Grafik: © Nitcharee – stock.adobe.com
Was ist eigentlich KI und was nicht?
Ja, das ist ein schon oft durchgekautes Thema und fast langweilig, aber da es nicht immer gut erkennbar ist, möchten wir es hier für unsere Anwendungsfälle in der TGA-Planung einmal genauer beleuchten.
Grundsätzlich versteht man unter KI/AI (Künstliche Intelligenz oder Artificial Intelligence) Systeme, die scheinbar mühelos Aufgaben lösen können, die bislang menschliche Intelligenz erforderten. Ein besonders erfolgreicher Ansatz dabei sind neuronale Netze, die versuchen, die Funktionsweise eines menschlichen Gehirns nachzubilden: mit Neuronen, den mehr oder weniger starken Verbindungen zwischen ihnen, den Rezeptoren als Wahrnehmungsschnittstelle zur Außenwelt und den Signalen, die zwischen Rezeptoren und Neuronen sowie den Neuronen untereinander „gefeuert" werden. Das, was als Training solcher Netze bezeichnet wird, entspricht dabei dem Lernvorgang eines Menschen: Die Verbindungen zwischen den Neuronen werden – je nach Verfahren – gezielt verstärkt oder abgeschwächt, bis das Netz für eine gegebene Aufgabe hinreichend gute Ergebnisse liefert.
Dem gegenüber stehen klassische Algorithmen und mathematische Funktionen. Diese sind dabei keineswegs das „ältere, schwächere“ Werkzeug. Ein Algorithmus beschreibt einen klar definierten Lösungsweg: Für eine bestimmte Eingabe folgt immer dieselbe, eindeutige Ausgabe. Man spricht von einem deterministischen Verfahren. Das gilt nicht nur für einfache Berechnungsformeln – etwa den Druckverlust in einer Rohrleitung – sondern auch für aufwendigere oder gar hochkomplexe Verfahren: die Auflösung von Kollisionen zwischen Rohrleitungen im dreidimensionalen Raum oder die Berechnung ganzer hydraulischer Netze mit tausenden von Knoten und Verbrauchern. All das lässt sich in klar formulierbaren Regeln und Logik beschreiben und wird deshalb deterministisch gelöst. Solche Verfahren sind effizient, ressourcenschonend, und vollständig nachvollziehbar. Die entscheidende Voraussetzung ist dabei immer dieselbe: Das Problem muss sich vollständig in Regeln beschreiben lassen. Genau dort liegt die Grenze und genau dort beginnt der sinnvolle Einsatzbereich von KI.
KI als Abkürzung und wer die Karte lesen muss
Die Wahl des richtigen Werkzeugs wäre also in der Theorie klar und würde im Ingenieurumfeld häufig zugunsten des klassischen Algorithmus ausfallen. Die Praxis sieht anders aus. Zunehmend greifen sowohl Softwareentwicklerinnen und -entwickler als auch Anwenderinnen und Anwender zu Sprachmodellen, selbst dort, wo sich das Problem eigentlich präzise genug beschreiben ließe, um es deterministisch zu lösen. Der Grund ist nachvollziehbar: Einen robusten, getesteten und wartbaren Algorithmus zu entwickeln kostet Zeit und Fachwissen – ein Sprachmodell liefert in Minuten eine Lösung, die oft „gut genug“ ist. Und wenn das Ergebnis den Anforderungen genügt, fällt die Entscheidung nicht schwer. Diese Abwägung ist grundsätzlich legitim – sie ist letztlich eine wirtschaftliche Entscheidung, wie jede andere im Projektgeschäft auch. Aber sie birgt ein Risiko, das im Ingenieurumfeld besonders schwer wiegt: „Gut genug“ ist keine objektive Aussage, sondern ein Urteil und dieses Urteil setzt Fachkompetenz voraus. Wer nicht weiß, wo die Grenzen einer KI-Lösung liegen, kann auch nicht beurteilen, ob das Ergebnis tatsächlich akzeptabel ist.
