Leistungsverzeichnis automatisch erstellen: Wie ein Bauhandwerksbetrieb aus Schleswig-Holstein den Weg in die Automatisierung beschreitet
Leistungsverzeichnisse manuell zu erstellen, kostet Bauunternehmen viel Zeit. Im Rahmen einer Machbarkeitsstudie hat die Horst Dieter Autzen GmbH aus Treia gemeinsam mit KI.SH untersucht, ob sich die Massenermittlung aus Architekturplänen automatisieren lässt. Das Ergebnis: ein funktionierender Prototyp mit 93 Prozent Genauigkeit.
Stundenlange Handarbeit bei jedem Bauprojekt
Wer ein Bauprojekt kalkuliert, braucht ein präzises Leistungsverzeichnis (LV). Es listet alle notwendigen Arbeiten und Materialien auf und bildet die Grundlage für Angebote, Verträge und Abrechnungen. Das Problem: Diese Verzeichnisse werden bislang manuell erstellt. Planer:innen und Kalkulierende müssen dafür Baupläne manuell auswerten, Mengen ablesen und nach VOB berechnen. Eine direkte Schnittstelle zwischen Zeichnungsprogrammen und Kalkulationssoftware existiert bei der vom Unternehmen genutzten Software nicht. Zusätzlich müssten die Zeichnungen für eine entsprechende Auswertung mit der Software detaillierter gezeichnet werden – eine zeitintensive Tätigkeit. Für jeden Auftrag bedeutet das: viel Zeit investieren für eine Aufgabe, die sich immer wiederholt. Ein optimaler Ansatz, für einen KI-Anwendungsfall.
Das Unternehmen
Die Horst Dieter Autzen GmbH ist ein Bauhandwerksbetrieb in dritter Generation mit rund 50 Mitarbeitenden aus Treia im Kreis Schleswig-Flensburg. Das Unternehmen realisiert Neubauten, Umbauten und Sanierungen für private, gewerbliche und öffentliche Auftraggeber in Schleswig-Holstein. Mit ihrer Frage, ob KI diesen Prozess automatisieren kann, wandten sie sich an KI.SH.
Deep Learning scheitert an fehlenden Daten
Das KI.SH-Projektteam bestehend aus Jan-Philipp Schreiter, Rachana Niranjan Murthy, Kishan Ajudiya, Christopher Otto und Nils Lockmann prüfte zwei grundlegend verschiedene Ansätze. Der erste: ein Deep-Learning-Modell, das Baupläne wie Bilder analysiert und Wände, Öffnungen und Räume automatisch erkennt. Die dahinterliegende Methode nennt sich Segmentation.
Segmentation
Segmentation bezeichnet ein KI-Verfahren, das ein Bild mit Hilfe von Masken aufteilt und einem Label zuordnet. In der Regel entspricht jedes Label einem spezifischen Objekt. Mit dieser Methode können Computerprogramme zum Beispiel erkennen, ob auf einem Bild eine Wand, eine Tür oder ähnliches zu sehen sind.
Dieser Ansatz wurde verworfen. Das zentrale Problem ist die Skalensensitivität: PDFs unterscheiden sich in Export-Skalierung und Pixeldichte (DPI). Die gleiche Wand kann dadurch in unterschiedlichen Dokumenten durch verschieden viele Pixel repräsentiert sein, was zu inkonsistenten Vorhersagen und ungenauen Flächen- bzw. Volumenabschätzungen führt. Zusätzlich ist eine Verarbeitung als Bild ab einer bestimmten Größe nicht mehr möglich, z.B. wenn eine Wand nur noch einen einzelnen Pixel breit ist. Eine Abweichung von wenigen Pixeln kann die Wanddicken-Schätzung verfälschen. An sich kleine Fehler summieren sich über den gesamten Grundriss und führen so zu hohen Abweichungen.
Hinzu kommt: Öffentlich verfügbare Trainingsdatensätze unterscheiden nicht zwischen Innen- und Außenwand, ein klassisches Labeling-Problem mit Blick auf Datenqualität. Ohne diese Unterscheidung ist eine VOB-konforme Massenermittlung nicht möglich. Eigene Trainingsdaten in ausreichender Menge lagen nicht vor.
DXF-Datei auslesen statt KI-Modell trainieren: Die Pipeline im Überblick
Der zweite Ansatz nutzt digitale Konstruktionsdaten aus DXF-Dateien. Statt ein KI-Modell zu trainieren, liest die entwickelte Software die realen Geometrien aus und berechnet daraus alle notwendigen Mengen. Das hat entscheidende Vorteile für Handwerksbetriebe: Die Lösung arbeitet mit echten Maßen, braucht keine lokale GPU und läuft auf einem normalen Bürorechner.
