KI-gestützte Digitalisierung des Leitungskatasters

Das echte Ausmaß des Problems

Die deutschen Gasverteilnetze wurden über Jahrzehnte gebaut — von den 1950er bis in die 1990er Jahre. Die Dokumentationspraktiken dieser Jahrzehnte waren so unterschiedlich wie die Unternehmen, die die Netze betrieben haben. Was dabei entstanden ist, ist kein einheitlicher Datenbestand, sondern eine Schichttorte aus:

• Papier-Bestandsplänen (Lichtpausen, Zeichenpapier, Millimeterpapier) aus verschiedenen Jahrzehnten
• CAD-Daten aus den 1980er–1990er Jahren in veralteten Formaten (AutoCAD 2000, DXF ohne Attributstruktur, teilweise als Rasterbild statt als Vektoren)
• GIS-Daten, die in den 2000er–2010er Jahren aufgebaut wurden, aber oft nur die neueren Baumaßnahmen erfassen
• Montageprotokollen und Abnahmeberichten in Papierform, deren Daten nie digitalisiert wurden
• Lücken, wo Papierbestände verloren gegangen sind, Unternehmen fusioniert haben oder Aufnahmen aus Spargründen nie gemacht wurden

Nach Einschätzungen aus der Branche haben mittelgroße Gasnetzbetreiber (200–1.000 km Netzlänge) zwischen 20 und 40 % ihres Netzes in einem Dokumentationszustand, der eine vollständige automatische GIS-Abfrage nicht erlaubt. In einigen älteren Netzsegmenten in Ostdeutschland liegt der Anteil noch höher.

Das hat drei direkte Konsequenzen:

1. KRITIS-Compliance-Risiko: KRITIS-Betreiber (>420 GWh/Jahr) müssen laut IT-SiG und DVGW G 401 eine vollständige und aktuelle Dokumentation ihres Netzes vorhalten. DVGW G 401 ist das zentrale Arbeitsblatt für Leitungskataster: Es definiert, welche Attribute ein Kataster enthalten muss (Material, Nennweite, Verlegejahr, Druckstufe, Lagegenauigkeit) und welche Qualitätsanforderungen gelten. Unvollständige GIS-Bestände sind ein Prüfungsrisiko bei BSI-Audits.

2. Netzanschluss-Verzögerungen: Wenn ein Netzanschluss-Antrag einen Bereich betrifft, für den keine GIS-Daten vorliegen, muss der Planer erst archivrecherchieren — das kostet 2–4 Stunden pro Anfrage und verzögert die Bearbeitungsfrist nach GasNZV §24 (Netzanschluss).

3. Keine H2-Readiness-Bewertung möglich: Eine KI-gestützte H2-Klassifikation (vgl. KI-gestützte H2-Readiness-Bewertung) setzt voraus, dass Rohrmaterial, Nennweite und Baujahr im Kataster stehen. Fehlen diese Felder, endet die automatische Bewertung mit “Klärungsbedarf” — und der Klärungsaufwand landet wieder im Archiv.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die KI-Erkennungsquoten beziehen sich auf strukturierte technische Zeichnungen in gutem Zustand. Handschriftliche Notizen, stark verblasste Lichtpausen und CAD-Dateien ohne Attributstruktur erfordern immer manuelle Nachbearbeitung. ¹ Keine repräsentative Erhebung — eigene Schätzung auf Basis von OCR- und GIS-Digitalisierungsprojekten.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Was manuell Monate dauert, dauert mit KI-Unterstützung Wochen. Das ist ein echter Beschleunigungsfaktor — besonders, wenn ein Digitalisierungsprojekt zeitlich begrenzt ist (z. B. vor einer KRITIS-Prüfung oder vor dem Einreichungstermin für den Netzentwicklungsplan). Allerdings: Der KI-Output braucht immer eine Qualitätsprüfung. Die Zeitersparnis ist real, aber nicht absolut.

