KI-Bereitschaft im Bauwesen: Die drei Säulen, die jeder CTO braucht
Are you prepared for what’s next in AECO?
In einer aktuellen Folge von Bridging the Gap: The Conversation, CIO unter Druck, erläuterte Atul Khanzode, CTO bei DPR Construction, wie einer der größten Generalunternehmer der USA die KI-Bereitschaft angeht. Anstatt es als reines Technologieproblem zu betrachten, sieht DPR es als eine organisatorische Herausforderung. Mit 29 Jahren Betriebszugehörigkeit bei DPR und der Verantwortung für alle Technologiebereiche in einem Unternehmen, das in den Sektoren unternehmenskritische Infrastruktur, Biowissenschaften, Gesundheitswesen und Hochtechnologie tätig ist, basiert seine Perspektive auf der Realität des Bauens im großen Maßstab.
Die Lücke bei der KI-Bereitschaft, die niemand zugeben will
Bevor ein Bauunternehmen einen Mehrwert aus KI ziehen kann, muss es ehrlich einschätzen, wo es tatsächlich steht. Nicht, wo es sein möchte, nicht, was in Pressemitteilungen steht, sondern wie die Datengrundlagen aussehen, wie ausgereift die internen Kompetenzen sind und ob das Unternehmen über die notwendige Governance verfügt, um KI bei sensiblen Projekten verantwortungsvoll einzusetzen.
Die meisten Firmen haben dieses Gespräch noch nicht geführt. Sie haben Pilotprojekte durchgeführt, mit Standard-Tools experimentiert und beobachtet, wie ihre Teams ChatGPT informell nutzen. Doch Experimente ohne Fundament lassen sich nicht skalieren. Und der Druck, KI-Ergebnisse zu liefern – von Vorständen, Kunden und Wettbewerbern – wächst schneller, als die meisten Unternehmen die Infrastruktur dafür aufbauen können.
Atul Khanzode beschäftigt sich schon länger damit als die meisten anderen. DPR hat bereits vor fünf bis sechs Jahren in sein Data Warehouse investiert, speziell um das Fundament zu schaffen, das KI letztendlich erfordern würde. Diese Entscheidung wirkt heute weitsichtig. Damals war sie einfach nur diszipliniert.
Die Unternehmen, die heute bei der KI-Bereitschaft am weitesten sind, sind fast immer diejenigen, die schon Jahre vor dem KI-Hype in wenig glamouröse Infrastruktur investiert haben.
Diejenigen, die jetzt in Hektik verfallen, sind die, die diesen Schritt übersprungen haben.
Möchten Sie erfahren, wie ein CTO über den gesamten Technologieauftrag denkt? Sehen Sie sich das vollständige Gespräch mit Atul Khanzode hieran.
Die drei Säulen der KI-Bereitschaft bei DPR
Atuls Rahmenwerk für die KI-Bereitschaft bei DPR basiert auf drei Säulen. Keine davon beginnt mit dem KI-Tool selbst. Alle müssen vorhanden sein, bevor das Tool einen Mehrwert im großen Maßstab liefern kann.
Säule 1: Datengrundlagen
Die erste und grundlegendste Säule ist die Datenqualität. KI-Modelle sind nur so gut wie die Daten, mit denen sie trainiert werden. Ohne saubere, strukturierte und verwaltete Daten sind KI-Ergebnisse bestenfalls unzuverlässig und schlimmstenfalls irreführend.
Dank der Investition von DPR in sein Data Warehouse vor einem halben Jahrzehnt geht das Unternehmen mit einer Grundlage in die aktuelle KI-Phase, die die meisten Wettbewerber erst noch aufbauen müssen. Doch die Datenqualität ist nur ein Teil der Herausforderung. Bei den Projekten, an denen DPR arbeitet – unternehmenskritische Infrastruktur Rechenzentren, Life-Science-Einrichtungen, Gesundheitswesen – die Daten selbst sind hochsensibel. Kunden kommen mit Geheimhaltungsvereinbarungen (NDAs). Verträge legen genau fest, was mit Projektdaten geschehen darf und was nicht. Die Governance-Anforderungen sind erheblich.
