Künstliche Intelligenz im konstruktiven Ingenieurbau

Schadensbild zur Bewertung der KI-Kompetenz

Yves Knecht untersuchte die KI-Kompetenz anhand einer praxisnahen Schadensanalyse. An einem ausgedachten Beispiel einer Backstein Giebelwand aus den 1950ern wurden Risse und Putzabplatzungen auf Sturzhöhe simuliert und die KI um eine Ursachenabschätzung gebeten. Für den direkten Vergleich der Analysefähigkeit wurden das breit trainierte Modell ChatGPT und das spezialisierte Branchen-Tool BauGPT eingesetzt.

Effektives Prompting

Die Untersuchung zeigt, dass die Leistungsfähigkeit massgeblich von der Prompt-Gestaltung abhängt: Entscheidend sind hierbei eine klare Rollenzuweisung für die KI (z. B. als erfahrener Bauingenieur), umfassender technischer Kontext sowie präzise Struktur- und Stilvorgaben. Die Ergebnisqualität wird insbesondere durch ein iteratives Vorgehen gesteigert, das sogenannte «Sparringprinzip». Dabei wird die KI ausdrücklich aufgefordert, zuerst Rückfragen zu fehlenden Kontextinformationen zu stellen, bevor sie eine technische Vorabschätzung abgibt.

Risiken und Validierung der Ergebnisse

Die Resultate lieferten eine wichtige Erkenntnis zur Zuverlässigkeit. In einem Stress-Test mit bewussten Falschinformationen – einer angeblichen Giebelwand aus Karton – wies ChatGPT sofort auf die Unstimmigkeit hin, während das spezialisierte BauGPT den fiktiven Baustoff «Kartonstein» erfand und somit das Phänomen der Halluzination und ihr Risiko darlegte. 

Um die Qualität der Ergebnisse zu prüfen, ist daher eine «Human-in-the-Loop-Strategie» zwingend erforderlich. Ingenieurinnen und Ingenieure sollten KI-Inhalte niemals ungeprüft übernehmen, sondern stets eine fachliche Plausibilitätskontrolle durchführen und die Ergebnisse gegen geltende Normen und eigene Expertise validieren. «Mein persönliches Fazit ist, dass die Gefahr nicht in der Technologie selbst liegt, sondern in einem blinden Vertrauen auf deren Output. Eine kritische Validierung bleibt im Ingenieurwesen oberstes Gebot», schliess Knecht.