Referenz
KI Design Sprint und Prototypisierung zur Prozessoptimierung
KI entfaltet ihren Mehrwert nur dort, wo sie wirklich passend eingesetzt wird. Für ein Architekturbüro identifizierten wir im Rahmen eines Design Sprints konkrete KI-Anwendungsfälle und entwickelten einen ersten Prototypen für die semantische Suche in Leistungsverzeichnissen.
Kunde
ein deutschlandweit tätiges Architekturbüro
Branche
Immobilien
Lösungen
KI-Prototyp zur Dokumentenrecherche
Projektteam
Requirements Engineer, Entwicklung, Innovation Coach
Wer ist unser Kunde?
Unser Kunde ist ein deutschlandweit tätiges Architekturbüro mit über 15 Standorten. Das Unternehmen verantwortet zahlreiche Großprojekte und setzt dabei auf effiziente, verlässliche und skalierbare interne Prozesse. Die Vielzahl paralleler Projekte erfordert eine strukturierte Dokumentation sowie einen hohen Qualitätsanspruch in der internen Planung.
Mit welcher Fragestellung ist der Kunde zu uns gekommen?
Das Architekturbüro stand vor der Herausforderung, interne Prozesse gezielt durch den Einsatz von Künstlicher Intelligenz zu verbessern. Besonders kritisch war dabei der Bereich der Leistungsverzeichnisse. Die Prozesse waren teilweise redundant, fehleranfällig und wenig systematisch dokumentiert, was zu wiederkehrenden Problemen in Projekten führte. Der Kunde wollte verstehen, an welchen Stellen KI einen realen Mehrwert bieten kann, und konkrete Anwendungsfälle identifizieren, die schnell Nutzen stiften.
Wie sind wir vorgegangen? In welchen Phasen haben wir gearbeitet?
Im Rahmen eines Design Sprints sammelten wir Ideen auf Unternehmens-, Abteilungs- und Prozessebene und bewerteten sie strukturiert. Die vielversprechendsten Ansätze priorisierten wir und wählten zwei zentrale Konzepte zur weiteren Ausarbeitung aus.
Eines davon setzten wir anschließend prototypisch um: eine KI-gestützte Recherchefunktion für Leistungsverzeichnisse auf Basis eines Large Language Models (LLM). Sie ermöglicht eine semantische Suche innerhalb bestehender Dokumente und erleichtert die Wiederverwendung relevanter Inhalte.
Parallel dazu konzipierten wir eine zukünftige Projektphase, in der Lessons Learned aus abgeschlossenen Projekten systematisch erfasst und in die Erstellung neuer Leistungsverzeichnisse integriert werden sollen, um Fehlerquellen frühzeitig zu erkennen und zu vermeiden.
LLMs eignen sich nicht für exakte Suchabfragen. Stattdessen sind klassische Schlagwortsuchen besser geeignet.
Welchen Herausforderungen sind wir im Projektverlauf begegnet? Wie haben wir sie gemeistert?
Während der Erstellung des Prototyps stellten wir fest, dass eine KI bzw. ein Large Language Model nur bedingt als Werkzeug zur Recherche geeignet ist, wenn es um exakte Suchtreffer geht. Abfragen wie „Liste mir alle X auf“ sind kein typischer Einsatzbereich für ein LLM, da solche Anfragen ein eindeutig richtiges Ergebnis erfordern. Für diese Fälle sind eine Verschlagwortung und gezielte Suche besser geeignet.
Der entwickelte KI-Prototyp ermöglicht eine semantische Dokumentenrecherche. Die Mitarbeitenden sind für den strategischen KI-Einsatz sensibilisiert.
Wie sieht die von uns geschaffene Lösung aus?
Am Ende des Projekts stehen ein klares Verständnis der KI‑Potenziale im Unternehmen sowie ein erster funktionsfähiger Prototyp, der unmittelbar Mehrwert liefert.
Die entwickelte semantische KI-Recherchefunktion ermöglicht es Mitarbeitenden, Leistungsverzeichnisse inhaltlich zu durchsuchen – unabhängig von konkreten Formulierungen – und relevante Textbausteine schnell wiederzuverwenden. Ergänzend dazu wurde ein Konzept für ein lernendes System erarbeitet: Eine Feedbackschleife soll künftig sicherstellen, dass Erfahrungen aus abgeschlossenen Projekten in neue Leistungsverzeichnisse einfließen, Fehlerquellen reduziert und die Planungsqualität nachhaltig gesteigert werden. Darüber hinaus wurden die Projektteilnehmenden für strategische und operative KI-Einsatzmöglichkeiten sensibilisiert und befähigt, moderne Technologien in ihren jeweiligen Aufgabenbereichen einzusetzen.
Die eingesetzten Methoden und Technologien (Auswahl)
- Innovationssprint zur Identifikation KI relevanter Prozesse
- Extraktion von Informationen aus PDF-Dokumenten
- Entwicklung eines Microsoft Copilot basierten KI-Agenten
Ihr Ansprechpartner für dieses Projekt
