1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 11 Die Zukunft des Ingenieurbaus mit KI Prof. Dr.-Ing. Niels Bartels Technische Hochschule Köln, Deutschland Prof. Dr. Tobias Maile Technische Hochschule Augsburg, Deutschland Zusammenfassung Künstliche Intelligenz (KI) hält zunehmend Einzug in den Ingenieurbau - von automatisierter Bildauswertung über prädiktive Bauprozesssteuerung bis hin zu KI-gestützten Planungssystemen. Während in Forschung und Industrie bereits konkrete Anwendungen existieren und eingesetzt werden, stellen sich für Unternehmenspraxis und Lehre noch Fragen: Welche Kompetenzen sind künftig erforderlich? Welche Technologien sind heute bereits nutzbar? Wo liegen die Herausforderungen? Und wie setze ich KI in meinem Unternehmen ein? 1. Einführung Künstliche Intelligenz (KI) hat sich in den letzten Jahren von einem technologiegetriebenen Hype zu einem handfesten Werkzeug in zahlreichen Branchen entwickelt - auch im Bauwesen. Insbesondere im Ingenieurbau eröffnen KI-Technologien neue Möglichkeiten, um Planungs-, Überwachungs- und Entscheidungsprozesse effizienter, datenbasierter und robuster zu gestalten. Anwendungen wie die Baufortschrittskontrolle per Drohne, automatische Schadensklassifikation oder KI-gestützte Mengenermittlung sind bereits im Einsatz - doch ihr Potenzial ist noch längst nicht ausgeschöpft. Dieser Beitrag nähert sich dem Thema KI im Ingenieurbau aus technischer und strategischer Perspektive. Im Mittelpunkt stehen dabei nicht nur die Technologien selbst, sondern auch der Mensch - als Gestalter, Nutzer und Lernender im digitalen Wandel. 2. Was ist überhaupt KI? Und warum ist sie mehr als nur ein Hype? KI ist ein Teilgebiet der Informatik, das sich mit der Entwicklung von Maschinen und Systemen befasst, die menschenähnliche kognitive Fähigkeiten besitzen - etwa Problemlösung, Lernen, Wahrnehmung, Sprachverstehen oder logische Schlussfolgerungen. Ziel ist es, technische Systeme zu schaffen, die in der Lage sind, Aufgaben intelligent, adaptiv und (teilweise) autonom zu bearbeiten. Dabei geht es nicht nur um Automatisierung, sondern um eine neue Qualität des maschinellen Handelns und Entscheidens. Hierdurch sollen menschliche Prozesse und Handlungen unterstützt werden. Der gegenwärtige KI-Diskurs ist geprägt von enormem Fortschritt in der Praxis, insbesondere durch Machine Learning (ML), Deep Learning (DL) und natürliche Sprachverarbeitung (NLP). Während KI in der Vergangenheit oft mit überzogenen Erwartungen oder Enttäuschungen verbunden war (z.-B. „KI-Winter“), lässt sich mittlerweile beobachten, dass sie langfristig einflussreiche Veränderungen in Wirtschaft, Wissenschaft, Gesellschaft und Bildung erzeugt [1]. Ein prägender Ausgangspunkt der KI-Geschichte liegt in der Arbeit des britischen Mathematikers und Logikers Alan Turing, der bereits 1950 in seinem Aufsatz „Computing Machinery and Intelligence“ die zentrale Frage stellte: „Can machines think? “ [2]. Statt einer festen Definition von Intelligenz schlug Turing den sogenannten Turing-Test vor - eine experimentelle Methode, um festzustellen, ob eine Maschine sich im Dialog mit einem Menschen so verhält, dass sie nicht mehr von einem Menschen zu unterscheiden ist. Obwohl der Test heute nicht mehr als alleiniger Maßstab gilt, war er wegweisend, weil er die Diskussion über maschinelle Intelligenz in konkrete, überprüf bare Bahnen lenkte. Turings Arbeit legte den Grundstein für die theoretische und technische Entwicklung der KI. Seine Ideen beeinflussen bis heute die Forschung - etwa in der Frage, welche Fähigkeiten Maschinen besitzen müssen, um als intelligent zu gelten, und wie sich diese Fähigkeiten messen lassen. Auch die ethische Debatte um Verantwortung, Autonomie und Kontrolle beginnt mit Turing: Schon in den 1950er Jahren warnte er vor den gesellschaftlichen Konsequenzen einer zu leistungsfähigen Maschine [3]. Die Dartmouth-Konferenz im Jahr 1956 gilt als der Gründungsmoment der Künstlichen Intelligenz als wissenschaftliche Disziplin. Denn erstmals wurde dort der Begriff ‚Künstliche Intelligenz‘ geprägt und ein Forschungsprogramm formuliert, das die Grundlagen für eine eigenständige wissenschaftliche Disziplin legte. KI wird häufig in Wellen öffentlicher Aufmerksamkeit diskutiert, mit zwei sogenannten KI-Wintern, die durch begrenzte Rechnerleistung und fehlende Daten und Forschungsgelder geprägt waren. Seit dem Fokus auf statistische Modelle in den 90iger Jahren, kombiniert mit der Entstehung des Internets (WWW) und damit von Trainingsdaten, hat sich die KI stehts weiterentwickelt. Vom PC, der den Schachweltmeister besiegen kann (IBM Deep Blue), über IBM Watson, der auch menschliche Sprache verarbeiten kann. Seit 2010 ist ein grundlegender Wandel zu beobachten: Die Fortschritte im Bereich des Deep Learning, die Verfügbarkeit großer Datenmengen und 12 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 Die Zukunft des Ingenieurbaus mit KI leistungsfähiger Hardware (z. B. GPUs, TPUs) haben zu praxisnahen Durchbrüchen geführt, etwa bei Sprachmodellen (BERT, GPT), Bildverarbeitung (z. B. Midjourney und DALL-E) oder autonomen Systemen. 