Die erste Welle allgemeiner Sprachmodelle im Bauwesen ist vorüber. Werkzeuge wie Microsoft 365 Copilot oder Standard-Installationen von ChatGPT haben in Planungsbüros breite Bekanntheit erlangt, stossen im Arbeitsalltag von Ingenieuren und Architekten jedoch an harte Grenzen: Sie unterscheiden nicht verlässlich zwischen verbindlichen Ausgaben und abgelösten Vorentwürfen, kennen die normative Rangordnung zwischen Bund, Kanton und Gemeinde nicht und liefern bei fehlender Faktenlage plausible Erfindungen statt begründeter Zurückhaltung.
Allgemeine Sprachassistenten wurden für den Entwurf von E-Mails und Notizen trainiert. In einem Ingenieur- oder Architekturbüro, in dem ein Partner mit seiner Unterschrift persönlich für Honorarofferten, Baubeschriebe und Berichte haftet, entscheidet nicht die Formulierungskunst des Modells, sondern die Nachprüfbarkeit jedes zitierten Werts anhand von Dokument, Ausgabejahr und Seitenzahl.
Der internationale Markt für Bausoftware differenziert sich rasant. Laut Branchenstudien wie dem Deltek Clarity Report 2025 setzen bereits über 39 Prozent aller Architektur- und Ingenieurunternehmen gezielt KI-Lösungen ein, wobei die Erstellung von Honorarofferten, die Auswertung von Ausschreibungsunterlagen und die Erstellung technischer Berichte die dominierende Anwendung bilden. Dieser Bericht fasst die fünf dominierenden Architekturansätze im Markt zusammen und zeigt auf, welche technischen Entscheidungen in der Praxis über Erfolg und Haftung entscheiden.
Die fünf Architekturmuster im Marktvergleich
Weltweit lassen sich die aktuellen KI-Systeme für Planungs- und Ingenieurbüros in fünf klar unterscheidbare Architekturkategorien einteilen. Jedes Muster setzt auf einen anderen technischen Schwerpunkt und bringt spezifische Vor- und Nachteile mit sich:
| Architekturmuster | Typische Vertreter | Technischer Ansatz | Haupteinsatzbereich | Grenzen & Risiken |
|---|---|---|---|---|
| Composed Frontier Systems | Leistera, AutoSitu, Buoyant | Verbindung führender Frontier-Modelle mit mehrstufigem semantischem und lexikalischem Retrieval | Honorarofferten, Baubeschriebe, Pflichtenheft-Prüfung, Berichte | Erfordert rigorose Pflege der Normenhierarchien und präzise Bounding-Box-Extraktion |
| Proprietäre Fachmodelle | Nomic | Eigenständig trainierte Embedding- und Drawing-Modelle auf Millionen Plänen | Grossflächige Plan- und Modellprüfung, Entwickler-APIs | Hohe Trainingskosten, schwache Abdeckung spezifischer Schweizer Normen wie SIA oder ASTRA |
| CAD-Embedded Agenten | Gradon | Lokal agierende Agenten mit direktem Zugriff auf Konstruktions- und CAD-Werkzeuge | Entwurfsmodelle, Geometrie-Iterationen, Plananpassungen | Schwierige Freigabeprozesse; für verbindliche Ausführungs- und Devisierungspläne noch im Versuchsstadium |
| Klausel-Spezialisierung | Avoice | Modelle trainiert auf standardisierte Ausschreibungsklauseln und Spezifikationen | Leistungsverzeichnisse, Devisierung nach Katalogen | Starr auf standardisierte Vorgaben ausgerichtet; geringe Anpassung an firmeneigene Archive |
| Ausschreibungs-CRMs | Tendaro, TenderLift | Plattformen zur Überwachung öffentlicher Publikationen (simap.ch) und Akquise-Tracking | Vertriebs- und Vergabeüberwachung, Fristenkontrolle | Kein Zugriff auf frühere Firmenprojekte, keine Erstellung fundierter SIA-Offerten |
Frontier-Modelle gegen Spezialmodelle: Wo sich Training wirklich lohnt
In der Softwareentwicklung für das Bauwesen stellt sich oft die Frage: Sollte ein Anbieter ein eigenes Sprachmodell trainieren, oder ist die intelligente Verknüpfung bestehender Frontier-Modelle überlegen? Die Marktrealität 2026 liefert eine eindeutige Antwort:
Bei reinem Textverständnis, logischer Argumentation und der Formulierung technischer Berichte übertreffen die grossen Frontier-Modelle (wie OpenAI GPT-4o, Google Gemini 3.8 Flash oder Anthropic Claude 3.5 Sonnet) jedes firmenspezifisch trainierte Spezialmodell. Milliardeninvestitionen in das Pre-Training sorgen für ein Sprach- und Kontextverständnis, das durch Nischentraining nicht replizierbar ist.
Der Bereich, in dem spezialisierte Modelle zwingend erforderlich sind, liegt an einer anderen Stelle: bei der Erfassung technischer Dokumente und CAD-Zeichnungen. Standard-Sprachmodelle sind blind für Vektorabmessungen in Plänen, Tabellenstrukturen mit verbundenen Zellen und mikroskopische Bemaßungen auf Normalienblättern. Hier entscheidet ein spezialisierter Parser (wie Docling oder dedizierte Bounding-Box-Extraktoren), der visuelle Geometrie in strukturierte Daten übersetzt, bevor ein Sprachmodell den Text überhaupt zu Gesicht bekommt.
