Infrastruktur-Wartungspriorisierung mit KI

Das echte Ausmaß des Investitionsstaus

Der Sanierungsrückstand der deutschen Kommunen ist kein lokales Problem, es ist eine strukturelle Krise, die sich über Jahrzehnte aufgebaut hat.

Das KfW-Kommunalpanel 2025, erstellt vom Deutschen Institut für Urbanistik (Difu) im Auftrag der KfW, hat den wahrgenommenen Investitionsrückstand der Kommunen auf einen neuen Rekordwert beziffert: 215,7 Milliarden Euro, ein Anstieg von 15,9 Prozent gegenüber dem Vorjahr. Allein auf Straßen und Verkehrsinfrastruktur entfallen 53,4 Milliarden Euro, das entspricht 25 Prozent des gesamten Rückstands.

Was diese Zahlen in der Praxis bedeuten:

• 19 Prozent der Kommunen geben an, sich den Unterhalt ihrer Infrastruktur nur noch in geringem Umfang oder gar nicht mehr leisten zu können, beim Straßenbau sind es 32 Prozent
• Geplant hatten die Kommunen für 2024 Investitionen von 47 Milliarden Euro, ausgegeben haben sie laut Hochrechnung nur rund 30 Milliarden Euro
• Der Rückstand wächst jedes Jahr, weil das laufende Budget für Erhalt und Investitionen nicht ausreicht

Das Problem ist dabei nicht nur die fehlende Finanzierung. Es ist auch die fehlende Systematik: Welche Schäden haben die höchste Dringlichkeit? Welche Straße wird in zwei Jahren teurer zu reparieren, wenn man jetzt nicht handelt? Welche Brücke trägt ein Risiko, das nicht im Jahresplan auftaucht, weil die letzte Inspektion vor fünf Jahren war?

Ohne Priorisierungsmodell läuft die Reihenfolge nach dem, was gerade sichtbar ist, was politisch schmerzt oder was zuletzt Beschwerden erzeugt hat. Das ist teuer: Reaktive Notreparaturen gelten in der Instandhaltung als ein Mehrfaches einer geplanten Maßnahme, oft wird das Zwei- bis Fünffache genannt. Eine saubere Studie für kommunale Straßen haben wir dazu nicht gefunden, prüfe den Faktor an deinen eigenen Rechnungen. Eine Straße, die man heute planmäßig erneuern könnte, wird nach Vollversagen deutlich teurer, zuzüglich der Kosten für Umleitungen, Haftungsrisiken und Betriebsunterbrechungen.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Veröffentlichte Vorher-Nachher-Zahlen aus deutschen Kommunen haben wir nicht gefunden; stark abhängig von Ausgangslage und Budget.

Einschätzung auf einen Blick

Zeitersparnis, gering (2/5) Die KI spart keine Arbeit bei der Inspektion selbst, die Inspekteure fahren weiterhin ihre Strecken. Was sich ändert: Die Auswertung und die Vorbereitung von Entscheidungsvorlagen werden schneller und weniger arbeitsaufwendig. Das ist real, aber verglichen mit anderen Anwendungsfällen wie dem Bürger-Chatbot oder der automatisierten KI-Bescheidgenerierung kein direkter Zeitgewinn im Tagesgeschäft.

Kosteneinsparung, stark (4/5) Das stärkste Argument für diesen Anwendungsfall. Reaktive Instandhaltung ist strukturell teurer als geplante, und je besser die Priorisierung, desto mehr teure Notfalleinsätze lassen sich vermeiden. Anders als bei den meisten Verwaltungs-KI-Anwendungsfällen geht es hier um echtes Geld: Baukosten, keine umgewidmeten Arbeitsstunden. Gespart wird allerdings nur der Unterschied zwischen Notreparatur und geplanter Maßnahme, und nur, wenn das Budget die empfohlenen Maßnahmen auch hergibt. Wie viele Notfälle sich vermeiden lassen, ist nicht belegt.

