1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 47 SCAN | 2 | BIM | 2 | KI Effiziente & nutzerfreundliche Bauprojektdatenanalyse durch KI im Ingenieurbau Prof. Dr. Lisa Lenz Building Information Cloud GLWG GmbH, Building Information Management GLW GmbH, Scala X GmbH, Technische Universität Darmstadt Zusammenfassung Im Ingenieurbau entstehen über den gesamten Lebenszyklus eines Bauwerks - von der Bestandsdigitalisierung über die Planung und den Bau bis zum Facility Management - große Mengen heterogener Daten. Der aktuelle Status quo zeigt, dass diese Daten oft unstrukturiert vorliegen und nicht systematisch miteinander verknüpft sind. BIM-basierte Datenmodelle und geeignete Datenmanagementkonzepte schaffen hier eine strukturierte Grundlage, auf der KI-gestützte Analyseverfahren wie Machine Learning und Predictive Analytics auf bauen können. Künstliche Intelligenz (KI) ermöglicht die automatisierte Auswertung von Sensordaten, Laserscans und Baustellenberichten und unterstützt sowohl die Prozessoptimierung als auch die Entscheidungsfindung. Erfolgreiche KI-Projekte setzen auf transparente, interaktive Systeme, die Fachwissen - etwa durch Prompt Engineering - aktiv einbinden. Multimodale Modelle, die verschiedene Datenformate kombinieren, eröffnen neue Potenziale für eine ganzheitliche Bewertung und eine zukunftsfähige Mensch-Maschine-Kollaboration im Ingenieurbau. 1. Einführung Die Bauwirtschaft hat traditionell bedingt große Herausforderungen im Kontext der Digitalisierung zu bewältigen, was insbesondere dadurch begründet ist, dass Daten zwar vorliegen, aber meistens in unstrukturierter Form vorhanden sind. Unstrukturierte und teils strukturierte Daten in verschiedenen Dateiformaten und in unterschiedlicher Form (Text-, Bild-, BIM-Daten) werden abhängig von der Lebenszyklusphase erzeugt und genutzt, aber demnach nicht immer ganzheitlich in Korrelation zueinander gesetzt. Dies führt im speziellen in der Planungs- und Bauphase zu immensen Schnittstellenproblematiken und falschen Entscheidungen, da diese nicht ganzheitlich datenbasiert getroffen werden können. Darüber hinaus stellt die Dauer eines Produktsbzw. Bauwerkslebenszyklus eine weitere Herausforderung dar, da diese für Ingenieurbauwerke von ca. 25 bis zu 200 Jahren betragen kann und dadurch Prozesse vor allem in der Betriebsphase, wie zum Beispiel Wartungs- und Instandhaltungsprozesse, datenbasiert gut unterstützt werden sollten. Im Folgenden werden die unterschiedlichen Schritte der Entwicklung einer Datenbasis vorgestellt und in einzelne Phasen und Prozesse, von der Bestandsdigitalisierung, über Potenziale in der Planungs- und Bauphase bis hin zum Betrieb eingeordnet. Ein Schwerpunkt wird dabei auf die Kombination von BIM & KI und die auf dieser Grundlage möglichen Chancen gelegt. 2. Entwicklung einer Datenbasis 2.1 Datenqualität Datenqualität bezeichnet die Eignung von Daten, Anforderungen zu erfüllen und als verlässliche Entscheidungsbasis zu dienen. Sie ist im digitalen Zeitalter entscheidend für den Unternehmenserfolg - schlechte Daten führen zu fehlerhaften Ergebnissen ganz nach dem Prinzip „Garbage In, Garbage Out“.[1] Richard Wang unterscheidet die Datenqualität in vier Kategorien mit 15 Dimensionen, darunter Verständlichkeit, Relevanz, Aktualität, Vollständigkeit und Bearbeitbarkeit.