2022 wurde mit ChatGPT die generative KI dann Mainstream. Die Entwicklung ist in Abbildung 1 dargestellt und zeigt auch die aktuellen Entwicklungen wie KI-Agenten, den zunehmenden Fokus auf Kontext sowie erste Regulierungen, wie den EU AI Act. Abbildung 1: Historische Entwicklung von KI Zudem ist KI mittlerweile tief in gesellschaftliche und wirtschaftliche Prozesse eingebettet - etwa in der Logistik, Medizin, Verwaltung oder eben auch im Bauwesen. Ihre Fähigkeit, komplexe Aufgaben automatisiert zu lösen, verändert Berufsbilder und macht KI zu einem zentralen Transformationsfaktor, dem sich auch das Bildungssystem stellen muss [4]. Insbesondere im Hochschulbereich und in der Ingenieurausbildung spielt KI deshalb eine immer größere Rolle - sowohl als Studieninhalt als auch als Werkzeug zur individualisierten Lehre, automatisierten Bewertung und Datenanalyse. Sie bietet neue Potenziale für das Lernen, erfordert jedoch auch ein kritisches Verständnis von Risiken, wie algorithmische Verzerrung, fehlende Transparenz oder hohe Umweltkosten durch Rechenleistung [5]. 2.1 Entwicklung der KI Die Entwicklung der Künstlichen Intelligenz verlief nicht linear, sondern in technologischen Etappen, die jeweils durch bedeutende Durchbrüche in Forschung und Anwendung geprägt waren. Diese Fortschritte haben nicht nur das allgemeine Verständnis und die Leistungsfähigkeit von KI-Systemen verändert, sondern auch konkrete Anwendungsfelder im Bauwesen beeinflusst - von der automatisierten Zustandsanalyse über digitale Planung bis hin zur dokumentationsgestützten Entscheidungsunterstützung. Drei zentrale Meilensteine lassen sich hervorheben: 1. Deep Learning (seit den 2010er Jahren): Ein entscheidender Wendepunkt war die Etablierung von Deep Learning-Technologien, insbesondere durch den Einsatz von Convolutional Neural Networks (CNNs) für Bildverarbeitung und Mustererkennung. Diese Modelle ermöglichten erstmals eine hochpräzise Analyse visueller Daten und haben u. a. zu Durchbrüchen in der Bauwerksüberwachung, Schadensklassifikation, Fortschrittskontrolle auf Baustellen oder Qualitätssicherung beigetragen [6]. 2. Transformer-Modelle (seit 2017): Mit der Veröffentlichung des Transformer-Architekturmodells durch Vaswani et al. (2017) begann eine neue Ära der natürlichen Sprachverarbeitung [7]. Modelle wie BERT [8] oder GPT [9] ermöglichen ein tiefes kontextuelles Sprachverständnis, das für Anwendungen wie automatisierte Baudokumentation, semantische Analyse von Normen und Vorschriften oder intelligentes Wissensmanagement in Bauprojekten zunehmend relevant wird. 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 13 Die Zukunft des Ingenieurbaus mit KI 3. Diffusionsmodelle oder multimodale generative Modelle (seit 2020): Eine weitere technologische Neuerung stellt die Entwicklung von Diffusionsmodellen dar [10]. Diese generativen Verfahren ermöglichen die hochqualitative Erzeugung von Bildern, Texten und Plänen und eröffnen neue Möglichkeiten für gestützte Entwurfsprozesse, visuelle Simulationen und kreative Variantenbildung im Planungsalltag. Sie werden zunehmend auch in der architektonischen Frühphase, bei Visualisierungen oder in der Lehre eingesetzt. Die Entwicklung ist weiterhin dynamisch und KI entwickelt sich ständig fort. 2.2 Formen der KI Um die Integration von Künstlicher Intelligenz (KI) mit dem Bauwesen zu ermöglichen, ist eine präzise Klassifikation der unterschiedlichen Formen und Teilgebiete von KI erforderlich. Diese Systematisierung hilft, um mögliche Implementierungen im Unternehmen zu verstehen sowie zur Identifikation relevanter Kompetenzen für zukünftige Bauingenieur: innen im Umgang mit intelligenten Systemen. Zunächst kann nach Formen von Künstlicher Intelligenz unterschieden werden: 1. Schwache KI (Narrow AI): Diese Form der KI ist auf die Lösung klar abgegrenzter Aufgaben spezialisiert. Sie agiert innerhalb definierter Parameter und verfügt über kein allgemeines Verständnis außerhalb ihres Anwendungsbereichs. Beispiele aus dem Bauwesen sind Chatbots für das Anfragemanagement auf Baustellen, Empfehlungssysteme in Planungssoftware oder automatisierte Klassifizierungen in der Bauschadensanalyse. Schwache KI ist derzeit die am weitesten verbreitete Form und dominiert kommerzielle Anwendungen [1, 11]. 2. Starke KI (General AI): Diese hypothetische Form von KI wäre in der Lage, komplexe kognitive Aufgaben domänenübergreifend ähnlich wie ein Mensch zu bearbeiten - mit Fähigkeiten wie Schlussfolgern, Planen und Problemlösen in völlig neuen Kontexten. Im Bauwesen könnte dies etwa bedeuten, dass eine KI eigenständig Bauprojekte analysiert, plant und koordiniert. Derzeit existiert jedoch keine funktionierende starke KI, sie bleibt Gegenstand der Grundlagenforschung [1, 11]. 3. Superintelligente KI: Superintelligenz beschreibt ein potenzielles Zukunftsszenario, in dem Maschinen die gesamte menschliche Intelligenz übertreffen - nicht nur in Rechenleistung, sondern auch in Kreativität, emotionalem Verständnis und strategischer Planung. Obwohl dieser Zustand noch rein spekulativ ist, wird in der Forschung zunehmend auf ethische, sicherheitstechnische und gesellschaftspolitische Fragestellungen hingewiesen [12]. Für die Baupraxis ist diese Entwicklung (noch) nicht relevant, sollte aber im Rahmen interdisziplinärer Technikethik thematisiert werden. Das Zusammenspiel zwischen diesen Bereichen der KI ist in Abbildung 2 dargestellt. Abbildung 2: Bausteine der Künstlichen Intelligenz 14 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 Die Zukunft des Ingenieurbaus mit KI Für das Bauwesen sind insbesondere die folgenden Teilgebiete der KI interessant: 1. Maschinelles Lernen (ML): ML umfasst Verfahren, bei denen Algorithmen auf Basis großer Datenmengen Muster erkennen und Prognosen treffen und gehört zum Supervised Learning (SL). Im Bauwesen werden ML-Methoden u. a. zur Kosten- und Terminschätzung, zur Erkennung von Sicherheitsrisiken, Monitoring oder im Facility Management eingesetzt [13]. 