Wie lässt sich künstliche Intelligenz sinnvoll in einem Architekturbüro einsetzen? Daniel Resch, Partner bei Telluride Architektur und Absolvent des Zertifikatslehrgangs KI-Manager (IHK), hat darauf eine konkrete Antwort gefunden: Er entwickelte einen KI-gestützten Prüfer für Leistungsverzeichnisse. Das System soll zeitaufwendige Qualitätskontrollen beschleunigen, Widersprüche erkennen und mögliche Risiken bereits vor der Veröffentlichung einer Ausschreibung sichtbar machen.

Die wichtigsten Erkenntnisse auf einen Blick

• Ein Leistungsverzeichnis mit weniger als 100 Seiten kann durch die KI in ungefähr zehn Minuten erstmals analysiert werden.
• Eine vergleichbare manuelle Qualitätsprüfung kann mehrere Stunden beanspruchen.
• Die Anwendung wurde in C# und .NET entwickelt und ist mit einem SQL-Backend verbunden.
• Die eigentliche KI-Prüfung erfolgt über eine REST-API.
• Strukturierte JSON-Daten sorgen für einheitliche Prüfungen und Ergebnisse.
• Die größte Herausforderung sind große Datenmengen und die Prüfung blockübergreifender Zusammenhänge.
• Entscheidend für die Qualität ist nicht nur das Sprachmodell, sondern vor allem die kontinuierliche Optimierung der Prompts.

Vom KI-Tool zum konkreten Anwendungsfall

Viele Unternehmen beginnen ihre KI-Reise mit einem typischen Fehler: Sie beschaffen zunächst ein Tool und suchen anschließend nach einem passenden Anwendungsfall.

So war es anfangs auch bei Telluride Architektur. Microsoft Copilot und erste ChatGPT-Lizenzen waren bereits verfügbar. Doch die entscheidende Frage war noch offen:

Welches konkrete Problem soll die KI eigentlich lösen?

Daniel Resch wollte deshalb lernen, wie sich geeignete KI-Anwendungsfälle systematisch identifizieren, bewerten und anschließend in ein umsetzbares Projekt überführen lassen.

Im Zertifikatslehrgang zum KI-Manager (IHK) entwickelte er seine bereits vorhandene Idee weiter. Statt nur einzelne KI-Tools auszuprobieren, analysierte er einen realen, zeitintensiven Prozess aus dem Arbeitsalltag: die interne Qualitätsprüfung von Leistungsverzeichnissen.

Sein wichtigster Aha-Moment bestand nach eigener Aussage in der strukturierten Vorgehensweise:

1. Arbeitsprozesse analysieren
2. Zeitfresser und Qualitätsrisiken identifizieren
3. Einen geeigneten KI-Anwendungsfall auswählen
4. Das Projekt zunächst als Prototyp umsetzen
5. Ergebnisse testen und den Prozess iterativ verbessern

Genau diese Vorgehensweise unterscheidet ein ernsthaftes KI-Projekt von einem kurzfristigen Tool-Experiment.

Was ist ein Leistungsverzeichnis?

Ein Leistungsverzeichnis, häufig als LV abgekürzt, beschreibt detailliert die Bauleistungen, die für die Umsetzung eines Gebäudes oder Bauprojekts erforderlich sind.

Je nach Projekt kann ein Leistungsverzeichnis mehrere Hundert Seiten umfassen. Bauunternehmen nutzen diese Informationen, um Leistungen zu kalkulieren und Angebote abzugeben.

Fehler oder Unklarheiten in einem LV können erhebliche Folgen haben:

• widersprüchliche Leistungsbeschreibungen
• unklare Anforderungen
• Nachträge
• Kostensteigerungen
• Terminverzögerungen
• Streitigkeiten zwischen Projektbeteiligten
• im schlimmsten Fall Haftungs- oder Schadensersatzrisiken

Deshalb werden Leistungsverzeichnisse vor ihrer Veröffentlichung intern überprüft. Diese Qualitätssicherung ist jedoch äußerst zeitintensiv.

Ein Mitarbeiter muss beispielsweise kontrollieren, ob Kurztexte und Langtexte übereinstimmen, ob Leistungen plausibel beschrieben wurden und ob sich einzelne Angaben widersprechen.

Bei sehr langen Dokumenten entsteht zusätzlich ein menschliches Problem: Wer auf Seite 150 prüft, erinnert sich möglicherweise nicht mehr vollständig daran, welche Informationen auf Seite 15 standen.