[2] Wird beispielsweise ein Bautagesbericht betrachtet, enthält dieser u. a. zentrale Projektdaten wie Datum, Wetter, eingesetztes Personal und Geräte sowie besondere Vorkommnisse. Die Datenverfügbarkeit und Informationsqualität beeinflussen direkt die Folgeprozesse bei Auftragnehmer*in (AN) und Auftraggeber*in (AG). Während der AN die Daten für die Planung, Abrechnung und Dokumentation nutzt, dienen sie dem AG zur Prüfung, Freigabe und Fortschrittskontrolle. Die Anforderungen an die Vollständigkeit, Relevanz, Verständlichkeit und Bearbeitbarkeit variieren dementsprechend je nach Perspektive der Projektbeteiligten. Eine Veränderung der Daten durch den AG sollte beispielsweise ausgeschlossen werden, um die Dokumentation nicht zu verfälschen. Eine automatisierte Weiterverarbeitung der Daten wäre hingegen sinnvoll, um deren Potenzial ganzheitlich zu nutzen.[3] 48 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 SCAN | 2 | BIM | 2 | KI Abb. 1: Datenvarianz in der Bauwirtschaft 2.2 Datenerzeugung Im Rahmen digitaler Geschäftsprozesse lassen sich grundsätzlich zwei Arten der Datenerzeugung unterscheiden: Manuelle und automatische Verfahren. Die manuelle Datenerzeugung erfolgt durch direkte Eingabe durch Personen, etwa in Softwareanwendungen wie Word oder Excel. Sie ist anfällig für Eingabefehler und inkonsistente Datenstrukturen. Die automatische Datenerzeugung hingegen basiert auf technischen Systemen wie Sensorik, Kameratechnik oder Schnittstellen zu externen Datenquellen (z. B. Wetterdienste) und ermöglicht eine strukturierte, kontinuierliche und skalierbare Datenbereitstellung. Beide Methoden bergen spezifische Risiken hinsichtlich der Datenqualität - etwa durch menschliche Fehler oder technische Defekte.[4] Im Kontext des Geschäftsprozesses Bautagesbericht zeigt sich, dass eine Kombination beider Methoden sinnvoll ist. Während projektbezogene Informationen wie der Geräteeinsatz oder besondere Vorkommnisse häufig manuell erfasst werden, können standardisierte Daten wie das Datum, das Wetter oder fortlaufende Nummerierungen automatisiert eingebunden werden. Die Integration von Eingabemasken, Drop-Down-Feldern und Schnittstellen zu Lieferscheinen oder Maschinendaten erhöht die Effizienz und reduziert Redundanzen.[5] Ein weiterer zentraler Aspekt der digitalen Datenerzeugung ist die Bestandsdigitalisierung. Hierbei kommen Technologien wie Laserscanning und 360°-Bildaufnahmen zum Einsatz, um bestehende Gebäude und Anlagen präzise zu erfassen. Die erzeugten Punktwolken und Bilddaten dienen als Grundlage für modellbasierte Auswertungen, Zustandsanalysen und die Ableitung von Maßnahmen. Diese Form der automatisierten Datenerzeugung ist insbesondere für die Integration in BIM-Prozesse und KI-gestützte Auswertungen von hoher Relevanz. Durch die strukturierte und automatisierte Erfassung steigt der Digitalisierungsgrad des Geschäftsprozesses signifikant. Gleichzeitig verbessert sich die Verwendbarkeit der Daten für Folgeprozesse, etwa für automatisierte Abrechnungen, Baufortschrittskontrollen oder die Ableitung von Bauzeitnachträgen. Die Qualität und Konsistenz der Daten wird durch ein vordefiniertes Datenmanagementkonzept nachhaltig gesichert.[6] 2.3 BIM-Datenmanagement Im Ingenieurbau und generell in der Bauwirtschaft bildet Building Information Modeling (BIM) die Grundlage für ein strukturiertes, bauteilbezogenes Datenmanagement über den gesamten Lebenszyklus eines Bauwerks. Das BIM-Modell dient dabei nicht nur als geometrische Repräsentation, sondern als zentrale Datenplattform, die alphanumerische Informationen wie Materialeigenschaften, CO₂-Emissionen, Kostenkennwerte oder Zustandsdaten integriert.[7] Die Informationsanforderungen - auch als Level of Information Need (LOIN) bezeichnet - orientieren sich an den definierten BIM-Zielen und -Anwendungsfällen, etwa der Optimierung von Termin- und Kostensteuerung, der Ökobilanzierung oder der automatisierten Zustandsbewertung. So können beispielsweise einem Bauteil wie einer Brücke oder einem Tunnel spezifische Materialdaten zugeordnet werden, um Varianten hinsichtlich Nachhaltigkeit und Lebenszykluskosten zu analysieren.