Bauprozessmanagement

Nachträge gehören zu den konfliktträchtigsten und wirtschaftlich relevantesten Bereichen der Baupraxis. Trotz der umfangreichen Daten aus abgeschlossenen Projekten wird das vorhandene Erfahrungswissen bislang kaum wiederverwendet. Insbesondere die Nachtragsprüfung erfolgt häufig unter Zeitdruck, mit unstrukturierten Dokumenten und ohne digitale Unterstützung.

Ziel dieser Masterarbeit ist daher die Entwicklung eines KI-gestützten Assistenzsystems zur Unterstützung der Nachtragsprüfung. Mithilfe von Large Language Models (LLMs) sollen nachtragsrelevante Informationen effizient zugänglich gemacht werden, die Plausibilität von Nachträgen unterstützt und bei fachlichen Einordnungen geholfen werden.

Hierzu werden zwei Ansätze der Wissensinjektion kombiniert. Zunächst wird ein vortrainiertes Large Language Model (LLM) mittels Fine-Tuning auf einem eigens erstellten, baurechtlich und baubetrieblich annotierten Datensatz angepasst, um die Fachsprache und Argumentationsmuster des Nachtragswesens abzubilden. Ergänzend wird ein Retrieval Augmented Generation (RAG) Ansatz implementiert, bei dem reale Nachtragspositionen aus abgeschlossenen Bauprojekten semantisch indiziert und dynamisch in den Antwortprozess eingebunden werden.

Durch die Kombination aus domänenspezifischem Training und semantischem Retrieval entsteht ein System, das Fachwissen mit projektspezifischer Erfahrung verknüpft. Die Ergebnisse zeigen, dass dieser Ansatz eine praxisnahe, datenbasierte Unterstützung der Nachtragsprüfung ermöglicht und einen Beitrag zur Digitalisierung des Nachtragsmanagements leistet.

Die Digitalisierung eröffnet dem Bauwesen neue Möglichkeiten, komplexe Prozesse transparenter, effizienter und verlässlicher zu gestalten. Der Ausgangspunkt sind steigende Anforderungen an die Termin- und Kosteneinhaltung sowie die zunehmende Komplexität moderner Bauvorhaben, die klassische Planungs- und Steuerungsmethoden zunehmend herausfordern.

Im Zuge dieses Projektes in Zusammenarbeit mit der Implenia Hochbau GmbH wurde untersucht, wie eine modellbasierte Ablaufsteuerung im Ausbau das Bauprojektmanagement gezielt verbessern kann. Im Fokus stand die Erprobung eines digitalen Ansatzes in einem Pilotprojekt, bei dem Lean Construction Methoden mit Building Information Modeling (BIM) verknüpft wurden. Hierbei wurde eine modellbasierte Bausoftware eingesetzt, die Terminpläne, 3D-Modelle und Baufortschritte zu einer gemeinsamen digitalen Arbeitsgrundlage integrierte. Dadurch konnten Bauabläufe im Ausbau übersichtlich visualisiert und für alle Projektbeteiligten nachvollziehbar gemacht werden.

Die Ergebnisse zeigen, dass die digitale Ablaufsteuerung insbesondere die Koordination der Ausbaugewerke deutlich verbessert. Baustellenbesprechungen wurden erheblich verkürzt, Abweichungen im Baufortschritt frühzeitig erkannt und Stillstandzeiten reduziert. So ließen sich Terminverzögerungen um mehrere Tage pro Ausbauabschnitt vermeiden. Gleichzeitig sank der Koordinationsaufwand, was zu einer effizienteren Ressourcennutzung und verbesserten Kostenkontrolle beitrug.

Die modellbasierte Ablaufsteuerung liefert einen nachweisbaren Mehrwert. Sie verbessert die Zusammenarbeit, erhöht die Genauigkeit der Planung und treibt die nachhaltige digitale Transformation im Bauwesen voran. Der Ansatz zeigt, wie digitale Werkzeuge praktisch genutzt werden können, um Prozesse zukunftsfähig zu gestalten.

Terminabweichungen sind eine zentrale Herausforderung bei komplexen Bauprojekten, insbesondere in den frühen Phasen mit hoher Unsicherheit. In dieser Arbeit wird untersucht, wie sich die Prognosesicherheit von Rahmenterminplänen mithilfe analytischer Methoden steigern lässt.

Eine Umfrage unter Experten der Bauwirtschaft zeigt, dass Terminabweichungen strukturell mit der dokumentierten Wissensbasis korrelieren. Systematische Projektinformationen reduzieren Planungsfehler.

Im Rahmen eines Vergleichs zweier Hochbaudatenbanken wurden lineare Regression, neuronale Netze und KI-getriebene Entscheidungsbäume bewertet. Entscheidungsbäume erweisen sich aufgrund ihrer Genauigkeit, Robustheit bei fehlenden Merkmalen und Interpretierbarkeit der Datensätze als besonders vorteilhaft.

Eine weitere Fallstudie belegt: Informationen zur Marktsituation und Unsicherheitsindikatoren (zum Beispiel Inflation) verbessern die Prognosen des Entscheidungsbaums im Vergleich zur Expertenintuition. Bei Planungsaktualisierungen zeigt das KI-Modell ebenfalls bessere Prognosen. Es wurde jedoch auch deutlich, dass weder reine Intuition noch isolierte Modelle ausreichen.

Die Arbeit etabliert eine dateninformierte, erklärbare Entscheidungslogik als Standard, die Expertenwissen und KI verbindet, um eine robustere, realistischere und transparentere Terminplanung zu ermöglichen.