Dabei lauert eine subtilere Gefahr im Hintergrund: Je häufiger die Abkürzung genommen wird, desto seltener wird der eigentliche Denkweg noch geübt. Fachkompetenz entsteht nicht durch das Konsumieren von Ergebnissen, sondern durch das Durcharbeiten von Problemen – durch Irrtümer, Korrekturen und das schrittweise Aufbauen von Urteilsvermögen. Wer Berechnungen, Auslegungen oder Planungsentscheidungen dauerhaft an ein Sprachmodell delegiert, riskiert, genau die Kompetenz zu verlieren, die notwendig wäre, um die KI-Ergebnisse kritisch zu bewerten. Das ist kein hypothetisches Szenario: Es ist der gleiche Effekt, den Navigationsgeräte auf das Orientierungsvermögen hatten – unmerklich, schleichend und erst dann spürbar, wenn das System versagt. Der Gegenentwurf dazu ist kein Verzicht auf KI, sondern ein bewusster Umgang mit ihr: KI-Ergebnisse nachvollziehen statt nur zu übernehmen, das eigene Urteil regelmäßig schulen und die Fachkompetenz aktiv pflegen – gerade weil die Werkzeuge immer leistungsfähiger werden. Die Abkürzung darf das Handwerk nicht ersetzen.
Was macht Autodesk mit KI
Mit Revit 2027 hat Autodesk den Autodesk Assistant – und noch etwas mehr KI-Funktionalität – als „Tech-Preview“ eingeführt. Was das genau bedeutet, was der Assistant heute genau macht, wie die Technik dahinter funktioniert, was aktuell noch fehlt und was zukünftig noch zu erwarten ist, soll im Folgenden erläutert werden.
Wichtige Zusatzinfo: Nach Redaktionsschluss hat der Autodesk Assistant die Tech Preview Phase verlassen!
Was der Autodesk Assistant (heute) ist
Der Autodesk Assistant ist ein direkt in Revit integrierter KI-Assistent, der nicht mehr nur erklärt, wie eine Funktion bedient wird, sondern selbst Aufgaben im Modell erledigen kann.
Die Oberfläche des Assistant zeigt sich in Revit wie ein klassischer Chatbot, der einen mit einem Prompt-Eingabefenster dazu auffordert, eine Frage zu stellen oder eine Aufgabe zu formulieren. Der Assistant arbeitet dabei im Hintergrund mit einem Autodesk-eigenen KI-Modell.
Um die Anfrage zu verarbeiten, analysiert dieses KI-Modell den eingegebenen Prompt, gleicht diesen mit den zur Verfügung stehenden Werkzeugen ab, ermittelt welche Werkzeuge in welcher Reihenfolge aufgerufen werden müssen, ruft diese dann auf und analysiert die (Zwischen-)Ergebnisse. Diese werden dann wiederum als Eingabeparameter für den nächsten Aufruf verwendet, um am Ende zum gewünschten Ergebnis zu gelangen. Werden im Prompt Aufgaben formuliert, für die geeignete Werkzeuge fehlen, meldet der Assistant dies und erklärt, wie die Aufgabe manuell gelöst werden könnte.
Die Werkzeuge selbst sind in aller Regel klassische, deterministische Programmlogik. Sie bekommen definierte Eingaben (Parameter), arbeiten über die Revit-API auf dem Modell und liefern ein vorhersagbares Ergebnis. Gleiche Eingabe → gleiches Ergebnis. Das KI-Modell ruft sie „nur“ auf, steckt aber selbst nicht in ihnen. Dennoch kommt dem KI-Modell die wichtige und nicht zu unterschätzende Aufgabe der Orchestrierung der Werkzeuge zu. Daher ist es auch sehr wichtig, an dieser Stelle ein „starkes/intelligentes“ Modell zu nutzen. Ob das zurzeit von Autodesk eingesetzte Modell schon „gut genug“ für diese Aufgabe ist, wird sich noch zeigen müssen.
Welche Werkzeuge zur Verfügung stehen, wird von den geladenen, sogenannten „MCP-Servern“ (siehe untenstehender Info-Bereich „Model Context Protocol (MCP)“) bestimmt. Ein MCP-Server stellt in einem festgelegten Format eine Liste von Werkzeugen bereit. Dabei wird jedes Werkzeug genau beschrieben: Was tut es, welche Informationen braucht es, um zu arbeiten, und ob und in welcher Form ein Ergebnis zurückgeliefert wird.
