KI zur Erfassung des Fertigstellungsgrads: Manuelle Fortschrittsberichte ersetzen

Fragen Sie drei verschiedene Bauleiter nach ihrer Einschätzung des Fertigstellungsgrads bei einer mechanischen Rohinstallation, und Sie erhalten drei verschiedene Zahlen. Einer begutachtet die installierten Lüftungskanäle und sagt 65 %. Ein anderer zählt die Räume mit abgeschlossener Rohinstallation und sagt 58 %. Ein dritter gleicht mit den geplanten Arbeitsstunden ab und sagt 71 %. Alle drei versuchen, dieselbe Frage zu beantworten, und keiner von ihnen hat eine Methode, die sowohl konsistent als auch genau ist.

Das Problem mit manueller Fortschrittsberichterstattung

Die Fertigstellungsgraderfassung bestimmt alles Nachgelagerte im Bauprojektmanagement. Sie bestimmt Earned-Value-Berechnungen, Abschlagszahlungsanträge, Terminprognosen und Ressourcenplanung. Wenn die Fertigstellungsgrad-Zahlen ungenau sind, basiert jede nachgelagerte Entscheidung auf fehlerhaften Daten.

Untersuchungen des Construction Industry Institute ergaben, dass manuelle Fertigstellungsgrad-Schätzungen bei aktiven Bauprojekten im Durchschnitt um 12 bis 15 Prozentpunkte vom tatsächlichen Fortschritt abweichen. Die Verzerrung geht fast immer in Richtung einer Überberichterstattung des Fortschritts. Bauleiter berichten – oft unbewusst – höhere Fertigstellungsgrade als die Realität, weil sie optimistisch sind, kleinere Verzögerungen aufzuholen, und weil ein geringer als erwarteter Fortschritt unangenehme Gespräche mit Bauherren und Projektleitern auslöst.

Diese Überberichterstattung summiert sich. Ein Projekt, das über 6 Monate hinweg konstant 5 % mehr Fortschritt als tatsächlich vorhanden meldet, baut eine Lücke zwischen gemeldetem und realem Status auf, die schließlich als Termin- oder Kostenüberraschung zutage tritt. Bis die Lücke unbestreitbar wird, sind die Korrekturmöglichkeiten begrenzt und teuer.

Wie KI den Fortschritt misst

KI-gestützte Fortschrittsverfolgung nutzt mehrere Datenquellen, um den Fertigstellungsgrad zu berechnen, ohne auf subjektive menschliche Schätzungen angewiesen zu sein. Die gängigsten Ansätze umfassen fotobasierte Analyse mittels Computer Vision, 3D-Punktwolkenvergleich aus Laserscans oder Photogrammetrie, IoT-Sensordaten von installierten Systemen sowie Materialverfolgung aus Liefer- und Installationsprotokollen.

Fotobasierte Fortschrittsverfolgung ist am leichtesten zugänglich. Bauleiter oder Baufotografen machen strukturierte Fotos nach einem regelmäßigen Zeitplan und folgen dabei definierten Fotopfaden durch das Gebäude. Computer-Vision-Algorithmen vergleichen diese Fotos mit dem Planungsmodell und vorherigen Fotos, um zu identifizieren, was seit der letzten Aufnahme installiert wurde.

Eine auf fotobasierte Fortschrittsverfolgung spezialisierte Plattform testete ihre Genauigkeit über 85 gewerbliche Bauprojekte hinweg. Ihr KI-berechneter Fertigstellungsgrad lag im Durchschnitt innerhalb von 3,2 Prozentpunkten des tatsächlichen Fortschritts, gemessen durch detaillierte physische Begehungen. Manuelle Bauleiterberichte bei denselben Projekten wichen im Durchschnitt um 11,8 Prozentpunkte von den physischen Begehungen ab.

3D-Scanning für höhere Präzision

Laserscanning und Photogrammetrie bieten eine höhere Genauigkeit als fotobasierte Methoden, erfordern jedoch mehr Ausrüstung und Verarbeitungszeit. Ein wöchentlicher Laserscan eines Baugeschosses kann mit dem BIM-Modell verglichen werden, um genau zu identifizieren, welche Elemente installiert, teilweise installiert oder noch nicht begonnen wurden.

Die KI vergleicht die Scan-Punktwolke mit dem Planungsmodell und berechnet Installationsprozentsätze für jedes Gebäudesystem. Stahlbau 94 % fertiggestellt, mechanische Lüftungskanäle 67 % fertiggestellt, Elektroinstallationsrohre 52 % fertiggestellt. Diese Zahlen basieren auf physischen Messungen statt auf Schätzungen, was sie bei Streitigkeiten über Abschlagszahlungen belastbarer und für Terminprognosen zuverlässiger macht.

Der Kompromiss liegt bei Kosten und Aufwand. Wöchentliches Laserscanning bei einem großen Projekt erfordert entweder einen dedizierten Scan-Techniker oder einen Servicevertrag, der je nach Projektgröße typischerweise 2.000 bis 5.000 US-Dollar pro Scan kostet. Bei Projekten über 20 Millionen US-Dollar ist dieser Aufwand durch die verbesserte Genauigkeit der Fortschrittsverfolgung und deren nachgelagerte Auswirkungen auf das Cashflow-Management leicht gerechtfertigt.

