Was KI heute kann
Automatisierbar in guter Qualität:
- Anlagendaten-Normalisierung – uneinheitliche Benennungen vereinheitlichen, Dubletten erkennen, Felder vervollständigen
- DIN-276-Zuordnung – Anlagenart → KG-Code mit >95 % Trefferquote
- Positionsgenerierung – aus geprüfter Textbibliothek passende Wartungstexte je Anlage auswählen, mit Normreferenzen
- Konsistenzprüfungen – fehlende Nebenleistungen, uneinheitliche Intervalle, Lücken in Prüfpflichten
- Export – Excel-LV mit vorgegebener Struktur, Word-Leistungsbeschreibung mit Querverweisen
- Übersetzung zwischen Normausgaben (VDMA 24186:2008 → 2024)
- Benchmark-Vorschläge – auf Basis von Portfolio-Durchschnitten und Marktdaten
Mit Vorsicht einsetzbar:
- Erstentwurf Leistungsbeschreibung – gut für Struktur und 70 % Content, Rest braucht juristisches Review
- Risikoanalysen – Vorschläge, aber keine abschließende Bewertung
- Angebots-Vergleich – strukturierte Extraktion aus eingehenden Angeboten, aber Entscheidung bleibt beim Einkauf
Was KI heute nicht kann (und auf absehbare Zeit nicht wird)
- Qualitätsniveau-Entscheidung – N/M/H ist eine Wirtschaftlichkeits-Abwägung mit Haftungsfolgen, kein KI-Thema
- Lieferantenauswahl – Reputation, Erfahrungen, strategische Partnerschaften
- Rechtsverbindliche Freigabe – ein Mensch muss unterschreiben, der haftet
- Verhandlung – Angebotsklärung, Nebenvereinbarungen
- Betreiberverantwortung – ultimativ beim Betreiber, nicht beim System
Faustregel: Alles, wofür jemand persönlich haftet, bleibt in der Hand des Menschen – KI liefert die Datenbasis.
Architektur, die funktioniert
Eine belastbare KI-Pipeline für FM-Ausschreibungen hat vier Komponenten:
- Datenstrecke – Anlagenlisten importieren, normalisieren, DIN-276 zuordnen (strukturierter Prozess, teils regelbasiert, teils KI)
- Wissensbasis – kuratierte Textbibliothek: VDMA-24186-Positionen, GEFMA-Vorlagen, eigene Firmenstandards, Herstellerplänen, zuletzt verwendete LVs
- Generator – Sprachmodell mit RAG auf die Wissensbasis, strukturierte Ausgabe (nicht Freitext)
- Prüf- und Freigabeschicht – automatische Checks (Pflichtfelder, Normreferenzen), menschliches Review-Interface, Audit-Log
Was in dieser Architektur nicht auftaucht: „Prompt den ganzen Vertrag an ChatGPT und schau was rauskommt.“ Das ist keine KI-Pipeline, das ist Lotterie.
Datenschutz und Betriebsgeheimnisse
Für ein FM-LV reichen oft generische Daten (Anlagentyp, DIN-KG, Standort nach Gebäude/Geschoss). Problematisch wird es bei:
- Mieternamen – nicht nötig für Positionen, raushalten
- Finanzzahlen aus bestehenden Verträgen – nur im geschlossenen System
- Prüfprotokolle mit personenbezogenen Daten – auf das Nötige beschränken
- Zugangsinformationen (Alarmcodes, Schlüsselnummern) – nie in Prompts
Für die Toolauswahl heißt das:
- Hosting in der EU (idealerweise DE), AVV nach DSGVO Art. 28
- No-Training-Garantie – schriftlich im Vertrag, keine Nutzung der Prompts fürs Modell-Training
- Isolierte Mandanten – ein Kunde sieht nie Daten eines anderen
- Rechte- und Rollenmodell – Prompt-Zugriff loggen, Zugriff auf Wartungsbibliotheken dokumentieren
- Opt-out für Modellupdates – wenn ein Modellwechsel das Ergebnis verändert, muss das kontrollierbar sein
Für sensible Projekte zusätzlich: On-Premise-Deployment oder dedizierte Private-Cloud. Für die meisten FM-Ausschreibungen ist eine EU-SaaS mit AVV ausreichend und wirtschaftlich.
Was sich 2026 geändert hat
Zwei relevante Entwicklungen:
- Open-Source-Modelle (Llama 3, Mistral, DeepSeek) sind inzwischen gut genug für FM-Textgenerierung – Betrieb auf eigener Hardware oder europäischem Hoster ist bezahlbar.
- AI Act (EU) ist seit August 2026 in Teilen anwendbar; „Hochrisiko-KI“ betrifft FM-LV-Erstellung in der Regel nicht, aber Transparenzpflichten schon (Nutzer muss wissen, dass KI beteiligt war; Logging der Modellentscheidungen).
Für die praktische Toolauswahl heißt das: fragen Sie den Anbieter nach seiner AI-Act-Compliance-Roadmap und wie er Transparenz technisch umsetzt.
