Wo KI im Tagesgeschäft trägt — und wo man nachsehen muss

Was KI aus eingescannten Unterlagen liest — und was dabei verloren geht
Ein eingescanntes Dokument ist für die meisten KI-Systeme zunächst ein Bild. Bevor der Text ausgewertet werden kann, muss er erkannt werden — aus dem Abbild auf dem Scan, nicht aus dem Dokument selbst. Was dabei entsteht, ist eine Übersetzung. Und wie bei jeder Übersetzung geht etwas verloren.
Die Erkennungsleistung ist bei gedruckten, sauber gescannten Unterlagen gut. Eine maschinell erstellte Betriebskostenabrechnung, ein aktueller Grundbuchauszug in Normschrift, ein Energieausweis nach Standardformular — hier liest die KI zuverlässig, extrahiert Zahlen und ordnet Felder zu. Der Zeitgewinn ist real.
Wo die Übertragung unvollständig bleibt
Handschriftliche Einträge werden oft erkannt, aber selten korrekt gelesen. Eine handgeschriebene Flächenangabe im Rand einer alten Baugenehmigung oder ein Nachtrag in einem Übergabeprotokoll: Was für einen Menschen sofort lesbar ist, gibt die KI als unleserlich zurück — oder, was gefährlicher ist, als falschen Wert.
Stempel und Vermerke verschwinden häufig. Ein „Vorabzug", ein „ungültig" quer über dem Dokument, ein Datumsstempel, der die Fassung identifiziert — diese Informationen liegen räumlich vor, nicht als lesbarer Text. Die KI liest den Text darunter, nicht die Markierung darüber.
Fußnoten und Querverweise in Kaufverträgen oder Teilungserklärungen werden aus dem Zusammenhang gerissen. Die KI extrahiert die Zahl in § 7 Absatz 2, aber nicht die Ausnahme, die in Fußnote 14 steht und genau diesen Fall betrifft.
- Schief eingescannte oder gefaltete Seiten werden fehlerhaft gelesen — Spaltenlayouts laufen zusammen, Tabellen verlieren ihre Zuordnung.
- Ältere Dokumente mit verblasstem Druck oder gelblichem Papier: Zahlen, Datumsangaben und Unterschriftszeilen sind die ersten Stellen, an denen die Erkennung versagt.
- Anlagen, die im Vertrag erwähnt werden, aber nicht mitgescannt wurden, fehlen ohne Hinweis. Die KI meldet keine Lücke — sie liest, was vorliegt.
Was das in der Praxis bedeutet
Wenn Sie KI-gestützte Dokumentenauswertung für Unterlagen einsetzen, die Entscheidungen tragen — Kaufpreisaufteilungen, Nutzungsrechte, Lasteneintragungen — dann ist das Ergebnis ein erster Lesedurchgang, kein abschließendes Urteil. Die Frage ist nicht, ob die KI das Dokument gelesen hat, sondern ob sie die richtige Version gelesen, alle Vermerke erfasst und keine Querverweise verloren hat.
Das ist kein Argument gegen den Einsatz. Es ist die Frage, die man stellen muss, bevor man das Ergebnis weitergibt.
Automatische Textentwürfe: Welche Teile verwendbar sind, welche nicht
Wenn ein System aus Eckdaten — Fläche, Lage, Baujahr, Ausstattung — einen ersten Entwurf für eine Objektbeschreibung erstellt, ist das kein Versprechen, sondern ein Anfang. Die Frage ist nicht, ob der Text da ist, sondern welche Teile davon Sie übernehmen können, ohne sie gelesen zu haben.
Der einfachste Teil ist der strukturelle: Wenn ein System weiß, dass eine Wohnung 68 Quadratmeter hat, drei Zimmer, Baujahr 1998, und das in einem Satz formuliert, ist dieser Satz wahrscheinlich richtig. Fakten, die direkt aus einer Eingabe stammen, landen meistens so im Text wie eingegeben.
