Ratgeber
Machine Learning oder generative KI – was passt zu welchem Prozess?
„KI“ steht heute meist für Sprachmodelle wie ChatGPT. In der Wohnungswirtschaft lösen aber oft andere Verfahren das eigentliche Problem: Machine Learning sagt aus Ihren Bestandsdaten voraus, was passieren wird, und erkennt Auffälligkeiten. Generative KI liest, schreibt und fasst zusammen. Und manchmal ist eine klare Regel die beste Lösung. Diese Seite zeigt, wann Sie was einsetzen.
Die drei Werkzeuge in einem Satz
Regeln und Statistik – fest programmierte Wenn-dann-Logik und Kennzahlen. Beispiel: Rechnung über Auftragssumme → zur Prüfung.
Machine Learning (ML) – lernt aus vielen vergangenen Fällen Muster in Zahlen und Merkmalen und wendet sie auf neue Fälle an. Beispiel: voraussichtliche Leerstandsdauer einer Wohnung nach Kündigung.
Generative KI (Sprachmodelle) – versteht und erzeugt Text, liest Dokumente und Bilder. Beispiel: eine Handwerkerrechnung lesen und die Positionen dem Auftrag zuordnen.
Vergleich auf einen Blick
| Kriterium | Regeln / Statistik | Machine Learning | Generative KI |
|---|---|---|---|
| Stärke | Eindeutige, stabile Vorgaben | Vorhersagen und Auffälligkeiten in Zahlen | Text, Dokumente, Bilder, Sprache |
| Typische Frage | Ist der Grenzwert überschritten? | Was wird wahrscheinlich passieren? | Was steht hier und was ist zu tun? |
| Daten | Wenige, klare Felder | Hunderte bis Tausende vergleichbare Fälle mit Ergebnis | Einzelne Dokumente reichen, keine Trainingsdaten nötig |
| Nachvollziehbarkeit | Vollständig | Gut, mit Einflussfaktoren je Fall | Mit Quellenangabe gut prüfbar, Wortlaut kann schwanken |
| Fehlerbild | Starr bei Sonderfällen | Schwach bei neuen Situationen ohne Vorbild | Kann plausibel klingende Fehler machen |
| Laufende Kosten | Sehr gering | Gering nach dem Training | Je Vorgang, abhängig vom Modell |
| Aufwand Start | Tage | Wochen (Daten aufbereiten, testen) | Tage bis Wochen (Ablauf, Prüfschritt) |
Regeln / Statistik
- Stärke
- Eindeutige, stabile Vorgaben
- Typische Frage
- Ist der Grenzwert überschritten?
- Daten
- Wenige, klare Felder
- Nachvollziehbarkeit
- Vollständig
- Fehlerbild
- Starr bei Sonderfällen
- Laufende Kosten
- Sehr gering
- Aufwand Start
- Tage
Machine Learning
- Stärke
- Vorhersagen und Auffälligkeiten in Zahlen
- Typische Frage
- Was wird wahrscheinlich passieren?
- Daten
- Hunderte bis Tausende vergleichbare Fälle mit Ergebnis
- Nachvollziehbarkeit
- Gut, mit Einflussfaktoren je Fall
- Fehlerbild
- Schwach bei neuen Situationen ohne Vorbild
- Laufende Kosten
- Gering nach dem Training
- Aufwand Start
- Wochen (Daten aufbereiten, testen)
Generative KI
- Stärke
- Text, Dokumente, Bilder, Sprache
- Typische Frage
- Was steht hier und was ist zu tun?
- Daten
- Einzelne Dokumente reichen, keine Trainingsdaten nötig
- Nachvollziehbarkeit
- Mit Quellenangabe gut prüfbar, Wortlaut kann schwanken
- Fehlerbild
- Kann plausibel klingende Fehler machen
- Laufende Kosten
- Je Vorgang, abhängig vom Modell
- Aufwand Start
- Tage bis Wochen (Ablauf, Prüfschritt)
Wann Machine Learning die bessere Wahl ist
- Leerstand voraussagen: Aus Lage, Wohnungsgröße, Zustand und bisherigen Mieterwechseln schätzt ein Modell, wie lange eine Wohnung voraussichtlich leer steht – so starten Aufmaß und Aufträge bei den kritischen Fällen zuerst.
- Instandhaltung planen: Alter, Schadenshistorie und Ausstattung zeigen, wo in den nächsten Monaten Reparaturen wahrscheinlich sind.
- Rechnungen auf Auffälligkeiten prüfen: Das Modell kennt übliche Preise und Mengen je Gewerk und markiert Ausreißer, Mehrmengen und mögliche Doppelrechnungen.
- Fluktuation erkennen: Welche Objekte oder Wohnungstypen haben ein erhöhtes Kündigungsrisiko?
- Kosten einer Sanierung schätzen: Aus Aufmaß und vergleichbaren Sanierungen ergibt sich ein früher Kostenrahmen.
Voraussetzung: genügend vergleichbare Fälle mit bekanntem Ergebnis. Fehlen sie, beginnen wir mit Statistik und Regeln und sammeln die Daten dabei sauber mit.
Wann generative KI die bessere Wahl ist
- Posteingang: Mails, Schreiben und Chat-Nachrichten lesen, Anliegen und Wohnung erkennen, an die richtige Person geben.
- Dokumente: Rechnungen, Protokolle und Gutachten auslesen, benennen und dem Vorgang zuordnen.
- Nachträge und Mängel: Beschreibungen in Positionen und Mengen übersetzen, Fotos zuordnen.
- Fachwissen: Fragen an Ihre eigenen Unterlagen stellen und mit Fundstelle beantworten.
- Entwürfe: Antworten an Mieter oder Handwerker vorformulieren – versendet wird nach Freigabe.
Voraussetzung: ein klarer Prüfschritt. Die KI bereitet vor, ein Mensch entscheidet.
Am stärksten in Kombination
Die meisten Prozesse brauchen mehrere Werkzeuge. Beispiel Rechnungsprüfung: Generative KI liest die Rechnung und ordnet sie dem Auftrag zu, Machine Learning markiert ungewöhnliche Preise und Mengen, eine Regel sperrt die Zahlung bei fehlendem Nachweis. Beispiel Mieterwechsel: Ein 3D-Scan liefert die Raummaße, KI ordnet Leistungen zu, ML priorisiert die Wohnungen mit dem längsten erwarteten Leerstand.
So finden wir das richtige Verfahren
- Prozess und Ziel festlegen: Welche Kennzahl soll besser werden – Tage, Stunden, Euro?
- Daten prüfen: Wie viele vergleichbare Fälle gibt es, wie sauber sind sie?
- Einfachstes Verfahren zuerst: Regel vor ML, ML vor großem Sprachmodell, wenn es dasselbe leistet.
- Pilot mit Vorher-nachher-Messung: Erst bei belegtem Nutzen in den Betrieb.
Was wir selbst einsetzen
In unserem eigenen Sanierungsbetrieb arbeiten beide Welten: Generative KI liest Dokumente, Fotos und Nachrichten – im dritten Quartal 2026 wurden 611 von 785 Dokumenten und 1.456 von 1.482 Baustellenfotos vollständig automatisch verarbeitet. Machine-Learning-Modelle für die Zuordnung von Mails und die Bewertung von Anfragen messen wir gerade gegen die bisherigen Regeln; Prognosen bauen wir auf einer gemeinsamen Datenplattform aus.