Die Beratungsfirma McKinsey beziffert es nüchtern: Rund 54 Prozent der Arbeitsstunden im Real Estate und Facility Management seien technisch automatisierbar. Wer das liest, erwartet einen Gebäudebetrieb, in dem Daten auf Knopfdruck verfügbar sind und Systeme nahtlos ineinandergreifen. Die Realität im Tagesgeschäft sieht meist anders aus.

Begleitet man einen erfahrenen Servicetechniker durch seinen Arbeitsalltag und fragt ihn, was ihm die Digitalisierung der vergangenen Jahre gebracht habe, fällt die Antwort ernüchternd aus: «Eigentlich nur eines – Mehraufwand.» Mehr Apps, mehr Logins, mehr Felder zum Ausfüllen, und am Ende läuft er trotzdem mit dem Zettel durchs Haus. Das ist kein Einzelfall, sondern der Normalzustand. Hier klafft die Lücke zwischen KI-Hype und Betriebsrealität, und sie hat einen selten benannten Grund: Das grösste Hindernis für Produktivität und Servicequalität im Gebäudebetrieb ist nicht ein Mangel an IT-Lösungen, sondern das Fehlen verlässlicher Daten und sauberer Prozesse.

Das eigentliche Hindernis: Datenchaos

Bevor bei Flint die erste Zeile Software entstand, standen über 100 Gespräche mit Eigentümern, Bewirtschaftern, Asset Managern und FM-Dienstleistern an – ergänzt durch Begehungen im Feld. Drei Aussagen fassen zusammen, was alle verbindet. Der FM-Dienstleister: «Kein Gebäude ist gleich, die Daten sind jedes Mal ein Chaos.» Der Eigentümer: «Wir investieren Millionen, haben aber keine verlässliche Datenbasis.» Der Bewirtschafter: «Daten müssen manuell von System zu System übertragen werden.» Dahinter stehen unvollständige Anlagenlisten, verstreute Dokumente und Excel-Tabellen zum gleichen Objekt, CAPEX-Planung auf Schätzungen, Silos ohne Historie.

Im Kern ist das ein strukturelles Problem: Im Immobilienbetrieb müssen ständig Atome und Bytes zusammengebracht werden – die physische Realität im Gebäude und ihre Abbildung in Daten. Dieser Abgleich wird bis heute meist mit menschlicher Arbeitskraft gelöst. Wer wissen will, welche Anlagen in einem Portfolio verbaut sind, schickt jemanden mit Excel los. Sechs Monate später liegt eine Liste vor – in welchem Zustand die Anlagen sind, weiss niemand genau, und die letzte Wartung steht im Kopf des Technikers, der möglicherweise bald pensioniert wird. Kaum fertig, ist die Liste schon wieder veraltet.

Schlechte Datenqualität kostet nicht einmal, sondern an jeder Position: Der Eigentümer entscheidet über Investitionen auf Basis falscher Zahlen, der Asset Manager wiederholt Ausschreibungen, der Bewirtschafter plant Budgets, die bei der ersten Rechnung platzen, und beim Facility Manager bleibt die Wartung liegen, bis die Anlage stillsteht. Vier Rollen, vier Schmerzen, eine Ursache. Datenqualität ist der zentrale Produktivitäts-, Margen- und Servicequalitäts-Killer im Real Estate und Facility Management.

Was bereits funktioniert: multimodale KI

Der eigentliche Fortschritt der letzten Jahre liegt nicht in besseren Chatbots, sondern in der Multimodalität: Moderne KI-Modelle verstehen Bild, Video, Text und Sprache gleichzeitig – genau das, was Gebäudedaten erfordern. Ein Typenschild ist ein Bild, ein Wartungsvertrag Text, eine Begehung Video, der gesprochene Kommentar des Technikers Audio. Erst wer all das zusammen verarbeitet, kann das Datenchaos eines Gebäudes maschinell ordnen.