Aktuell arbeitet der Autodesk Assistant allerdings ausschließlich mit einem einzigen, von Autodesk selbst betriebenen MCP-Server mit festem Funktionsumfang. Das heißt konkret: Die Funktionalität lässt sich zurzeit nicht erweitern!
Das, was Autodesk heute an Funktionalität in ihrem MCP-Server mitliefert, gliedert sich offiziell in sechs Bereiche:
1. Model Queries
Abfragen und Analysieren von
Elementen und Parametern
2. Sheet Management
Erstellen und Organisieren
von Planblättern
3. Room Management
Abfragen und Verwalten von Raumdaten
4. Schedules
Erstellen und Organisieren
von Auswertungslisten
5. Exports
Ausgeben
von Modelldaten
6. Element Operations
Bearbeiten von Elementen
So klar diese Gliederung wirkt: Was sich hinter den einzelnen Bereichen im Detail verbirgt, hat Autodesk öffentlich bislang nur teilweise dokumentiert – für eine Tech Preview nicht ungewöhnlich. Belegbar ist vor allem das Abfragen von Modelldaten sowie das Ändern von Parametern an bestehenden Elementen, letzteres auch in großer Stückzahl über hunderte Elemente in einem Durchgang. Tiefergehende Modelleingriffe wie zum Beispiel das Erstellen neuer Elemente oder das Bearbeiten von Familiendefinitionen, sind dagegen derzeit nicht möglich.
Wie sich der Autodesk Assistant heute schon nutzen lässt, zeigen folgende konkrete Beispiele. Sie wurden an unserem Beispielprojekt „Office-Bsp-TGA“ durchgeführt und können somit jederzeit nachvollzogen werden.
Gerade die letzten beiden Beispiele zeigen die eigentliche Stärke des Ansatzes: Eine solche Konsistenzprüfung wäre über die klassische Oberfläche nur mit erheblichem manuellem Aufwand – etwa über Auswertungslisten und „genauem Hinsehen“ – zu leisten. Der Assistant kann diese Aufgabe theoretisch in einem einzigen, in normaler Sprache formulierten Arbeitsschritt erledigen. Die Ergebnisse für diese Anfragen sind natürlich – KI-typisch – nicht deterministisch. Ob ein Raum, der „Meetingpoint“ genannt wurde, eigentlich „Besprechungsbereich“ heißen müsste, ist sicher Ansichtssache. Dass dies heute noch nicht immer zufriedenstellend funktioniert, mag am Preview-Status oder an dem vom Autodesk Assistant eingesetzten KI-Modell liegen.
Selektieren und Filtern
| Wähle alle Deckenstrahlplatten im Projekt aus | Selektiert alle Familien, die das Wort „Deckenstrahlplatte“ im Familiennamen tragen | JA |
| Wie viele Deckenstrahlplatten befinden sich im ersten OG? | Beantwortet eine reine Zählfrage aus den Modelldaten. | JA |
| Selektiere alle Rohrleitungen mit einer Länge > 2 m | Schlägt fehl, da der Längen-Parameter nicht ausgelesen werden kann. Der selbstgewählte Versuch der KI, die Länge über „Bounding-Boxen“ zu ermitteln, führt zu grob falschen Ergebnissen. | NEIN |
Dokumentation erzeugen
| Erstelle ein neues Planblatt und platziere darauf „Frischwasserstation“ | Legt ein neues Sheet an und platziert die genannte Ansicht (Detailansicht „Frischwasserstation“) darauf. Die Lage lässt sich allerdings nicht gezielt bestimmen. | JA und NEIN |
| Beschrifte alle Deckenstrahlplatten in der aktuellen Ansicht mit dem Beschrifter „LIN_HT_OUTLET“ | Findet die Elemente und versieht sie mit dem gewünschten Beschrifter. | JA |
Analysieren und Prüfen
| Prüfe alle Raumnamen (in MEP-Spaces) auf Tipp-/Schreibfehler und liste die fehlerhaften auf. | Analysiert alle Räume und findet Raumnamen die als „potentiell“ falsch erkannt werden. Bietet das Ändern der Namen (nach eigenem Vorschlag für bessere) an, was auch funktioniert. | JA |
| „Analysiere alle Rohrleitungen und Fittinge und identifiziere „LIN_POSITION_NUMBER_A“- Parameterwerte mit Formatierungsproblemen wie uneinheitlichen Formaten. Berichte knapp, welches Format am häufigsten vorkommt, und liste alle Abweichungen auf.“ | Ergebnis ist weitestgehend unbrauchbar, da – laut eigener Aussage – nur stichprobenartig geprüft wird. Einige Ausreißer werden nicht gelistet. Für eine exakte Aussage wird manuelles Vorgehen empfohlen. | NEIN |
Zum Vergrößern der Übersicht links bitte anklicken.
