Künstliche Intelligenz (KI) kann heute mehr als nur Texte oder Bilder erzeugen. Sie kann mittlerweile Tools nutzen, Code schreiben und mehrere Aufgaben nacheinander ausführen, um ein Problem zu lösen. Für Architektur- und Ingenieurfachleute geht es dabei um mehr als nur Zeitersparnis. Je komplexer die Aufgaben werden, die KI übernehmen kann, desto wichtiger wird die Frage, was ihr anvertraut werden kann und was unter menschlicher Kontrolle bleiben muss. An einer von der SIA Wallis und PRISM organisierten Weiterbildung ermutigte Grégory Mermoud, Professor an der HES-SO Valais-Wallis, die Teilnehmenden, diesen neuen Möglichkeiten mit Neugier zu begegnen, dabei aber die Grenzen der Technologie und die Zuverlässigkeit ihrer Ergebnisse kritisch zu hinterfragen. Er beschreibt diese Haltung mit dem Bild, «auf dem Grat zu bleiben»: mit der KI voranzugehen, ohne die nötige Distanz zu verlieren, um ihren Einsatz beurteilen zu können.
Mit dem Aufkommen von KI-Agenten verändert sich, welche Aufgaben diesen Systemen übertragen werden können. Kennt ein Modell die Antwort auf eine Frage nicht direkt, kann es heute selbst erkennen, mit welchem Tool sich diese finden lässt. Grégory Mermoud veranschaulicht dies mit einer Frage, die sich nicht allein durch die Vorhersage von Text beantworten lässt: Wie lautet die 25. Nachkommastelle von 13 geteilt durch π? Ein KI-Agent kann dafür ein kleines Python-Programm schreiben, es ausführen, das Ergebnis auslesen und anschliessend die richtige Antwort liefern.
In der Architektur und im Ingenieurwesen können solche Agenten mit Fachsoftware wie Archicad, Revit oder Tekla interagieren. Sie liefern damit nicht mehr nur Antworten, sondern können die Programme auch nutzen, um konkrete Aufgaben auszuführen. Technologien wie das Model Context Protocol (MCP) ermöglichen diese Verbindung zwischen KI und Software.
Zwölf Monate Arbeit gegenüber 40 Minuten mit KI
Um zu zeigen, was KI-Agenten bereits leisten können, befasste sich Grégory Mermoud mit einem Projekt der HEPIA und der HEIG-VD. Ziel des Projekts war es, eine LiDAR-Punktwolke in ein BIM-Modell im Format IFC 4.3 umzuwandeln. Ein Team aus Ingenieur- und Architekturfachleuten hatte zwölf Monate lang daran gearbeitet. Das Budget betrug CHF 220’000. Da die Daten öffentlich als Open Data verfügbar waren, wiederholte er das Experiment mit Claude Code. Er beauftragte den Agenten, die Datei zu analysieren und daraus ein BIM-Modell zu erstellen. Rund 40 Minuten später lag ein erstes Modell vor, das der Agent mithilfe von Python und Open-Source-Bibliotheken erstellt hatte – ohne Lizenz für spezialisierte Software.
Der Vergleich ist beeindruckend, hat aber seine Grenzen. Grégory Mermoud weist selbst darauf hin, dass er weder Architekt noch Bauingenieur ist und deshalb nicht beurteilen kann, ob das Ergebnis die gleiche Qualität erreicht wie die Arbeit des Forschungsteams. Der Agent führte mehrere Kontrollen durch und ergänzte das Modell unter anderem um ein Geländemodell. Dennoch muss das Ergebnis von Fachleuten geprüft werden, die seine Qualität und Zuverlässigkeit beurteilen können.
Das Experiment beweist also nicht, dass sich ein Projekt im Umfang von CHF 220’000 heute für KI-Kosten von zwei Franken umsetzen lässt. Es zeigt vielmehr, dass sich Aufgaben, die bisher viel Zeit und Fachwissen erforderten, mithilfe von KI zumindest teilweise innerhalb weniger Dutzend Minuten bearbeiten lassen.
Diese Beschleunigung lässt die Herausforderungen eines Projekts allerdings nicht verschwinden. Grégory Mermoud beschreibt den Effekt der KI als eine Art Gewinn an «Geschwindigkeit». Sie ermöglicht es, sehr schnell voranzukommen, besonders wenn ein Projekt bei null beginnt. Die «Masse» des Projekts bleibt jedoch bestehen. Veränderte Anforderungen, bestehende Prozesse, die Koordination von Teams oder regulatorische Vorgaben verursachen weiterhin Reibungsverluste. Eine höhere Produktionsgeschwindigkeit macht ein Projekt deshalb nicht automatisch weniger komplex.