[8] Die Datenqualität ist im Ingenieurbau von besonderer Bedeutung, da Entscheidungen über Tragfähigkeit, Instandhaltung oder Rückbau auf diesen Informationen basieren. Kriterien wie Aktualität, Vollständigkeit, Konsistenz und Interpretierbarkeit müssen daher bereits bei der Modellstruktur berücksichtigt werden - insbesondere bei sicherheitsrelevanten Bauwerken mit hoher Schadensfolgeklasse. Die Datenerzeugung erfolgt sowohl manuell, etwa durch Fachplaner oder Bauleiter, als auch automatisiert, z. B. durch die Integration von Laserscandaten, Sensorik oder Drohnenaufnahmen. Im BIM-Prozess muss klar definiert sein, welche Daten wann und durch wen in das Modell eingebracht werden, um eine konsistente und nachvollziehbare Datenbasis zu gewährleisten. Ein datenbankgestütztes Datenmanagementkonzept, das sich an offenen Standards wie IFC orientiert, ermöglicht die strukturierte Klassifikation und Weiterverarbeitung der BIM-Daten. Die anschließende Datenanalyse dient der Ableitung von Handlungen - etwa zur Optimierung von Bauabläufen, zur Entscheidungsunterstützung bei Variantenvergleichen oder zur automatisierten Dokumentation von Zuständen und Abweichungen. Im Ingenieurbau schafft ein BIM-basiertes Datenmanagement somit die Voraussetzung für eine transparente, effiziente und nachhaltige Projektsteuerung, insbesondere im Zusammenspiel mit KI-gestützten Analyseverfahren und multimodalen Datenquellen. 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 49 SCAN | 2 | BIM | 2 | KI 2.4 KI-Datenanalyse Die automatisierte Erzeugung von Erkenntnissen aus großen und heterogenen Datenmengen erfolgt zunehmend durch den Einsatz KI-basierter Datenanalyseverfahren. Diese Verfahren ermöglichen die strukturierte Auswertung komplexer Datenquellen und bilden die Grundlage für eine intelligente Entscheidungsunterstützung in Bauprojekten.[9] Zu den zentralen Analyseformen zählen: [10] • Multimediale Analysen: KI extrahiert Informationen aus Audio- und Videodaten, etwa durch Transkription und Mustererkennung. • Geospatiale Analysen: Raumbezogene Daten werden mit GPS-Informationen kombiniert und statistisch ausgewertet. • Web Analytics: Nutzungsdaten digitaler Plattformen werden zur Optimierung von Webauftritten analysiert. • Textbasierte Verfahren: Semantische KI-Modelle identifizieren Schlüsselbegriffe und Bedeutungsstrukturen in Texten. • Predictive Analytics: Prognosemodelle erkennen Trends und ermöglichen vorausschauende Planung. • Data Mining: Statistische Verfahren identifizieren Muster und Zusammenhänge in großen Datenbeständen. • Machine Learning: Algorithmen lernen iterativ aus Daten und verbessern ihre Analysefähigkeit autonom. • Reporting: KI-generierte Berichte kombinieren tabellarische und grafische Darstellungen mit semantischer Interpretation. Abb. 2: KI-Verfahren und Anwendungsbeispiele Im Kontext des Bautagesberichts können KI-Modelle strukturierte Informationen wie Wetterdaten, Geräteeinsatz oder besondere Vorkommnisse automatisiert extrahieren und für Folgeprozesse wie die Abrechnung, das Nachtragsmanagement oder die Baufortschrittskontrolle nutzbar machen. Die Kombination aus regelbasierter Datenstrukturierung und lernenden Systemen ermöglicht eine dynamische Anpassung an projektspezifische Anforderungen. Ergänzend spielt die Bestandsdigitalisierung mittels Laserscanning und 360°-Bildtechnologie eine zentrale Rolle. Die daraus generierten Punktwolken und Bilddaten werden durch KI-gestützte Verfahren analysiert, klassifiziert und in digitale Gebäudemodelle überführt. Dies schafft die Grundlage für automatisierte Zustandsbewertungen, Normenprüfungen und die Integration in BIM- und FM-Systeme. Durch den Einsatz von KI in der Datenanalyse wird nicht nur die Effizienz gesteigert, sondern auch die Entscheidungsqualität verbessert - insbesondere durch die Fähigkeit, aus unstrukturierten Daten verwertbares Wissen zu generieren.