Warum generische KI Gebäudedaten nicht wirklich versteht

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 Studie von Sequeda et al. zeigt den Unterschied deutlich: Ein Sprachmodell beantwortet Fragen über rohe Datenbanken nur in rund 16 Prozent der Fälle richtig. Mit einem sauber modellierten Wissensgraphen steigt die Genauigkeit auf etwa 54 Prozent, mehr als das Dreifache.

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.