„Wir sind Treuhänder der Daten bei den Projekten, an denen wir mit ihnen arbeiten. Unsere Verträge enthalten sehr strenge Richtlinien dazu, was wir mit den Daten tun dürfen.“
Atul Khanzode, CTO, DPR Construction
Die von DPR entwickelte Lösung ist ein strukturierter Ansatz zur Datenanonymisierung, der es ermöglicht, KI-Modelle mit Projektdaten zu trainieren, ohne geschützte Kundeninformationen preiszugeben.
Was ist ein Data Clean Room?
Ein Clean Room ist eine kontrollierte Datenumgebung, in der Rohdaten anonymisiert werden, bevor sie zum Training von KI-Modellen verwendet oder organisationsübergreifend geteilt werden. Bei DPR befindet sich der Clean Room innerhalb des Data Warehouse und fungiert als Brücke zwischen sensiblen Projektdaten und den darauf aufbauenden KI-Modellen. Quelldaten werden niemals direkt weitergegeben. Anonymisierte Daten gelangen in den Clean Room, wo sie zur Verbesserung von Dienstleistungen und zum Training von Modellen genutzt werden können, ohne gegen Kunden-NDAs oder Daten-Governance-Anforderungen zu verstoßen. Dieses Konzept ist eher aus der digitalen Werbung und dem Finanzwesen bekannt als aus dem Baugewerbe – doch da die KI-Einführung in der gesamten Branche zunimmt, wird es wahrscheinlich zum Standard für jedes Generalunternehmen, das an sensiblen Projekttypen arbeitet.
Wichtigste Erkenntnis: KI-Bereitschaft beginnt bei der Datenqualität, nicht bei KI-Tools. Wenn das Datenfundament nicht stimmt, wird kein KI-Tool einen konsistenten Mehrwert liefern. Für Unternehmen, die an sensiblen Projekten arbeiten, ist ein strukturierter Ansatz für Data Governance und Anonymisierung keine Option, sondern eine Grundvoraussetzung.
Säule 2: Von der Experimentierphase zur Skalierung
Die zweite Säule ist der Mechanismus, um von isolierten Experimenten zur skalierten Anwendung zu gelangen. In den meisten Bauunternehmen gibt es informelle KI-Experimente. Die Herausforderung besteht darin, diese Experimente in wiederholbare, skalierbare Arbeitsabläufe zu verwandeln, die im gesamten Unternehmen einen Mehrwert schaffen.
Der Ansatz von DPR besteht darin, direkt mit den operativen Teams und funktionalen Arbeitsgruppen zusammenzuarbeiten, um Schwachstellen und schnelle Erfolge zu identifizieren – spezifische, aufwendige Aufgaben, bei denen KI schnell einen klaren Mehrwert zeigen kann. Die Vertragsprüfung ist ein Beispiel, das Atul nennt. Sobald ein Anwendungsfall bewährt ist, besteht das Ziel darin, ihn schnell zu skalieren, damit genügend Mitarbeiter den Nutzen erkennen und eine breitere Akzeptanz fördern.
„Wir arbeiten mit unseren operativen Teams sowie unseren anderen funktionalen Arbeitsgruppen zusammen, um deren Schwachstellen zu identifizieren und schnelle Erfolge zu finden, die sie durch KI erzielen können. Wir versuchen, dies aufzugreifen und schnell zu skalieren, damit die Mitarbeiter den Mehrwert erkennen.“
Atul Khanzode, CTO, DPR Construction
Dieser Bottom-up-Ansatz – bei dem man bei echten Problemen in spezifischen Funktionen ansetzt, statt Top-down-Vorgaben zu machen – ist einer der zuverlässigsten Wege zu einer nachhaltigen KI-Einführung. Wenn der Anwendungsfall für die Mitarbeiter, die die Arbeit verrichten, wirklich nützlich ist, folgt die Akzeptanz ganz natürlich. Wenn er ohne Bezug zu einem echten Problem verordnet wird, bleibt sie aus.
