Auf jeder FM-Messe, in jedem Fachmagazin, bei jedem Softwareanbieter: KI ist das Thema. Predictive Maintenance. Intelligente Gebäudesteuerung. Automatische Ticketbearbeitung. Die Versprechen sind groß.
Die Realität in den meisten FM-Abteilungen sieht anders aus.
Da kämpft man noch damit, dass Störmeldungen vollständig erfasst werden. Dass Wartungsprotokolle nicht in Schuhkartons verschwinden. Dass die Flächendaten im System mit der Realität übereinstimmen. Und dann soll KI das Facility Management revolutionieren?
Es lohnt sich, genauer hinzuschauen. Was ist heute wirklich möglich? Was braucht es dafür? Und wo ist die Grenze zwischen sinnvoller Innovation und teurer Spielerei?
Was KI kann – und was nicht
Zunächst eine Begriffsklärung. Wenn Softwareanbieter von KI sprechen, meinen sie meist eines von drei Dingen.
Erstens: Automatisierung regelbasierter Aufgaben. Das ist streng genommen keine KI, wird aber oft so verkauft. Wenn ein System automatisch Tickets kategorisiert, weil bestimmte Schlagwörter vorkommen, ist das eine Wenn-Dann-Regel. Nützlich, aber nicht intelligent.
Zweitens: Mustererkennung und Vorhersagen. Das ist echtes maschinelles Lernen. Ein System analysiert historische Daten und erkennt Muster. Zum Beispiel: Welche Anlagen fallen häufig aus? Welche Kombinationen von Faktoren kündigen Probleme an? Hier liegt echtes Potenzial – aber auch hohe Anforderungen an die Datengrundlage.
Drittens: Sprachverarbeitung und Assistenz. Chatbots, die Fragen beantworten. Systeme, die Texte zusammenfassen oder generieren. Die jüngsten Entwicklungen bei Large Language Models haben hier viel bewegt. Aber auch viel Verwirrung gestiftet.
Fünf Use Cases, realistisch betrachtet
Statt abstrakter Diskussionen: Hier sind fünf konkrete Anwendungsfälle, die im Facility Management diskutiert werden. Mit einer ehrlichen Einschätzung, was heute geht.
1. Predictive Maintenance
Das Versprechen: KI erkennt, wann eine Anlage ausfallen wird, bevor es passiert. Wartung nach Bedarf statt nach Kalender.
Die Realität: Funktioniert – unter Bedingungen. Man braucht Sensordaten in ausreichender Menge und Qualität. Man braucht historische Ausfalldaten, um Muster zu lernen. Und man braucht Anlagen, bei denen präventive Eingriffe wirtschaftlich sinnvoll sind.
Für eine Aufzugsanlage mit Sensorik und Wartungshistorie: ja. Für die Kaffeemaschine im Pausenraum: nein.
Ehrliche Einschätzung: Lohnt sich bei kritischen, teuren Anlagen mit guter Datenbasis. Für das Gros der FM-Objekte ist ein gut gepflegter Wartungsplan immer noch der bessere Ansatz.
2. Automatische Ticket-Kategorisierung
Das Versprechen: Eingehende Störmeldungen werden automatisch klassifiziert, priorisiert und dem richtigen Team zugewiesen.
Die Realität: Funktioniert gut, wenn man es pragmatisch angeht. Moderne Sprachmodelle verstehen den Inhalt einer Meldung und können sie einordnen. “Heizung im Konferenzraum macht Geräusche” → Kategorie: Heizung, Priorität: mittel, Team: Haustechnik.
Ehrliche Einschätzung: Einer der Use Cases mit dem besten Aufwand-Nutzen-Verhältnis. Die Technologie ist reif, die Implementierung überschaubar, der Effekt spürbar. Allerdings: Die letzte Entscheidung sollte ein Mensch treffen. KI als Vorschlag, nicht als Autopilot.
3. Intelligente Wissenssuche
Das Versprechen: Mitarbeiter stellen Fragen in natürlicher Sprache und bekommen Antworten aus Dokumenten, Handbüchern, historischen Tickets.
Die Realität: Technisch möglich und in vielen Kontexten schon produktiv. Die Qualität hängt stark davon ab, welche Dokumente eingebunden sind und wie gut sie strukturiert sind.
Ehrliche Einschätzung: Nützlich, wenn viel implizites Wissen in Dokumenten steckt, das sonst nur Einzelne kennen. Weniger nützlich, wenn das Wissen ohnehin in drei Köpfen sitzt und nicht dokumentiert ist. KI kann vorhandenes Wissen zugänglich machen. Sie kann fehlendes Wissen nicht ersetzen.