Die Lösung: Ein KI-gestützter LV-Prüfer

Daniel Resch entwickelte eine eigene Software, die Leistungsverzeichnisse automatisiert für eine erste Qualitätsprüfung aufbereitet und analysiert.

Dabei handelt es sich nicht einfach um einen Chatbot. Die Anwendung basiert auf einer eigenen technischen Architektur:

• Entwicklung mit C# und .NET
• Anbindung an einen SQL-Server
• KI-Integration über eine REST-API
• strukturierte Ein- und Ausgabe über JSON
• Speicherung der Prüfergebnisse in einer Datenbank
• automatisierte Erstellung eines einheitlichen Prüfberichts

Die Anwendung befindet sich noch in einer Beta- beziehungsweise Prototypenphase. Sie wird jedoch bereits bei echten Leistungsverzeichnissen eingesetzt. Erste Prüfläufe zeigen nach Daniels Einschätzung, dass die technische Grundlage stabil funktioniert.

Aktuell ist das System noch eine Konsolenanwendung und damit nicht als fertiges Endnutzerprodukt aufbereitet. Daniel führt die Prüfungen deshalb zunächst selbst durch und gibt die Ergebnisse anschließend an die zuständigen Teams weiter.

Das ist ein sinnvoller Ansatz: Bevor eine KI-Anwendung unternehmensweit ausgerollt wird, kann sie in einem begrenzten Umfeld getestet, kontrolliert und verbessert werden.

Stundenlange Prüfung wird auf wenige Minuten verkürzt

Die genaue Zeitersparnis unterscheidet sich je nach Umfang und Komplexität eines Leistungsverzeichnisses.

Daniel nennt im Podcast jedoch ein greifbares Beispiel:

Die manuelle Qualitätsprüfung eines kleineren Leistungsverzeichnisses mit weniger als 100 Seiten kann mehrere Stunden dauern. Die KI benötigt für das Einlesen, Prüfen und Ausgeben erster Ergebnisse ungefähr zehn Minuten.

Die KI ersetzt damit nicht automatisch die fachliche Entscheidung. Sie liefert eine strukturierte Vorauswahl möglicher Auffälligkeiten.

Das bedeutet:

Die Mitarbeiter müssen nicht mehr jede Unstimmigkeit selbst finden. Sie können sich darauf konzentrieren, die von der KI identifizierten Hinweise fachlich zu bewerten.

Das System kann beispielsweise erkennen, wenn im Kurztext einer Leistungsposition eine Tür beschrieben wird, während im dazugehörigen Langtext plötzlich von einer Wand die Rede ist.

Solche Widersprüche sind für Sprachmodelle vergleichsweise gut erkennbar. Für einen Menschen können sie bei Hunderten Seiten dagegen leicht untergehen.

Die KI liefert Hinweise, keine abschließenden Entscheidungen

Ein entscheidender Punkt des Projekts ist der verantwortungsvolle Umgang mit den Ergebnissen.

Nicht jeder Hinweis der KI ist automatisch ein tatsächlicher Fehler. Manchmal fehlen dem System zusätzliche Vertragsunterlagen, Vorbemerkungen oder projektspezifische Informationen.

Daniel beschreibt die Ergebnisse deshalb bewusst als Findings oder erste Hinweise.

Die KI kann beispielsweise melden, dass eine bestimmte Regelung fehlt. Das Projektteam weiß möglicherweise, dass diese Regelung bereits in einem anderen Vertragsdokument enthalten ist.

Die KI-Ausgabe muss daher weiterhin von fachkundigen Mitarbeitern geprüft werden.

Das System ist somit kein Ersatz für Architekten, Ingenieure oder Ausschreibungsexperten. Es ist eine zusätzliche Qualitätssicherungsstufe, die dabei hilft, mögliche Probleme schneller sichtbar zu machen.

Warum zusätzliche Dokumente die Ergebnisse verbessern

Ein Leistungsverzeichnis steht selten für sich allein. Weitere Vertragsbedingungen, Vorbemerkungen und technische Unterlagen können entscheidend für die Bewertung sein.

Daniel hat deshalb eine Funktion eingebaut, über die zusätzliche Dokumente und Informationen in den Prüfprozess integriert werden können.

Diese Dokumente werden zunächst in eine strukturierte Form übertragen und anschließend gemeinsam mit dem Leistungsverzeichnis als Kontext an die KI übergeben.