Bei schwierigen Aufgaben leistungsstark, bei einfachen manchmal überfordert
Auch wenn KI bei komplexen Aufgaben sehr leistungsfähig sein kann, scheitert sie manchmal an scheinbar einfachen Situationen. Grégory Mermoud verdeutlicht dies mit einem Beispiel: Eine Person fragt ein KI-Modell, ob sie zu einer 100 Meter entfernten Autowaschanlage zu Fuss gehen oder mit dem Auto fahren soll. Zunächst empfiehlt die KI, zu Fuss zu gehen, weil der Weg so kurz ist. Erst danach erkennt sie, dass die Person das Auto mitnehmen muss, um es waschen zu lassen.
Ein ähnliches Problem zeigt sich bei der Bildanalyse. KI-Modelle können eine amerikanische Flagge erkennen, aber die Anzahl der Streifen nennen, die sie normalerweise hat, statt jene zu zählen, die auf einem absichtlich veränderten Bild tatsächlich zu sehen sind. Sie liefern damit eine glaubwürdige Antwort, die auf ihrem vorhandenen Wissen beruht, ohne das richtig wiederzugeben, was sie vor sich haben.
Für Architektur- und Ingenieurfachleute ist diese Unberechenbarkeit wahrscheinlich wichtiger als jede Leistungsrangliste. Es bleibt schwierig vorherzusagen, wann ein ansonsten sehr leistungsfähiges System einen Fehler machen wird. Deshalb ist die Überprüfung der Ergebnisse unverzichtbar, sobald diese eine berufliche Entscheidung beeinflussen.
Autonomie, Vielseitigkeit und hohe Risiken vertragen sich nicht immer
Um einzuschätzen, wie viel Vertrauen man einem KI-Agenten entgegenbringen kann, schlägt Grégory Mermoud ein Modell mit drei Dimensionen vor. Ein System kann vielseitig einsetzbar sein, weitgehend autonom arbeiten oder in einem Bereich mit hohen Risiken zum Einsatz kommen. Alle drei Eigenschaften gleichzeitig zu vereinen, ist derzeit jedoch schwierig zu kontrollieren.
In Bereichen mit hohen Risiken wie der Architektur oder dem Ingenieurwesen sollte ein vielseitig einsetzbares Tool deshalb vor allem der Entscheidungsunterstützung dienen, wobei eine Fachperson in den Prozess eingebunden bleibt. Soll ein System mehr Autonomie erhalten, muss sein Einsatzbereich enger gefasst sein und seine Ergebnisse müssen überprüfbar bleiben. Ein sehr vielseitiger und weitgehend autonomer Agent eignet sich hingegen eher für Aufgaben, bei denen Fehler nur geringe Folgen haben.
Bevor eine Aufgabe automatisiert wird, sollte deshalb nicht nur berücksichtigt werden, was die KI leisten kann, sondern auch, welche Folgen ein möglicher Fehler hätte. Besondere Vorsicht ist geboten, wenn ein Agent auf private Daten zugreift, externe Inhalte abruft oder selbstständig Aktionen ausführen kann, beispielsweise eine E-Mail versenden. Solche Verbindungen bergen zusätzliche Risiken: Bösartige Inhalte können versuchen, das Verhalten des Agenten zu beeinflussen oder ihn dazu zu bringen, Informationen preiszugeben.
Testen, ohne das eigene Urteilsvermögen abzugeben
Grégory Mermoud fasst seine Haltung mit einer einfachen Formel zusammen: «Testen, nicht vertrauen». Die rasanten Fortschritte der KI laden zum Experimentieren ein, machen das professionelle Urteilsvermögen aber umso wichtiger. Je autonomer ein System arbeitet oder je schneller es eine erste Lösung erstellen kann, desto wichtiger wird es, seine Ergebnisse zu überprüfen und seine Grenzen einzuschätzen.
Für ihn bietet KI heute einen regelrechten «Rückenwind». Diesen gilt es zu nutzen, ohne die nötige Distanz zu verlieren. Es geht darum, «auf dem Grat zu bleiben» – zwischen dem Erkunden neuer Möglichkeiten und einem wachsamen Blick auf ihre Grenzen. Das menschliche Urteilsvermögen bleibt damit entscheidend, um zu beurteilen, welche Ergebnisse im beruflichen Alltag tatsächlich genutzt werden können.