Kosteneinsparung — mittel (3/5) Die Kosten-Einsparung gegenüber rein manueller Digitalisierung ist real, aber begrenzt. KI ersetzt nicht den gesamten manuellen Aufwand, sondern reduziert ihn um 40–60 %. Der Nutzen der Digitalisierung selbst ist außerdem indirekt — er zeigt sich in schnellerer Netzanschlussbearbeitung, KRITIS-Compliance und H2-Bewertbarkeit, nicht in einem direkt buchbaren Kostenvermeidungsposten.

Schnelle Umsetzung — mittel (3/5) Scan-Infrastruktur, Bildqualität und Planmengen entscheiden über die Umsetzungsgeschwindigkeit. Wenn 5.000 Pläne in guter Scan-Qualität bereits digital vorliegen, ist ein Pilotbetrieb in 4–6 Wochen möglich. Wenn zuerst 20.000 Papierrollen gescannt werden müssen, verlängert sich das auf 6–12 Monate allein für die Scan-Phase.

ROI-Sicherheit — mittel (3/5) Der ROI der Digitalisierung ist real, aber schwer direkt zu beziffern. Niemand kann genau sagen, wie viele Netzanschlüsse durch bessere Katasterdaten schneller bearbeitet wurden — oder wie viel eine BSI-KRITIS-Prüfung gekostet hätte, die durch vollständige Dokumentation vermieden wurde. Der Nutzen ist da, aber er ist verteilt auf viele nachgelagerte Prozesse.

Skalierbarkeit — hoch (4/5) Das Digitalisierungssystem kann kontinuierlich genutzt werden: Neue Baumaßnahmen, neue Abnahmeprotokolle, aktualisierte Bestandspläne — alles kann durch denselben Prozess laufen. Das unterscheidet es von einem einmaligen Migrationsprojekt.

Richtwerte — stark abhängig von Scan-Qualität, Planmenge und Anteil handschriftlicher Dokumentation.

Was das System konkret macht

Die Digitalisierung läuft in vier technischen Schritten:

Schritt 1: Dokumentvorbereitung und Scan-Qualitätsbewertung Nicht alle Bestandspläne sind gleich gut digitalisierbar. Das System klassifiziert gescannte Dokumente in drei Qualitätskategorien: Hohe Qualität (klare Linien, lesbare Beschriftung, automatische Extraktion möglich), Mittlere Qualität (teilweise verblasst, handschriftliche Ergänzungen, KI-Extraktion mit Unsicherheitsflag), Niedrige Qualität (starke Beschädigungen, nicht lesbare Bereiche, manuelle Erfassung notwendig). Diese Vorsortierung verhindert, dass schlechte Extraktion ohne Warnung ins GIS einfließt.

Schritt 2: Computer Vision und OCR für Planextraktion Das System erkennt in technischen Zeichnungen Linienverläufe (Rohrachsen), Symbole (Absperrarmaturen, Druckregler, Hausanschlüsse), Bemaßungen und Beschriftungen. OCR extrahiert Text-Labels für Rohrmaterial (z. B. “St 37.0 DN 100”, “PE 63 x 5.8”, “GGG 50”), Druckstufe und Baujahr aus Legendenfeldern und Beschriftungen. Für handschriftliche Ergänzungen wird ein handwriting-recognition-optimiertes Modell eingesetzt — mit deutlich niedrigerer Erkennungsrate als bei Drucktext (60–75 % statt 85–92 %).

Schritt 3: LLM-gestützte Attributextraktion aus Freitextdokumenten Montageprotokolle, Abnahmeberichte und Feldnotizen enthalten Informationen, die nicht in einer Zeichnung stehen: “Verlegung 1,4 m tief, Rohr von Schacht A3 bis Hausanschluss Nr. 47, PE 80 DN 63, aufgegraben wegen Frostschaden Januar 1993”. Ein LLM extrahiert aus solchen Freitexten strukturierte Attribute (Material, Tiefe, Referenzpunkte, Anlass der Maßnahme) und zugehörige Unsicherheitsgrade.