Das Ergebnis: Je mehr relevante Informationen die KI erhält, desto präziser können die Findings ausfallen.

Das zeigt eine zentrale Regel für KI-Projekte:

Die Qualität einer KI-Antwort hängt nicht nur vom verwendeten Modell ab. Sie hängt maßgeblich von der Qualität, Struktur und Vollständigkeit des bereitgestellten Kontexts ab.

Strukturierte JSON-Daten statt unkontrollierter PDF-Auswertung

Theoretisch könnte die KI auch direkt mit PDF-Dateien oder branchenspezifischen Austauschformaten arbeiten.

Daniel entschied sich jedoch für einen anderen Weg. Ein vorgeschaltetes Programm überführt die Daten in ein definiertes JSON-Schema.

Das hat mehrere Vorteile:

• Die KI weiß genau, welche Information an welcher Stelle steht.
• Die Eingaben folgen immer derselben Struktur.
• Die Ergebnisse werden nach einem festen Schema ausgegeben.
• Die Daten lassen sich einfacher in einer SQL-Datenbank speichern.
• Berichte und spätere Auswertungen können automatisiert erstellt werden.
• Es werden weniger Tokens für die Interpretation unterschiedlicher Dateiformate benötigt.

Zusätzlich validiert das System die ausgegebenen Informationen anhand eines strikten JSON-Schemas. Dadurch sollen konsistente und technisch weiterverarbeitbare Ergebnisse entstehen.

Diese Entscheidung macht das Projekt besonders interessant: Daniel setzt nicht allein auf gute Prompts, sondern entwickelt einen reproduzierbaren technischen Prozess.

Die größte technische Herausforderung: sehr lange Dokumente

Große Leistungsverzeichnisse können nicht immer vollständig in einem einzigen API-Aufruf verarbeitet werden. Der verfügbare Kontext beziehungsweise das Tokenlimit ist irgendwann ausgeschöpft.

Die Anwendung teilt lange Leistungsverzeichnisse deshalb automatisiert in kleinere Blöcke auf.

Ist ein Block für einen API-Aufruf noch immer zu groß, wird er erneut geteilt. So verhindert die Software, dass der gesamte Prüflauf wegen eines einzelnen zu großen Abschnitts abbricht.

Diese Fehlertoleranz ist technisch sinnvoll, bringt aber eine neue Herausforderung mit sich:

Die KI kennt bei der Prüfung eines späteren Blocks nicht automatisch alle Inhalte aus den vorherigen Blöcken.

Dadurch können dokumentübergreifende Widersprüche übersehen werden. Eine Information am Anfang des Leistungsverzeichnisses könnte einer Angabe am Ende widersprechen, ohne dass beide Informationen gemeinsam bewertet werden.

Es entsteht ein klassischer Zielkonflikt:

• Ohne Segmentierung kann das Tokenlimit überschritten werden.
• Mit Segmentierung können globale Zusammenhänge verloren gehen.

Daniel arbeitet deshalb an einer verbesserten Block-Segmentierung und an Möglichkeiten, wichtige Erkenntnisse aus vorherigen Abschnitten in spätere Prüfschritte zu übertragen.

Der entscheidende Erfolgsfaktor: Prompt-Optimierung

Die technische Grundlage des Systems funktioniert bereits. Die Qualität der Ergebnisse hängt inzwischen vor allem von der Formulierung und Struktur der Prompts ab.

Daniel optimiert unter anderem:

• die Abgrenzung unterschiedlicher Fehlerkategorien
• die Beschreibung relevanter Prüfkriterien
• die Einstufung nach Schweregraden wie High, Medium und Low
• die Ausgabeformate
• die Einbindung zusätzlicher Kontextinformationen
• den Umgang mit möglichen False Positives

Nach jedem echten Prüflauf werden die Ergebnisse bewertet. Anschließend wird der Prompt angepasst.

Diese iterative Vorgehensweise ist für professionelle KI-Projekte entscheidend:

Ein guter Prompt entsteht selten in einem einzigen Versuch. Er entwickelt sich durch Tests, fachliches Feedback und reale Anwendungsfälle.

Aktuell konzentriert sich Daniel insbesondere darauf, Severity-Kriterien klarer zu definieren und die einzelnen Finding-Kategorien präziser voneinander abzugrenzen.

Vom Prüfwerkzeug zum datenbasierten Qualitätsmanagement

Die Speicherung der Ergebnisse in einer SQL-Datenbank eröffnet weitere Möglichkeiten.

