Jedes Ingenieurbüro sitzt auf seinem wertvollsten, aber am schlechtesten genutzten Kapital: der vollständigen Kostenhistorie seiner Projekte. Predictive Analytics macht dieses Wissen erstmals vorausschauend nutzbar, für belastbare Frühkostenprognosen, kalibrierte Kalkulation und die Vermeidung teurer Nachträge. Christoph Dimanski erklärt, wie HOAI-Büros ihre eigenen Kostendaten in Kostensicherheit verwandeln.
Was ist Predictive Analytics für Ingenieurbüros?
Predictive Analytics für Ingenieurbüros ist die systematische Auswertung der eigenen Projekt- und Kostenhistorie, um zukünftige Baukosten, Nachtragsrisiken und Vergabepreise vorherzusagen. Der Ansatz nutzt den vollständigen Kostenregelkreis nach HOAI und DIN 276, vom Kostenrahmen (LP1) über die Kostenschätzung (LP2), die Kostenberechnung (LP3) und den Kostenanschlag zur Vergabe (LP7) bis zur Kostenfeststellung (LP8). Jeder Übergang zwischen diesen Stadien ist eine messbare Differenz, und aus vielen Differenzen wird eine Prognose.
Der ungenutzte Kostenregelkreis: von der Schätzung bis zur Schlussrechnung
Fast kein Büro wertet diesen Kreis systematisch aus, obwohl die Daten längst vorliegen: verteilt auf Netzlaufwerke, SharePoint und AVA-Programme, als PDF und Excel. Wer Kostenschätzung, Kostenberechnung, bepreiste Leistungsverzeichnisse, Preisspiegel und Schlussrechnungen über alle Projekte hinweg zusammenführt, kennt plötzlich die eigenen Muster. Wie treffsicher schätzt das Büro? Welche Kostengruppen laufen regelmäßig aus dem Ruder? Wo entstehen Nachträge, und in welcher Höhe?
Genau hier setzt professionelle Kostenkontrolle und Kostensteuerung an. Statt jedes Projekt isoliert zu betrachten, entsteht ein projektübergreifendes Bild, das die Kostentoleranzen der HOAI (die Grenzen zwischen Kostenschätzung, Kostenberechnung und Kostenfeststellung) für das eigene Büro erst wirklich belastbar macht.
Drei Anwendungsfälle mit sofortiger Wirkung
1. Kalibrierte Frühkostenprognose
Eine neue Kostenschätzung wird anhand der historischen Schätzgenauigkeit des Büros automatisch auf den erwarteten Endwert hochgerechnet, mit Bandbreite und je Kostengruppe nach DIN 276 (etwa KG 300 Bauwerk-Baukonstruktion und KG 400 Bauwerk-Technische Anlagen). Das Büro nennt dem Bauherrn früh eine realistische Zahl statt einer optimistischen. Das schützt nicht nur das Vertrauensverhältnis, sondern auch das eigene Honorar, das über die anrechenbaren Kosten unmittelbar an der Kostenannahme hängt.
2. Eigene Kennwerte-Datenbank statt fremder Referenzwerte
Aus bepreisten Leistungsverzeichnissen entstehen reale Kostenkennwerte: Euro pro Stück, Euro pro Quadratmeter, Euro pro kWp, inklusive Preisentwicklung über die Jahre als eigene Eskalationsbasis. Das Ergebnis ist eine schnelle, verteidigbare Kalkulation, die mit jedem Projekt besser wird.
Der entscheidende Unterschied zu externen Quellen wie den BKI-Baukostenkennwerten: Die eigenen Werte stammen aus real abgerechneten Projekten des Büros, aus der eigenen Region, mit den eigenen Standardgewerken und den eigenen Nachunternehmern. Wo BKI-Referenzwerte einen bundesweiten Durchschnitt liefern, bildet die eigene Kennwerte-Datenbank die tatsächliche Marktrealität des Büros ab. Beide ergänzen sich, doch die eigenen Werte sind bei der Verteidigung gegenüber dem Bauherrn das stärkere Argument.
3. Vorhersage von Nachtragsrisiken
Predictive Analytics erkennt, welche Leistungen in Leistungsverzeichnissen typischerweise fehlen und Nachträge auslösen, und prüft eingehende Nachtragspreise gegen historische Mediane. Das verwandelt reaktives Nachtragsmanagement in vorausschauende Nachtragsprävention. Lücken im LV werden erkannt, bevor sie zur Mehrkostenforderung werden, und strittige Nachtragspreise lassen sich gegen die eigene Datenbasis fundiert bewerten. Das schützt Marge und Nerven.
Vom Pilot zur Praxis: ein konkretes Beispiel
Dass der Ansatz praktikabel ist, zeigt ein Pilotprojekt: 57 Kostendokumente aus acht Elektro-Projekten, PDF und Excel, wurden zu einer einzigen, KI-abfragbaren Datenbank verdichtet. Alle Dokumente wurden den HOAI-Kostenstadien und den DIN-276-Kostengruppen zugeordnet, sodass sich die Kostenentwicklung jedes Projekts von der Schätzung bis zur Schlussrechnung auf einen Blick nachvollziehen lässt. Aus einem unübersichtlichen Ordner wurde eine Wissensbasis, die Fragen in Sekunden beantwortet, für die vorher stundenlanges Vergleichen nötig war.
Wie fängt ein Büro damit an?