Schnelle Umsetzung, schwierig (2/5) Das ist der echte Haken: Das System braucht Daten, bevor es priorisieren kann. Wer keine systematische Zustandserfassung hat, muss erst eine aufbauen, das dauert. Der Zeitrahmen bis zum Pilotbetrieb liegt je nach Ausgangslage bei 6 bis 18 Monaten. Vergabepflicht und öffentliches Beschaffungsrecht verlängern die Laufzeit zusätzlich. Die zwei Punkte sind kein Urteil gegen das Projekt, sondern eine realistische Warnung vor überhasteten Erwartungen.

ROI-Sicherheit, mittel (3/5) Der Nutzen lässt sich im Prinzip messen: Wie viele Notreparaturen hat es in diesem Jahr gegeben im Vergleich zu früher? Was haben sie gekostet? Die Zahlen sind im Haushaltsbuch. Aber es sind wenige Fälle, fünf Notfälle im Jahr statt sieben sind kein Beweis, und ein milder Winter senkt die Frostschäden stärker als jede Priorisierung. Belastbar wird der Vergleich erst über mehrere Jahre. Dass der Ansatz ankommt, zeigt die Verbreitung: vialytics nennt über 1.000 Kommunen in sieben Ländern als Kunden.

Skalierbarkeit, stark (4/5) Einmal aufgesetzt, kann das System auf weitere Infrastrukturtypen ausgeweitet werden: Straßen, Kanal, Brücken, Gebäude. Jeder neue Datenstrom verbessert das Gesamtbild. Das Modell arbeitet mit mehr Daten besser, nicht schlechter, und die Grundstruktur (Zustandserfassung → Priorisierung → Entscheidungsvorlage) skaliert ohne proportional steigende Betriebskosten.

Richtwerte, stark abhängig von vorhandener Datenlage, Netzgröße und institutionellem Veränderungswillen.

Das Investitionsstau-Problem: Zahlen für Deutschland

Bevor man über KI-Lösungen spricht, muss man das Ausgangsproblem verstehen. Denn es ist vielschichtiger als „zu wenig Geld für zu viele Schäden.”

Schicht 1: Das Finanzierungsloch. Nach einer Difu-Studie von 2023, zitiert von der dpa, hat ein Drittel der kommunalen Straßen größere Mängel, jeder zehnte Kilometer ist in sehr schlechtem Zustand, und allein für die bestehenden kommunalen Straßen entsteht bis 2030 ein Investitionsbedarf von rund 283 Milliarden Euro. Selbst perfekte Priorisierung schließt dieses Loch nicht.

Schicht 2: Die fehlende Datenlage. Viele Kommunen haben ihren Bestand nicht vollständig und aktuell erfasst, eine Difu-Studie zu kommunalen Straßenbrücken von 2013 fand damals große Lücken bei Zustandsdaten und Bauwerksverzeichnissen. Neuere bundesweite Zahlen haben wir nicht gefunden. Für Kommunen ohne Bestandsdaten existiert das Priorisierungsproblem buchstäblich noch gar nicht, sie wissen schlicht nicht, was sie haben und in welchem Zustand es ist.

Schicht 3: Der Personalengpass. Brückenprüfungen hängen bundesweit an einer sehr kleinen Gruppe von Sachverständigen. Viele Kommunen warten Jahre auf Prüftermine. Das Prüf-Ergebnis landet als handschriftliche Notiz in einer Akte, wenn überhaupt.

Schicht 4: Der politische Filter. Selbst wenn die Datenlage gut ist und ein Priorisierungsmodell empfiehlt, Straße X vor Straße Y zu sanieren, Gemeinderäte und Bürgermeister können und dürfen abweichen. Das ist demokratisch legitim. Es wird aber problematisch, wenn Abweichungen nicht begründet werden und die langfristigen Folgekosten verschleiert bleiben.

KI kann Schicht 2 bis 4 deutlich verbessern. Schicht 1, das strukturelle Finanzierungsloch, löst sie nicht. Das ist wichtig, um Erwartungen zu kalibrieren.

Wie Priorisierungsmodelle in der Praxis funktionieren

Ein Machine Learning-basiertes Priorisierungsmodell für kommunale Infrastruktur kombiniert typischerweise vier Datenkategorien:

1. Zustandsdaten (aktuell) Ergebnis der letzten Inspektion, Schadensklassen (für Straßen: Pavement Condition Index, kurz PCI; für Brücken: Zustandsnoten nach DIN 1076; für Kanäle: ISYBAU-Kodierung), Fotodokumentation, Datum der Erhebung.