Was zukünftig zu erwarten ist
Der Autodesk Assistant ist ausdrücklich als Tech Preview gekennzeichnet. Seine heutige Form ist also eine Momentaufnahme, kein Endzustand. Drei Entwicklungslinien zeichnen sich ab.
Die erste betrifft die Öffnung des Assistant für externe MCP-Server. Heute spricht er ausschließlich mit Autodesks internem Server; angekündigt ist jedoch die Unterstützung weiterer – sowohl lokal betriebener als auch cloudbasierter – MCP-Server. Damit würde sich der Charakter des Assistant grundlegend wandeln: vom geschlossenen Werkzeug mit fest vorgegebenem Funktionsumfang hin zu einer offenen Plattform, in die sich Fachfunktionen von Drittanbietern als zusätzliche Werkzeuge einklinken lassen. Die Anwenderinnen und der Anwender würden diese dann in derselben gewohnten Oberfläche nutzen, in der auch die Autodesk-eigenen Werkzeuge aufgerufen werden.
Die zweite Linie betrifft den schreibenden Zugriff für externe Anwendungen. Der heute öffentlich verfügbare MCP-Server ist auf rein lesende Werkzeuge beschränkt – Modelldaten lassen sich auswerten, aber nicht verändern. Erst die Erweiterung um schreibende Werkzeuge würde externe KI-Clients von reinen Analysewerkzeugen zu vollwertigen Bearbeitungswerkzeugen machen. Wann und in welchem Umfang Autodesk diesen Schritt geht, ist bislang offen.
Die dritte Linie betrifft die Wahl des KI-Modells. Im Autodesk Assistant arbeitet heute ein Autodesk-eigenes Modell. Sobald sich der Assistant für externe MCP-Server und damit für andere KI-Clients öffnet, rückt die Möglichkeit näher, das für die jeweilige Aufgabe am besten geeignete Modell einzusetzen, anstatt an ein einzelnes, fest vorgegebenes Modell gebunden zu sein.
Allen drei Entwicklungslinien ist gemein, dass Autodesk zwar die Richtung kommuniziert hat, konkrete Zeitpläne oder verbindliche Zusagen jedoch ausstehen. Für eine belastbare Bewertung empfiehlt es sich daher, die weitere Entwicklung der Tech Preview aufmerksam zu verfolgen.
Was LINEAR „mit KI macht“
Während Autodesk seine KI-Strategie über einen zentralen Assistenten in der CAD-Oberfläche aufbaut, verfolgt LINEAR einen erweiterten Ansatz: KI dort einzusetzen, wo sie im Planungsalltag konkret entlastet – eingebettet in die Fachfunktionen selbst, statt nur in einem vorgeschalteten Chatbot.
Die Situation heute
Mit LINEAR Building 26.0 wurde das neue Raumbuchmodul eingeführt und mit ihm zwei KI-gestützte Funktionen, die im Planungsalltag spürbar entlasten. Mit „KI“ sind hier „Large Language Models“ (LLMs) gemeint, die für die gleich vorgestellten Aufgaben besonders gut geeignet sind. Besonders gut deshalb, weil bei diesen Aufgaben Mustererkennung im Vordergrund steht und weil die KI nicht zweckentfremdet wird, um deterministische Ergebnisse zu berechnen. Sie liefert Vorschläge und übernimmt Arbeit, die sonst nur durch zeitraubendes, genaues Hinsehen zu bewältigen wäre.