DPR unterhält zudem ein Innovationsteam, das speziell mit der Steuerung dieses Experimentierprozesses beauftragt ist – es bewertet, was funktioniert, was nicht und was sich zu skalieren lohnt. Die Disziplin dieses Prozesses ist genauso wichtig wie das Experimentieren selbst.
Fazit: Die Skalierung der KI-Einführung erfordert einen strukturierten Prozess zur Identifizierung von Schwachstellen, zur schnellen Validierung des Nutzens und zur Überführung erfolgreicher Pilotprojekte in Standard-Workflows. Innovationsteams ohne diesen Prozess produzieren nur Experimente. Innovationsteams mit diesem Prozess schaffen echte Leistungsfähigkeit.
Säule 3: Interne Aus- und Weiterbildung
Die dritte Säule ist diejenige, in die die meisten Unternehmen zu wenig investieren – und die darüber entscheidet, ob die ersten beiden Säulen tatsächlich einen Mehrwert liefern. Datenfundamente und eine Infrastruktur für Experimente sind wertlos, wenn die Mitarbeiter, die diese Tools nutzen sollen, nicht wissen, wie das geht, oder ihnen nicht vertrauen.
DPR hat die interne Weiterbildung zu einem zentralen organisatorischen Schwerpunkt gemacht. Von den 6.000 Verwaltungsmitarbeitern des Unternehmens wurden bereits rund 2.500 in den Grundlagen der KI geschult – wie man die Tools bedient, wie man effektive Prompts erstellt und wie man KI in der eigenen Rolle gezielt einsetzt. Das ist kein Pilotprojekt. Das ist ein Programm.
„Wenn man das nicht tut, werden diese Tools von den Mitarbeitern nicht wirklich angenommen oder nur sporadisch genutzt, ohne dass ein echter Mehrwert entsteht. Deshalb legen wir großen Wert auf diesen Bereich der internen Schulung und Weiterbildung.“
Atul Khanzode, CTO, DPR Construction
Die Schulungen sind rollenspezifisch und nicht allgemein gehalten. Zu verstehen, dass unterschiedliche Funktionen verschiedene KI-Workflows erfordern – und die Schulungen auf genau diese Workflows auszurichten, statt nur allgemeine KI-Kompetenz zu vermitteln – ist der entscheidende Unterschied zwischen Programmen, die Verhaltensweisen nachhaltig verändern, und solchen, die nicht über einen eintägigen Workshop hinauskommen.
Die nächste Phase bei DPR geht noch einen Schritt weiter: In Zusammenarbeit mit den Fachabteilungen werden spezifische Schwerpunkte identifiziert, in denen KI messbare Fortschritte bei der täglichen Arbeit erzielen kann.
Fazit: Effektive KI-Schulungen sind rollenspezifisch, praxisnah und direkt mit realen Arbeitsabläufen verknüpft. Allgemeine KI-Grundlagenkurse schaffen lediglich Bewusstsein. Rollenspezifische Schulungen führen zu echter Anwendung. Unternehmen, die in Letzteres investieren, werden diesen Vorsprung mit der Zeit weiter ausbauen.
Die vier Kategorien: So bewerten Sie jede KI-Investition
Neben den drei Säulen bietet Atul einen Rahmen zur Bewertung von KI-Investitionen. Dieser hilft dabei, den Lärm von Funktionslisten und Anbieterversprechen auszublenden und sich auf das zu konzentrieren, was für ein Bauunternehmen wirklich zählt.
Jede Technologieinvestition, ob KI oder nicht, sollte anhand von vier Fragen bewertet werden:
- Verbessert sie Umsatz und Marge?
- Senkt sie die Betriebskosten?
- Verbessert sie die Mitarbeiterzufriedenheit?
- Verbessert sie das Kundenerlebnis?
Wenn ein Tool eine oder mehrere dieser Fragen nachweislich mit Ja beantworten kann, hat es seine Daseinsberechtigung. Wenn nicht, spielt es keine Rolle, wie beeindruckend die Demo war.