Architektur-Best-Practices: Warum simples Vektor-RAG im Planungsbau scheitert
Naives RAG (Retrieval-Augmented Generation) schneidet Dokumente in gleichförmige Textblöcke und sucht über Kosinus-Ähnlichkeit nach passenden Absätzen. Für allgemeine FAQs funktioniert das; in einem Schweizer Ingenieurbüro führt es regelmässig zu gefährlichen Fehlern:
- Normen der 3. Klasse schlagen Normen der 1. Klasse: Ein Dokument über eine untergeordnete Strasse kann zufällig mehr Suchbegriffe enthalten als die massgebende Richtlinie für Nationalstrassen und landet fälschlicherweise auf Platz eins.
- Zusammenhangsverlust bei Tabellen: Ein Textblock endet mit «Es gelten folgende Breiten:» – die eigentlichen Zahlenwerte liegen im nächsten Abschnitt. Das Modell sieht eine Einleitung ohne Daten und meldet fälschlicherweise ein Fehlen der Angaben.
- Komposita der deutschen Fachsprache: Begriffe wie «Fahrstreifenbreite», «Nothaltebucht» oder «Lichtraumprofil» müssen zuverlässig gefunden werden, selbst wenn die Frage nur nach «Breite» oder «Fahrbahn» fragt.
Robuste AEC-Systeme kombinieren vier Mechanismen: 1. BM25 mit Zerlegung deutscher Komposita. 2. Dichte Vektoreinbettungen für semantische Treffer bei abweichendem Wortlaut. 3. Reciprocal Rank Fusion (RRF) zur ausgewogenen Verschmelzung beider Ergebnislisten. 4. Ein Cross-Encoder-Reranking, das die Top-Treffer im vollen Kontext auf Ausgabestand, kantonale Zuständigkeit und Relevanz prüft.
Die 96-Prozent-Schwelle: Vom Nachrechnen zur schnellen Freigabe
Zwischen 90 Prozent und 96 Prozent Genauigkeit liegt im Ingenieurwesen eine fundamentale Vertrauensgrenze. Ein System mit 90 Prozent Zuverlässigkeit liefert in einem von zehn Fällen eine falsche Kennzahl oder eine unvollständige Leistungsphase. Für einen zeichnungsberechtigten Partner bedeutet das: Jeder Absatz, jeder BKP-Code und jede SIA-Artikelnennung muss Wort für Wort im Originaldokument nachgeschlagen werden. Die versprochene Arbeitserleichterung verwandelt sich in mühsame Kontrollarbeit.
Erst ab einer Treffer- und Zitatgenauigkeit von über 96 Prozent, kombiniert mit klickbaren Fundstellen bis auf Absatz- und Bounding-Box-Ebene, ändert sich der Ablauf im Büro: Aus aufwendigem Nachrechnen wird eine rasche Sichtprüfung. Genau hier entsteht der Hebel, der den Aufwand für eine fundierte Honorarofferte von 30 Stunden auf rund 3 Stunden senkt.
Ebenso wichtig wie die Trefferquote ist der Mut zur Zurückhaltung (Abstention): Wenn in den Unterlagen zu einem Projekt keine Baugrunddaten oder keine Verkehrsbelastungswert vorliegen, darf das System nicht spekulieren. Eine klare Rückmeldung «Keine Belege in den Projektakten gefunden» ist im Ingenieuralltag wertvoller als eine plausibel klingende Vermutung.
Datensouveränität nach nDSG und Schweizer Vergaberecht
Ingenieur- und Architekturbüros arbeiten mit hochsensiblen Projektunterlagen: vertrauliche Kostenschätzungen, noch nicht veröffentlichte Baugesuche und interne Honorarsätze. Bei der Evaluation von Softwarelösungen gelten deshalb klare Vorgaben:
- Kein Modelltraining auf Kundendaten: Verträge, Offertentwürfe und Firmenkorrespondenz dürfen unter keinen Umständen zur Weiterbildung öffentlicher oder proprietärer KI-Modelle verwendet werden.
- Konformität mit dem revidierten Datenschutzgesetz (nDSG): Klare vertragliche Auftragsdatenverarbeitung (ADV) und Transparenz über genutzte Subprozessoren.
- Standort der Datenverarbeitung: Bevorzugung von Rechenzentren in der Schweiz (z.B. Azure Switzerland North in Zürich/Genf oder spezialisierte Schweizer Cloud-Anbieter wie Infomaniak).
- Die Unterschrift bleibt im Büro: Software unterstützt die Recherche, strukturiert die Offerte und prüft Normen. Die Freigabe, der finale Entscheid und die Verantwortung verbleiben zu 100 Prozent bei den Fachleuten vor Ort.
Checkliste: Vier Prüffragen vor der Einführung von KI-Systemen
Bevor ein Planungsbüro Verträge für KI-Werkzeuge unterzeichnet, sollten Partner und IT-Verantwortliche die folgenden vier Punkte schriftlich prüfen lassen:
- 1. Belegprüfung: Liefert das System zu jeder Zahl und jeder normativen Forderung die verbindliche Quelle mit Dokumenttitel, Ausgabejahr und Seitenzahl, oder generiert es bloss Fließtext?
- 2. Versionslogik: Erkennt das System, wenn in einem Archivordner drei Fassungen derselben Norm liegen, und warnt es vor veralteten Dokumenten?
- 3. Arbeitsumgebung: Zwingt das Tool die Mitarbeiter in ein isoliertes Silo, oder arbeitet es direkt mit den bestehenden Dateiablagen (wie SharePoint, lokalen Servern oder M365) zusammen?
- 4. Datenkontrolle: Bestätigt der Anbieter vertraglich nach Schweizer Recht, dass keine Mandats- oder Offertdaten für das Training von Algorithmen verwendet werden?