2. Historische Daten Reparaturhistorie, frühere Schadensfeststellungen, Einbaudatum, verwendete Materialien, durchgeführte Maßnahmen und deren Kosten.

3. Belastungsdaten Verkehrszählungen, Schwerlastanteile, Kanalbelastung, Gebäudenutzungsintensität, Klimaexposition (Frostzyklen pro Winter, Staunässezonen).

4. Kontextdaten Netzrelevanz (Rettungsweg, Schulzufahrt, Hauptverkehrsachse), Abhängigkeiten (wird Kanal sowieso aufgemacht? → Straße gleichzeitig machen), Risikolage (Unterquerungen, sensible Nutzungen).

Das Modell gewichtet diese Faktoren nach einer festgelegten Methodik, teils regelbasiert, teils statistisch, und erzeugt eine priorisierte Liste. Der entscheidende Unterschied zur Excel-Tabelle: Das Modell aktualisiert die Liste automatisch, wenn neue Daten reinkommen, und dokumentiert, warum Objekt X vor Objekt Y steht.

Was das Modell nicht macht: Es ersetzt keine Inspektion. Es ersetzt kein ingenieursmäßiges Urteil. Es ist ein Werkzeug, das den Sachstand transparent macht und Entscheidungsvorlagen generiert, nicht ein System, das autonom entscheidet.

Die politische Dimension: Wenn der Algorithmus empfiehlt, welche Straße zuerst kommt

Hier liegt der am häufigsten unterschätzte Aspekt dieses Anwendungsfalls.

Ein KI-Priorisierungsmodell erzeugt eine dokumentierte, nachvollziehbare Liste. Das ist ein zweischneidiges Schwert.

Die gute Seite: Das Amt hat jetzt ein objektiv begründetes Argument. Wenn der Gemeinderat fragt, warum die Bahnhofstraße nicht vorne steht, kann Tanja Breitfeld zeigen: Zustand 3,2 von 5, letzter Schaden vor vier Monaten geflickt, keine Netzrelevanz als Rettungsweg, PCI-Score 54, während Straße B einen PCI von 31 hat, als Hauptzufahrt zur Schule gilt und in zwei Jahren ohne Intervention vollständige Erneuerung braucht. Das ist keine Meinung. Das sind Daten.

Die schwierige Seite: Wenn der Bürgermeister trotzdem die Bahnhofstraße entscheidet, was er darf, ist das jetzt im System dokumentiert. Die Abweichung von der KI-Empfehlung muss begründet werden. Das schafft Transparenz, die manche Beteiligte nicht wollen. Wer das System einführt, sollte diesen Effekt antizipieren und kommunalpolitisch absichern.

Noch ein Risiko: Algorithmische Voreingenommenheit. Stadtteile, die bisher wenig systematisch erfasst wurden, oft ältere Wohngebiete, strukturschwache Lagen, tauchen in der Datengrundlage schwächer auf. Das Modell kann existierende Ungleichgewichte in der Infrastrukturversorgung verfestigen, wenn die Datenbasis selbst schief ist. Prüfe vor dem Go-live, ob alle Netzteile gleichmäßig erfasst sind.

Die pragmatische Lösung: Das Modell ist ein Vorschlag, kein Befehl. Der Gemeinderat entscheidet, aber er entscheidet jetzt auf Basis eines dokumentierten Sachstands, und Abweichungen werden als bewusste Entscheidung sichtbar, nicht als Folge von Informationsmangel.

Konkrete Werkzeuge, was wann passt

Der Markt für kommunales Infrastrukturmanagement ist überschaubar. Hier sind die relevanten Optionen:

vialytics , für Straßenzustandserfassung und -priorisierung Der direkteste Einstieg für Tiefbauämter. Ein Smartphone in einem Bauhof-Fahrzeug erfasst alle vier Meter Bilder; die KI klassifiziert Schäden automatisch nach einheitlichem Standard. Ergebnis: GIS-Karte mit Schadenslage, Priorisierungsliste und Budgetsimulation. Laut Anbieter über 1.000 Kommunen in sieben Ländern. Anbieter sitzt in Stuttgart, gehostet wird laut Datenschutzerklärung aber bei AWS in der EU und den USA sowie über ein Google-CDN, also nicht ausschließlich in Deutschland. Preise nur auf Anfrage, nach Netzlänge und Modulumfang. Kein Spezialfahrzeug nötig, das ist der entscheidende Unterschied zu klassischen Messkampagnen.