Die Qualität der Unterstützung hängt naturgemäß stark vom eingesetzten KI-Modell ab. Deshalb hat sich LINEAR hier bewusst offen aufgestellt: Es lassen sich nahezu beliebige Modelle anbinden — von leistungsstarken Modellen, die in großen Rechenzentren gehostet werden, bis hin zu Open-Source-Modellen, die lokal auf eigener Hardware laufen. Hinter dem vorinstallierten Modell „LINEAR Standard“ steht ein kompaktes Modell von OpenAI, das LINEAR Kunden aktuell kostenfrei und ohne Einrichtungsaufwand nutzen können – das aber naturgemäß nicht das volle Potenzial großer Cloud-Modelle ausschöpft.
KI-Unterstützung bei der typisierten Werteingabe
Die typisierte Werteingabe erlaubt es, Raumdaten jeder Art zu erfassen – unabhängig vom Gewerk, von der Planungsphase und davon, ob es sich um berechnungsrelevante oder rein dokumentierende Daten, um Zahlen oder Textwerte handelt. Diese ohnehin übersichtliche Art der Datenerfassung lässt sich nun durch ein LLM unterstützen – und das, ohne die Aufgabe selbst formulieren, also „prompten" zu müssen.
Auf Knopfdruck erfährt das LLM, welcher Wert ermittelt werden soll, welche Einheit er hat und gegebenenfalls welche Werte überhaupt zulässig sind. Anschließend wird ihm mitgeteilt, woraus es diesen Wert ableiten soll.
Am besten lässt sich das an einem Beispiel zeigen: Erfasst werden soll der LINEAR Building-„Raumtyp“, der für die Lastberechnungen sehr relevant ist, da aus ihm normativ vorgegebene Berechnungsdaten abgeleitet werden. Manuell ist das bei Gebäuden mit vielen Räumen eine zeitraubende Aufgabe. Die typisierte Werteingabe beschleunigt diesen Prozess schon deutlich, da der Raumtyp gleich benannter Räume nur einmal eingegeben werden muss. Bei größeren Gebäuden bedeutet dies aber immer noch ein größeren Arbeitsaufwand.
Ein LLM löst diese Aufgabe hinreichend gut, sobald es die Liste der möglichen Raumtypen kennt und die Raumnamen erfährt. Dazu gibt man im Dialog der typisierten Werteingabe lediglich den Parameter „Raumname“ als Eingabewert und den Parameter „Raumtyp“ als Ausgabewert an und lässt die KI arbeiten. Da LINEAR Building die zulässigen Raumtypen kennt, schickt es diese automatisch mit und beugt so Halluzinationen der KI wirksam vor.
Die Ergebnisse werden zunächst als Vorschlagsliste angeboten. Diese lässt sich nach Ein- und Ausgabewert oder nach der Konfidenz der KI sortieren. Die Konfidenz gibt als Prozentwert (0–100 %) an, wie sicher sich die KI bei einem Ergebnis ist. Es empfiehlt sich daher, nach Konfidenz zu sortieren und vor allem die Ergebnisse mit niedriger Sicherheit zu prüfen und gegebenenfalls zu korrigieren. Wichtig dabei: Die Konfidenz ist die Selbsteinschätzung der KI, aber kein objektives Maß für Richtigkeit. Ein Modell kann sich auch irren, ohne es zu wissen. Sie hilft beim Priorisieren der Prüfung, ersetzt diese aber nicht.
Typisierte Werteingabe mit KI-Unterstützung: So funktioniert es in LINEAR BUILDING
Natürlich gibt es auch für die KI Stolpersteine. Eine unklare Bezeichnung, wie zum Beispiel schlicht „Raum“, kann im Bürokomplex einen ganz anderen Raumtyp meinen als im Hotel. Und „Büro“ verrät noch nicht, ob ein Einzel- oder Gruppenbüro gemeint ist. In beiden Fällen lässt sich der KI aber unter die Arme greifen: Im ersten Fall ergänzt man einen optionalen Prompt, wie zum Beispiel: „Bei diesem Gebäude handelt es sich um ein Hotel“. Im zweiten Fall fügt man dem Eingabeparameter „Raumname“ zusätzlich die „Raumfläche“ hinzu. Daraus kann die KI ableiten, für wie viele Personen der Raum ausgelegt ist.
