Statt reaktiver Einzelreparaturen ermöglicht die datengetriebene, KI-gestützte Zustandsanalyse Kommunen eine vorausschauende Instandhaltungsplanung. Für die Lösung erhielt EDGITAL GmbH den Innovationspreis 2025 der Deutschen Verkehrswissenschaftlichen Gesellschaft (DVWG).
KI-Plattform wertet 300 Terabyte Geodaten für Grundstücksentscheidungen aus
Kernstück ist eine auf deutsches Baurecht (§ 34 BauGB) spezialisierte KI-Engine, trainiert auf über 300.000 synthetischen Objekten und validiert gegen mehr als 1.000 Experteneinschätzungen. Die Plattform bildet digitale Zwillinge von 62 Millionen deutschen Grundstücken und Gebäuden und ermöglicht laut Anbieter bis zu 80 Prozent schnellere Due-Diligence-Prüfungen.
STRABAG prognostiziert Bauprojekt-Risiken mit 80 Prozent Genauigkeit durch KI
STRABAG SE hat gemeinsam mit Microsoft eine KI-gestützte Risikomanagement-Lösung entwickelt, die auf Azure OpenAI Service, Azure Machine Learning und Azure Databricks basiert. Das System vergleicht neue Bauprojekte mit abgeschlossenen Referenzprojekten und nutzt generatives Design zur Flächenberechnung in der Immobilienentwicklung. Bereits mit drei Monaten historischer Daten kann der Algorithmus Projektrisiken mit rund 80 Prozent Genauigkeit vorhersagen.
Machine Learning zur Fertigungszeitprognose bei HERGES Stahl- und Blechbau
Der Metallbaubetrieb HERGES Stahl- und Blechbau GmbH (50–249 Mitarbeitende, St. Ingbert) kalkulierte Fertigungszeiten für individuelle Aufträge bislang anhand manueller Expertenschätzungen, die bei identischen Bauteilen um bis zu 30 Minuten abweichen konnten und Angebote entweder unwirtschaftlich teuer oder riskant kalkuliert machten. Mit dem Mittelstand-Digital Zentrum Saarbrücken wurde eine mobile App zur präzisen Zeiterfassung je Fertigungsschritt entwickelt und darauf ein Machine-Learning-Modell trainiert, das Bearbeitungsdauern anhand von Parametern wie Blechdicke, Abmessungen und Material vorhersagt. Das KI-Modell erreichte eine Abweichung von rund 15 Prozent gegenüber 72 Prozent bei manuellen Schätzungen und wird nun zur Unterstützung von Angebotsentscheidungen genutzt.
Machine-Learning-Qualitätsprognose in der Eckschutzschienen-Fertigung bei Protektorwerk
Der Metallverarbeiter Protektorwerk Florenz Maisch GmbH & Co. KG (382 Mitarbeitende, Gaggenau) musste Verbiegungen und Verdrehungen an Eckschutzschienen bislang durch zeitaufwendige, reaktive manuelle Prüfungen erkennen. Mit dem Mittelstand-Digital Zentrum Darmstadt wurde eine Rollform-Fertigungslinie mit Sensoren ausgestattet; anhand manueller Testreihen entstand ein Trainingsdatensatz, mit dem ein auf einem Edge-Computer laufendes Machine-Learning-Modell trainiert wurde. Das Modell erkennt Abweichungen frühzeitig und zeigt die Ergebnisse auf einem für Mitarbeitende zugänglichen Dashboard an, wodurch schneller nachjustiert und Ausschuss reduziert werden kann.
RAG-Chatbot zur Wissenssicherung bei GBS Kühlanlagen
Mit dem Mittelstand-Digital Zentrum Augsburg wurde ein dreistufiger Fahrplan entwickelt: Datenschnittstellen zur Systemintegration, eine zentrale Datenbank sowie ein Retrieval-Augmented-Generation-Chatbot (RAG) auf Basis von Sprachmodellen, der Technikern KI-generierte Antworten aus Handbüchern und historischen Lösungen liefern soll. Die technische Umsetzung hat noch nicht begonnen; das Unternehmen befindet sich im Austausch mit einem möglichen Lösungsanbieter, um die ersten Schritte der Roadmap umzusetzen. Erwartet werden schnellere Problemlösungen, gesichertes Erfahrungswissen und perspektivisch auch ein KI-Chatbot für die Kundenannahme.