2. Deep Learning (DL): Deep Learning ist eine Spezialisierung des ML, bei der mehrschichtige neuronale Netze eingesetzt werden, um komplexe, nichtlineare Zusammenhänge zu modellieren. Besonders in der automatisierten Bildverarbeitung, etwa zur Risserkennung an Bauwerken oder zur Drohnenbildanalyse auf Baustellen, ist DL inzwischen weit verbreitet [14, 15]. 3. Natural Language Processing (NLP) als Teil der generativen KI: NLP umfasst die Verarbeitung und Generierung natürlicher Sprache und bildet die Grundlage für sogenannte Large Language Models (LLMs). Im Bauwesen kann diese Technologie zur automatisierten Analyse von Leistungsverzeichnissen, zur semantischen Auswertung von Baunormen, oder zur sprachgestützten Interaktion mit Bauwerksmodellen genutzt werden [16, 17]. 4. Computer Vision: Dieser Teilbereich befasst sich mit der Analyse und Interpretation visueller Informationen (z. B. Bilder, Videos). In der Baupraxis wird Computer Vision für Baustellenmonitoring, Qualitätssicherung oder die automatisierte Fortschrittsdokumentation eingesetzt [18]. 5. Reinforcement Learning (RL): RL basiert auf dem Prinzip von Versuch und Irrtum: Ein Agent lernt durch Belohnung, welche Handlungen zum Ziel führen. Im Bauwesen sind RL-Ansätze noch weniger verbreitet, kommen jedoch in Planungsalgorithmen, bei der Ressourcenoptimierung, dem Betrieb von Gebäuden (z.-B. Technischer Gebäudeausrüstung) oder der Robotik auf Baustellen zum Einsatz [19]. 6. Unsupervised Learning (USL): Unüberwachtes Lernen umfasst Verfahren, die Muster und Strukturen in-ungelabelten Daten-erkennen, ohne dass vorher definierte Ausgaben vorgegeben werden. Typische Methoden sind Clustering und Dimensionsreduktion. Im Bauwesen wird es beispielsweise zur Analyse großer Sensordatenmengen, zur Anomalieerkennung in Bauwerkszuständen oder zur Gruppierung ähnlicher Projekte für Benchmarking eingesetzt. [13] Diese Unterscheidung verdeutlicht die Vielfalt und Spezifität der KI-Technologien und illustriert anhand von Beispielen alle drei grundlegenden Lernparadigmen (SL, RL, USL), deren Einsatzpotenziale im Bauwesen kontinuierlich wachsen. 3. KI im Ingenieurbau - Realität oder Zukunftsmusik? KI ist längst mehr als eine abstrakte Vision für den Ingenieurbau. Sie wird zunehmend in Planungs-, Bau- und Betriebsprozesse integriert - teils noch experimentell, teils bereits mit klar messbarem Nutzen. Während manche Anwendungen heute schon produktiv im Einsatz sind, stecken andere noch in der Erprobungsphase. Die Grenze zwischen Realität und Zukunft verschiebt sich dabei kontinuierlich. Eine Umfrage, die im Rahmen von Studierendenprojekten an der TH Köln durchgeführt wurde, zeigt hierbei, dass in den letzten Jahren eine Veränderung im Umgang mit KI stattgefunden hat. Die Nutzung von KI hat demnach in den letzten Jahren zugenommen [20]. Diese Entwicklung ist in Abbildung 3 dargestellt. Abbildung 3: Entwicklung der KI-Nutzung und Entwicklung zwischen 2023-2024 (n = 289), eigene Darstellung auf Basis von [20] 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 15 Die Zukunft des Ingenieurbaus mit KI Ein genauer Blick auf die Toolnutzung zeigt, dass diese vor allem im Bereich allgemeiner Tools und keiner bauspezifischen Tools liegt. Diese sind in Abbildung 4 dargestellt. Abbildung 4: Genutzte Tools gemäß Umfrage (n = 156), eigene Darstellung auf Basis von [20] Internationale Perspektive: -Während Deutschland noch stark auf Pilotprojekte und Bildungsinitiativen setzt, sind Länder wie die-USA-und-China-bereits weiter in der praktischen Implementierung von KI im Bauwesen - etwa durch den Einsatz autonomer Baumaschinen oder KI-gestützter Projektsteuerung in Großprojekten.-Skandinavische Länder-wiederum gelten als Vorreiter in der Integration von KI in nachhaltige Bauprozesse und digitale Genehmigungsverfahren. Ein internationaler Vergleich zeigt: Deutschland hat technologisch aufgeholt, muss jedoch bei der Skalierung und Standardisierung von KI- Anwendungen noch nachziehen. Nachfolgend werden deshalb einige bauspezifische Beispiele erläutert, um diese besser in Unternehmen zu verankern. 3.1 Inspirierende Beispiele (z. B. Planung, Simulation, Bauüberwachung) KI kann über den gesamten Lebenszyklus von Bauwerken eingesetzt werden [21]. Hierbei entwickeln sowohl etablierte Hersteller (z.-B. Autodesk) als auch Start-Ups Lösungen, die am Markt helfen sollen [22]. Erste KI-basierte Entwurfsassistenzsysteme wie Spacemaker (heute Forma, beide von Autodesk) nutzen Algorithmen zur Standortanalyse und Massenstudien- (Belichtung, Wind, Lärm). Aktuell erweitern spezialisierte Systeme wie Architectures oder Spacio diese Ansätze und ermöglichen die KI-gestützte Generierung vollständiger Grundriss- und Layoutvarianten. Diese Tools berücksichtigen funktionale Anforderungen, regulatorische Vorgaben und Flächenoptimierung und bieten damit eine echte Entwurfsunterstützung auf Gebäudeebene.