauert einen Arbeitstag. Der komplexere Ansatz mit Azure Document Intelligence und Make.com braucht technische Unterstützung für die Einrichtung — einmalig, kein Daueraufwand.

„Unsere Begehungsprotokolle sind alle unterschiedlich.” Das ist der zweitverbreiteste Einwand — und gleichzeitig der stärkste Grund, jetzt anzufangen. Die KI ist erstaunlich gut darin, unstrukturierte Texte zu normalisieren. Aber der Hauptgewinn kommt nicht davon, das Problem zu akzeptieren, sondern es zu lösen: Ein einheitliches Begehungsformular spart Zeit, unabhängig vom KI-Einsatz. Nutze die KI-Einführung als Anlass, diesen Schritt endlich zu machen.

„Und wenn der KI-Assistent etwas Falsches kalkuliert?” Das wird passieren — in der Einführungsphase öfter, später seltener. Ein schlecht kalibrierter KI-Vorschlag ist aber keine Gefahr, solange der Kalkulator ihn als Vorschlag behandelt und nicht als Entscheidung. Die eigentliche Gefahr ist anders: Ein erfahrener Kalkulator, der sich auf sein internes Bauchgefühl verlässt ohne Referenzpunkte, kalkuliert auch manchmal falsch — und dann gibt es keine Nachvollziehbarkeit, warum. Das System macht Fehler sichtbar und korrigierbar.

Woran du merkst, dass das zu dir passt

• Du stellst pro Jahr mehr als zwanzig Angebote für neue Objekte — ab dieser Menge rentiert sich der Aufbau der Referenzdatenbasis
• Deine Kalkulation dauert regelmäßig länger als sechs Stunden je Objekt, und das ist kein Ausnahmefall
• Dein Kalkulations-Know-how hängt an einer oder zwei Personen, die als Single Point of Failure wirken
• Du gewinnst Aufträge, bei denen du hinterher merkst, dass du zu günstig kalkuliert hast — mehr als einmal pro Jahr
• Ihr habt mindestens fünfzehn bis zwanzig abgeschlossene Projekte mit dokumentierten Ist-Kosten, auf die ihr zurückgreifen könnt

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

1. Weniger als fünfzehn historische Projekte mit dokumentierten Betriebskosten. Der Referenzvergleich ist das Kernversprechen des Ansatzes. Ohne belastbare Referenzdaten produziert das System informierte Schätzungen — nicht besser als die manuelle Methode, die du bereits hast. Investiere zuerst in die Dokumentation laufender und abgeschlossener Projekte. Das KI-System kommt danach.

2. Jedes Objekt ist ein Unikat ohne Vergleichbarkeit. FM-Dienstleister, die ausschließlich Spezialimmobilien betreuen (z.B. Rechenzentren, Laborgebäude, historische Baudenkmäler), haben keine konvergente Vergleichsbasis. Wenn kein Referenzobjekt dem nächsten wirklich ähnelt, hilft der Mustervergleich wenig. Für solche Unternehmen ist ein KI-Assistent für Textstrukturierung und Dokumentengenerierung sinnvoll — aber kein Kalkulationsassistent im eigentlichen Sinne.

3. Deine Begehungsprotokolle sind primär in Form von Fotos ohne schriftliche Kommentare. Reine Bild-Dokumentation erfordert Computer-Vision-Lösungen, die deutlich mehr Einrichtungsaufwand bedeuten und technische Vorkenntnisse voraussetzen. Für den in diesem Artikel beschriebenen Ansatz brauchst du Textprotokoll-Elemente als Eingabe — entweder handgeschrieben, diktiert oder formularbasiert.

Das kannst du heute noch tun

Öffne NotebookLM — kostenlos, kein Setup. Lade zwei bis drei abgeschlossene Begehungsprotokolle deiner letzten Projekte hoch, plus die dazugehörigen finalen Kalkulationen. Stelle dann eine Frage, die du bei eurer nächsten Akquise stellen würdest: “Welche Kostenpositionen haben bei ähnlichen Bürogebäuden in der Vergangenheit am häufigsten die Kalkulation überschritten?”

Das dauert zwanzig Minuten. Was du danach weißt: ob das Konzept mit eurer Dokumentenbasis überhaupt funktioniert — bevor du irgendetwas kaufst oder konfigurierst.

Für die KI-gestützte Aufbereitung eines einzelnen Begehungsprotokolls direkt heute kannst du diesen Prompt in ChatGPT (Plus oder Team) oder Claude verwenden — einfach das Protokoll als Datei hochladen oder den Inhalt direkt einfügen:

Quellen & Methodik

• GEFMA Whitepaper 929 „KI im Immobilien- und Facility Management” (April 2026, aktualisierte Ausgabe): Identifiziert strukturierte Bestandsdatenaufbereitung und KI-gestützte Entscheidungsgrundlagen als Kernanwendungsfälle mit messbarem Mehrwert im FM. Kostenlos im GEFMA-Onlineshop verfügbar. Quelle für DACH-Markteinschätzung (64 % fehlendes KI-Fachwissen als Haupthindernis).
• STRABAG AG / Carl von Ossietzky Universität Oldenburg, „Kalkulation.KI” (laufendes Forschungsprojekt, 2020–2026): Untersucht die automatisierte Angebotsbearbeitung und -kalkulation im Bauwesen mittels Text Mining und Machine Learning. Belegt, dass geometrisch ähnliche Projekte nicht zwingend kostenmäßig vergleichbar sind — zentrale Einschränkung, die auch für FM-Kalkulationsassistenten gilt. Dokumentiert auf kalkulation-ki.com.
• fm-workshops.com, „Kalkulation von FM-Leistungen”: Praxisleitfaden zur strukturierten Kalkulation im FM-Bereich, Grundlage für Zeitaufwandsschätzungen in der Angebotsphase.
• Facilio, „Facility Condition Assessment: 6-Step Guide + AI Checklist” (2025/2026): Strukturierter Leitfaden für AI-gestützte Gebäudezustandsbewertung; AI-Agent-Ansätze für Compliance, Inspection und Reporting im FM-Kontext. facilio.com/blog/facilities-condition-assessment
• Preisangaben Tools: Veröffentlichte Tarife von ChatGPT (OpenAI), Claude (Anthropic), NotebookLM (Google), Airtable und Azure Document Intelligence (Microsoft) — Stand Mai 2026.

Du willst wissen, ob eure historischen Projektdaten ausreichen, um mit diesem Ansatz zu starten, oder wie ihr das Begehungsformular sinnvoll standardisiert? Meld dich — das klären wir gemeinsam.