Die vom KI.SH-Team erstelle Automatisierungspipeline verläuft in vier Schritten:
- Geometrieextraktion: Grundriss, Schnitt und Ansicht werden parallel ausgelesen. Wände, Öffnungen und Raumhöhen werden extrahiert.
- Semantisches Gebäudemodell: Alle Extraktionen werden zusammengeführt. Raumflächen, Wandlängen und Hüllmaße werden berechnet. Dabei wird ein besonderes Augenmerk auf die korrekte Berechnung des Gebäudeumrisses gelegt.
- LV-Positionsgenerierung: Die Software berechnet alle Mengen automatisch nach VOB: Beton für Fundament, Sohlplatte und Ringbalken sowie Mauerwerksmengen.
- Validierung: Die Ausgabe wird mit hinterlegten Referenzwerten abgeglichen. Eine manuelle Korrekturoption für fehlende oder fehlerhafte Werte wurde integriert.
93 Prozent Genauigkeit an realen Testobjekten
Die Pipeline generierte aus realen Architekturplänen automatisch 55 Leistungsverzeichnis-Positionen. 51 davon stimmten exakt mit den manuell ermittelten Referenzwerten überein. Das entspricht einer Genauigkeit von 93 Prozent. Die verbleibenden zwei validierbaren Positionen wiesen eine Abweichung von weniger als 3,5 Prozent auf. Getestet und validiert wurde an einem realen Bauprojekt auf Basis eines tatsächlichen Angebots aus Januar 2026.
Nils Autzen fasste beim abschließenden Design-Thinking-Workshop zusammen, warum ein aufwendiger KI-Trainingsansatz für Handwerksbetriebe keine realistische Option ist: „Die notwendigen Daten in guter Qualität bereitzustellen ist zu aufwendig und würde zu viele Personalressourcen binden." Die DXF-Pipeline umgeht dieses Problem, weil sie ohne umfangreiche Datenbeschaffung und Labeling auskommt.
Grenzen der aktuellen Lösung
Die Machbarkeitsstudie zeigt auch, wo weiterer Entwicklungsaufwand nötig ist. Die Pipeline funktioniert zuverlässig, wenn DXF-Dateien konsistent angelegt und Ebenen (Layer) einheitlich benannt sind. Sonderfälle wie Teilabrisse, unregelmäßige Gebäudeformen oder Stützen erfordern jedoch zusätzliche Anpassungen. Aktuell ist die Lösung auf das Maurergewerk und Einfamilienhäuser ausgelegt. Für eine marktreife Software sind also weitere Entwicklungsschritte gemeinsam mit einem Dienstleister nötig.
Design-Thinking-Workshop: Anforderungen an die KI-Lösung für Leistungsverzeichnisse schärfen
Ein begleitender Design-Thinking-Workshop bei der Horst Dieter Autzen GmbH half dabei, die Anforderungen an eine spätere Lösung zu schärfen. Das von KI.SH präsentierte Mockup wurde grundsätzlich positiv aufgenommen. Besonders die Idee, über natürliche Sprache mit einem Architekturplan zu interagieren, wirkte auf die Teilnehmenden intuitiv und praxisnah.
Ein zentrales Learning: Der größte Mehrwert liegt nicht im einfachen Abfragen einzelner Planinformationen, sondern in einer nachvollziehbaren und prüfbaren Mengenermittlung. Gefragt ist ein hybrides System, das geometrische Auswertung, regelbasierte Berechnung, manuelle Korrekturoption und KI-gestützte Unterstützung verbindet. Der Workshop hat damit nicht nur die Relevanz des Themas bestätigt, sondern auch den Fokus für die nächsten Entwicklungsschritte klar gesetzt.
Nächste Schritte: Vom Prototyp zur Produktivlösung
Auf Basis der Ergebnisse empfiehlt das Projektteam fünf Schritte für die Weiterentwicklung:
- Auswahl eines Softwarepartners mit CAD-Erfahrung,
- Konkretisierung der Anforderungen in einem Design-Thinking-Workshop mit zukünftigen Anwender:innen,
- Erhöhung der Flexibilität der DXF-Pipeline,
- Entwicklung einer Nutzungsoberfläche sowie
- ein Pilotbetrieb mit zwei bis drei realen Projekten.
Der Prototyp-Code und die dokumentierte Berechnungsmethodik wurden dem Unternehmen zur Verfügung gestellt für die weitere Entwicklung.
Das Auslesen von Massen aus Bauplänen ist ein verbreitetes Problem im Handwerk und in vielen weiteren Branchen. Die Ergebnisse dieser Machbarkeitsstudie zeigen: Wer digitale Zeichnungsdaten konsequent nutzt, kann einen erheblichen Teil dieser Arbeit automatisieren.