- In der Tragwerksplanung unterstützen generative Ansätze die Variantenbildung und Simulation statischer Systeme. Machine-Learning-Modelle können darüber hinaus dazu eingesetzt werden, um Materialverhalten vorherzusagen, z. B. bei nichtlinearen Boden-Baugrund-Interaktionen oder bei der Lebensdauerabschätzung von Betonbauwerken unter Umwelteinflüssen [23]. Auch Struktursimulationen profitieren durch KI von schnellerer Ergebnisgenerierung bei hoher Komplexität. Computer-Vision-Technologien ermöglichen die automatisierte Erkennung von Rissen, Verformungen oder fehlenden Bauteilen anhand von Bild- und Videodaten aus Drohnen oder Baustellenkameras. Hier wird Deep Learning zur visuellen Qualitätskontrolle eingesetzt - mit zunehmender Genauigkeit und Robustheit. KI-gestützte Systeme wie ALICE Technologies nutzen Optimierungsalgorithmen zur Simulation und Planung komplexer Bauprozesse. Dabei können Termine, Ressourcen und Risiken automatisch aufeinander abgestimmt werden - besonders relevant im Großprojektmanagement. 3.2 Aktuelle Anwendungen und zukünftige Potenziale von KI im Bauwesen Zahlreiche KI-Anwendungen haben bereits Einzug in den Ingenieurbau gehalten und werden erfolgreich in der Praxis eingesetzt. • Bildanalyse für Schäden und Mängel: Mit Hilfe von Convolutional Neural Networks (CNNs) lassen sich strukturelle Schäden - etwa Risse in Tunnelwänden oder Betonoberflächen - automatisiert erkennen und bewerten. Diese Technologien kommen insbesondere bei der Bauwerksüberwachung zum Einsatz und erhöhen sowohl Effizienz als auch Objektivität der Inspektionen. • Dohnenbasierte Baufortschrittskontrolle: Drohnen liefern hochauflösende Bilddaten von Baustellen, die mithilfe von KI-basierten Bildverarbeitungsverfahren analysiert werden. So lässt sich der Baufortschritt automatisiert dokumentieren und mit dem Soll-Zustand aus dem BIM-Modell abgleichen - inklusive Abweichungsanalyse in Echtzeit. • Automatisierte Mengenermittlung und Kostenschätzung: KI-gestützte Werkzeuge ermöglichen die extraktive Analyse digitaler Baupläne und 3D-Modelle zur automatisierten Ableitung von Mengen, Massen und Kosten. Diese Systeme steigern die Planungsgenauigkeit und reduzieren zeitaufwendige manuelle Arbeitsschritte. • Chatbots zur Wissensvermittlung auf Großbaustellen: Intelligente Dialogsysteme bieten Arbeiter: innen, Polier: innen und Bauleiter: innen jederzeit Zugang zu projektspezifischem Wissen - etwa in Form interaktiver FAQs oder Sicherheitsanweisungen. So werden Informationsflüsse optimiert und Wissensverluste reduziert. • Maschinelles Lernen für Termin- und Risikoprognosen: ML-Modelle analysieren historische Projektdaten sowie Echtzeit-Informationen, um potenzielle Terminverzögerungen oder Kostenüberschreitungen frühzeitig zu erkennen. Diese Ansätze verbessern das Risikomanagement und die Entscheidungsfindung in komplexen Bauvorhaben. 16 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 Die Zukunft des Ingenieurbaus mit KI Neben den bereits etablierten Anwendungen kündigen sich weitere vielversprechende Entwicklungen an, die den Ingenieurbau grundlegend transformieren könnten: • Sprachgesteuerte Planungssysteme mit BIM-Anbindung: Integrierte Sprachschnittstellen werden künftig die direkte Interaktion mit Planungssoftware ermöglichen - etwa zur Abfrage von Modellparametern oder zur Modifikation von Bauteilen. Damit eröffnen sich neue Formen der Mensch-Maschine-Kollaboration. • Multimodale KI-Systeme: Neue Modellarchitekturen wie GPT-4o kombinieren Sprachverarbeitung, Bildanalyse und 3D-Interaktion in einem System. Im Bauwesen könnten solche multimodalen Modelle simultan Pläne interpretieren, Anfragen verstehen und Entwürfe generieren - etwa durch Kombination von Textbeschreibung und visuellen Planinformationen. • Prädiktive Instandhaltung: Die kontinuierliche Überwachung von Bauwerken mittels Sensorik und KI ermöglicht eine zustandsbasierte Instandhaltungsstrategie. Anomalien werden frühzeitig erkannt, und Wartungszyklen können bedarfsgerecht optimiert werden - was sowohl die Betriebssicherheit als auch die Lebensdauer von Infrastrukturen verbessert. • KI-generierte Leistungsverzeichnisse: Basierend auf BIM-Modellen und semantischer Analyse können künftig automatisiert Ausschreibungstexte und Leistungsverzeichnisse erstellt werden. Das reduziert Planungsaufwand und minimiert Übertragungsfehler zwischen Planung und Vergabe. • Adaptive Assistenzsysteme auf der Baustelle: Intelligente Exoskelette, die Bewegungen aktiv unterstützen und mit lernfähigen Algorithmen arbeiten, sind ebenso denkbar wie smarte Schutzhelme, die über visuelle oder akustische Signale auf Gefahren hinweisen - und so die Sicherheit und Ergonomie auf der Baustelle verbessern. Eine beispielhafte Darstellung der Themenfelder ist in Abbildung 5 dargestellt Abbildung 5: Beispielhafte Themenfelder der Anwendung von KI im Ingenieurbau 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 17 Die Zukunft des Ingenieurbaus mit KI Diese Beispiele stellen einen kleinen Auszug dar. Da KI ein sehr dynamisches Feld ist, können sich jedoch jederzeit Veränderungen ergeben. 