Pallon , für Kanal- und Schachtinspektion Pendant zu vialytics für das Kanalnetz. Pallon analysiert Kameravideos aus Kanal-Befahrungen automatisch und kodiert Schäden nach EN 13508-2. Eine kostenlose Testanalyse bietet der Anbieter an, damit lässt sich die Übereinstimmung mit den eigenen Inspekteuren an bekannten Haltungen prüfen. Besonders wertvoll für Stadtwerke und Eigenbetriebe, die ihren Kanaldatenbestand systematisch aufbauen wollen. Preise auf Anfrage.

Planon , für Gebäudemanagement und Liegenschaften Für kommunale Gebäudeverwalter: IWMS-Plattform, die Instandhaltung, Flächen und ESG-Reporting in einem System hält. Relevant für Kommunen mit mehreren Schulen, Verwaltungsgebäuden oder Sportstätten. Implementierungsaufwand erheblich, sinnvoll ab einer gewissen Portfoliogröße (grob: ab 20 Liegenschaften oder 50.000 m² Nutzfläche). Preise ausschließlich auf Anfrage; für Einführungsprojekte nennt unsere Toolseite als grobe Erfahrungswerte ohne offizielle Angabe 50.000–300.000 Euro.

Open-Source / GIS-basierte Eigenentwicklung, für Kommunen mit IT-Kapazität Wer eine eigene GIS-Infrastruktur (ArcGIS, QGIS) betreibt und IT-Kapazität hat, kann ein Priorisierungsmodell als Python-Skript auf Basis öffentlicher Zustandsdaten aufbauen. Das kostet in der Einrichtung mehr Zeit, aber weniger laufende Lizenzkosten. Geeignet für große Städte mit eigenem GIS-Kompetenzcenter; für Kleinstädte unter 30.000 Einwohnern meist überdimensioniert.

Wann welcher Ansatz:

• Straßenerhalt mit vorhandenem Bauhof → vialytics
• Kanalnetz mit eigenem Inspektionsteam → Pallon
• Gebäude und Liegenschaften → Planon (mit realistischen Erwartungen zum Aufwand)
• Datensouveränität und BSI-Grundschutz stehen im Vordergrund → govdigital als Infrastrukturplattform für KI-Hosting

Datenschutz und Datenhaltung

Infrastrukturdaten sind in der Regel keine personenbezogenen Daten im Sinne der DSGVO, Straßenzustandsbilder, Brückenkartierungen und Kanalvideos enthalten typischerweise keine Personenbezüge. Das vereinfacht die rechtliche Lage erheblich.

Dennoch gelten einige wichtige Punkte:

Kameraerfassungen im öffentlichen Raum: Fahrzeugkameras, die Straßenbilder aufnehmen, können Kennzeichen und Personen erfassen. DSGVO-konformes Vorgehen erfordert technische Anonymisierung (automatische Unkenntlichmachung) und, je nach Umfang, eine Datenschutz-Folgenabschätzung. Rechtsgrundlage ist Art. 6 Abs. 1 lit. e DSGVO mit der Straßenbaulast, nicht Einwilligung und nicht berechtigtes Interesse. vialytics bietet Anonymisierungsmechanismen, die konkrete Konfiguration gehört ins Beschaffungsgespräch. Gehostet wird laut Datenschutzerklärung bei AWS in der EU und den USA mit Standardvertragsklauseln, US-Unterauftragsverarbeiter inklusive.

Kanaldaten mit Grundstücksbezug: Wenn Inspektionsdaten Hausanschlüsse erfassen, entsteht indirekt ein Bezug zu Grundstückseigentümern. Das ist kein K.o.-Kriterium, sollte aber mit dem kommunalen Datenschutzbeauftragten abgestimmt werden.