4. Automatische Datenvalidierung
Das Versprechen: KI erkennt Inkonsistenzen, Ausreißer und Lücken in den Stammdaten. Statt manueller Prüfung automatische Qualitätssicherung.
Die Realität: Einfache Plausibilitätsprüfungen brauchen keine KI – die kann jedes gute CAFM-System. Aber für komplexere Muster wird es interessant: Ist es plausibel, dass diese Anlage seit fünf Jahren keinen Eintrag hat? Passt die Flächenangabe zur Gebäudekategorie?
Ehrliche Einschätzung: Guter Ansatz für Organisationen, die große Datenbestände haben und regelmäßig prüfen wollen. Aber: Die KI findet die Fehler. Beheben muss sie immer noch jemand.
5. Chatbasierte Nutzer-Assistenz
Das Versprechen: Mitarbeiter können Fragen stellen, Meldungen aufgeben, Status abfragen – per Chat statt per Formular.
Die Realität: Die Technologie ist da. Chatbots auf Basis moderner Sprachmodelle können natürlichsprachliche Anfragen verstehen und sinnvoll reagieren. Die Herausforderung liegt in der Integration: Der Bot muss ans CAFM-System angebunden sein, um wirklich nützlich zu sein.
Ehrliche Einschätzung: Interessant für Organisationen mit vielen Endnutzern, die selten mit dem System arbeiten. Für FM-Profis, die täglich im System sind, bringt ein Chat wenig Mehrwert.
Die unbequeme Voraussetzung
Alle diese Use Cases haben eine gemeinsame Voraussetzung, über die ungern gesprochen wird: Datenqualität.
KI ist nicht magisch. Sie arbeitet mit dem, was man ihr gibt. Wenn die Stammdaten lückenhaft sind, lernt sie aus Lücken. Wenn die Kategorien inkonsistent sind, produziert sie inkonsistente Ergebnisse. Wenn historische Daten fehlen, gibt es keine Muster zu erkennen.
Die Reihenfolge ist wichtig: Erst Datenqualität, dann KI. Nicht umgekehrt.
Wer KI einführen will, ohne vorher die Datenbasis in Ordnung zu bringen, wird enttäuscht. Das System tut, was es soll – aber das Ergebnis ist Müll, weil der Input Müll war.
Wann sich der Einstieg lohnt
KI ist kein Selbstzweck. Sie lohnt sich, wenn drei Bedingungen erfüllt sind.
Erstens: Es gibt ein echtes Problem. Nicht “KI wäre cool”, sondern “Wir haben zu viele Tickets und zu wenig Leute” oder “Wir wissen nicht, welche Anlagen bald ausfallen”.
Zweitens: Die Datenbasis trägt. Nicht perfekt, aber solide. Historische Daten vorhanden. Stammdaten gepflegt. Prozesse digitalisiert.
Drittens: Die Organisation ist bereit. KI verändert Arbeitsweisen. Menschen müssen Empfehlungen eines Systems vertrauen. Oder lernen, sie kritisch zu prüfen. Das braucht Begleitung.
Wenn eine dieser Bedingungen fehlt, ist es zu früh.
Ein pragmatischer Einstieg
Wer starten will, sollte klein anfangen. Ein Pilotprojekt mit klarem Scope. Ein Use Case, der überschaubar ist und schnell zeigt, ob es funktioniert.
Die automatische Ticket-Kategorisierung eignet sich gut. Die Daten sind meist vorhanden. Der Nutzen ist schnell messbar. Und wenn es nicht klappt, ist der Schaden begrenzt.
Danach: Lernen, erweitern, skalieren. Oder korrigieren.
Was nicht funktioniert: Große Visionen ohne konkreten ersten Schritt. Strategiepapiere ohne Pilotprojekt. Budgets ohne Datengrundlage.
Die eigentliche Frage
KI im Facility Management ist keine Frage des Ob. Sie wird kommen, in irgendeiner Form. Die Frage ist: Wann sind wir bereit?
Und “bereit” heißt nicht: die neueste Technologie verstanden haben. Es heißt: Die eigenen Prozesse und Daten so weit im Griff haben, dass Technologie darauf aufbauen kann.
Das klingt weniger aufregend als KI-Visionen. Aber es ist der Unterschied zwischen Projekten, die funktionieren, und Projekten, die scheitern.
Im nächsten Artikel verlassen wir die technische Ebene und schauen auf die Menschen: Der FM-Leiter als Change Manager – eine Rolle, die keiner wollte.