Checkliste für die Toolauswahl
Beim Vergleich von KI-Lösungen für FM-Ausschreibungen:
- Nutzt das Tool RAG auf einer verifizierten Wissensbasis – oder nur Prompt-Engineering?
- Woher kommen die Normtexte (VDMA, DIN, GEFMA) und wie werden Updates eingespielt?
- EU-Hosting, AVV, No-Training-Garantie?
- Mandantentrennung auf Datenebene?
- Export in Excel (LV) und Word (LB) mit Kundenlayout?
- Freigabeworkflow mit Audit-Log?
- Anlagen-Datenimport aus CAFM, Excel, CSV?
- Benchmark-Daten verfügbar (Portfolio-Vergleich)?
- Rechte- und Rollensystem?
- Referenzen aus vergleichbaren FM-Projekten – nicht nur allgemeine KI-Pilotierungen?
Wer sechs oder mehr Punkte sauber beantworten kann, ist ein ernstzunehmender Anbieter. Alles darunter ist ein Prototyp.
Häufige Fragen
Die wichtigsten Fragen zu diesem Thema in Kurzform.
Kann ich einfach ChatGPT nutzen, um ein FM-LV zu erstellen?+
Für Entwürfe und einzelne Positionen ja – mit Vorsicht. Große Sprachmodelle (ChatGPT, Claude, Gemini) halluzinieren Normnummern und Positionstexte, wenn sie keine konkrete Textbibliothek zur Verfügung haben. Für ein normkonformes LV braucht es eine Architektur mit RAG (Retrieval Augmented Generation) auf einer verifizierten FM-Textbibliothek – nicht nur ein Modell und ein Prompt.
Was ist der Unterschied zwischen RAG und reinem Prompt-Engineering?+
Reines Prompt-Engineering fragt das Modell direkt und hofft, dass es die richtigen Normen kennt. RAG (Retrieval Augmented Generation) sucht in einer kuratierten Wissensbasis (z. B. VDMA-24186-Texte, Hersteller-Wartungspläne, eigene Vorlagen) nach passenden Textbausteinen und liefert diese dem Modell als Kontext. Das Modell komponiert daraus eine Position, zitiert aber nachweislich echte Texte – keine Halluzinationen.
Darf ich Betriebsgeheimnisse und Kundendaten in ein KI-Tool geben?+
Es kommt auf das Tool an. Öffentliche US-Dienste (ChatGPT consumer) nutzen Eingaben potenziell zum Training; das ist für Betriebsgeheimnisse problematisch. Für FM-Ausschreibungen braucht es: EU-Hosting, DSGVO-konforme Auftragsverarbeitung, No-Training-Garantie und idealerweise ein isoliertes Modell. Prüfen Sie: wo laufen die Modelle, wer kann die Daten einsehen, wie werden Prompts protokolliert.
Wie geht man mit Halluzinationen um?+
Drei Ebenen: (1) Architektur – immer mit RAG und Quellenangabe arbeiten, nie Freitext-Generierung aus dem Modellwissen. (2) Validierung – automatische Prüfung jeder Position gegen Normkatalog, Pflichtfelder-Check. (3) Human-in-the-Loop – fachliches Review vor Freigabe bleibt Pflicht. Jede KI-generierte Position braucht eine prüfbare Herkunft.
Wie viel Zeit lässt sich mit KI realistisch sparen?+
Für die reine LV-Erstellung: 70–90 %. Ein mittelgroßes FM-LV, das manuell 4–6 Wochen braucht, lässt sich mit KI in 2–3 Tagen produktiver Arbeit erstellen – davon vielleicht 4 Stunden Modellinteraktion und 1,5 Tage Review, Korrektur, Freigabe. Die großen Hebel liegen in Datenaufbereitung (Normalisierung Anlagenliste), Positionsgenerierung aus Textbibliothek und Excel-/Word-Export mit Formatierung.
Verwandte Ratgeber
Alle Ratgeber →LV & Ausschreibung
Leistungsverzeichnis im Facility Management erstellen
Ein Leistungsverzeichnis (LV) im Facility Management beschreibt alle auszuschreibenden FM-Leistungen in standardisierten Positionen – mit Mengen, Intervallen und Qualitätsanforderungen. Es ist die Grundlage für vergleichbare Angebote und folgt in Deutschland typischerweise der Gliederung nach DIN 276 (Kostengruppe 400 für Technik, 500 für Außenanlagen) sowie den Leistungsinhalten der VDMA 24186 und GEFMA 200/720.
Prozess
Anlagenliste für FM-Ausschreibungen aufbereiten
Die Anlagenliste ist die wichtigste Eingangsgröße für ein FM-Leistungsverzeichnis. Fehlen hier Daten oder sind sie inkonsistent, verlängert sich die LV-Erstellung um Wochen und die Angebote werden unvergleichbar. Als Mindestausstattung braucht jede Anlage: eindeutige ID, Anlagenart (mit DIN-276-Zuordnung), Standort (Gebäude/Geschoss/Raum), Hersteller, Baujahr, Leistungsdaten und ein Qualitätsflag für die Datentiefe.