[11] 2.5 Potenzialkategorie: Prozessoptimierung Die zunehmende Digitalisierung und der Einsatz von Künstlicher Intelligenz eröffnen weitreichende Potenziale zur Prozessoptimierung im Ingenieurbau. Insbesondere bei komplexen, datenintensiven Abläufen - wie der Planung, Ausführung und Dokumentation von Bauprojekten - kann KI dazu beitragen, Prozesse effizienter, transparenter und resilienter zu gestalten. 50 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 SCAN | 2 | BIM | 2 | KI Ein zentrales Anwendungsfeld ist die automatisierte Datenanalyse, die es ermöglicht, große und heterogene Datenmengen aus verschiedenen Quellen (Sensorik, Laserscans, Baustellenberichte, Wetterdaten, etc.) strukturiert auszuwerten. KI-gestützte Verfahren wie Machine Learning, Predictive Analytics, Text Mining und Computer Vision identifizieren Muster, prognostizieren Entwicklungen und unterstützen die Entscheidungsfindung in Echtzeit. Im Bereich der Bestandsdigitalisierung kommen Technologien wie Laserscanning und 360°-Bildaufnahmen zum Einsatz, um bestehende Bauwerke präzise zu erfassen. Die daraus generierten Punktwolken und Bilddaten werden durch KI-Modelle analysiert, klassifiziert und in digitale Gebäudemodelle überführt. Dies ermöglicht eine automatisierte Zustandsbewertung, die Prüfung auf Normenkonformität sowie die Ableitung von Instandhaltungsmaßnahmen. Ein weiteres Optimierungspotenzial ergibt sich im Geschäftsprozessmanagement, etwa beim Bautagesbericht. Durch die Kombination aus manueller und automatisierter Datenerzeugung sowie KI-gestützter Auswertungen können Folgeprozesse wie die Abrechnung, das Nachtragsmanagement oder die Baufortschrittskontrolle effizienter gestaltet werden. Die strukturierte Erfassung und semantische Analyse der Daten verbessert die Qualität und Konsistenz der Informationen und reduziert den administrativen Aufwand erheblich. Die Potenzialkategorie „Prozessoptimierung“ im Kontext von KI und Ingenieurbauwerken umfasst somit nicht nur die technische Effizienzsteigerung, sondern auch die strategische Verbesserung der Datenverfügbarkeit, Entscheidungsqualität und Ressourcennutzung. Sie bildet eine zentrale Grundlage für die Transformation hin zu einem datengetriebenen, resilienten und nachhaltigen Bauwesen. 2.6 Potenzialkategorie: Entscheidungsunterstützung Die Integration von Künstlicher Intelligenz in den Ingenieurbau eröffnet neue Möglichkeiten zur qualitativen und quantitativen Entscheidungsunterstützung entlang des gesamten Lebenszyklus eines Bauwerks. Insbesondere in datenintensiven Prozessen - von der Planung über die Ausführung bis hin zur Betriebsphase - kann KI dazu beitragen, komplexe Zusammenhänge zu erkennen, Prognosen zu erstellen und fundierte Entscheidungen zu ermöglichen. Ein konkretes Beispiel ist die automatisierte Auswertung von Daten aus dem Bautagesbericht. KI kann hier relevante Informationen extrahieren und in Echtzeit mit anderen Datenquellen verknüpfen, um etwa Hinweise auf Bauverzögerungen, Abweichungen von der Planung oder potenzielle Nachtragsansprüche zu generieren. Die daraus abgeleiteten Erkenntnisse dienen als Grundlage für operative und