Was gut funktioniert
- Standardisierte Beschreibungsabschnitte, die immer gleich gebaut sind: Lage, Ausstattung, Energiewerte
- Formulierungen, die keine Ortskenntnis brauchen: „Das Objekt liegt im dritten Obergeschoss" oder „Die Küche ist vollständig eingerichtet"
- Erste Entwürfe für Anschreiben, wenn Vorlage und Ziel klar definiert wurden
Das sind die Stellen, an denen ein automatischer Entwurf Zeit spart. Der Text ist da, die Struktur stimmt, und Sie müssen ihn nicht von vorne aufbauen.
Wo man genau hinschauen muss
Schwieriger wird es, sobald der Text auf lokales Wissen zurückgreifen müsste. Ein System, das „gute Verkehrsanbindung" schreibt, weil ein Bahnhof im Umkreis von zwei Kilometern liegt, hat keine Vorstellung davon, ob diese Verbindung morgens in die Innenstadt brauchbar ist oder nicht. Es formuliert eine Aussage, die wahr klingen soll — und die Sie als die einzige Person prüfen können, die den Ort kennt.
Ähnliches gilt für Formulierungen, die Stimmung transportieren sollen. „Gepflegter Altbau mit Charakter" — was hat das System dazu veranlasst? Wenn die Eingabe nichts darüber enthielt, hat das System diese Einschätzung aus Mustern anderer Texte gezogen. Ob sie auf dieses Objekt zutrifft, steht auf einem anderen Blatt.
Besonders kritisch sind:
- Aussagen über die Nachbarschaft oder das Quartier, die nicht aus den Eingabedaten stammen
- Zustandsbeschreibungen, wenn das System nur Baujahr und Kategorie kannte, nicht den tatsächlichen Zustand
- Formulierungen zu Renditepotenzial oder Wertsteigerung — hier reicht ein falscher Satz, um Haftungsfragen zu öffnen
- Angaben, die als Fakten klingen, aber Einschätzungen sind: „ideale Kapitalanlage", „ruhige Lage"
Das System hat keinen Zugang zu dem, was Sie nach der Besichtigung wissen. Es hat Muster aus vielen ähnlichen Texten gelernt und füllt Lücken mit dem, was in vergleichbaren Situationen plausibel klingt. Manchmal trifft das zu. Manchmal nicht. Von außen sieht beides gleich aus.
Der Entwurf ersetzt die Prüfung nicht. Er nimmt die Zeit, einen ersten Satz auf ein leeres Blatt zu setzen. Was dann steht, ist immer noch Ihr Name unter dem Text.
Eine Faustregel, die in der Praxis trägt: Jede Aussage im Entwurf, die Sie nicht selbst aus den eingegebenen Daten ableiten können, muss geprüft werden, bevor sie verschickt wird. Nicht weil das System fahrlässig arbeitet — es tut das, was es gelernt hat. Sondern weil es keine Kenntnis davon hat, was in diesem Objekt, in diesem Quartier, für diesen Käufer wahr ist. Diese Kenntnis liegt bei Ihnen, und kein Entwurf ändert das.
Bilderkennung und Raumfotos: Was die Software einschätzt und was sie übersieht
Viele Softwarelösungen für Immobilien können Fotos heute automatisch auswerten. Sie erkennen, ob ein Raum hell oder dunkel wirkt, ob Möbel vorhanden sind, ob es sich um eine Küche, ein Bad oder ein Wohnzimmer handelt. Manche schlagen auf Basis dieser Einschätzung direkt eine Bildunterschrift vor oder sortieren Fotos nach einer vermuteten Qualitätsreihenfolge.
Das funktioniert zuverlässig für strukturelle Fragen, die sich am Bildinhalt ablesen lassen: Ist das Zimmer leer oder möbliert? Gibt es ein Fenster? Handelt es sich um Altbau oder Neubau? Für eine erste Vorsortierung großer Bildmengen ist das ein echter Vorteil.
Was das Bild nicht zeigt
Ein Foto aus einem hellen Winkel mit warmem Licht kann einen Raum wohnlich wirken lassen, dessen Böden wellen, dessen Wände feucht sind und dessen Fenster schlecht abdichten. Die Software bewertet das Bild — nicht den Raum. Der Unterschied ist entscheidend.
- Feuchte hinter frisch gestrichenen Wänden ist auf Fotos unsichtbar.
- Ein schiefer Boden zeigt sich manchmal im Bild, meistens nicht.
- Die tatsächliche Qualität von Böden, Fenstern oder Sanitär lässt sich nicht aus der Auflösung erschließen.