4. Chancen und Herausforderungen von KI Obwohl die Anwendungsfälle endlos zu sein scheinen, bietet der Einsatz von KI neben den vielen Chancen auch Herausforderungen für den Ingenieurbau. Diese werden nachfolgend kurz anhand einer SWOT-Analyse in Tabelle 1 dargestellt. Einzelne Aspekte werden anschließend in den beiden nachfolgenden Abschnitten noch einmal detaillierter erläutert. Tabelle 1: SWOT-Analyse für KI im Ingenieurbau Strength (Stärken) Weaknesses (Schwächen) • Effizienzsteigerung: KI ermöglicht schnellere Planung, Baufortschrittskontrolle und Management • Datengetriebene Entscheidungen: Bessere Prognosen zu Kosten, Terminen und Risiken. • Automatisierung: Entlastung der Fachkräfte, Fokussierung auf kreative, strategische Tätigkeiten. • Bessere Zustandsüberwachung und Instandhaltung: Einsatz von Computer Vision und Sensorik. • Geringe Erklärbarkeit (Black Box): Viele KI-Modelle sind nicht transparent oder nachvollziehbar für Anwender: innen. • Mangelnde Standards und Normen: Der rechtliche und regulatorische Rahmen ist oft unklar. • Fehlendes Know-how: Große Wissenslücken in der Baupraxis, aber auch in Hochschulcurricula. • Hoher Daten- und Rechenbedarf: Insbesondere bei Deep Learning hohe Infrastrukturkosten und Energieverbrauch Opportunities (Chancen) Threats (Gefahren) • Digitale Transformation vorantreiben: KI kann Katalysator für Innovation und Wettbewerbsfähigkeit sein. • Neue Geschäftsmodelle und Berufsbilder: z. B. KI-gestützte Planungsservices oder digitale Bauleitung. • Nachhaltigkeit stärken: Optimierung von Materialeinsatz, Energieverbrauch und Kreislaufwirtschaft durch KI. • Bildung und Forschung neu denken: Integration von KI in Lehre, Weiterbildung und interdisziplinäre Projekte. • Technologische Abhängigkeit: Gefahr von Lock-in-Effekten bei proprietären KI-Lösungen. • Akzeptanzprobleme in der Belegschaft: Widerstände gegenüber Automatisierung und Veränderung. • Fehlentscheidungen durch fehlerhafte Daten: Potenziell gravierende Auswirkungen im sicherheitskritischen Umfeld. • Ethische und gesellschaftliche Fragen ungeklärt: z. B. Datenschutz, Verantwortung und Kontrolle. 4.1 Chancen durch KI KI bietet insbesondere im Hinblick auf die Effizienzsteigerung und Automatisierung, Nachhaltigkeit durch datenbasierte Entscheidungen sowie Zusammenarbeit Chancen. KI-Systeme ermöglichen beispielsweise eine signifikante Steigerung der Effizienz entlang der gesamten Wertschöpfungskette im Bauwesen. Automatisierte Mengenermittlungen, prädiktive Termin- und Kostenprognosen oder optimierte Logistikprozesse führen zu messbaren Zeit- und Ressourceneinsparungen. Auch repetitive Tätigkeiten in Planung und Ausführung können durch KIbasierte Werkzeuge entlastet werden - was Fachkräfte stärker auf komplexe und kreative Aufgaben fokussieren lässt. Die Bauwirtschaft steht unter wachsendem Druck, ihre Umweltwirkungen zu minimieren. KI kann hier als Enabler für nachhaltiges Bauen wirken - etwa durch Optimierung von Materialeinsatz, Lifecycle-Analysen auf Basis von BIM-Daten oder energieeffiziente Betriebsstrategien für Gebäude. Auch in der Kreislaufwirtschaft - z. B. beim Rückbau und Recycling von Baustoffen - lassen sich durch KI relevante Potenziale heben. KI verändert nicht nur Werkzeuge, sondern auch Arbeitsweisen im Ingenieurbau. Interaktive Systeme wie sprachgesteuerte Planungsassistenten, kollaborative Robotik oder visuelle KI-Dashboards schaffen neue Schnittstellen zwischen Mensch, Maschine und Modell. Dadurch entsteht ein tiefgreifender Wandel in der Projektkommunikation und Entscheidungsfindung - hin zu stärker datengetriebenen, adaptiven Prozessen. 4.2 Herausforderungen und Akzeptanz Demgegenüber stehen auch Herausforderungen, insbesondere in Bezug auf die Akzeptanz. Herausforderungen ergeben sich insbesondere im Hinblick auf Vertrauensauf bau und Nachvollziehbarkeit der Ergebnisse, Verantwortung und Haftung sowie Widerstände und Veränderungsbereitschaft (Change Management). Der Einsatz von KI im Bauwesen ist häufig mit Unsicherheit verbunden - insbesondere, wenn Entscheidungen automatisiert getroffen werden. Ein zentrales Prob- 18 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 Die Zukunft des Ingenieurbaus mit KI lem stellt die Erklärbarkeit komplexer Modelle dar, z. B. bei Deep-Learning-Anwendungen. Um Vertrauen bei Ingenieur: innen, Auftraggeber: innen und Behörden zu schaffen, müssen KI-Systeme transparent und nachvollziehbar gestaltet sein. Mit der Delegation von Entscheidungen an KI-Systeme stellen sich neue Fragen der Verantwortung: Wer haftet bei Fehlprognosen, falscher Mengenermittlung oder sicherheitsrelevanten Fehleinschätzungen? Derzeit fehlen noch klare rechtliche Rahmenbedingungen für den KI- Einsatz in baulichen Entscheidungsprozessen - was insbesondere bei sicherheitskritischen Anwendungen (z. B. Tragwerksplanung oder Bauüberwachung) zu Unsicherheiten führt. Ein erster Schritt zur Klärung rechtlicher Rahmenbedingungen ist der-EU AI Act, der künftig auch für KI-Anwendungen im Bauwesen relevant sein wird - insbesondere im Hinblick auf Transparenzpflichten, Risikoklassifizierung und Dokumentationsanforderungen bei sicherheitskritischen Systemen. Die Implementierung KI-gestützter Systeme erfordert nicht nur technische Infrastruktur, sondern auch einen kulturellen Wandel. Viele Fachkräfte äußern Vorbehalte gegenüber KI - sei es aus Sorge um Arbeitsplatzverdrängung oder aufgrund mangelnden Verständnisses für die Funktionsweise. Hier bedarf es gezielter Weiterbildungsmaßnahmen, partizipativer Implementierungsstrategien und klarer Kommunikationsformate, um Akzeptanz zu fördern und Ängste abzubauen. Deshalb ist es notwendig, bereits im Studium den Umgang mit KI zu erlernen. 