Der Wunsch ist verständlich. KI verspricht Effizienz, Automatisierung, Intelligenz. Predictive Maintenance, automatische Ticketbearbeitung, smarte Gebäudesteuerung. Die Demos sehen beeindruckend aus. Die Anbieter klingen überzeugend.
Und dann kommt die Realität.
Das Pilotprojekt startet. Die KI wird trainiert. Und sie liefert Ergebnisse, die niemand versteht. Oder Empfehlungen, die offensichtlich falsch sind. Oder sie funktioniert im Testsystem, aber nicht mit den echten Daten.
Was ist passiert?
Meistens dasselbe: Die Hausaufgaben wurden nicht gemacht.
KI ist kein Zauberstab. Sie ist ein Werkzeug, das auf einem Fundament steht. Wenn das Fundament wackelt, wackelt alles, was darauf gebaut wird.
Hier sind die fünf Hausaufgaben, die erledigt sein müssen, bevor KI im Facility Management funktionieren kann.
Hausaufgabe 1: Datenqualität sicherstellen
Das ist die wichtigste. Und die am häufigsten ignorierte.
KI lernt aus Daten. Wenn die Daten schlecht sind, lernt sie Schlechtes. Das ist keine Schwäche der KI. Das ist Mathematik.
Was “schlecht” bedeutet:
Unvollständige Daten. Wenn bei 40% der Anlagen das Baujahr fehlt, kann keine KI sinnvoll vorhersagen, wann sie ausfallen.
Inkonsistente Daten. Wenn dieselbe Anlage mal “Heizkessel”, mal “Wärmeerzeuger”, mal “HZG” heißt, erkennt die KI nicht, dass es dasselbe ist.
Veraltete Daten. Wenn die Wartungshistorie 2021 endet, lernt die KI aus einer Vergangenheit, die nicht mehr relevant ist.
Fehlerhafte Daten. Wenn Störmeldungen falsch kategorisiert wurden, lernt die KI die falschen Muster.
Was zu tun ist:
Vor jedem KI-Projekt: Daten-Audit. Für genau die Daten, die die KI nutzen soll. Wie vollständig sind sie? Wie konsistent? Wie aktuell?
Dann: Bereinigung. Nicht aller Daten – das wäre ein Fass ohne Boden. Aber der Daten, die für den konkreten Use Case relevant sind.
Das ist nicht sexy. Es macht keine guten Folien. Aber ohne diesen Schritt ist alles, was danach kommt, Zeitverschwendung.
Hausaufgabe 2: Prozesse klären
KI automatisiert Prozesse. Aber welche Prozesse eigentlich?
In vielen Organisationen gibt es den offiziellen Prozess und den gelebten Prozess. Der offizielle steht im Handbuch. Der gelebte passiert im Alltag. Oft haben die beiden wenig miteinander zu tun.
Warum das ein Problem ist:
Wenn Sie eine KI auf den offiziellen Prozess trainieren, aber der gelebte Prozess anders läuft, wird die KI Empfehlungen geben, die niemand umsetzt. Oder sie automatisiert Schritte, die in der Praxis gar nicht vorkommen.
Wenn Sie eine KI auf den gelebten Prozess trainieren, zementieren Sie möglicherweise Workarounds und Ineffizienzen.
Was zu tun ist:
Prozesse dokumentieren – so wie sie wirklich sind. Nicht das Wunschbild, sondern die Realität. Dann entscheiden: Ist das der Prozess, den wir automatisieren wollen? Oder müssen wir erst den Prozess verbessern?
KI sollte einen guten Prozess schneller machen. Nicht einen schlechten Prozess einfrieren.
Hausaufgabe 3: Use Cases priorisieren
“Wir wollen KI einführen” ist kein Use Case. Es ist ein Wunsch.
Ein Use Case ist konkret: “Wir wollen, dass eingehende Störmeldungen automatisch kategorisiert und priorisiert werden.” Oder: “Wir wollen auf Basis der Wartungshistorie vorhersagen, welche Anlagen in den nächsten 30 Tagen ausfallen könnten.”
Warum das wichtig ist:
Ohne konkreten Use Case fehlt der Maßstab. Woran messen Sie, ob die KI funktioniert? Wie wissen Sie, welche Daten Sie brauchen? Wie definieren Sie Erfolg?
Zu viele KI-Projekte scheitern, weil sie als Technologieprojekte gestartet werden, nicht als Lösungen für konkrete Probleme.
Was zu tun ist:
Drei Fragen stellen:
Erstens: Welches Problem wollen wir lösen? Nicht “KI nutzen”, sondern das dahinterliegende Problem. Zu viele Tickets, zu langsame Bearbeitung, zu viele ungeplante Ausfälle.
Zweitens: Wie würde eine KI-Lösung aussehen? Was genau soll die KI tun? Input, Output, Entscheidungslogik.
Drittens: Wie messen wir Erfolg? Konkrete KPIs. Bearbeitungszeit, Trefferquote, Reduktion ungeplanter Ausfälle.