- Gerüche, Lärm und das Gefühl eines Raums fehlen vollständig.
Es gibt Situationen, in denen diese Lücke folgenreich ist. Ein Gutachter, der Fotos automatisch mit „gepflegter Zustand" verschlagworten lässt, und danach nicht selbst vor Ort war, hat eine Einschätzung abgegeben, die auf einem Bildausschnitt beruht. Bei einer Bewertung ist das eine andere Kategorie von Fehler als bei einer Anzeige.
Wenn der Ausschnitt trügt
Raumfotos werden fast immer aus der günstigsten Perspektive aufgenommen. Das ist keine Absicht zur Täuschung — es ist die normale Praxis bei Immobilienfotografie. Die Software wertet aus, was ihr gegeben wird. Sie kann nicht beurteilen, ob der rechte Bildrand etwas verbirgt, ob der Raum größer wirkt als er ist, oder ob das Foto fünf Jahre alt ist.
Manche Systeme schlagen auf Basis der erkannten Raumgröße sogar eine ungefähre Quadratmeterzahl vor. Diese Zahl ist eine Schätzung aus einem Blickwinkel — keine Messung. Wer sie übernimmt, ohne nachzumessen, trägt die Verantwortung für das Ergebnis.
Was ein Mensch prüfen muss
Die Bilderkennung kann Arbeit abnehmen, die sonst manuell anfällt: Fotos kategorisieren, ungeeignete Aufnahmen aussortieren, Seriendarstellungen vorbereiten. Für alles, was über den sichtbaren Bildinhalt hinausgeht, bleibt die eigene Einschätzung vor Ort unersetzlich.
Konkret bedeutet das: Jede automatisch generierte Zustandsbeschreibung auf Basis von Fotos sollte als Entwurf behandelt werden — als Ausgangspunkt, nicht als Ergebnis. Ob der Raum tatsächlich dem entspricht, was das Bild nahelegt, lässt sich nur beurteilen, wenn jemand drin war.
Bewertungsvorschläge: Wie verlässlich KI-gestützte Einschätzungen wirklich sind
Ein KI-System, das Bewertungsvorschläge generiert, arbeitet mit Vergleichspreisen. Es sucht in einem Datenbestand nach Transaktionen, die dem vorliegenden Objekt ähneln — Lage, Fläche, Baujahr, Ausstattungskategorie — und leitet daraus eine Einschätzung ab. Das funktioniert unter einer Bedingung: Der Datenbestand muss ausreichend dicht sein.
In Lagen, in denen regelmäßig verkauft wird, in denen die Objekte vergleichbar sind und die Kaufpreise offen liegen, kommen die Ergebnisse oft nah an das heran, was erfahrene Gutachter als Ausgangspunkt nennen würden. Der Vorschlag ist dann ein brauchbarer erster Anhaltspunkt — nicht mehr, aber auch nicht weniger.
Die Grenzen zeigen sich in allen Fällen, in denen das Objekt aus dem Muster fällt:
- Dünne Datenlage: In ländlichen Lagen oder bei Objekttypen, die selten gehandelt werden, gibt es zu wenig Vergleichstransaktionen. Das System extrapoliert dann aus entfernten Vergleichen, und die Bandbreite der Schätzung wächst — ohne dass das im Ergebnis sichtbar wird.
- Ungewöhnlicher Zustand oder Ausstattung: Ein saniertes Haus in einem Bestand von unsanierten Vergleichsobjekten wird systematisch unterbewertet. Dasselbe gilt umgekehrt. Was das System als „ähnlich" einordnet, stimmt mit dem überein, was in den Daten steht — nicht mit dem, was ein Besichtiger vor Ort sieht.
- Belastungen und eingetragene Rechte: Erbbaurecht, Nießbrauch, Vorkaufsrechte, laufende Mietverträge unter Markt — nichts davon liest ein System aus einer Adresse. Was nicht in den Eingabedaten steht, fließt nicht ins Ergebnis ein.
- Schnelle Preisverschiebungen: Wenn sich die Preise in einem Teilmarkt innerhalb weniger Monate deutlich verändern, arbeitet das System noch mit den alten Transaktionen. Der Vorschlag beschreibt dann die Vergangenheit.