Schritt 4: GIS-Import mit Qualitäts-Flags Jeder ins GIS importierte Datensatz trägt ein Qualitäts-Flag: Automatisch extrahiert, hohe Konfidenz, Automatisch extrahiert, Überprüfung empfohlen, Manuell erfasst. Planende und Techniker sehen sofort, welchen Daten sie vertrauen können und welche noch überprüft werden sollten.

Was das System nicht kann

Rohrlagedaten ohne irgendeine Quelldokumentation herstellen. Wenn es für einen Netzteil keine Zeichnungen und keine Dokumente gibt — weil sie verloren gegangen sind — bleibt nur die Ortung im Feld. Das ist kein KI-Problem, sondern ein Dokumentationsproblem, das Feldarbeit erfordert.

Risikohinweise und Haftung

Katasterdaten haben direkte Auswirkungen auf Sicherheitsentscheidungen: Wenn ein Bauherr auf Basis von GIS-Daten gräbt und eine Leitung 4 Meter neben dem eingetragenen Verlauf trifft, ist das ein Schaden- und Haftungsfall.

Deshalb gilt für alle KI-extrahierten Katasterdaten:

• Qualitäts-Flags sind Pflicht: Jeder Datensatz, der automatisch extrahiert wurde, muss als solcher gekennzeichnet sein — nicht als gleichwertig mit manuell verifizierten Daten
• Keine Weitergabe ohne Verifikation: KI-extrahierte Lagedaten dürfen nicht ohne Stichprobenverifikation als Leitungsauskunft an Dritte weitergegeben werden
• DVGW G 401: Das primäre Arbeitsblatt für Leitungskataster definiert den Mindestinhalt eines normengerechten Katasters. KI-extrahierte Daten müssen diese Pflichtattribute liefern können — fehlende Felder sind als solche zu kennzeichnen, nicht wegzulassen
• DVGW G 401: Das zentrale Arbeitsblatt für Leitungskataster definiert, welche Attribute vollständig und aktuell vorzuhalten sind. KI-extrahierte Daten müssen nachvollziehbar als “ungeprüft” oder “plausibel, unverifiziert” dokumentiert sein

Klär mit deinem Haftungsverantwortlichen: Wie müssen KI-extrahierte Katasterdaten intern und extern kommuniziert werden, bevor sie als zuverlässig gelten?

Datenvorbereitung als Voraussetzung

Der häufigste Stolperstein ist nicht das KI-Modell, sondern der Scan-Bestand:

Scan-Qualität: Papier-Bestandspläne, die jahrzehntelang in feuchten Kellerarchiven lagen, sind oft schlecht scanbar. Empfehlung: Professioneller Scan-Dienstleister mit 300–600 dpi, Farb- oder Graustufen (nicht Schwarzweiß), automatischer Schiefekorrektur. Das ist eine einmalige Investition, die sich lohnt.

Koordinatensystem: Viele ältere Pläne haben keine Georeferenzierung — sie zeigen relative Lagen, aber keine absoluten Koordinaten. Das Georeferenzierungsmodul braucht Passpunkte (bekannte Positionen in der Zeichnung, die mit realen GIS-Koordinaten verknüpft werden). Das geht automatisch für Pläne mit Maßstabsangaben und erkennbaren Referenzpunkten, aber nicht für Pläne ohne diese Ankerpunkte.

Ältere CAD-Formate: AutoCAD DXF aus den 1980er–1990er Jahren oft ohne Attributdaten (Rohrmaterial steht im Layer-Namen, nicht als Attribut). Konvertierung in moderne, attributierte Formate ist Voraussetzung.

Konkrete Werkzeuge — was wann passt

ABBYY FlexiCapture — Für die Massenextraktion aus gescannten Bestandsplänen die bewährteste Wahl im deutschen Markt. ABBYY FlexiCapture kann auf technische Zeichnungen trainiert werden und extrahiert Textlabels, Maße und Symbole mit hoher Genauigkeit. On-Premise-Betrieb möglich — wichtig für KRITIS-Betreiber, die Katasterdaten nicht in externe Clouds senden wollen. Für handschriftliche Ergänzungen sind die Erkennungsraten begrenzt.