Cloud vs. On-Premise: Für Kommunen mit KRITIS-Einstufung oder BSI-Grundschutz-Pflicht gelten besondere Anforderungen. govdigital bietet eine BSI-konforme Infrastruktur-Option für KI-Workloads im öffentlichen Sektor. Für Standardkommunen ohne besondere Einstufung sind SaaS-Lösungen wie vialytics in der Regel vertretbar, wenn die Anonymisierung am Bild greift, bevor Daten die Kommune verlassen, und die Drittlandsübermittlung im Vertrag geregelt ist.

Auftragsverarbeitungsverträge (AVV): Sobald Bilder Personen oder Kennzeichen enthalten können, ist ein AVV Pflicht. Fordere ihn bei jedem Anbieter aktiv an.

KI-Verordnung: Ein Werkzeug, das Sanierungen priorisiert, ist kein Sicherheitsbauteil im laufenden Betrieb des Straßenverkehrs und fällt damit nicht unter Anhang III Nr. 2 der Verordnung (EU) 2024/1689. Es gilt die Pflicht aus Art. 4, die KI-Kompetenz der Beschäftigten zu fördern.

Was es kostet, realistisch gerechnet

Die Kosten variieren erheblich je nach Infrastrukturtyp, Netzgröße und gewähltem Werkzeug.

Straßenzustandserfassung mit vialytics (Beispiel: 200 km Straßennetz)

• Laufende Lizenzkosten: nur auf Anfrage, vialytics rechnet nach Netzlänge und Modulumfang, eine Preisliste gibt es nicht
• Einmalige Einrichtung: 1–3 Tage interner Aufwand für die erste Befahrung
• Keine Investition in Spezialfahrzeuge nötig

Kanalzustandserfassung mit Pallon (Eigenbetrieb, 400 km Kanalnetz)

• Lizenzkosten: auf Anfrage (nutzungsbasiert nach Kanalvolumen)
• Einsparung: bisheriger manueller Kodieraufwand entfällt weitgehend, bei 400 km und einer Kadenz von 20 % pro Jahr (80 km/Jahr) entspricht das mehreren Wochen Arbeit eines Inspekteurs

Gebäudemanagement mit Planon

• Implementierungsprojekt: typisch 50.000–300.000 Euro
• Laufende Lizenz: auf Anfrage; skaliert nach Anzahl Liegenschaften und Modulen
• Nicht für Kleinstädte geeignet, Aufwand lohnt sich ab ca. 20 Liegenschaften

Was du dagegenrechnen kannst Ein Rechenbeispiel mit Annahmen, keine Prognose: Eine Notreparatur an einer Gemeindestraße kostet 30.000 bis 120.000 Euro, je nach Schadensausmaß, Sperrkosten und Umleitungspflichten. Eine geplante Fahrbahnerneuerung derselben Strecke hätte zwei Jahre früher 20.000 bis 50.000 Euro gekostet. Wer die Notreparatur vermeidet, spart nicht die ganzen Kosten, denn die geplante Maßnahme muss er trotzdem bezahlen. Gespart wird der Unterschied.

Nimm an, ein Tiefbauamt mit 200 km Hauptstraßen vermeidet durch bessere Priorisierung fünf Notreparaturen im Jahr, belegt ist das nicht. Bei durchschnittlich 50.000 Euro je Notreparatur und 20.000 bis 50.000 Euro für die geplante Maßnahme bleiben je Fall 0 bis 30.000 Euro übrig, bei fünf Fällen 0 bis 150.000 Euro im Jahr (5 mal 0 bis 30.000 Euro). Dagegen stehen die Lizenzkosten des Erfassungswerkzeugs, die der Anbieter nur auf Anfrage nennt.

Die Rechnung kann aufgehen, deutlich knapper als die oft zitierten Faktoren vermuten lassen. Sie geht nur auf, wenn die Priorisierungsempfehlungen auch tatsächlich umgesetzt werden, was eine ausreichende Budgethöhe voraussetzt.

Typische Einstiegsfehler

1. Mit der Software starten, bevor die Daten da sind. Das häufigste Muster: Man kauft eine Priorisierungslösung und erwartet nach drei Monaten eine brauchbare Ausgabe. In der Praxis fehlt dann die Datenbasis: letzte Inspektion vor vier Jahren, kein Reparaturhistorie im System, Teile des Netzes nie erfasst. Das Modell priorisiert auf Basis unvollständiger Daten, und die Ausgabe ist schlechter als die intuitive Einschätzung erfahrener Mitarbeitender. Lösung: Zuerst Bestandsaufnahme, auch unvollständig, bevor Software beschafft wird.