KI-gestützter Unterwasser-Schweißroboter für Hafen- und Offshore-Anlagen (MARIOW)
Der modulare Manipulator ist für Einsatztiefen bis 6.000 Meter und eine Reichweite von zwei Metern ausgelegt. Statt der bislang manuell geführten Stabelektrode kommt ein Unterwasser-Fülldrahtschweißverfahren (UW-FCAW) zum Einsatz, das laut Konsortium stabilere, kontrolliertere und reproduzierbarere Schweißnähte ermöglicht. Gefördert wurde das Projekt vom Bundesministerium für Wirtschaft und Energie. Als nächste Schritte sind laut DFKI eine weitere Verbesserung der Nahtqualität, Tests im echten Hafenbecken unter Realbedingungen wie Salzwasser, Strömung und Wellengang sowie die Integration eines Laser-Schlackenentfernungssystems geplant. Der Ansatz zeigt, wie KI-gestützte Robotik gefährliche, personalintensive Wartungsarbeiten in der maritimen Infrastruktur perspektivisch automatisieren kann.
Low-Code-Chatbot entlastet Kundenanfragen-Bearbeitung bei der DGNB
Der Chatbot wurde bewusst so konzipiert, dass er ausschließlich auf Basis der eigenen Website-Inhalte antwortet und keine externen Internetquellen einbezieht, um Kontrolle über die Antwortqualität zu behalten. Die Entwicklung erfolgte in Workshops mit kostenloser Unterstützung des Mittelstand-Digital Zentrums sowie umfangreichen internen Tests durch Mitarbeitende verschiedener Fachbereiche. Neben der Entlastung des Kundenservice ist eine Zweitnutzung als interner Prozessassistent geplant; die Integration in die Website war für das erste Quartal 2026 vorgesehen. Der Fall zeigt, wie auch Verbände und Organisationen mit stark verteilten Zuständigkeiten Low-Code-KI-Tools nutzen können, um Anfragenkanäle zu bündeln.
KI-Baukalkulations-Assistent für schnellere Angebotserstellung
Grundlage ist eine Vektordatenbank, in die vergangene Angebotskalkulationen per Sprachmodell eingebettet werden, sodass der Suchalgorithmus semantisch statt nach exakten Wortübereinstimmungen sucht. Kalkulatorinnen und Kalkulatoren behalten dabei die volle Kontrolle: Sie bestimmen, welche früheren Projekte einbezogen werden und wie stark automatisiert einzelne Positionen des Leistungsverzeichnisses berechnet werden, von einzelnen Vorschlägen bis zur weitgehend automatischen Kalkulation ganzer Leistungsverzeichnisse. Entwickelt wurde die Lösung nutzerzentriert mit eigenen Personas, User-Journey-Analysen und Klick-Dummy-Tests. Für den Kalkulationsalltag bedeutet das mehr Zeit für komplexe, hochpreisige Positionen, während Routinepositionen von der KI vorbereitet werden, was angesichts des Fachkräftemangels in der Baubranche unmittelbar übertragbar auf andere Bauunternehmen mit vergleichbaren Ausschreibungsprozessen ist.
KI-gestütztes Recycling von Tunnelaushub (REMATCH)
Das von Oktober 2021 bis September 2024 laufende Projekt wurde vom Bundesministerium für Forschung, Technologie und Raumfahrt und der französischen Forschungsagentur ANR gefördert, Entwicklungspartner waren die Technische Hochschule Köln, Herrenknecht AG, das Bildverarbeitungslabor LIRIS sowie ARCADIS ESG France. Das System soll erkennen, wie viel und welche Art von Zusatzstoffen für die Bodenstabilisierung tatsächlich nötig ist, um sie automatisch zu dosieren. Das spart Chemikalien und verbessert gleichzeitig die Recyclingfähigkeit des Aushubs, insbesondere bei lockeren Böden wie Sand oder Ton. Übertragbar ist der Ansatz grundsätzlich auf andere Tunnelbauprojekte, die mit Erdstoffen oder Zusatzmitteln arbeiten; belastbare Kennzahlen zur Recyclingquote nennt die Quelle nicht.