strategische Entscheidungen - sowohl auf Seiten des Auftragnehmers als auch des Auftraggebers. Auch im Bereich der Bestandsdigitalisierung trägt KI zur Entscheidungsunterstützung bei. Die Analyse von Punktwolken und Bilddaten aus Laserscans ermöglicht eine automatisierte Bewertung des baulichen Zustands, die Prüfung auf Normenkonformität sowie die Ableitung von Instandhaltungsstrategien. In Kombination mit semantischen Modellen und Regelwerken können Empfehlungen für Sanierungsmaßnahmen, Sicherheitsprüfungen oder energetische Optimierungen generiert werden. Die Potenzialkategorie „Entscheidungsunterstützung“ im Kontext von KI und Ingenieurbauwerken umfasst somit die Transformation von Daten in Wissen, das gezielt zur Verbesserung der Entscheidungsqualität eingesetzt werden kann. Sie stärkt die Transparenz, Reaktionsfähigkeit und Zukunftsfähigkeit von Bauprojekten und bildet eine zentrale Säule für die datengetriebene Weiterentwicklung der Bauwirtschaft. Um diese Potenziale erreichen zu können sind KI bzw. AI as a Service Anwendungen, die kommerziell verfügbar sind, zum Teil effizient einsetzbar. Für komplexe Fragestellungen im Ingenieurbau können KI- Anwendungen auf den jeweiligen Anwendungsfall bzw. die Prozesse angepasst werden. 3. KI-Projekt in der Praxis 3.1 Ausgangssituation Im Ingenieurbau entstehen zunehmend komplexe Datenstrukturen - etwa durch Sensordaten, Laserscans, Baustellenberichte oder BIM-Modelle. Die manuelle Auswertung dieser Daten stößt angesichts wachsender Projektkomplexität und Zeitdrucks an ihre Grenzen. Gleichzeitig steigt der Bedarf an intelligenten, skalierbaren Lösungen zur Analyse, Bewertung und Entscheidungsunterstützung. KI-basierte Systeme bieten hier ein hohes Potenzial, stoßen jedoch in der Praxis häufig auf Akzeptanzbarrieren, insbesondere wenn sie als Black- Box-Systeme ohne nachvollziehbare Logik und ohne Einbindung der Fachanwender implementiert werden. 3.2 Kollaboration Erfolgreiche KI-Projekte im Ingenieurbau erfordern eine interdisziplinäre Zusammenarbeit zwischen Bauingenieurwesen, Datenwissenschaft, Softwareentwicklung und den operativen Projektbeteiligten. Besonders wichtig ist die aktive Einbindung der Nutzer, etwa durch Methoden des Prompt Engineerings, bei denen Erfahrungswissen und Experteneinschätzungen gezielt in die KI-Interaktion eingebracht werden. Dies fördert nicht nur die Akzeptanz, sondern verbessert auch die Ergebnisqualität durch kontextbezogene Steuerung der KI-Modelle. 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 51 SCAN | 2 | BIM | 2 | KI Abb. 3: Workflow der Zusammenarbeit 3.3 Technisches Konzept Moderne KI-Systeme im Bauwesen basieren auf modularen Architekturen, die verschiedene Datenquellen integrieren und durch lernende Algorithmen analysieren. Im Gegensatz zu klassischen Black-Box-Modellen liegt der Fokus zunehmend auf transparenten, interaktiven KI-Lösungen, die erklärbare Ergebnisse liefern und eine Rückkopplung mit dem Nutzer ermöglichen. Dies umfasst: • Erklärbare KI (XAI) zur Nachvollziehbarkeit von Entscheidungen. • Semantische Schnittstellen zur Integration von Expertenwissen. • Adaptive Modelle, die sich durch Nutzerinteraktion weiterentwickeln. • Visualisierungskomponenten, die Ergebnisse verständlich darstellen. Ein Beispiel ist die KI-gestützte Auswertung von Laserscandaten zur Bestandsdigitalisierung, wobei die Nutzer*in über interaktive Dashboards Einfluss auf die Klassifikation, Segmentierung und Interpretation der Punktwolken nehmen können. 