Zum Vergrößern der Übersicht links bitte anklicken.
KI-Unterstützung bei der Raumsuche
Die Funktion „KI-Raumfilter“ soll die einfachen, deterministischen Filter ausdrücklich nicht ersetzen – etwa die Suche nach Namen, Fehlern, Raumgrößen oder anderen Wertebereichen. Das wäre Ressourcenverschwendung und zudem ineffizient: Ein Prompt wie „Suche alle Räume, die größer als 100 m² sind“ dauert schlicht länger, als im Filterfeld der Raumgröße „>100“ einzugeben.
Ihre Stärke spielt die Funktion dort aus, wo weiche Kriterien, Mustererkennung oder die gleichzeitige Einbeziehung mehrerer Raumdaten gefragt sind – Filter, die sich so viel einfacher oder überhaupt erst umsetzen lassen. Einige Beispiele:
- „Räume, deren Raumname Tippfehler enthält“
- „Räume, deren Raumheizlast nicht zum Raumtyp passt (Krankenhaus)“
- „Räume, deren Steckdosenanzahl möglicherweise zu gering ist“
Das sind Filter-„Abkürzungen“, die vielleicht kein hundertprozentiges Ergebnis liefern und sich – mit deutlich mehr Aufwand – auch deterministisch exakter lösen ließen. Aber gerade die Einfachheit der Anwendung sorgt dafür, dass Ungereimtheiten überhaupt gesucht und gefunden werden, die sonst womöglich übersehen worden wären.
Wie funktioniert das im Detail?
Der KI-Filter nimmt der Anwenderin oder dem Anwender Arbeit in zwei Schritten ab. Zunächst ermittelt die Funktion aus dem Prompt, welche Informationen überhaupt benötigt werden. Bei der Frage nach der Heizlast können die spezifische Heizlast (W/m²), die absolute Raumheizlast, der Raumtyp, die Raumgröße und die Lüftungsart eine Rolle spielen. Die KI erhält dazu im ersten Schritt alle möglichen Parameternamen samt ihrer Bedeutung und wird aufgefordert, daraus eine sinnvolle Auswahl für die Filterung zu treffen. Erst im zweiten Schritt werden die tatsächlichen Raumdaten übergeben und die eigentliche Filterung findet auf Basis dieser Daten statt.
Ist das alles „sicher“?
Die Antwort ist ein klares „Jein“. Wobei der „Nein“-Anteil sehr gering ausfällt, sobald man die Datensicherheit betrachtet.
LINEAR Building liefert den KI-Modellen von sich aus keinerlei Information über das Projekt selbst (Name, Standort, Bauherr, Gebäudetyp etc.). Alle Angaben zum Gebäude müssen daher bewusst „hinzugepromptet“ werden (etwa „Bei diesem Gebäude handelt es sich um ein Krankenhaus“). Was das Modell erhält, sind ausschließlich Raumdaten. Verbergen sich allerdings schon in Raumnamen oder Raumgrößen Informationen, die das Haus nicht verlassen dürfen, sollten lokal gehostete KI-Instanzen verwendet werden. Diese sind (noch) nicht ganz so leistungsstark, dafür aber vollständig unter eigener Kontrolle.
Bei der Sicherheit im Sinne der Richtigkeit der Ergebnisse ist – wie eingangs erläutert – mehr Achtsamkeit geboten. Fachwissen und Berufserfahrung ersetzen die KI-Systeme nicht. Vorschläge der KI sollten nie ungeprüft übernommen werden.
Der Ausblick
Damit ist das Ende der Fahnenstange beim KI-Einsatz in der LINEAR Software natürlich nicht erreicht. Wir haben die ersten naheliegenden Anwendungsfälle im neuen Raumbuchmodul von LINEAR Building umgesetzt und sind gespannt auf die Rückmeldungen von unseren Anwenderinnen und Anwendern.