Azure OpenAI Service — Für die Freitext-Extraktion aus Montageprotokollen und Abnahmedokumenten. GPT-4o kann aus unstrukturiertem Text strukturierte Attribute extrahieren — Material, Tiefe, Datum, Referenz-Schachtnummer. EU-Region verfügbar, AVV erhältlich. Für die Digitalisierung ist die LLM-Schicht nur eine Ergänzung zur OCR — nicht das Hauptwerkzeug.

GIS-Integration (ESRI ArcGIS / QGIS): Kein KI-Tool, aber die Zielplattform. KI-extrahierte Daten müssen in ein GIS-konformes Format (Shapefile, GeoJSON, GDB) konvertiert werden. ESRI ArcGIS ist Standard bei größeren Netzbetreibern und hat eingebaute Digitalisierungs-Workflows. QGIS (Open Source) ist für mittlere Betreiber die kosteneffiziente Alternative.

Spezialisierte Digitalisierungsdienstleister: Unternehmen wie GISquadrat, equadrat engineering oder Barthauer Software bieten fertige Leitungskataster-Digitalisierungs-Dienste mit eigener Software und Planungsexpertise an. Für Betreiber, die keine eigene KI-Infrastruktur aufbauen wollen, ist das oft der schnellere Weg — zu Kosten von 8–20 € je Plan.

Wann welcher Ansatz:

• Pläne bereits digital (DXF/PDF), Volumen >2.000 → ABBYY FlexiCapture + GIS-Integration
• Viel Freitext (Montageprotokolle) → Azure OpenAI für Attributextraktion
• Kein eigenes Digitalisierungsteam → Dienstleister beauftragen
• KRITIS-Betreiber mit On-Premise-Pflicht → ABBYY On-Premise, keine Cloud-OCR

Datenschutz und Datenhaltung

Leitungskatasterdaten haben keinen personenbezogenen Charakter im klassischen DSGVO-Sinne — Rohrlageangaben, Materialien und Einbaujahre sind keine Personendaten. Ausnahme: Hausanschlussadressen, die einem Eigentümer zugeordnet werden können.

Für KRITIS-Betreiber gelten dennoch strenge Anforderungen: Detaillierte Infrastrukturkarten der Gasversorgungsinfrastruktur sind sicherheitssensible Informationen. Das BSI empfiehlt in seinen KRITIS-Richtlinien, Infrastrukturkataster nur in eigenen oder zertifizierten Rechenzentren zu verarbeiten — keine Übermittlung an US-Cloud-Dienste für Produktionsszenarien.

Praxisempfehlung: Für den Scan- und OCR-Prozess On-Premise-Tools einsetzen (ABBYY On-Premise). Für die LLM-Freitext-Extraktion Azure OpenAI EU-Region nutzen — aber keine vollständigen Infrastrukturkarten in die Cloud senden, sondern nur isolierte Text-Fragmente aus Montageprotokollen.

Was es kostet — realistisch gerechnet

Pilotprojekt (500 Bestandspläne, Machbarkeitstest):

• Scan-Dienstleister: 2.500–4.000 €
• Software-Einrichtung (ABBYY oder ähnlich): 5.000–15.000 €
• Pilotbetrieb und Qualitätsvalidierung: 5.000–10.000 €

Vollprojekt (5.000 Bestandspläne, mittlerer Netzbetreiber):

• Scan-Vorbereitung und -Durchführung: 15.000–30.000 €
• KI-Extraktion und GIS-Import: 25.000–50.000 €
• Manuelle Korrekturrunde (20–30 % der Pläne): 15.000–30.000 €
• Qualitätssicherung und Abnahme: 5.000–10.000 €
• Gesamt: 60.000–120.000 €

Vergleich zu manuellem Ansatz: Rein manuelle Digitalisierung von 5.000 Plänen zu je 20 €/Plan (Marktpreis externer Dienstleister) = 100.000 €. KI-gestützt: 60.000–120.000 € je nach Planqualität. Der Kostenvorteil ist real, aber nicht dramatisch — der eigentliche Vorteil ist die Geschwindigkeit (6–10 Wochen statt 6–12 Monate). Bei kleinen, gut dokumentierten Planbeständen kann manuelle Digitalisierung günstiger sein — der KI-Vorteil liegt dann ausschließlich in der Geschwindigkeit und Konsistenz.