3.4 Mehrwert Die Mehrwerte KI-gestützter Systeme im Ingenieurbau liegen in der Effizienzsteigerung, der Verbesserung der Entscheidungsqualität und der Erhöhung der Datenverwertbarkeit. Durch die Kombination aus automatisierter Analyse und nutzerzentrierter Interaktion entstehen hybride Systeme, die sowohl skalierbar als auch kontextsensitiv sind. Dies ermöglicht: • Die frühzeitige Erkennung von Risiken und Abweichungen. • Die automatisierte Ableitung von Maßnahmen (z. B. Nachträge, Prüfprozesse). • Transparente Entscheidungsgrundlagen für Projektbeteiligte. • Eine nachhaltige Wissensgenerierung durch die Integration von Erfahrungswerten. Die Abkehr von intransparenten Black-Box-Systemen hin zu interaktiven, erklärbaren KI-Lösungen stellt einen entscheidenden Schritt dar, um KI im Ingenieurbau nicht nur technologisch, sondern auch kulturell und prozessual zu verankern. Abb. 4: White-Box KI & Nutzer-Interaktion 52 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 SCAN | 2 | BIM | 2 | KI 4. Ausblick Multimodale Modelle Die nächste Entwicklungsstufe KI-gestützter Systeme im Ingenieurbau liegt in der Anwendung multimodaler Modelle, die in der Lage sind, verschiedene Datenformate und Informationsquellen gleichzeitig zu verarbeiten und zu interpretieren. Dazu zählen Text, Bild, Audio, Video, Punktwolken, Sensordaten und strukturierte Daten aus Planungs- und Betriebsprozessen. Multimodale KI-Modelle ermöglichen eine ganzheitliche Analyse komplexer Bauwerksdaten, indem sie semantische Zusammenhänge zwischen unterschiedlichen Modalitäten erkennen und kontextbezogen auswerten. So können beispielsweise Laserscandaten mit Wetterinformationen, Textdokumentationen aus Bautagesberichten und visuellen Zustandsbildern kombiniert werden, um automatisiert Zustandsbewertungen, Normabweichungen oder Handlungsempfehlungen zu generieren. Ein zentraler Aspekt zukünftiger multimodaler KI-Systeme ist die Interaktivität und Transparenz. Die Nutzer sollen nicht nur Ergebnisse nachvollziehen können, sondern aktiv in die Modellsteuerung eingebunden werden - etwa durch Prompt Engineering, bei dem Erfahrungswissen und Experteneinschätzungen gezielt in die KI- Interaktion einfließen. Dies fördert die Erklärbarkeit (Explainability) und die Vertrauenswürdigkeit der Systeme und ermöglicht eine adaptive Weiterentwicklung der Modelle im laufenden Betrieb. Multimodale Modelle bieten somit nicht nur technische Mehrwerte, sondern auch eine neue Qualität der Mensch- Maschine-Kollaboration. Sie schaffen die Grundlage für eine KI, die nicht autonom entscheidet, sondern unterstützend, transparent und kontextsensitiv agiert - und damit die Anforderungen komplexer Ingenieurbauprojekte in der Planung, Ausführung und dem Betrieb zukunftsfähig begleitet. Literatur [1] Vgl. Parikh, Ravi (2014). Garbage In, Garbage Out: How Anomalies Can Wreck Your Data, 07.05.2014 (Onlineunter: https: / / www.heap.io/ blog/ garbage-ingarbage-out-how-anomalies-can-wreck-your-data, Datum des Zugriffs: 16.07.2025); Lenz, L./ Becker, S. (2023): Digitale Geschäftsprozesse und neue Geschäftsmodelle im Baubetrieb, In: Agile Digitalisierung im Baubetrieb, Innovative Wege zur Transformation und Best Practices, Hofstadler, C.; Motzko, C. (Hrsg.), 2.Auflage, Springer Vieweg. [2] Vgl. Gebauer, Marcus; Windheuser, Ulrich (2020). Strukturierte Datenanalyse, Profiling und Geschäftsregeln. In: Daten- und Informationsqualität. Auf dem Weg zur Information Excellence. 