KI in der Baukalkulation: Was heute wirklich geht

Hype und Realität — ein nüchterner Blick auf KI im Bauwesen

Seit dem Durchbruch der großen Sprachmodelle 2023 vergeht keine Bau-Messe und keine Fachzeitschrift ohne KI-Versprechen. „Vollautomatisches Angebot in Minuten”, „KI kalkuliert für Sie”, „Nachträge per Knopfdruck erkennen” — die Werbung ist offensiv. Wer als Geschäftsführer oder Kalkulator entscheiden muss, ob er Geld und Zeit in KI-Tools investiert, braucht eine ehrliche Bestandsaufnahme.

Dieser Beitrag schaut auf den Stand 2026 und sortiert: Was funktioniert heute zuverlässig? Was funktioniert teilweise? Was ist Marketing-Versprechen, das im Tagesgeschäft noch nicht trägt?

Eine Vorbemerkung: KI im Bauwesen heißt im Wesentlichen drei Dinge — OCR und Layoutanalyse für Dokumente, Sprachmodelle (LLMs) für Klassifikation und Textverständnis, sowie klassische maschinelle Lernverfahren für numerische Vorhersagen. „KI” ist also kein Monolith. Manche Bausteine sind seit Jahren produktionsreif, andere stecken in der Demo-Phase.

Was heute zuverlässig funktioniert

OCR und Layouterkennung in Ausschreibungs-PDFs

Reife Technologie. Moderne OCR-Engines erkennen LV-Texte auch in mäßig gescannten PDFs zuverlässig. Layout-Analyse identifiziert Tabellen, Spaltenstrukturen und Positionsblöcke. Wer im Jahr 2026 noch manuell aus PDFs in Excel überträgt, verschenkt Zeit.

Realistische Erwartung:

Bei sauber digital erzeugten PDFs (z. B. aus AVA-Software exportiert) Trefferquote nahe 100 Prozent
Bei gescannten PDFs (etwa 200 dpi) Trefferquote 95 bis 99 Prozent — einzelne Zahlen müssen geprüft werden
Bei schlechten Scans, schiefer Aufzeichnung oder Faxqualität fällt die Qualität deutlich ab

Position-Extraktion aus strukturierten LVs

LVs nach GAEB-Standard (X83, X84, X85, X86) lassen sich nicht nur per OCR, sondern direkt aus der Datei lesen. Position-Extraktion ist hier ein gelöstes Problem. Auch bei PDF-LVs ohne GAEB-Datei ist Extraktion mit Sprachmodellen heute zuverlässig — sofern das LV einer üblichen Struktur folgt (OZ, Kurztext, Langtext, Menge, Einheit, Einheitspreis).

Wo es noch hakt:

Stark verschachtelte Hierarchien (Hauptgruppe / Untergruppe / Position) brauchen Nacharbeit
Eingebettete Skizzen oder Detail-Tabellen werden manchmal nicht zugeordnet

Mengenplausibilität gegen historische Daten

Wer eine Datenbasis aus eigenen abgewickelten Projekten hat, kann mit klassischen Statistikverfahren prüfen, ob Mengen plausibel sind. Beispiel: Stahlbeton-Decke mit 24 cm Dicke ergibt rund 0,24 m³/m² — Abweichung um Faktor 2 ist ein deutliches Signal. Solche Plausibilitäts-Checks sind nicht „neue KI”, aber wenn sie systematisch ablaufen, fangen sie Tippfehler im LV oder Übernahmefehler im Plansatz zuverlässig ab.

Klassifikation Position → Gewerk → BKS

Sprachmodelle klassifizieren Positionstexte mit hoher Genauigkeit nach Gewerk (Maler, Estrich, Fliesen, Trockenbau …) und in BKS-Codes (Baukosten-Schlüssel). Das spart bei größeren LVs erheblich Zeit, weil die Sortierung nicht mehr manuell erfolgen muss. Voraussetzung ist ein gut trainiertes Modell oder ein Sprachmodell mit ausreichend Kontext.