Typische Einstiegsfehler

Fehler 1: Scan-Qualität nicht vorab testen Es reicht nicht, 50 Pläne zu scannen und zu sagen: “Sieht gut aus.” Die KI-Erkennungsqualität variiert stark je nach Plantyp, Alter, Beschriftungsart und Papierzustand. Führe vor dem Vollprojekt einen Qualitätstest mit repräsentativen Planbeispielen durch — alte Lichtpausen, Pläne mit Handschrift, verblasste Tinten. Das verhindert böse Überraschungen nach 3.000 gescannten Plänen.

Fehler 2: GIS-Datenmodell nicht vorab klären KI-extrahierte Attribute sind nur dann sinnvoll, wenn das GIS-Datenmodell bereits definiert ist: Welche Felder gibt es, welche Wertelisten gelten, welches Koordinatensystem wird verwendet? Wenn das Datenmodell erst während der Digitalisierung entwickelt wird, entstehen Inkonsistenzen, die nachträglich aufwendig zu korrigieren sind.

Fehler 3: Georeferenzierung als Selbstläufer behandeln Das Georeferenzieren älterer Pläne ohne absolute Koordinatenangaben ist die anspruchsvollste Aufgabe. Automatische Georeferenzierung funktioniert gut bei Plänen mit Maßstab und erkennbaren Fixpunkten — aber schlecht bei Skizzen und Schemazeichnungen. Wer diesen Schritt unterschätzt, stellt fest, dass 40 % der Extraktion zwar korrekte Attribute haben, aber keine verwertbare Lage.

Fehler 4: Digitalisierung als Einmalprojekt behandeln — ohne Rückspielprozess Das häufigste Scheitern kommt nicht in der Projektphase, sondern danach: Das GIS wird einmalig digitalisiert — und dann läuft der parallele Papierprozess weiter. Neue Baumaßnahmen, Leitungsverlegungen und Absperrarmaturenwechsel werden weiter in Papierprotokolle eingetragen, nicht ins GIS zurückgespielt. Nach 18 Monaten ist das digitale Kataster bereits wieder veraltet. Die Lösung muss von Anfang an mitgeplant werden: Der Baumaßnahmen-Rückspielprozess — wer trägt was wann ins GIS ein, wie wird die Vollständigkeit geprüft — muss vor dem Go-live definiert und ins Tagesgeschäft integriert sein. Ein gutes Kataster ist kein Zustand, sondern ein Prozess.

Was mit der Einführung wirklich passiert — und was nicht

Die erste Überraschung: Der Zustand des Planbestands ist schlechter als erwartet. Das ist fast immer so. Pläne fehlen, sind doppelt vorhanden (mit unterschiedlichem Stand), oder die Beschriftung ist in einer Schrift aus den 1960er Jahren, die kein OCR-Modell direkt erkennt.

Die zweite Überraschung: Die GIS-Abteilung und das Netzplanungsteam haben unterschiedliche Vorstellungen davon, was ein “vollständiger” Kataster bedeutet. Diese Diskussion muss am Anfang geführt werden, nicht nach der Digitalisierung.

Was gut funktioniert: Neuere Pläne aus den 1990er–2000er Jahren, gedruckte Beschriftungen, klare Maßstabsangaben. Diese Segmente werden schnell und günstig digitalisiert.

Was immer manuell bleibt: Pläne aus den 1960er Jahren mit handschriftlicher Vollbeschriftung, fehlendem Maßstab oder starker Beschädigung. Für diese Kategorie ist KI eine Vorschau, keine Lösung.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir haben das immer manuell gemacht, warum jetzt mit KI?” Weil die Menge an Plänen manuell in einem überschaubaren Zeitraum nicht mehr zu bewältigen ist. Wer 10.000 Bestandspläne hat und 5–6 Jahre auf KRITIS-Vollständigkeit wartet, hat ein regulatorisches Risiko. KI ist hier kein Luxus, sondern der einzige Weg, die Masse in einer vertretbaren Zeit zu verarbeiten.