5., überarbeitete und erweiterte Auflage; S. 87-100; Hrsg: Hildebrand, Knut; Ge-bauer, Marcus; Mielke, Michael. Wiesbaden, Springer Vieweg. (ISBN 978- 3658309909), S. 91; Wang, Richard; Strong, Diane (1996). Beyond Accuracy: What Data Quality Means to Data Consumers. In: Journal of Management Information Systems. Nr. 4, Jg. 12, S. 5-33, (ISSN 0742-1222), S. 5 ff. [3] Vgl. Lenz, L./ Becker, S. (2023): Digitale Geschäftsprozesse und neue Geschäftsmodelle im Baubetrieb, In: Agile Digitalisierung im Baubetrieb, Innovative Wege zur Transformation und Best Practices, Hofstadler, C.; Motzko, C. (Hrsg.), 2.Auflage, Springer Vieweg. [4] Vgl. Mielke, Michael (2020). Prinzipien erfolgreichen Informationsqualitätsmanagements im Lichte von Industrie 4.0, In: Daten- und Informationsqualität. Auf dem Weg zur Information Excellence. 5., überarbeitete und erweiterte Auflage; S. 321-334; Hrsg: Hildebrand, Knut; Gebauer, Marcus; Mielke, Michael. Wiesbaden, Springer Vieweg. (ISBN 978- 3658309909), S. 311 f.; Lenz, L./ Becker, S. (2023): Digitale Geschäftsprozesse und neue Geschäftsmodelle im Baubetrieb, In: Agile Digitalisierung im Baubetrieb, Innovative Wege zur Transformation und Best Practices, Hofstadler, C.; Motzko, C. (Hrsg.), 2.Auflage, Springer Vieweg. [5] Vgl. Lenz, L./ Becker, S. (2023): Digitale Geschäftsprozesse und neue Geschäftsmodelle im Baubetrieb, In: Agile Digitalisierung im Baubetrieb, Innovative Wege zur Transformation und Best Practices, Hofstadler, C.; Motzko, C. (Hrsg.), 2.Auflage, Springer Vieweg. [6] Vgl. Lenz, L./ Becker, S. (2023): Digitale Geschäftsprozesse und neue Geschäftsmodelle im Baubetrieb, In: Agile Digitalisierung im Baubetrieb, Innovative Wege zur Transformation und Best Practices, Hofstadler, C.; Motzko, C. (Hrsg.), 2.Auflage, Springer Vieweg. [7] Vgl. Egger, M./ Hausknecht, K./ Liebich, T./ Przybylo, J. (2013): BIM-Leitfaden für Deutschland, Forschungsprogramm ZukunftBAU, Endbericht, Berlin. (2013), S. 18. 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 53 SCAN | 2 | BIM | 2 | KI [8] Vgl. Felden, C. (2019): Datenqualitätsmanagement, online verfügbar unter: https: / / wi lex.de/ index.php/ lexikon/ informations-daten-und-wissensmanagement/ datenmanagement/ datenmanagement-konzepte-des/ datenqualitaetsmanagement/ , Datum des Zugriffs: 24.09.2025); Lenz, Becker (2023), S. 539. [9] Vgl. Bach, A., Al-Wesabi, T., & Staka, I. (2024). Datenzentrierte KI als Basis für ein zukünftiges Informationsmanagement. In Haghsheno, S., Satzger, G., Lauble, S., & Vössing, M. (Hrsg.), Künstliche Intelligenz im Bauwesen: Grundlagen und Anwendungsfälle (S. 25-39). Springer Vieweg https: / / doi. org/ 10.1007/ 978-3-658-42796-2, S. 25-39; Lenz, L. (2020). Bewertungssystem zur Entscheidungsunterstützung für Fabrikgebäudeanpassungen auf Basis der Building Information Modeling Methode, Dissertation, Hrsg. Gralla M.; Schriftenreihe des Lehrstuhls Baubetrieb und Bauprozessmanagement der Technischen Universität Dortmund, Band 6, Reguvis Verlag, Köln, 2020, S. 365. [10] Vgl. Meier, A. (2016): Datenmanagement mit SQL und NoSQL, in: Big Data. Grund lagen, Systeme und Nutzungspotenziale, Hrsg: Fasel, Daniel; Meier, Andreas; S. 17-38; Wiesbaden, Springer Vieweg (Edition HMD), S. 22; Lenz, L. (2020): Bewertungssystem zur Entscheidungsunterstützung für Fabrikgebäude-anpassungen auf Basis von Building Information Modeling, Dissertation, Schriftenreihe des Lehrstuhls Baubetrieb und Bauprozessmanagement der TU Dortmund, Gralla (Hrsg.), Band 6, Reguvis Verlag, Köln,.S. 60; Lenz, L./ Becker, (2023): Digitale Geschäftsprozesse und neue Geschäftsmodelle im Baubetrieb, In: Agile Digitalisierung im Baubetrieb, Innovative Wege zur Transformation und Best Practices, Hofstadler, C.; Motzko, C. (Hrsg.), 2.Auflage, Springer Vieweg. [11] Christian Scharff: Wie künstliche Intelligenz Entscheidungen prägt - Eine Multiple-Case-Study, Wiesbaden: Springer Gabler, 2023, S. 1.