Der Einstieg ist kleiner, als viele erwarten. Es braucht keinen Umstieg der bestehenden AVA-Software und keine monatelange Digitalisierungsinitiative. Ein realistischer Startpunkt ist ein einziges, gut dokumentiertes Gewerk über mehrere abgeschlossene Projekte, idealerweise dort, wo bereits GAEB-Exporte (GAEB-DA XML, etwa die Datenarten X31 und X84) aus der AVA-Software vorliegen. Aus diesem überschaubaren Datensatz entsteht die erste auswertbare Basis, die sich anschließend Projekt für Projekt erweitert.
Warum AVA-Software und normale Suche das nicht leisten
AVA-Programme wie ORCA, California.pro oder iTwo sind stark im Erstellen eines einzelnen Leistungsverzeichnisses, aber nicht darin, projektübergreifend zu rechnen und zu prognostizieren. Klassische KI-Unternehmenssuche (RAG) wiederum findet Textstellen, kann aber nicht über viele Datensätze aggregieren; Zahlentabellen zerfallen ihr beim Indexieren. Predictive Analytics ist deshalb keine Konkurrenz zu diesen Werkzeugen, sondern eine Auswertungs- und Prognoseschicht darüber, gespeist, wo möglich, aus den GAEB-Exporten der bestehenden Software.
Der strategische Kern: eine selbstlernende Kalkulationsbasis
Der eigentliche Wert liegt in einem selbstverstärkenden Kreislauf: Jedes neue Projekt fragt die Datenbank ab und speist sie zugleich. Der Vorsprung baut sich aus der eigenen gelebten Praxis auf und ist für Wettbewerber ohne diese Historie nicht aufholbar. Zugleich bleibt das Erfahrungswissen im Büro erhalten, auch wenn erfahrene Kalkulatoren ausscheiden.
Über Christoph Dimanski
Christoph Dimanski begleitet als Geschäftsführer der local4local marketing GmbH (Mannheim) Ingenieur- und Planungsbüros dabei, ihr verstreutes Projektwissen in eine maschinenlesbare, KI-nutzbare Wissensbasis zu überführen, mit Fokus auf Predictive Analytics für HOAI-Ingenieure: Kostensicherheit, Kalkulationsgenauigkeit und Nachtragsprävention. Er verbindet datengetriebenes Marketing- und Business-Know-how mit einem tiefen Verständnis der HOAI-Leistungsphasen und der DIN 276. Auf LinkedIn vernetzen. Kontakt aufnehmen.
Häufige Fragen (FAQ)
Was ist Predictive Analytics für Ingenieurbüros?
Die Auswertung der eigenen Projekt- und Kostenhistorie mit statistischen und KI-Methoden, um zukünftige Kosten, Nachtragsrisiken und Vergabepreise vorherzusagen, auf Basis des Kostenregelkreises von LP1 bis LP8 nach HOAI und DIN 276.
Wie kann ein Ingenieurbüro Nachträge frühzeitig erkennen?
Indem es systematisch auswertet, welche Leistungen in vergangenen Leistungsverzeichnissen gefehlt haben und regelmäßig Nachträge ausgelöst haben. Diese Muster lassen sich auf neue LVs anwenden, sodass typische Lücken schon vor der Vergabe sichtbar werden. Eingehende Nachtragspreise werden zusätzlich gegen historische Mediane des Büros geprüft.
Wie genau sind Kostenschätzungen in der HOAI, und lässt sich das verbessern?
Die HOAI kennt Kostentoleranzen zwischen Kostenschätzung, Kostenberechnung und Kostenfeststellung, doch wie groß die Abweichung im konkreten Büro tatsächlich ausfällt, weiß kaum ein Büro genau. Predictive Analytics misst die reale Schätzgenauigkeit anhand abgeschlossener Projekte und rechnet neue Schätzungen darauf kalibriert hoch. So wird aus einer optimistischen Zahl eine belastbare Prognose mit Bandbreite.
Wie hilft Predictive Analytics HOAI-Ingenieuren konkret?
Durch kalibrierte Frühkostenprognosen, eine eigene Kennwerte-Datenbank und die Vorhersage von Nachtragsrisiken, drei Hebel, die Kostensicherheit und Marge unmittelbar verbessern.
Ersetzt Predictive Analytics die AVA-Software?
Nein. Sie legt eine projektübergreifende Prognoseschicht über die bestehende AVA-Software und wird aus deren GAEB-Exporten gespeist.
Sind eigene Kostenkennwerte besser als BKI-Referenzwerte?
Beide haben ihren Platz. BKI-Baukostenkennwerte liefern einen bundesweiten Durchschnitt und sind ein guter Orientierungswert. Eigene Kennwerte stammen dagegen aus real abgerechneten Projekten des Büros, mit der eigenen Region, den eigenen Gewerken und Nachunternehmern, und sind gegenüber dem Bauherrn das verteidigbarere Argument.
Wie fängt ein Büro mit Predictive Analytics an?
Mit einem einzigen, gut dokumentierten Gewerk über mehrere abgeschlossene Projekte, idealerweise dort, wo bereits GAEB-Exporte vorliegen. Ein Umstieg der bestehenden AVA-Software ist nicht nötig.
Kostensicherheit wird planbar: sprechen wir darüber
Sie möchten wissen, welche Prognosen in Ihrer eigenen Projekthistorie stecken? In einem kurzen Erstgespräch zeige ich Ihnen, wie Predictive Analytics in Ihrem Büro aussehen kann.