2. Erwarten, dass das System die Budgetlücke schließt. KI-gestützte Priorisierung ist kein Finanzierungswerkzeug. Sie hilft, das vorhandene Budget bestmöglich einzusetzen. Das konkrete Szenario: Das Modell empfiehlt Maßnahmen mit einem Gesamtbedarf von 800.000 Euro, das Jahresbudget liegt bei 200.000 Euro. Das System zeigt dann nicht die Lösung, sondern das volle Ausmaß des Problems. Wer das nicht erwartet, fühlt sich vom Tool „im Stich gelassen” und gibt ihm die Schuld. Die richtige Reaktion ist eine andere: Den dokumentierten Priorisierungsoutput als Grundlage für Förderanträge und politische Mittelaufstockung nutzen, nicht als Beweis, dass das Tool nutzlos ist.

3. Das Modell als politische Deckung missbrauchen, ohne politische Vorbereitung. „Der Algorithmus sagt es so” ist kein valides Argument in einer Gemeinderatssitzung. Konkretes Szenario: Das System empfiehlt, die Römerstraße vor der Bahnhofstraße zu sanieren; der Bürgermeister besteht auf der Bahnhofstraße. Wer dann nicht erklären kann, warum die Römerstraße auf Rang 1 steht (PCI-Wert, Unfallrate, kein Reparaturpuffer mehr), hat das Amt schutzlos in einen Konflikt geführt. Lösung: Vor dem ersten Gemeinderat-Termin mit dem System eine interne Simulation durchführen, welche Straße empfiehlt das Modell, und wie begründen wir das in zwei Sätzen? Das Amt erklärt die Logik, das Tool liefert die Daten. Wer das nicht übt, erlebt, dass das System nach dem ersten Konfliktfall still beerdigt wird.

4. Das Modell einführen und nicht nachpflegen. Zustandsdaten veralten. Eine Straße, die vor zwei Jahren mit Zustandsklasse 3 bewertet wurde, kann heute eine 5 haben, oder wurde inzwischen repariert. Ein Priorisierungsmodell, das mit veralteten Daten läuft, priorisiert falsch. Jedes Jahr braucht das System eine Daten-Aktualisierungsrunde. Wer das nicht einplant, hat nach zwei Jahren eine Entscheidungsvorlage, die sich auf Daten stützt, die niemand mehr kennt.

5. Subsurface-Schäden vergessen. Kamera- und bildbasierte Systeme wie vialytics erfassen Oberflächenschäden. Sie sehen keine Frostaufbrüche tief im Unterbau, keine Hohlräume unter der Pflasterfläche, keine Schäden an der Drainagekonstruktion. Besonders Pflaster- und Natursteinstraßen werden von bildbasierten Systemen schlechter bewertet. Das ist kein Fehler des Systems, es ist eine bekannte Grenze. Für unterirdische Schäden braucht es andere Methoden (Georadar, Kernbohrung). Wer das nicht weiß, wundert sich über Fehlpriorisierungen bei historisch gewachsenen Innenstadtbereichen.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Einführung einer Zustandserfassungs- und Priorisierungsplattform ist die leichtere Aufgabe. Die schwierigere ist die organisatorische und politische Einbettung.

Was in den ersten Wochen passiert: Erleichterung. Endlich gibt es eine Karte, die zeigt, wo was kaputt ist. Mitarbeitende im Tiefbauamt oder Bauhof, die jahrelang subjektiv priorisiert haben, sehen zum ersten Mal das Gesamtbild. Das ist motivierend.

Was nach drei bis sechs Monaten passiert: Die ersten politischen Reibungen. Das System empfiehlt Straße A; der Gemeinderat beschließt Straße B. Das ist legitim, aber es muss als bewusste Entscheidung dokumentiert werden, nicht als technische Panne. Wer das Amt leitet, muss diese Situation vorbereitet haben.