4.3 Implementierung in Unternehmen Die erfolgreiche Integration von Künstlicher Intelligenz (KI) in Bauunternehmen hängt maßgeblich von vier zentralen Faktoren ab: personellen, finanziellen und technologischen Ressourcen sowie dem organisationalen Knowhow. Viele mittelständische und selbst große Bauunternehmen sehen sich mit einem Dilemma konfrontiert: Einerseits erkennen sie das Potenzial von KI für Effizienzsteigerung, Fehlerreduktion und neue Geschäftsmodelle. Andererseits fehlen häufig die notwendigen Voraussetzungen, um diese Technologien systematisch einzuführen und langfristig zu nutzen. Personelle Ressourcen betreffen nicht nur die Verfügbarkeit von KI-Expert: innen, sondern vor allem die Befähigung des vorhandenen Personals. Ohne Schulungen und gezielte Weiterbildungen fehlt es Ingenieur: innen, Bauleiter: innen oder Kalkulator: innen an der nötigen digitalen und datentechnischen Kompetenz, um KI-basierte Tools sinnvoll in ihre Arbeitsprozesse zu integrieren. Hierbei müssen auch die Hochschulen einbezogen werden. Finanzielle Ressourcen sind insbesondere für KMU ein Engpass: Die Anschaffung spezialisierter Software, die Erhebung und Auf bereitung von Daten sowie der Auf bau sicherer IT-Infrastrukturen erfordern erhebliche Investitionen - bei gleichzeitig unsicherer Amortisation und oft fehlenden Fördermodellen. Technologische Ressourcen wie geeignete Datenarchitekturen, Cloudlösungen oder KI-Plattformen sind in vielen Unternehmen noch nicht vorhanden oder unzureichend skaliert. Gerade in traditionell gewachsenen IT-Strukturen stellt die Integration neuer KI-Systeme eine komplexe Herausforderung dar - insbesondere, wenn sie mit bestehenden BIM-Prozessen verknüpft werden sollen. Know-how und Kulturwandel bilden die vierte Säule einer erfolgreichen Implementierung: KI ist nicht nur eine Technologiefrage, sondern erfordert einen grundlegenden Wandel in Denk- und Entscheidungsprozessen. Unternehmen müssen nicht nur Technologiekompetenz auf bauen, sondern auch Vertrauen schaffen, Verantwortlichkeiten klären und Akzeptanz fördern. Dazu gehört auch, ethische Fragen wie Transparenz, Haftung und Datenschutz von Beginn an mitzudenken. Insbesondere die zurückhaltende Einstellung aufzugeben und aktiv die Chance zu ergreifen, KI und die Digitalisierung im Unternehmen voranzutreiben. 5. Der Mensch im Mittelpunkt Trotz aller technologischen Fortschritte bleibt der Mensch auch im KI-gestützten Ingenieurbau der entscheidende Gestalter. KI verändert nicht die Notwendigkeit menschlicher Kompetenz - sie verschiebt jedoch deren Schwerpunkte: von repetitiven Tätigkeiten hin zu kreativer, kritischer und interdisziplinärer Entscheidungsarbeit. 5.1 Die neue Rolle von Bauingenieur: innen Ingenieur: innen entwickeln sich zunehmend zu Dateninterpret: innen, Systemgestalter: innen und Ethikverantwortlichen. Ihre Aufgaben verlagern sich vom rein technischen Entwerfen hin zur übergreifenden Steuerung komplexer, KI-gestützter Prozesse. Sie müssen verstehen, wie Algorithmen funktionieren, welche Annahmen diesen zugrunde liegen - und wann es geboten ist, technische Entscheidungen zu hinterfragen oder sogar bewusst zu übersteuern. Beispielsweise bedeutet der Einsatz von KI zur Bauüberwachung oder Kostenschätzung nicht, dass menschliches Fachurteil überflüssig wird - im Gegenteil: Nur wer die Grenzen der eingesetzten Modelle kennt, kann ihre Ergebnisse verantwortungsvoll interpretieren und in sichere, tragfähige Entscheidungen überführen. Diese veränderten Anforderungen an Bauingenieur: innen spiegeln sich auch in neuen Bildungsformaten wider - etwa im Studiengang-„Digitaler Baumeister“, der gezielt Kompetenzen in den Bereichen KI, BIM, Datenanalyse und ethischer Entscheidungsfindung vermittelt. Ziel ist es, zukünftige Fachkräfte auf die Rolle als- digitale Gestalter: innen-im Bauwesen vorzubereiten - mit einem tiefen Verständnis für Technologie, Verantwortung und interdisziplinäre Zusammenarbeit. 5.2 Zukunftskompetenzen Die Integration von KI-Technologien im Bauwesen erfordert ein neues Kompetenzprofil, das weit über klassische Ingenieurdisziplinen hinausgeht. Zentrale Zukunftskompetenzen sind: 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 19 Die Zukunft des Ingenieurbaus mit KI • Daten- und Digitalkompetenz: Grundverständnis für Datenstrukturen, KI-Methoden (z. B. maschinelles Lernen, Computer Vision) und deren Einsatzgrenzen. • Interdisziplinäre Zusammenarbeit: Ingenieur: innen arbeiten zunehmend an der Schnittstelle zu Informatik, Architektur, Ethik und Betriebswirtschaft. • Systemisches Denken: Erkennen von Wechselwirkungen zwischen Technologie, Mensch, Umwelt und Organisation. • Urteilsfähigkeit und kritisches Denken: Bewertung automatisierter Vorschläge, insbesondere in sicherheitskritischen oder ethisch sensiblen Kontexten. • Veränderungskompetenz (Change Literacy): Fähigkeit, digitale Veränderungsprozesse aktiv mitzugestalten und Kolleg: innen mitzunehmen. In der Ausbildung bedeutet dies: KI darf nicht nur als Tool gelehrt werden, sondern muss in einen reflektierten, verantwortungsvollen Umgang mit Technik eingebettet werden. Dazu gehört auch, Studierende zu ermutigen, eigene Positionen zu entwickeln - z. B. zur Rolle von KI im Planungsprozess oder zur Frage algorithmischer Verantwortung. 