„Anstatt sich nur von den technologischen Möglichkeiten blenden zu lassen, sollte man intern einen echten Dialog darüber führen, was man eigentlich erreichen will – das wird Ihre weiteren Entscheidungen bei der Technologieerkundung leiten.“
Atul Khanzode, CTO, DPR Construction
Dasselbe Prinzip lässt sich auf die gesamte Technologiestrategie von DPR übertragen. Softwareausgaben werden danach bewertet, wie gut sie die Kernstrategie des Unternehmens voranbringen: die Bereitstellung vorhersehbarer Ergebnisse durch VDC, Vorfertigung und Eigenleistungen. Wenn ein Tool diese Strategie unterstützt und die Ergebnisse sichtbar sind, bleibt es. Wenn nicht, erledigt sich der Prozess von selbst.
Fazit: Definieren Sie vor der Evaluierung eines KI-Tools, wie Erfolg aussieht – und zwar in Begriffen, die in Ihrem Unternehmen bereits gebräuchlich sind. Umsatz, Kosten, Mitarbeiterzufriedenheit, Kundenerlebnis. Wenn das Tool an keinem dieser Stellschrauben drehen kann, ist es die Investition wahrscheinlich nicht wert, egal was die Schlagzeilen versprechen.
Wo Sie anfangen sollten, wenn Sie noch nicht begonnen haben
Die ehrliche Erkenntnis aus Atuls Erfahrung bei DPR ist, dass Unternehmen, die KI erfolgreich einsetzen, nicht mit KI begonnen haben. Sie haben mit Daten begonnen. Sie bauten das Data Warehouse auf, konzentrierten sich auf Qualität, etablierten Governance-Strukturen und schufen die Voraussetzungen für den KI-Einsatz, noch bevor KI zur Priorität wurde.
Für Unternehmen, die diese Schritte noch nicht gegangen sind, ist der Ausgangspunkt nicht das fortschrittlichste KI-Tool auf dem Markt. Es ist eine ehrliche Bestandsaufnahme der Datenqualität, ein Gespräch mit den operativen Teams über echte Schwachstellen und eine Investition in die Schulungsinfrastruktur. Davon hängt ab, ob ein KI-Tool tatsächlich angenommen oder nach der Pilotphase stillschweigend wieder verworfen wird.
Wenn Ihre Koordinationsdaten nicht vernetzt, strukturiert oder zugänglich sind, ist genau dort der richtige Ansatzpunkt. Sprechen Sie mit Revizto darüber, wie Sie das Fundament für Ihre KI-Strategie legen können.
Für Teams, die ihre digitalen Kompetenzen ausbauen und mehr aus ihren Koordinations-Workflows herausholen möchten, bietet die Revizto Academy kostenlose, eigenständige Kurse, die auf realen Bau-Workflows basieren – ganz ohne Kundenkonto.
FAQs
KI-Bereitschaft im Baugewerbe bezeichnet die organisatorischen, datentechnischen und fachlichen Grundlagen, die ein Unternehmen schaffen muss, damit KI-Tools einen nachhaltigen Mehrwert bieten können. Dazu gehören saubere, strukturierte Daten, Governance-Rahmenwerke für sensible Projektdaten, interne Schulungsprogramme sowie ein strukturierter Prozess für den Übergang von ersten Experimenten zur flächendeckenden Anwendung. Die meisten Unternehmen haben zwar bereits mit KI experimentiert, doch nur wenige haben die notwendigen Voraussetzungen geschaffen, um diese Technologien auch in großem Maßstab erfolgreich einzusetzen.