Unser Wissen über die Daten, ihre Bedeutung und ihre Zusammenhänge wird künftig noch deutlich mehr Möglichkeiten eröffnen. Der nächste logische Schritt ist die Erweiterung der KI-Funktionalität auf die Modell-Plattformen. Auch dort liegt es nahe, die Dateneingabe zu vereinfachen und die Such- und Filterfunktionen intelligenter zu gestalten – zumal diese in den nativen Plattformen oft nur unzureichend gelöst sind.
Dass dieser Schritt keine bloße Absichtserklärung ist, zeigt ein Blick auf unsere Werkbank:
Wir haben bereits einen eigenen MCP-Server prototypisiert und beispielhaft an die KI „Claude“ angebunden. Dieser Test des Prototyps erzielte bereits vielversprechende Ergebnisse. Zwei Beispiele aus dem realen Modell verdeutlichen, worin die eigentliche Stärke liegt.
Im ersten Fall lautet die Anfrage sinngemäß: „Selektiere alle Verbraucher im Gewerk Heizung, die eine Auslegungsleistung ≤ 300 W haben.“ Um das korrekt zu lösen, muss das System weit mehr wissen, als der Prompt explizit sagt: Welche Elementklassen überhaupt als „Verbraucher“ gelten, dass diese den Disziplinen Heizung und Kälte zugeordnet sein können, in welchem Parameter die Auslegungsleistung steht und dass ein Lüftungszentralgerät mit 15.000 W eben nicht in das Ergebnis gehört. Genau dieses Kontextwissen liefert der LINEAR MCP-Server dem KI-Modell mit; die KI übersetzt lediglich die natürlichsprachliche Absicht in die passende Abfrage.
Im zweiten Fall geht es um eine scheinbar simple Frage: „Wie viel nutzbare Fläche steht im Gebäude zur Verfügung — ohne Verkehrs- und Technikflächen?“. Auch hier steckt die eigentliche Intelligenz nicht im Sprachmodell, sondern im hinterlegten Wissen darüber, welche Raumtypen als Verkehrsfläche (etwa Flure) und welche als Technikfläche (Server, Schächte, Aufzüge, Treppenhäuser) zu werten sind und wie sich daraus die Nutzfläche errechnet. Das Sprachmodell formuliert die Frage, die fachlich korrekte Zuordnung liefert LINEAR.
In beiden Fällen zeigt sich dasselbe Prinzip: Die KI ist die sprachliche Schnittstelle, doch tragfähig werden die Ergebnisse erst durch die Kombination von strukturierten Planungsdaten mit dem Wissen des Sprachmodells über das konkrete Anwendungsfeld.
Ob diese Funktionen künftig über MCP-Server-Erweiterungen auch dem Autodesk Assistant zur Verfügung stehen, hängt zunächst von Autodesk und seiner Öffnungsstrategie ab. Angewiesen sind wir darauf nicht.
Nach ersten Tests wird schnell Folgendes klar: Eine rein Chatbot-artige Oberfläche ist dann gut, wenn man Absichten in Automatismen wandeln will. Auswertungen, die man früher nur mit manueller Arbeit oder Codierung erreichen konnte, werden plötzlich so einfach, als würde man sie einem fleißigen, aber nicht immer zuverlässigen Mitarbeitenden delegieren. Es ist daher empfehlenswert, hier nur Aufgaben zu vergeben, die man deutlich schneller prüfen als selbst ausführen kann.
Für viele Planungsaufgaben bleiben jedoch konventionelle Ansätze nach wie vor das Mittel der Wahl. Bei technischen Berechnungen will man kein Sprachmodell stundenlang Zahlen vor sich hinmurmeln lassen, bis es plausibel aussieht und hoffentlich stimmt. Auch für konstruktive Aufgaben gibt es bessere Eingabemöglichkeiten als den Chat. Hier hat man vor Jahrzehnten die Maus erfunden, die diesen Job gut löst und dank menschlicher Expertise deutlich schneller und präziser arbeitet als ein Sprachmodell es je könnte. Bei allem Enthusiasmus bleibt es daher unsere Aufgabe, beide Welten weiterzuentwickeln: Die neuen KI-gestützten ebenso wie die bewährten Werkzeuge, die für viele Aufgaben schlicht die bessere Wahl sind und es auf absehbare Zeit bleiben.