Erst wenn diese Fragen beantwortet sind, ist der Use Case reif für ein Projekt.
Hausaufgabe 4: Schnittstellen vorbereiten
KI existiert nicht im luftleeren Raum. Sie muss mit anderen Systemen kommunizieren.
Sie braucht Daten – aus dem CAFM-System, aus der Gebäudeautomation, aus dem ERP. Sie liefert Ergebnisse – die irgendwo ankommen müssen, im Ticketsystem, im Dashboard, bei den Technikern.
Warum das oft unterschätzt wird:
In der Pilotphase arbeitet man mit Datenexporten und manuellen Uploads. Das funktioniert für einen Test. Aber nicht für den Produktivbetrieb.
Im Echtbetrieb muss die KI automatisch die richtigen Daten bekommen. Und ihre Ergebnisse müssen automatisch dorthin fließen, wo sie gebraucht werden. Sonst sitzt jemand dazwischen und kopiert manuell – das ist das Gegenteil von Automatisierung.
Was zu tun ist:
Vor dem KI-Projekt klären:
Welche Systeme müssen angebunden werden? CAFM, Gebäudeautomation, Ticketsystem, ERP, andere?
Welche Schnittstellen existieren bereits? APIs, Datenbankzugriffe, Standardexporte?
Welche müssen gebaut werden? Und wer kann das – intern oder extern?
Die Schnittstellen müssen nicht vor dem Piloten fertig sein. Aber sie müssen geklärt sein. Sonst ist der Pilot ein Erfolg, der nie in Produktion geht.
Hausaufgabe 5: Menschen mitnehmen
KI verändert Arbeit. Menschen, die heute Entscheidungen treffen, werden morgen Empfehlungen einer Maschine erhalten. Das ist nicht trivial.
Warum das oft vergessen wird:
Technologieprojekte konzentrieren sich auf Technologie. Die Frage “Funktioniert es?” dominiert. Die Frage “Werden die Leute es nutzen?” kommt später. Oft zu spät.
Die beste KI nützt nichts, wenn die Techniker ihren Empfehlungen nicht trauen. Wenn die Sachbearbeiter sie umgehen. Wenn die Führungskräfte sie nicht verstehen.
Was zu tun ist:
Früh kommunizieren. Nicht erst, wenn das System live geht. Sondern von Anfang an. Was planen wir? Warum? Was bedeutet das für wen?
Menschen einbinden. Die, die später mit der KI arbeiten sollen, sollten beim Design mitreden. Sie kennen die Praxis. Sie sehen Probleme, die Entwickler übersehen.
Transparenz schaffen. Wie kommt die KI zu ihren Empfehlungen? Menschen vertrauen nicht, was sie nicht verstehen. Erklärbarkeit ist kein Nice-to-have.
Erwartungen managen. KI ist nicht perfekt. Sie macht Fehler. Das ist normal. Wenn Menschen 100% Trefferquote erwarten und 85% bekommen, sind sie enttäuscht. Wenn sie 85% erwarten und 85% bekommen, sind sie zufrieden.
Die Reihenfolge zählt
Diese fünf Hausaufgaben hängen zusammen. Und sie haben eine Reihenfolge.
Ohne Datenqualität keine sinnvolle KI. Ohne klare Prozesse keine sinnvollen Use Cases. Ohne Use Cases keine Schnittstellen-Anforderungen. Ohne Schnittstellen keine Integration. Ohne Menschen keine Nutzung.
Wer Schritt 4 macht, bevor Schritt 1 erledigt ist, baut ein Kartenhaus.
Warum sich die Mühe lohnt
Das klingt nach viel Arbeit. Ist es auch.
Aber es ist Arbeit, die sich auszahlt – auch wenn das KI-Projekt nie kommt.
Bessere Datenqualität macht das CAFM-System wertvoller. Klare Prozesse reduzieren Reibung. Priorisierte Use Cases schärfen den Blick für echte Probleme. Vorbereitete Schnittstellen ermöglichen auch andere Integrationen. Mitgenommene Menschen sind engagiertere Menschen.
Die Hausaufgaben für KI sind die Hausaufgaben für gutes Facility Management. KI macht sie nur sichtbar.
Ein letzter Gedanke
KI ist kein Ziel. KI ist ein Mittel.
Das Ziel ist: bessere Entscheidungen, schnellere Prozesse, weniger Ausfälle, mehr Zeit für das, was wirklich wichtig ist.
KI kann dabei helfen. Aber nur, wenn das Fundament steht.
Wer die Hausaufgaben macht, ist bereit für KI. Wer sie nicht macht, kauft teure Software für schlechte Daten.
Die Wahl liegt bei Ihnen.
Dieser Artikel ergänzt unseren Beitrag “KI im Facility Management: Hype vs. Realität”. Dort zeigen wir, welche Use Cases heute wirklich funktionieren – und welche noch Zukunftsmusik sind.