Was häufig unterschätzt wird, der Wissensverlust bei Personalwechsel: Erfahrene Tiefbautechniker tragen das Wissen über spezifische Schwachstellen, historische Reparaturfehler und lokale Besonderheiten im Kopf. Wenn sie in Rente gehen, geht dieses Wissen verloren, es sei denn, es wurde systematisch in das System eingepflegt. Die Einführung eines Priorisierungsmodells ist der beste Anlass, dieses Wissen zu dokumentieren, bevor es fehlt.

Was konkret hilft:

• Vor dem Go-live: Gemeinderat und Bürgermeister informieren, was das System leistet, und was nicht
• Eine Daten-Verantwortliche oder einen Daten-Verantwortlichen benennen, der die Aktualität des Datenbestands sicherstellt
• Nach der ersten Priorisierungsrunde: gemeinsame Sitzung mit dem Ratsgremium, „hier sind die zehn kritischsten Objekte, hier ist die Begründung”
• Abweichungen von der KI-Empfehlung schriftlich begründen und archivieren, Transparenz schützt das Amt bei späteren Schadensfällen

Realistischer Zeitplan mit Risikohinweisen

Realistische Gesamtlaufzeit bis zum produktiven Einsatz: 6–18 Monate, je nach Ausgangslage. Kommunen ohne jede Zustandsdaten eher am oberen Ende; Kommunen mit bestehendem GIS und aktuellen Inspektionsdaten eher am unteren.

Häufige Einwände, und was dahintersteckt

„Wir wissen selbst am besten, welche Straßen schlecht sind.” Stimmt oft, für die Strecken, die häufig befahren werden oder die viele Beschwerden erzeugen. Das Problem ist die systematische Blinde Fleck: Nebenstraßen, die kaum jemand täglich sieht, Kanalabschnitte, die seit Jahren nicht geprüft wurden, Brücken in Außenbereichen. Ein datenbasiertes System findet diese Objekte auch dann, wenn niemand aus dem Amt regelmäßig vorbeifährt. Es ist kein Ersatz für Erfahrung, es ist ein Ergänzungsblatt für die Fälle, die durch das erfahrungsbasierte Raster fallen.

„Das Budget reicht sowieso nicht, wozu die Priorisierung verbessern?” Das ist der stärkste Einwand, und er ist teilweise berechtigt. Wenn das Budget strukturell zu knapp ist, um auch die schlimmsten Fälle zu adressieren, hilft bessere Priorisierung nur begrenzt. Was sie trotzdem leistet: Das verbleibende Budget fließt in die Objekte mit dem höchsten Risiko oder dem besten Kosten-Nutzen-Verhältnis, nicht in die Objekte, die zuletzt die lauteste Beschwerde erzeugt haben. Außerdem stärkt ein dokumentierter Priorisierungsprozess das Argument gegenüber Land und Bund bei der Beantragung von Sonderförderungen, weil sich der Bedarf mit Zustandsdaten belegen lässt.

„Wir brauchen erst eine neue Ausschreibung, das dauert ewig.” Für viele Kommunen ist der Vergabeprozess die eigentliche Hürde, nicht die Technologie. Pragmatische Lösung: Erst mit einem kostengünstigen, schnell einsetzbaren Piloten (z. B. erste Befahrung mit vialytics als Direktauftrag unterhalb der Wertgrenze, die UVgO beziehungsweise Landesrecht dafür vorsehen) beginnen. Das erzeugt eine erste Datengrundlage und zeigt dem Gemeinderat den Nutzen, bevor die große Ausschreibung notwendig wird. Kleinkommunen mit unter 50 km Straßennetz können so in wenigen Wochen starten.

Woran du merkst, dass das zu dir passt

• Ihr habt ein Tiefbauamt oder Gebäudemanagement mit jährlichem Sanierungsbudget, aber keine systematische Methode, welches Objekt zuerst kommt
• Die letzten Beschwerden über Straßenschäden haben zu einer Reparatur geführt, die eigentlich nicht auf der Prioritätenliste stand
• Ihr habt Brücken oder Kanäle, deren letzter Inspektionsbefund mehr als drei Jahre zurückliegt
• Jährliche Haushaltsplanung für den Straßenerhalt fühlt sich an wie Raten, wer am lautesten ruft, bekommt zuerst
• Ihr erwartet in den nächsten Jahren Personalwechsel in erfahrenen technischen Positionen und wollt das implizite Zustandswissen sichern

Wann es (noch) nicht passt, drei harte Ausschlusskriterien:

1. Kein Grunddatenbestand. Wenn eure letzte systematische Zustandserfassung über sechs Jahre zurückliegt und ihr kein Bauwerksverzeichnis habt, baut erst das auf. Ein Priorisierungsmodell auf fehlender Datengrundlage ist teurer als eine Excel-Tabelle und weniger zuverlässig. Der erste Schritt ist Erfassung, nicht Priorisierung.