Zukünftig könnte Telluride Architektur beispielsweise auswerten:

• Wie viele Leistungsverzeichnisse wurden überprüft?
• Welche Arten von Auffälligkeiten treten besonders häufig auf?
• In welchen Gewerken entstehen die meisten Findings?
• Wie entwickeln sich die Fehlerzahlen im Laufe der Zeit?
• Welche Fehlerkategorien gehen nach Schulungen oder Prozessanpassungen zurück?
• Wie hoch ist die durchschnittliche Bearbeitungszeit?
• Welche Hinweise werden von den Fachabteilungen als valide bewertet?

Die Daten könnten beispielsweise über ein Power-BI-Dashboard visualisiert werden.

Aus einem einzelnen KI-Prüfer könnte damit ein kontinuierliches Qualitätsmanagementsystem entstehen.

Die KI würde dann nicht nur einzelne Dokumente prüfen. Sie könnte dem Unternehmen langfristig dabei helfen, Muster zu erkennen und die Qualität zukünftiger Leistungsverzeichnisse systematisch zu verbessern.

Datenschutz und Datenhoheit von Anfang an berücksichtigen

Für Daniel spielen neben der technischen Qualität auch Datenschutz und Datenhoheit eine wichtige Rolle.

Bei der Auswahl und Konfiguration von KI-Modellen prüft er unter anderem:

• Wo werden die Daten verarbeitet?
• Welche Modelle stehen zur Verfügung?
• Können einzelne Modelle deaktiviert werden?
• Entspricht die Verarbeitung den internen Anforderungen?
• Welche Informationen dürfen an die KI übertragen werden?
• Wie lassen sich die Ergebnisse sicher speichern?

Dieser Ansatz ist besonders bei Vertragsunterlagen, Ausschreibungen und internen Projektdaten relevant.

Unternehmen sollten KI-Projekte deshalb nicht ausschließlich nach Funktionsumfang oder Modellleistung bewerten. Datenschutz, Zugriffsrechte, Dokumentation und Datenflüsse gehören von Beginn an zur Projektplanung.

Was andere Unternehmen aus dem Projekt lernen können

Das Beispiel von Daniel Resch zeigt, wie KI-Projekte in Unternehmen erfolgreich gestartet werden können.

1. Nicht mit dem Tool beginnen

Die wichtigste Frage lautet nicht: „Was kann dieses KI-Tool?“

Die bessere Frage lautet:

„Welcher konkrete Prozess kostet uns viel Zeit, verursacht Fehler oder bindet unnötig Ressourcen?“

2. Einen klar begrenzten Anwendungsfall auswählen

Daniel versucht nicht, mit einer einzigen KI-Anwendung alle Prozesse des Architekturbüros zu automatisieren.

Er konzentriert sich zunächst auf die Qualitätsprüfung von Leistungsverzeichnissen.

3. Mit einem Prototyp starten

Die erste Version muss noch keine perfekte Benutzeroberfläche besitzen.

Eine funktionierende Konsolenanwendung kann ausreichen, um den Nutzen zu testen und Anforderungen für eine spätere professionelle Lösung zu sammeln.

4. Menschen in der Entscheidungsschleife behalten

Die KI erstellt keine endgültige Freigabe. Fachkundige Mitarbeiter bewerten die Hinweise.

5. Ergebnisse strukturiert speichern

Durch die Datenbankanbindung können die Findings später ausgewertet und für das Qualitätsmanagement genutzt werden.

6. Prompts kontinuierlich verbessern

Die echte Arbeit beginnt nach dem ersten funktionierenden Testlauf. Ergebnisse müssen analysiert, kategorisiert und in die Weiterentwicklung des Systems eingebaut werden.

Potenzial für ein neues KI-Geschäftsmodell

Langfristig könnte aus dem internen LV-Prüfer auch ein neues Geschäftsmodell entstehen.

Denkbar wären beispielsweise:

• ein interner KI-Service für verschiedene Standorte oder Unternehmensbereiche
• ein zentrales Kompetenzzentrum für KI-gestützte LV-Prüfungen
• eine spezialisierte Lösung für verbundene Unternehmen
• ein Software-as-a-Service-Angebot für andere Architektur- oder Ingenieurbüros
• Beratungsleistungen rund um KI-gestützte Ausschreibungsprüfungen
• branchenspezifische Varianten für weitere Unternehmen der Bauwirtschaft

Ob Telluride Architektur diesen Weg tatsächlich verfolgt, ist offen. Das Projekt zeigt aber, wie aus einer internen Effizienzidee perspektivisch ein eigenständiges digitales Produkt entstehen kann.