Was teilweise funktioniert

Massenermittlung aus Plänen

Hier scheidet sich die Spreu vom Weizen. Drei Fälle:

BIM-Modell im IFC-Format: Mengen lassen sich verlässlich aus dem Modell extrahieren — Software wie BIMcollab Zoom, Solibri oder DESITE BIM kann das seit Jahren. Voraussetzung ist ein sauber modelliertes IFC mit korrekten Eigenschaften.
CAD-Daten (DWG / DXF): Mit Werkzeugen wie ProBauG, AutoCAD-Plugins oder spezialisierten Aufmaß-Tools möglich, aber nur, wenn die Pläne sauber strukturiert sind. Layer-Disziplin entscheidet.
2D-PDF-Pläne: Hier wird es schwierig. Aktuelle Bildanalyse-KI kann Geometrien teilweise extrahieren, scheitert aber an verbauten Maßketten, sich überlappenden Symbolen und Detailzeichnungen. Realistische Erwartung 2026: Hilfsmittel für die manuelle Aufnahme, kein Ersatz für sie.

Preisvorhersage

Materialpreise schwanken stark mit Marktlage, Lohnkosten sind regional und tariflich bestimmt. Sprachmodelle, die ohne aktuelle Daten arbeiten, halluzinieren hier gerne. Wer KI-gestützte Preisvorhersagen nutzt, sollte:

Material-Datenbanken aus Großhandelsschnittstellen aktuell halten
Lohnkosten aus eigenen Mittellohn-Kalkulationen ableiten
KI-Preisvorschläge als Ausgangspunkt sehen, nicht als Ergebnis

Stundenlohn-Werte sind innerhalb einer Region und eines Gewerks recht stabil — Material-Preise (insbesondere Stahl, Holz, Dämmstoffe) können binnen Monaten zweistellig schwanken.

Was 2026 (noch) nicht funktioniert

Vollautomatisches Angebot ohne Kalkulator-Review

Werbeversprechen wie „Angebot in zehn Minuten ohne menschlichen Eingriff” sind unverantwortlich. Jede Ausschreibung enthält Mehrdeutigkeiten, Vertragsklauseln und Risiken, die ein Sprachmodell nicht zuverlässig erkennt. Der Schaden eines automatisch verschickten Fehlangebots — sei es zu hoch (kein Auftrag) oder zu niedrig (Verlustauftrag mit Vertragsstrafe) — überschreitet schnell den Wert der vermeintlichen Zeitersparnis.

Realistische Position: KI bereitet vor, der Kalkulator entscheidet.

Nachtrags-Erkennung aus Bautagebuch

Theoretisch interessant — die Idee, aus täglichen Bautagebuch-Einträgen automatisch Nachträge nach § 2 VOB/B zu identifizieren. Praktisch scheitert es an:

Inkonsistenter Sprache („Wand schief”, „Wand uneben”, „Untergrund mangelhaft” meinen oft dasselbe)
Fehlendem Kontext (welche Position ist betroffen?)
Hoher Falsch-Positiv-Rate, die Disziplin der Mitarbeiter zerstört

Stand 2026 ist die Nachtragserkennung eine Sache des erfahrenen Bauleiters mit gutem Foto-Beweismittel-Workflow — nicht der KI.

Vollständige Ausschreibungs-Suche und -Bewertung

Plattformen, die Ausschreibungen sammeln (TED, DTAD, bund.de), gibt es seit Jahren. KI-gestützte Vorqualifikation („passt diese Ausschreibung zu meinem Betrieb?”) liefert grobe Filter, ersetzt aber nicht die Einschätzung des Geschäftsführers. Falsch-Positive bei Stichwortsuche kosten Zeit, falsch-Negative kosten Aufträge.