“Die KI macht Fehler — das ist gefährlicher als gar keine Daten.” Ein berechtigter Einwand, wenn die KI-Daten ohne Qualitäts-Flags direkt als verlässlich behandelt werden. Mit konsequenter Qualitätskennzeichnung (“automatisch extrahiert, mittlere Konfidenz”) ist ein KI-extrahierter Datensatz informativer als eine leere Zeile im GIS — weil er wenigstens einen Ausgangspunkt für die manuelle Verifizierung bietet.

Woran du merkst, dass das zu dir passt

Das Vorhaben ist sinnvoll, wenn:

• Mehr als 20 % deiner Netzsegmente im GIS keine vollständigen Materialangaben haben
• Ein Planarchiv mit mehr als 500 Papierbestandsplänen existiert, die noch nicht digital vorliegen
• H2-Readiness-Bewertung oder prädiktive Wartungsplanung am Datenmangel scheitern
• Eine KRITIS-Prüfung oder Netzentwicklungsplan-Einreichung in den nächsten 18 Monaten ansteht

Das Vorhaben ist noch nicht sinnvoll, wenn:

• Weniger als 200 Papierbestände, Rest bereits digital: Dann ist manuelle Digitalisierung günstiger und schneller als KI-Infrastrukturaufbau. KI lohnt sich erst bei Volumen.
• GIS-Datenmodell noch nicht definiert: Wenn noch unklar ist, welche Attribute wie gespeichert werden sollen, endet die Extraktion in einer unstrukturierten Datenmasse, die niemand nutzen kann. Erst Datenmodell, dann Digitalisierung.
• Dein Planarchiv ist zu mehr als 60 % nicht lokalisierbar: Wenn durch Fusionen, Umzüge oder Archivverluste der Großteil der Bestände physisch nicht mehr auffindbar ist, ist die erste Aufgabe eine physische Bestandsaufnahme — nicht Digitalisierung. KI kann nur verarbeiten, was als Dokument vorliegt. Wo Dokumente fehlen, hilft keine Software.

Das kannst du heute noch tun

Führe eine Stichprobe von 20 repräsentativen Bestandsplänen aus verschiedenen Jahrzehnten durch: Scan sie in 300 dpi, lade die Bilder in ein LLM-Tool und stelle die Frage unten. Das zeigt dir, wie gut die Erkennbarkeit tatsächlich ist — und ob dein Planbestand für KI-Digitalisierung geeignet ist.

Quellen & Methodik

• DVGW G 401 — Arbeitsblatt “Leitungskataster”; definiert Mindestinhalt, Pflichtattribute und Qualitätsanforderungen für Leitungskataster in der Gasversorgung; DVGW.de
• DVGW G 466-1 — Arbeitsblatt “Betrieb und Inspektion molchbarer Gasleitungen”; relevant für Leitungskatasterangaben zur Molchbarkeit von Rohrabschnitten; primäre Kataster-Anforderungen sind in DVGW G 401 geregelt
• GISquadrat — Digitaler Leitungskataster — Praxisberichte zur GIS-Digitalisierung von Versorgungsnetzen; gisquadrat.com
• BSI — IT-Sicherheitsgesetz und KRITIS — Anforderungen an Dokumentation kritischer Infrastrukturen; bsi.bund.de
• Civils.ai — AutoCAD Data Extraction API — Technische Dokumentation zur KI-gestützten Extraktion aus CAD-Dateien; civils.ai
• Methodik: Kosten- und Zeitschätzungen basieren auf Branchenerfahrungswerten und publizierten Dienstleisterpreisen; Erkennungsraten sind Näherungswerte aus OCR/CV-Projekten und können je nach Dokumentqualität erheblich abweichen. Keine repräsentative Erhebung für Gasnetzbetreiber spezifisch.