In der Praxis sieht das so aus: Ein Hauswart filmt das Gebäude mit dem Smartphone – kein Spezialgerät, kein neues System zum Füttern. Aus dem Video extrahiert die KI in einem Durchgang Anlagen, Typenschilder, Räume und Zustände und legt sie normgerecht ab, fürs Computer aided Facility Management (CAFM) und ERP-ready. Beim Schweizer Unternehmen Flint entsteht aus rund einer Stunde Videomaterial in einem Schulgebäude ein strukturierter Datensatz von etwa 500 Anlagen – klassifiziert, verortet, inklusive erkannter Mängel. Das ist bis zu zehnmal schneller als eine manuelle Begehung und etwa 40 Prozent günstiger, bei höherer Datenqualität. Bemerkenswert ist ein Nebeneffekt: Die KI erkennt Defekte, die beim Filmen mit blossem Auge übersehen wurden – etwa einen Wasserschaden an einer Decke. Bestandsaufnahme und Zustandsanalyse können in einem Schritt erfolgen.

Entscheidend für die Praxistauglichkeit ist die Nachvollziehbarkeit: Jeder Datenpunkt ist mit einem Bild- oder Videobeleg verknüpft – nichts ist reine «KI-Behauptung», und aus dem Register lässt sich bis zur Quelle zurückspringen. Das ist die direkte Antwort auf das lange anhaftende Halluzinationsproblem. Dasselbe Prinzip greift bei bestehenden Dokumenten: Aus einem Elektro-, Brandschutz- oder Lüftungsschema liest die KI die Komponenten aus und erzeugt ein Anlagenregister. Und sie übersetzt zwischen den Daten-Standards, in denen jeder Beteiligte eine andere Sprache spricht – was im einen System «Lüftungsanlage» heisst, ist im anderen eine «Air Handling Unit». Verkettete, sich gegenseitig prüfende KI-Schritte erledigen jene mühselige Excel-Transformation, die heute Tage kostet und bei der sich Fehler kumulieren.  Pha-04-high

Feldeinsatz hat sich bewährt

Dass dies kein Laborversuch ist, zeigt der Feldeinsatz: über 130 erfasste Gebäude, mehr als 200000 klassifizierte und CAFM-ready aufbereitete Anlagen, über 2000 dokumentierte Mängel mit Bild- und Videospur, mehr als drei Millionen verarbeitete Videoframes. Stefan Ammann, Leiter Unternehmensentwicklung bei der Hälg Facility Management AG, fasst den Nutzen der von Flint entwickelten KI-Tools so: «Was früher Wochen dauerte, erledigen wir heute in wenigen Stunden – schneller, günstiger und strukturiert.»

Und das ist erst der Anfang. Wohin die Reise geht, zeichnet sich ab: ein lebendiges, ständig aktuelles Datenmodell des Gebäudes, das mit jeder Begehung, jedem Ticket und jedem Abgleich dazulernt und den langsamen Strategiezyklus der Eigentümer mit dem schnellen Betriebszyklus des Facility Managements verbindet.

Klartext: Was in naher Zukunft nicht funktioniert

So überzeugend die Beispiele sind – die nötige Ehrlichkeit gehört dazu. Eine vielzitierte MIT-Studie («The State of AI in Business», 2025) kam zum Schluss, dass rund 95 Prozent der KI-Pilotprojekte scheitern, häufig ohne messbare Wirkung auf die Gewinn- und Verlustrechnung. Diese Projekte scheitern selten an der Technik – sie scheitern an der Umsetzung.

Vier Dinge funktionieren heute ganz klar nicht: KI auf ungeprüften Daten (garbage in, garbage out), vollautomatische End-to-End-Prozesse ohne den Menschen, die Annahme, jedes Gebäude sei gleich, und die Idee, eine beeindruckende Demo lasse sich eins zu eins produktiv umsetzen. Beim Menschen bleiben deshalb die Urteils- und Haftungsentscheide, die Freigabe und Stichprobenkontrolle der Daten, die Arbeit vor Ort und die Verantwortung für den Prozess. Die KI organisiert die Daten, entscheiden tut sie nicht. Zugespitzt: Man wird nicht von der KI ersetzt, sondern allenfalls von einem Menschen, der KI nutzt.