Integration von Material- und Arbeitsdaten

KI-gestützte Fortschrittsverfolgung wird genauer, wenn sie visuelle Daten mit Material- und Arbeitsprotokollen kombiniert. Wenn das Lieferprotokoll zeigt, dass 80 % der spezifizierten Lüftungskanäle auf die Baustelle geliefert wurden, und die Fotoanalyse zeigt, dass 60 % installiert zu sein scheinen, kann das System ableiten, dass 20 % vor Ort, aber noch nicht installiert sind. Dies gibt dem Projektteam ein differenzierteres Bild als jede einzelne Datenquelle allein.

Die Erfassung von Arbeitsstunden bietet einen weiteren Kalibrierungspunkt. Wenn der mechanische Nachunternehmer 70 % seiner budgetierten Arbeitsstunden verbraucht hat, die visuelle Analyse aber nur 55 % Installationsfortschritt zeigt, liegt die Produktivität unter Plan und die Tätigkeit wird voraussichtlich ihr Arbeitsbudget überschreiten. Diese frühzeitige Erkennung ermöglicht ein Eingreifen, bevor die Überschreitung gravierend wird.

Bauunternehmen, die KI-basierte Bauprojektverfolgung einsetzen, stellen fest, dass die Integration mehrerer Datenquellen die Fortschrittsberichterstattung vertrauenswürdig macht. Keine einzelne Quelle ist perfekt, aber die Konvergenz von visuellen, Material- und Arbeitsdaten ergibt ein Fortschrittsbild, das deutlich genauer ist als jede manuelle Methode.

Auswirkungen auf Abschlagszahlungsanträge

Abschlagszahlungsanträge gehören zu den umstrittensten Aspekten des Bauprojektmanagements. Nachunternehmer möchten so viel abgeschlossene Arbeit wie möglich abrechnen, um ihren Cashflow aufrechtzuerhalten. Generalunternehmer möchten sicherstellen, dass sie nicht über den tatsächlichen Fortschritt hinaus bezahlen. Bauherren möchten die Gewissheit, dass der gemeldete Fortschritt die beantragte Zahlung rechtfertigt.

KI-verifizierte Fortschrittsdaten bieten einen neutralen Bezugspunkt für diese Diskussionen. Wenn der Zahlungsantrag 72 % Fertigstellung angibt und der KI-gemessene Fortschritt 68 % zeigt, ist die 4-Punkte-Lücke klein genug, dass sie legitime Unterschiede in der Messmethodik widerspiegeln könnte. Wenn der Zahlungsantrag 72 % angibt und die KI 54 % zeigt, gibt es eine erhebliche Diskrepanz, die vor der Zahlungsfreigabe besprochen werden sollte.

Mehrere Generalunternehmer berichten, dass KI-gestützte Fortschrittsverfolgung Streitigkeiten bei Abschlagszahlungsanträgen um 30 bis 40 % reduziert hat, weil beide Parteien mit objektiveren Daten arbeiten. Der Bauleiter hat weiterhin eine Rolle bei der Interpretation der Zahlen und der Berücksichtigung von Arbeiten, die die KI möglicherweise nicht vollständig erfasst, wie etwa Test- und Inbetriebnahmeaktivitäten, die visuell nicht erkennbar sind. Aber die Basismessung ist zuverlässiger.

Praktische Umsetzung

Der einfachste Einstiegspunkt für KI-gestützte Fortschrittsverfolgung ist strukturierte Fotodokumentation. Viele Bauunternehmen machen bereits tägliche Fotos zu Dokumentationszwecken. Diesen Fotos Struktur zu verleihen – definierte Pfade, konsistente Winkel und regelmäßige Zeitpläne – macht sie mit minimalem Zusatzaufwand für KI-Analysen nutzbar.

Die fortgeschritteneren Ansätze – Laserscanning und IoT-Sensorintegration – sind bei größeren Projekten sinnvoll, bei denen die Kosten im Verhältnis zum Projektwert stehen und die Genauigkeitsverbesserung eine bedeutende finanzielle Auswirkung hat. Ein 5-Millionen-Dollar-Mieterausbau rechtfertigt wahrscheinlich kein wöchentliches Laserscanning. Ein 100-Millionen-Dollar-Krankenhaus mit ziemlicher Sicherheit schon.

Der Übergang von manueller zu KI-gestützter Fortschrittsverfolgung erfordert auch einen kulturellen Wandel. Bauleiter, die ihre gesamte Karriere damit verbracht haben, Fortschritte auf Basis von Erfahrung und Urteilsvermögen zu schätzen, müssen datengestützten Messungen vertrauen und lernen, mit ihnen zusammenzuarbeiten. Die erfolgreichsten Implementierungen stellen die KI als Werkzeug dar, das das Urteilsvermögen des Bauleiters unterstützt, anstatt es zu ersetzen. Der Bauleiter liefert weiterhin Kontext und Interpretation. Die KI liefert die Messgrundlage.