2. Budget zu gering für die priorisierten Maßnahmen. Wenn das jährliche Sanierungsbudget unter 200.000 Euro liegt und das Netz über 50 km Hauptstraße umfasst, ist die Deckungslücke so groß, dass selbst beste Priorisierung nur den am wenigsten schlechten Weg wählen kann. Hier ist Fördermittelakquise wichtiger als Priorisierungsoptimierung.

3. Politische Übersteuerung ist die Regel, nicht die Ausnahme. In manchen Kommunen entscheidet de facto immer das lokale Machtzentrum, das System wäre eine Fassade, die intern niemand ernst nimmt. Das ist kein Argument gegen das System, aber ein Argument dafür, zuerst die politische Akzeptanzfrage zu klären, bevor man die Technologie einführt.

Das kannst du heute noch tun

Bevor du in Software investierst, mach diese Bestandsaufnahme: Nimm die letzten drei Jahre Reparaturhistorie, soweit vorhanden, und liste auf, welche Maßnahmen reaktiv (ungeplanter Notfalleinsatz) und welche geplant waren. Dann errechne die durchschnittlichen Kosten pro Einsatz.

Wenn du keine drei Jahre Reparaturhistorie auflisten kannst, oder wenn die Mehrheit der Einträge „Notfallreparatur” sind, dann hast du gerade das Kernargument für eine bessere Priorisierung in deinem eigenen Datensatz.

Für eine erste qualitative Analyse deines Straßennetzes nutze diesen Prompt:

Quellen & Methodik

• KfW-Kommunalpanel 2025: Investitionsrückstand 215,7 Mrd. Euro, Straßen/Verkehr 53,4 Mrd. Euro, 19 Prozent der Kommunen (Straßenbau 32 Prozent) können sich den Unterhalt kaum oder gar nicht mehr leisten, 2024 nur rund 30 Mrd. Euro Investitionen ausgegeben. Erstellt vom Deutschen Institut für Urbanistik (Difu) im Auftrag von KfW Research; jährliche repräsentative Befragung kommunaler Kämmereien seit 2009. kfw.de, Kommunalpanel / Difu-Pressemitteilung Juli 2025
• Vialytics: Kundenzahl (1.000+ Kommunen in 7 Ländern), Preismodell und Hosting laut unserer Toolseite, Stand Juni 2026. Die dpa-Meldung „Mit KI gegen Straßenschäden” vom 12. Mai 2025 nannte damals mehr als 500 Kommunen in Deutschland, Frankreich und den USA (cio.de, abgerufen am 18.09.2026).
• Zustand kommunaler Straßen: Difu-Studie 2023 laut derselben dpa-Meldung, ein Drittel der Straßen mit größeren Mängeln, jeder zehnte Kilometer in sehr schlechtem Zustand, rund 283 Mrd. Euro Investitionsbedarf bis 2030.
• Pallon: Normen EN 13508-2, kostenlose Testanalyse, laut unserer Toolseite. pallon.com
• Brücken-Datenlage: Difu, „Kommunale Straßenbrücken, Zustand und Erneuerungsbedarf” (2013). difu.de Brückenstudie
• Reaktiv vs. proaktiv Instandhaltung: oft genannter Faktor 2 bis 5, für kommunale Straßen ohne belastbare Studie; das Rechenbeispiel arbeitet mit offengelegten Annahmen.
• Algorithmischer Bias bei digitaler Ungleichverteilung: Fraunhofer IAIS / Difu, Whitepaper „Urban KI” 2025 sowie Smart City Dialog-Analyse.

Du willst wissen, welche Priorisierungslogik für euer Netz sinnvoll wäre und welche Datenbasis ihr dafür aufbauen müsst? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.