KI-Modelle benötigen saubere, strukturierte und gut verwaltete Daten, um zuverlässige Ergebnisse zu liefern. Für Bauunternehmen bedeutet dies, dass sie in Data Warehousing und Datenqualität investieren müssen, bevor sie KI-Tools einsetzen. Unternehmen, die an sensiblen Projekten arbeiten – etwa in den Bereichen kritische Infrastruktur, Biowissenschaften oder Gesundheitswesen –, benötigen zudem Data-Governance-Frameworks. Diese stellen sicher, dass KI mit Projektdaten trainiert werden kann, ohne dabei Geheimhaltungsvereinbarungen (NDAs) oder Anforderungen an die Datensouveränität zu verletzen.
Ein Data Clean Room ist eine kontrollierte Umgebung, in der Rohdaten aus Projekten anonymisiert werden, bevor sie für das Training von KI-Modellen verwendet oder organisationsübergreifend geteilt werden. Dies ermöglicht es Bauunternehmen, Projektdaten als Trainingsressource für KI zu nutzen, ohne dabei geschützte Kundendaten preiszugeben. Das Konzept ist in der Finanzbranche und der digitalen Werbung bereits etabliert, gewinnt jedoch angesichts der zunehmenden KI-Nutzung auch für Generalunternehmer bei sensiblen Projekttypen immer mehr an Bedeutung.
Der zuverlässigste Ansatz besteht darin, bei konkreten Problemen in bestimmten operativen Funktionen anzusetzen, den Mehrwert durch gezielte Anwendungsfälle schnell unter Beweis zu stellen und diese Arbeitsabläufe dann unternehmensweit zu skalieren. Die direkte Zusammenarbeit mit den operativen Teams zur Identifizierung von „Quick Wins“ – statt top-down verordnete Vorgaben – sorgt für eine nachhaltige Akzeptanz. Ein internes Innovationsteam mit einem strukturierten Bewertungsprozess hilft dabei, zwischen Experimenten, die eine Skalierung wert sind, und solchen, die beendet werden sollten, zu unterscheiden.
Allgemeine KI-Schulungsprogramme schaffen zwar ein Bewusstsein, führen jedoch selten zu einer tatsächlichen Verhaltensänderung. Die effektivsten KI-Trainings sind rollenspezifisch, direkt mit den Arbeitsabläufen der Teilnehmenden verknüpft und werden durch funktionsspezifische Schwerpunkte ergänzt, bei denen KI messbare Fortschritte erzielen kann. DPR Construction hat bereits rund 2.500 seiner 6.000 Verwaltungsmitarbeiter in den KI-Grundlagen geschult, wobei rollenspezifische Trainings und Prompt Engineering fester Bestandteil des Programms sind.
Bewerten Sie jede KI-Investition anhand von vier Fragen: Steigert sie Umsatz und Marge? Senkt sie die Betriebskosten? Verbessert sie die Mitarbeiterzufriedenheit? Und verbessert sie das Kundenerlebnis? Wenn ein Tool nachweislich an einer oder mehreren dieser Stellschrauben drehen kann, hat es seine Daseinsberechtigung. Wenn nicht, ist der technologische Reifegrad völlig zweitrangig. Eine klare Definition dessen, was für Ihr Unternehmen Erfolg bedeutet, ist wertvoller als jeder Funktionsvergleich.
Generative KI hat das Potenzial, die Art und Weise, wie Bauunternehmen dokumentenlastige und datenintensive Arbeitsabläufe bewältigen, grundlegend zu verändern – von der Vertragsprüfung und Spezifikationsanalyse bis hin zur Entwurfsoptimierung und Koordination. Für Generalunternehmer liegen die unmittelbarsten Anwendungsmöglichkeiten in Aufgaben, die derzeit einen hohen manuellen Zeitaufwand erfordern: das Zusammenfassen von Besprechungsprotokollen, das Erstellen von ersten Dokumentenentwürfen, die Suche in großen Mengen an Projektinformationen sowie die Analyse von Datenmustern über verschiedene Projekte hinweg. Die Unternehmen, die aktuell den größten Mehrwert aus generativer KI im Bauwesen ziehen, sind diejenigen, die auf einer soliden Datenbasis aufbauten, spezifische Engpässe identifizierten und in rollenspezifische Schulungen investierten, bevor sie die Tools flächendeckend einführten.