6. Fazit und Ausblick Der Ingenieurbau der Zukunft ist digital, vernetzt und vorausschauend. KI wird nicht als Ersatz für menschliche Expertise verstanden, sondern als intelligentes Werkzeug, das Ingenieur: innen in ihrer gestalterischen, planerischen und überwachenden Rolle stärkt. In einer solchen Zukunft werden Bauprozesse nicht nur effizienter, sondern auch resilienter, nachhaltiger und transparenter. Stellen wir uns einen Planungsalltag vor, in dem multimodale KI-Systeme automatisch aus Entwurfsskizzen, Sprachkommentaren und normativen Anforderungen strukturierte Modelle erzeugen. Auf der Baustelle koordinieren adaptive Assistenzsysteme und smarte Sensorik die Abläufe in Echtzeit - während KI-gestützte Simulationen kontinuierlich Rückmeldung geben, ob Ressourcen, Termine und Sicherheitsziele eingehalten werden. Diese Vision ist keine ferne Utopie - viele der technischen Grundlagen existieren bereits. Der entscheidende Faktor ist nun: der Mensch. Denn nur durch Bildung, Vertrauen und reflektierte Anwendung kann KI ihr Potenzial entfalten. Internationale Beispiele zeigen, dass gezielte Strategien und Investitionen in KI bereits Wirkung entfalten - Deutschland kann hier von erfolgreichen Ansätzen in den USA, China oder Skandinavien lernen. Damit diese Entwicklung gelingt, braucht es heute gezielte Schritte - in Ausbildung, Praxis und Politik: 1. Curricula modernisieren: KI muss als Querschnittsthema in ingenieurwissenschaftliche Studiengänge integriert werden - praxisnah, kritisch und interdisziplinär. 2. Weiterbildung stärken: Auch Fachkräfte im Beruf benötigen Zugänge zu niedrigschwelligen, anwendungsorientierten Schulungen zu KI im Bauwesen. 3. Pilotprojekte fördern: Unternehmen sollten durch Förderprogramme ermutigt werden, KI-Anwendungen im Kleinen zu testen - etwa für Bauüberwachung, Mengenermittlung oder Wissensmanagement. 4. Datenkultur entwickeln: Die Grundlage jeder KI ist der verantwortungsvolle Umgang mit Daten - rechtssicher, transparent und offen für Kollaboration. 5. Ethik mitdenken: Technikfolgenabschätzung und partizipative Entscheidungsprozesse müssen von Beginn an Teil der KI-Einführung sein - gerade im sicherheitsrelevanten Kontext des Bauens. 6. Kooperationen zwischen Hochschulen und Praxis ausbauen: Gemeinsame Lehrformate, Praxisprojekte und duale Studienmodelle zur Förderung von Transfer und Anwendungsnähe. 7. Open-Source- und Open-Data-Initiativen fördern: Zugang zu Trainingsdaten und Modellen erleichtern, um Innovation und Transparenz zu stärken. KI-Kompetenz als Teil der Schul- und Berufsausbildung etablieren: Bereits in der schulischen und beruflichen Ausbildung sollten Grundlagen zu Künstlicher Intelligenz, Datenkompetenz und digitaler Transformation vermittelt werden. Dies schafft frühzeitig ein Verständnis für die Rolle von Technologie im Bauwesen und fördert die Anschlussfähigkeit an moderne Studiengänge und Berufsbilder. Auch gewerblich-technische Berufe wie Bauzeichner: in oder Bautechniker: in profitieren von einem praxisnahen Zugang zu KI-Werkzeugen und digitalen Prozessen. Kurzum: Der Wandel hat begonnen. Ob der Ingenieurbau in Zukunft smarter und nachhaltiger wird, hängt nicht allein von technischen Innovationen ab - sondern von unserer Bereitschaft, diesen Wandel menschenzentriert, verantwortungsvoll und mutig zu gestalten. 7. Vision 2035 Und nun - Wo stehen wir in 10 Jahren mit der KI im Bauwesen? Hier möchten wir noch einen visionär-utopischen Blick in die Glaskugel wagen. Im Jahr 2035 sind Bauwerke nicht mehr starre Strukturen aus Beton und Stahl, sondern lebendige, lernende Systeme. Städte atmen, reagieren und passen sich an - an Klima, an Bedürfnisse der Bewohner: innen, an neue gesellschaftliche Rahmenbedingungen. Planung als Co-Kreation. Ein neues Bauprojekt beginnt nicht mit CAD-Zeichnungen oder der BIM-Methodik, sondern mit einem Gespräch: Bürger: innen, Planer: innen und KI-Systeme entwickeln gemeinsam Szenarien. Die KI entwirft in Sekunden ganze Quartiere, optimiert sie auf Klimaneutralität, Ressourcenschonung und soziale Vielfalt - und visualisiert sie so immersiv, dass jede: r Beteiligte die Zukunft begehen, hören und fühlen kann, bevor der erste Spatenstich erfolgt. Baustellen ohne Stillstand. Die Baustellen von 2035 wirken wie orchestrierte Ökosysteme. Autonome Baufahrzeuge bewegen sich im Takt einer KI-gesteuerten Logistik, Drohnen liefern Materialien punktgenau, und Roboterhunde überwachen Sicherheit und Qualität. Menschliche Fachkräfte agieren als Dirigent: innen: Sie überwachen, entscheiden, greifen situativ ein - und werden von KI-Assistenzsystemen unterstützt, die Risiken 20 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 Die Zukunft des Ingenieurbaus mit KI vorhersagen und Lösungen vorschlagen, bevor Probleme entstehen. Gebäude als Mitbewohner. Fertige Bauwerke sind keine passiven Objekte mehr, sondern aktive Partner. Sie regulieren Energieflüsse selbstständig, sammeln Regenwasser, erzeugen Strom, optimieren Raumklima und kommunizieren mit ihren Nutzer: innen. Häuser erinnern sich an individuelle Vorlieben, Quartiere tauschen Energie untereinander aus, und Brücken melden selbstständig, wann sie gewartet werden müssen. Neue Rollen für Menschen. Bauingenieur: innen von 2035 sind mehr als Planer: innen und Konstrukteur: innen - sie sind Übersetzer: innen zwischen Mensch, Umwelt und Maschine. Ihr Werkzeugkasten umfasst nicht nur Beton und Stahl, sondern auch Daten, Algorithmen und narrative Szenarien. Sie sind Gestalter: innen von Möglichkeitsräumen, die Verantwortung für ökologische, soziale und kulturelle Werte übernehmen. Eine neue Baukultur. KI hat die Produktivität vervielfacht - aber vor allem hat sie Zeit und Raum für das freigemacht, was früher oft zu kurz kam: die soziale Dimension des Bauens. Stadtquartiere werden nicht nur schneller errichtet, sondern auch lebenswerter gestaltet. Nachhaltigkeit ist kein Ziel mehr, sondern ein selbstverständliches Nebenprodukt intelligenter Systeme. 