Fazit: Erfolgreiche KI-Projekte beginnen mit einem echten Problem

Der KI-gestützte LV-Prüfer von Daniel Resch ist ein gutes Beispiel für praxisorientierte KI-Transformation.

Ausgangspunkt war kein bestimmtes Sprachmodell und keine allgemeine Vorgabe, „etwas mit KI“ zu machen. Ausgangspunkt war ein realer Prozess:

Die manuelle Prüfung umfangreicher Leistungsverzeichnisse kostet viel Zeit und kann dennoch nicht garantieren, dass sämtliche Widersprüche entdeckt werden.

Daniel hat daraus einen klaren Anwendungsfall entwickelt, einen Prototyp gebaut, echte Dokumente geprüft und die Ergebnisse Schritt für Schritt verbessert.

Die Anwendung ist noch nicht fertig. Genau darin liegt jedoch eine wichtige Botschaft: Erfolgreiche KI-Projekte entstehen selten als sofort perfekte Lösung. Sie entstehen durch strukturiertes Vorgehen, praktische Tests, Fachwissen und kontinuierliche Optimierung.

Daniel entwickelt das Projekt im Rahmen seiner Weiterbildung weiter. Nach dem KI-Manager (IHK) nimmt er auch am KI-Innovationsmanager teil, um die technische Lösung, den möglichen Roll-out und denkbare Geschäftsmodelle weiterzuentwickeln.

Über den Interviewgast

Daniel Resch ist Partner bei der Telluride Architektur GmbH und verantwortet das Controlling sowie die IT-Governance. Das Architekturbüro arbeitet von seinen Standorten in Düsseldorf, Berlin und München aus an Projekten in den Bereichen Forschung, Bildung und Gesundheit.

Alle Informationen zu meinen IHK-Kursen, Workshops, Podcast-Folgen und weiteren Angeboten findest du hier:

https://linktr.ee/Yakup_AI

Häufig gestellte Fragen

Wie kann KI Leistungsverzeichnisse prüfen?

Eine KI kann die Texte eines Leistungsverzeichnisses strukturiert analysieren und beispielsweise Widersprüche, unklare Beschreibungen, fehlende Angaben oder Abweichungen zwischen Kurz- und Langtexten markieren. Die Ergebnisse müssen anschließend von fachkundigen Mitarbeitern bewertet werden.

Ersetzt KI die fachliche Prüfung eines Leistungsverzeichnisses?

Nein. Die KI liefert erste Hinweise und priorisiert mögliche Auffälligkeiten. Die abschließende Bewertung und Freigabe sollte weiterhin durch qualifizierte Fachkräfte erfolgen.

Wie viel Zeit kann eine KI-Prüfung sparen?

Im vorgestellten Praxisbeispiel kann ein Leistungsverzeichnis mit weniger als 100 Seiten innerhalb von ungefähr zehn Minuten erste Ergebnisse liefern. Eine manuelle Prüfung kann dagegen mehrere Stunden beanspruchen.

Welche Technik wird für den LV-Prüfer eingesetzt?

Der Prototyp basiert auf C# und .NET, einer SQL-Datenbank, einer REST-API zu einem Sprachmodell und strukturierten JSON-Schemata für die Ein- und Ausgabe.

Was ist die größte Herausforderung bei langen Leistungsverzeichnissen?

Sehr lange Dokumente können die Kontext- beziehungsweise Tokenlimits eines Sprachmodells überschreiten. Werden sie in einzelne Blöcke aufgeteilt, können blockübergreifende Zusammenhänge und Widersprüche verloren gehen.

Für welche Unternehmen ist dieser Anwendungsfall interessant?

Der Ansatz ist insbesondere für Architektur- und Ingenieurbüros, Bauunternehmen, Planungsbüros, Projektsteuerer und weitere Unternehmen relevant, die umfangreiche Ausschreibungs- oder Vertragsdokumente erstellen und prüfen.

Link zur Podcastfolge: https://open.spotify.com/episode/4bJ2eeLUT4TzDsMZGu7GkA?si=dsV087guQmSj4-DRyP7OXg 

Link zum Youtube Video: https://youtu.be/2eWkcIzys-s