Datenschutz: Cloud, On-Prem, Personenbezug

Ein oft übersehenes Thema. Ausschreibungsunterlagen enthalten regelmäßig:

Namen von Bauherren, Architekten, Bauleitern
Adressen, Telefonnummern, E-Mail-Adressen
Bei privaten Bauherren: persönliche Wohnsituationen

Wer solche Dokumente in US-Cloud-KI hochlädt, ist nach DSGVO Art. 44 ff. potenziell in der Drittlandsthematik. Praxis-Hinweise:

EU-Anbieter oder Anbieter mit dokumentierter EU-Datenresidenz bevorzugen
Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO ist Pflicht
Bei sensiblen Projekten (z. B. Krankenhausbau mit Patientenbezug) On-Prem-Lösung erwägen
Keine personenbezogenen Daten in offene KI-Chat-Interfaces eingeben

Das ist kein KI-Spezifikum, sondern allgemeine Daten-Hygiene. Aber bei KI-Anbietern, deren Geschäftsmodell auch das Training auf Nutzerdaten ist, lohnt der genaue Blick auf die Nutzungsbedingungen.

Wo Vergabescanner steht

Um nicht abstrakt zu bleiben: Vergabescanner ist ein in Deutschland entwickeltes Tool, das genau die oben beschriebenen reifen Bausteine kombiniert — PDF-Parsing, Position-Extraktion, gewerkespezifische Klassifikation, Mengenplausibilität gegen Vergleichsdaten und Preisvorschläge aus konfigurierbaren Preisprofilen pro Gewerk. Was Vergabescanner bewusst nicht macht: ein Angebot ohne Review automatisch erzeugen oder versenden. Jede Position behält eine Quellen-Referenz zurück ins PDF, damit der Kalkulator nachvollziehen kann, woher die extrahierte Information stammt.

Die Frage „Was geht heute mit KI?” lässt sich also so beantworten: Was die Maschine gut kann, übernehmen lassen — was Erfahrung und Verantwortung verlangt, beim Menschen lassen.

Tabelle: Was funktioniert wie zuverlässig?

Aufgabe	Reife 2026	Anmerkung
PDF-OCR strukturierte LVs	hoch	Standardtechnik
GAEB-Import	hoch	Datenformat genormt
Position-Klassifikation	hoch	LLM oder klassifizierender ML-Ansatz
Mengenplausibilität	mittel-hoch	braucht historische Daten
BIM-Mengenermittlung (IFC)	hoch	Toolchain etabliert
2D-PDF-Mengenermittlung	niedrig-mittel	Pläne zu uneinheitlich
Materialpreis-Vorhersage	mittel	nur mit aktueller Datenbasis
Lohnkosten-Vorhersage	mittel-hoch	regional/tariflich stabil
Vollautomatisches Angebot	nicht produktionsreif	menschliches Review nötig
Nachtrags-Erkennung Bautagebuch	nicht produktionsreif	zu hohe Fehlerquote

FAQ

Lohnt sich der Umstieg auf KI-gestützte Kalkulation für einen 10-Mann-Betrieb?

Für die reifen Bausteine (PDF-Extraktion, Klassifikation) ja — die Zeitersparnis pro Ausschreibung ist messbar. Für Hype-Bausteine wie vollautomatische Angebote sollten kleine Betriebe abwarten. Faustregel: Wenn ein Tool nicht im Monatsabo unter 100 Euro zu testen ist, lohnt sich der Pilot nicht.

Wie viel Genauigkeit kann ich von KI-Position-Extraktion erwarten?

Bei gut strukturierten LVs realistisch 95 bis 99 Prozent korrekte Extraktion. Das bedeutet bei 200 Positionen zwei bis zehn manuelle Korrekturen — immer noch deutlich schneller als komplette manuelle Eingabe. Bei schlecht gescannten oder unsystematisch aufgebauten LVs sinkt die Quote, dann lohnt sich KI weniger.

Was bedeutet „Halluzinieren” und wie schütze ich mich davor?

Sprachmodelle erzeugen mitunter plausibel klingende, aber falsche Informationen. Bei Preisen, Mengen oder DIN-Verweisen kann das zu Fehlern führen. Schutz: Jede maschinell gelieferte Information sollte auf eine nachvollziehbare Quelle verweisen. Wenn das Tool keine Quellen liefert, ist Vorsicht angebracht.

Brauche ich für KI-Tools eine spezielle Hardware?

Nein. Praktisch alle Kalkulations-Tools laufen als Cloud-Anwendung. Lokale GPU-Hardware ist nur bei On-Prem-Lösungen für sensible Projekte ein Thema und in der Regel für Großunternehmen oder die öffentliche Hand relevant.