2035 ist das Bauwesen ein Spiegelbild einer Gesellschaft, in der Technologie und Mensch nicht konkurrieren, sondern gemeinsam eine gebaute Umwelt erschaffen, die flexibel, resilient und zutiefst menschlich ist. Die Grundlagen dafür legen wir bereits heute - mit datengetriebener Planung, offenen Standards und interdisziplinärer Ausbildung. Literatur [1] Haenlein, M.; Kaplan, A.: A Brief History of Artificial Intelligence: On the Past, Present, and Future of Artificial Intelligence. In: California Management Review 61 (2019), Heft 4, S. 5-14. https: / / doi.org/ 10.1177/ 0008125619864925. [2] Turing, A.: Computing Machinery and Intelligence. In: Mind LIX (1950), Heft 236, S. 433-460. https: / / doi.org/ 10.1093/ mind/ LIX.236.433. [3] Turing, A.: Intelligent Machinery, A Heretical Theory - 1951. In: Copeland, B.J. (Hrsg.): The Essential Turing. Oxford University Press, Oxford, 2004, S. 465-475. [4] UNESCO: AI and education - Guidance for policy-makers, 2021, https: / / teachertaskforce.org/ sites/ default/ files/ 2023 -07/ 2021_UNESCO_AI-and-education-Guidandefor-policy-makers_EN.pdf [Zugriff am: 23.07.2025]. [5] Leslie, D.: Understanding artificial intelligence ethics and safety: A guide for the responsible design and implementation of AI systems in the public sector 2019. [6] Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning. The MIT Press, Boston, 2016. [7] Vaswani, A.; Shazeer, N.; Parmar, N. et al.: Attention Is All You Need Ausgabe Juni 2017. [8] Devlin, J.; Chang, M.-W.; Lee, K. et al.: BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding Ausgabe Oktober 2018. [9] Radford, A.; Wu, J.; Child, R. et al.: Language Models are Unsupervised Multitask Learners, San Francisco Ausgabe 2019. [10] Ho, J.; Jain, A.; Abbeel, P.: Denoising Diffusion Probabilistic Models Ausgabe Juni 2020. [11] Russel, S.; Norvig, P.: Artificial Intelligence, Global Edition - A Modern Approach. Peargon Education Limited, London, 2021. [12] Bostrom, N.: Deep Utopia - Life and Meaning in a Solved World. Ideapress Publishing, 2024. [13] Xu, Y.; Zhou, Y.; Sekula, P. et al.: Machine learning in construction: From shallow to deep learning. In: Developments in the Built Environment 6 (2021), S. 100045. https: / / doi.org/ 10.1016/ j.dibe.2021.100045. [14] Cha, Y.-J.; Choi, W.; Büyüköztürk, O.: Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks. In: Computer-Aided Civil and Infrastructure Engineering 32 (2017), Heft 5, S. 361-378. https: / / doi.org/ 10.1111/ mice.12263. [15] Lou, Y.; Meng, S.; Zhou, Y.: Deep learning-based three-dimensional crack damage detection method using point clouds without color information. In: Structural Health Monitoring 24 (2025), Heft 2, S. 657-675. https: / / doi.org/ 10.1177/ 14759217241236929. [16] Chung, S.; Moon, S.; Kim, J. et al.: Comparing natural language processing (NLP) applications in construction and computer science using preferred reporting items for systematic reviews (PRISMA). In: Automation in Construction 154 (2023), S. 105020. https: / / doi.org/ 10.1016/ j.autcon.2023.105020. [17] Hussain, F.; Mehta, S.; Soy, M. et al.: Natural Language Processing for Construction Management: A Literature Review. In: Shane, J.S.; Madson, K.M.; Mo, Y. et al. (Hrsg.): Construction Research Congress 2024. American Society of Civil Engineers, Des Moines, Iowa, 2024, S. 607-618. [18] Sami Ur Rehman, M.; Shafiq, M.T.; Ullah, F.: Automated Computer Vision-Based Construction Progress Monitoring: A Systematic Review. In: Buildings 12 (2022), Heft 7, S. 1037. https: / / doi.org/ 10.3390/ buildings12071037. [19] Al Sayed, K.; Boodi, A.; Sadeghian Broujeny, R. et al.: Reinforcement learning for HVAC control in intelligent buildings: A technical and conceptual review. In: Journal of Building Engineering 95 (2024), S. 110085. https: / / doi.org/ 10.1016/ j.jobe.2024.110085. [20] Rosenbaum, J.M.: Strategien für die Implementierung von Künstlicher Intelligenz in der Baubranche. Köln, TH Köln, Masterarbeit, 2025. [21] Pieterwas, J.; Schönheit, T.; Bartels, N.: Künstliche Intelligenz im Lebenszyklus von Immobilien. In: Haghsheno, S.; Satzger, G.; Lauble, S. et al. (Hrsg.): 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 21 Die Zukunft des Ingenieurbaus mit KI Künstliche Intelligenz im Bauwesen. Springer Fachmedien Wiesbaden, Wiesbaden, 2024, S. 3-23. [22] Lauble, S.; Bartels, N.; Gehder, S. et al.: Optimierung des Gebäudele-benszyklus - KI und Big Data als Schlüssel zur Nachhaltigkeit. In: Diederichs, C.J.; Nübel, K.; Schubert, A. et al. (Hrsg.): Kompendium nachhaltige Bauwerke: Hochbauten. Springer Fachmedien Wiesbaden, Wiesbaden, 2025. [23] Wani, S.R.; Suthar, M.: Utilizing machine learning approaches within concrete technology offers an intelligent perspective towards sustainability in the construction industry: a comprehensive review. In: Multiscale and Multidisciplinary Modeling, Experiments and Design 8 (2025), Heft 1. https: / / doi.org/ 10.1007/ s41939-024-00601-5.