Technologie · 10. Juli 2026
Warum generische KI Gebäudedaten nicht wirklich versteht
Die Bauwelt hat gute Standards für Geometrie und Modelle. Für den täglichen Betrieb fehlt einer, und genau dort scheitert generische KI.
Von Aidocr
Das Wichtigste in Kürze
- Für die physische Seite eines Gebäudes gibt es Standards (IFC, Brick, SAREF), für die operative Seite nicht.
- Ohne diese Struktur versteht ein Sprachmodell nicht, dass „Heizung“, „HZG“ und „Heizungsanlage“ dasselbe meinen.
- Ohne modellierte Zusammenhänge bleibt jede KI-Antwort eine Vermutung.
- Ein Wissensgraph steigert die Genauigkeit messbar: von 16,7 auf 54,2 Prozent in einer Enterprise-Studie.
BIM-Modelle, Wartungsprotokolle, Verträge, Störmeldungen. Wer in der Bau- und Immobilienbranche arbeitet, kennt die Vielzahl an Datentypen, die täglich zusammenkommen müssen. Trotzdem verstehen die meisten KI-Systeme diese Daten nur oberflächlich. Der Grund liegt nicht am Sprachmodell, sondern an einer Lücke, die kaum jemand benennt.
Standards gibt es, aber nicht überall
Für die physische Seite eines Gebäudes existieren etablierte Standards. Geometrie und Topologie werden über BOT beschrieben, Sensoren und Anlagen über Brick oder SAREF, BIM-Modelle über IFC. Diese Seite der Branche ist gut modelliert.
Die operative Schicht ist es nicht. Wartungshistorien, Störmeldungen, Mietverträge, Rechnungen: Für diesen Teil des Gebäudelebenszyklus gibt es keinen durchgängigen Standard. Jedes Unternehmen baut sich diese Zusammenhänge von Hand auf, meist über Jahre.
Warum das für KI zum Problem wird
Ein Sprachmodell kann Text lesen. Es versteht aber nicht automatisch, dass „Heizung", „HZG" und „Heizungsanlage" dieselbe Sache meinen, oder dass ein Bauteil zu einem bestimmten Vertrag und einer bestimmten Wartungshistorie gehört. Ohne diese Verknüpfung bleibt jede Antwort eine Vermutung.
Eine Benchmark-Studie von Sequeda, Allemang und Jacob zeigt den Unterschied deutlich: Ein Sprachmodell beantwortet Fragen über rohe SQL-Datenbanken nur in 16,7 Prozent der Fälle richtig. Mit einem sauber modellierten Wissensgraphen steigt die Genauigkeit auf 54,2 Prozent, mehr als das Dreifache.
Quelle: Sequeda, Allemang, Jacob (2023), A Benchmark to Understand the Role of Knowledge Graphs on Large Language Model's Accuracy for Question Answering on Enterprise SQL Databases, arXiv:2311.07509.
Die Antwort ist eine eigene Struktur, keine bessere Formulierung
Deshalb reicht ein cleverer Prompt nicht aus. Aidocr baut eine eigene Wissensstruktur für die operative Seite von Gebäuden auf, die Fachbegriffe, Synonyme und Zusammenhänge zwischen Bauteil, Vertrag und Wartung abbildet.
Das Ergebnis: Fragen werden nicht nur beantwortet, sondern mit Quelle belegt. Nachvollziehbar für Audits, Compliance und jede weitere Frage, die auf der Antwort aufbaut. Wie diese Struktur konkret aussieht, steht in den Grundlagen: Was ist ein Wissensgraph?
Häufige Fragen
- Warum versteht generische KI Gebäudedaten nur oberflächlich?
- Weil für die operative Seite von Gebäuden mit Verträgen, Wartungen und Störmeldungen kein durchgängiger Standard existiert. Ein Sprachmodell kann Text lesen, kennt aber die Zusammenhänge zwischen Bauteil, Vertrag und Wartung nicht.
- Welche Standards gibt es für Gebäudedaten?
- Für die physische Seite etablierte Vokabulare wie IFC für Bauwerksmodelle, Brick und SAREF für Anlagen und Sensoren sowie BOT für Geometrie und Topologie. Für die operative Seite fehlt ein solcher Standard.
- Hilft ein besserer Prompt?
- Nein. Das Problem ist strukturell, nicht sprachlich. Es braucht eine eigene Wissensstruktur, die Fachbegriffe, Synonyme und Beziehungen abbildet, keine geschicktere Formulierung.
- Wie stark verbessert ein Wissensgraph die Genauigkeit?
- In der Enterprise-Benchmark von Sequeda, Allemang und Jacob (2023) stieg die Antwortgenauigkeit von 16,7 Prozent auf rohen Datenbanken auf 54,2 Prozent mit einem Wissensgraphen.