Der Zeitpunkt, an dem sich der CO₂-Fußabdruck eines Gebäudes entscheidet, und der Zeitpunkt, an dem man ihn berechnen kann, fallen bisher auseinander. Festgelegt wird er im Vorentwurf, mit Tragwerk, Kubatur und Materialwahl. Berechenbar wird er erst, wenn Bauteilaufbauten und Mengen feststehen — also lange danach. Genau diese Lücke soll maschinelles Lernen schließen. Der Anlass ist konkret: Nach der europäischen Gebäuderichtlinie muss ab 2030 für alle Neubauten das Lebenszyklus-Treibhauspotenzial ausgewiesen werden. Aus einer Kür wird damit eine Pflichtangabe, und die Frage nach schnellen Verfahren wird dringend.

Warum die Ökobilanz im Entwurf so mühsam ist, hat wenig mit Rechenleistung zu tun. Sie verlangt detaillierte Mengenermittlung, die Zuordnung von Datensätzen und eine Menge Randbedingungen. Dazu kommt methodische Uneinheitlichkeit — Systemgrenzen, Nutzungsdauern und Betrachtungszeiträume unterscheiden sich zwischen Normen und Siegeln erheblich. Und die Datenbasis hat Lücken: Manche Bauprodukte fehlen in der ÖKOBAUDAT oder existieren nur in bestimmten Ausführungen, und für die späten Lebenszyklusphasen wird die Bilanz ohnehin spekulativ, weil niemand weiß, ob ein Fenster in vierzig Jahren recycelt oder verbrannt wird. Vereinfachte Verfahren begegnen dem, indem sie sich auf die Herstellungsphase konzentrieren und auf Zukunftsprognosen verzichten.

Der Forschungsansatz mit maschinellem Lernen geht einen Schritt weiter: Statt zu rechnen, wird geschätzt. Man erzeugt viele Varianten eines Gebäudetyps, simuliert deren Energie- und Emissionswerte und trainiert damit ein Modell, das für neue Entwürfe sofort ein Ergebnis ausgibt — ein Ersatzmodell für die aufwendige Simulation. Eine aktuelle Untersuchung mit 210 parametrischen Bürogebäude-Modellen und vierzehn variierten Entwurfsparametern erreicht damit für Energie- und Emissionskennwerte Bestimmtheitsmaße von über 0,95. Das klingt nach gelöstem Problem, ist aber genauer zu lesen: Das Modell sagt die eigene Simulation sehr gut voraus, nicht die Wirklichkeit. Die Autoren berichten, dass die betrieblichen Emissionswerte systematisch zu hoch lagen, weil ein nationaler Durchschnitts-Emissionsfaktor statt eines regionalen verwendet wurde — und dass die Übertragbarkeit auf andere Klimazonen offen bleibt.

Ein zweiter Befund passt dazu. Eine Arbeit zur Vorhersage grauer Emissionen über mehrere Länder kommt auf einen mittleren Fehler von rund 16 Prozent, mit einer Spanne von etwa 7 bis 20 Prozent je nach Land, und nennt als Ursachen dünne Trainingsdaten und uneinheitliche Bilanzierungsgrenzen. Diese Größenordnung ist der eigentliche Prüfstein für die Praxis: Wenn zwei Entwurfsvarianten sich um zehn Prozent unterscheiden, die Vorhersage aber um fünfzehn Prozent daneben liegen kann, taugt sie zur Richtungsentscheidung, nicht zum Nachweis.

Für den Planungsalltag ergibt sich daraus eine klare Rollenverteilung über die Leistungsphasen. In Grundlagenermittlung und Vorentwurf liegt der Wert im schnellen Variantenvergleich — Holz gegen Beton, kompakt gegen aufgelöst —, weil dort relative Aussagen genügen und Entscheidungen die größte Hebelwirkung haben. In Entwurfs- und Genehmigungsplanung dient die Schätzung als Frühwarnung, wenn ein Zielwert absehbar gerissen wird. Der belastbare Nachweis für Förderung oder Zertifizierung entsteht dagegen weiterhin später, auf Basis realer Mengen und geprüfter Datensätze.

Der ehrlichste Satz zum Stand der Dinge lautet deshalb: KI verschiebt die Ökobilanz nach vorn, aber sie ersetzt sie nicht. Wer ein solches Werkzeug beschafft, sollte weniger nach Genauigkeitsangaben fragen als danach, woran das Modell trainiert wurde, ob es zum eigenen Gebäudetyp und Standort passt und ob es die Unsicherheit seiner Aussage mit ausgibt. Ein geschätzter Wert ohne Fehlerbereich ist im Entwurf gefährlicher als gar keiner. Wie weit die BIM-Programme selbst schon CO₂-Werkzeuge mitbringen, haben wir im Programmvergleich betrachtet; warum die Datengrundlage insgesamt der Engpass bleibt, im Beitrag zum Wissensmanagement.

---

Quellen: Gebäudeforum klimaneutral — Vereinfachte Ökobilanzanalyse · Eng (MDPI) — Integrating BIM and Machine Learning for Energy and Carbon Performance Prediction in Office Building Design · Journal of Umm Al-Qura University for Engineering and Architecture — Machine learning for embodied carbon life cycle assessment of buildings