Ein weites Feld – mit dem Menschen am Steuer
Die hier vorgestellten Funktionen sind nur ein erster Ausschnitt dessen, was KI im Alltag von Ingenieur- und Planungsbüros leisten kann. Jenseits der konkreten Anwendung in der Planungssoftware eröffnet sich ein weites Feld an Möglichkeiten: von der Unterstützung bei wiederkehrenden Routineaufgaben, über die Recherche in Normen und technischen Regelwerken, bis hin zur Erstellung von Dokumentationen oder zur Auswertung großer Datenmengen, die manuell kaum zu bewältigen wären. Überall dort, wo Muster zu erkennen, Zusammenhänge herzustellen oder zeitraubende Fleißarbeit zu übernehmen sind, kann KI den Fachleuten den Rücken freihalten. Damit bleibt mehr Zeit für das, was wirklich Fachkompetenz erfordert: das Planen, Bewerten und Entscheiden. Dieses Feld allerdings auch nur annähernd vollständig auszuleuchten, würde den Rahmen dieses Artikels bei Weitem sprengen.
Die heute verfügbaren Funktionen sind ein Anfang, nicht das Ziel. Eines wird sich dabei jedoch nicht ändern: Der bewusste, kritische Umgang mit diesen Werkzeugen bleibt entscheidend. KI kann den Weg verkürzen, die Richtung vorgeben und das Ergebnis verantworten muss weiterhin der Mensch.
Model Context Protocol (MCP)
MCP ist ein offener Standard, über den ein KI-Modell mit externen Werkzeugen und Datenquellen kommunizieren kann.
Der Grundgedanke ist einfach: Statt für jede KI und jede Anwendung eine eigene, maßgeschneiderte Schnittstelle zu programmieren, sprechen alle Beteiligten dieselbe „Sprache“. Drei Begriffe sind dabei zentral:
1. MCP-Client
Die Anwendung, die das KI-Modell enthält und sich mit einem oder mehreren MCP-Servern verbindet. Im Fall von Revit ist das der Autodesk Assistant (oder mit Hilfe externer Anbindungen auch andere Anwendungen, wie z. B. Claude Desktop).
2. Werkzeug (Tool)
Eine konkrete Funktion, die das KI-Modell aufrufen kann: etwa „Elemente abfragen“ oder „Parameter ändern“. Zu jedem Werkzeug gehört eine nach außen sichtbare Beschreibung (Name, Zweck, benötigte Eingaben, Rückgabeformat). Erst sie macht das Werkzeug für das KI-Modell auffindbar und korrekt aufrufbar.
3. MCP-Server
Das Programm, das ein oder mehrere Werkzeuge bündelt, ihre Verfügbarkeit meldet, Aufrufe entgegennimmt und die dahinterliegende Fachfunktion ausführt.
Der Begriff „Server“ beschreibt dabei nur die Rolle, nicht die Bauform: Ein MCP-Server kann zwar ein eigenständiger Netzwerkdienst sein, ebenso aber auch schlicht ein lokales Modul bzw. eine Programmbibliothek, die zusammen mit den Werkzeugen direkt in die Anwendung eingebunden ist.
Hier klicken, um zum Absatz „Was der Autodesk Assistant (heute) ist“ zurückzukehren.
Zusammenfassend lässt sich festhalten:
KI findet zunehmend ihren Weg in die TGA-Planung und wird dort dauerhaft eine Rolle spielen. Aktuell geht es darum, die technischen Voraussetzungen für eine Integration zu schaffen, erste Anwendungen zu entwickeln und im Feld zu erproben. Dabei gilt es, das „Machbare“ vom „Sinnvollen“ zu unterscheiden und darauf aufbauend prüfbare Lösungen bereitzustellen. LINEAR wird diese Entwicklung aktiv mitgestalten und dabei stets im Dialog mit unseren Kundinnen und Kunden zwischen technischem Können und fachlichem Nutzen abwägen.