Was das für den Alltag bedeutet: Ein KI-Bewertungsvorschlag ist kein Gutachten. Er ist eine rechnerische Annäherung auf Basis von Daten, die das System kennt. Die Frage, die ein Mensch prüfen muss, lautet nicht „Stimmt der Betrag?" sondern „Passen die Vergleichsobjekte überhaupt?" — das ist etwas anderes und erfordert Ortskenntnis, keine Rechenleistung.
Woran man die Qualität des Vorschlags erkennt
Systeme, die transparent arbeiten, zeigen die Vergleichsobjekte, auf denen die Schätzung basiert. Wenn dort Objekte auftauchen, die mit dem zu bewertenden Objekt wenig gemeinsam haben — anderes Baujahr, andere Lage, andere Nutzungsart — ist die Einschätzung entsprechend einzuordnen. Eine enge Bandbreite bei dünner Datenlage ist kein Zeichen von Genauigkeit. Es ist ein Zeichen dafür, dass das System zu wenig weiß, um Unsicherheit auszudrücken.
Wer regelmäßig mit solchen Einschätzungen arbeitet, entwickelt ein Gefühl dafür, in welchen Konstellationen der Vorschlag verlässlich ist und wann er nur als grober Rahmen taugt. Dieses Urteil lässt sich nicht automatisieren — es entsteht aus den Fällen, in denen der Vorschlag daneben lag, und aus dem Nachvollziehen, warum das so war.
Woran man erkennt, ob ein KI-Ergebnis geprüft werden muss
Die Frage ist nicht, ob ein Ergebnis falsch sein kann — das kann es immer. Die Frage ist, wann die Wahrscheinlichkeit so hoch ist, dass eine Prüfung die Zeit rechtfertigt. Dafür gibt es keine Anzeigeleuchte. Es gibt aber Muster, die zuverlässig auf erhöhten Prüfbedarf hinweisen.
Die Eingabe war unvollständig oder ungewöhnlich
Ein Grundriss, der schief eingescannt wurde. Eine Baubeschreibung aus den achtziger Jahren, handschriftlich ergänzt. Ein Grundbuchauszug mit gestrichenen und neu eingetragenen Belastungen. KI-Systeme arbeiten auf dem, was sie bekommen. Ist die Grundlage lückenhaft, ist das Ergebnis es meistens auch — nur sieht man es dem Ergebnis nicht an. Wer das Quelldokument kennt, weiß, was fehlen könnte. Wer es nicht kennt, erfährt es im Ernstfall.
Das Ergebnis enthält Zahlen
Zahlen erzeugen Vertrauen, das sie nicht immer verdienen. Eine automatisch berechnete Wohnfläche, ein vorgeschlagener Verkaufspreis, eine Betriebskostenschätzung — sie lesen sich wie Fakten. Ob sie aus einer vollständigen Grundlage stammen oder aus einer, in der die Kellertreppe fehlt, sieht man der Zahl nicht an. Jede Zahl in einem KI-Ergebnis, die in ein Angebot, einen Vertrag oder eine Auskunft eingeht, sollte auf ihre Herkunft hin geprüft werden.
Das Thema ist lokal oder sehr spezifisch
KI-Systeme werden auf breiten Datenmengen trainiert. Was in einer Großstadt gilt, gilt in einer 8.000-Einwohner-Gemeinde anders. Welche Lage in einem bestimmten Stadtteil als gut gilt, welche Altersklasse von Käuferinnen für eine bestimmte Straße typisch ist, wie ein Bezirksgericht in einer Formulierungsfrage entscheidet — das ist Ortswissen. Ergebnisse, die stark von lokalen Besonderheiten abhängen, sind strukturell anfälliger als solche, die allgemein gelten.
Das Ergebnis ist auffällig glatt
Ein Exposé-Entwurf, der keine Schwäche der Immobilie benennt. Eine Einschätzung, die keine Einschränkung enthält. Ein Dokument, das im ersten Durchgang vollständig und fehlerfrei wirkt. Echte Sachverhalte haben Ecken. Wo sie fehlen, ist entweder die Grundlage zu dünn — oder das System hat sie geglättet. Beides ist ein Hinweis, genauer hinzuschauen.
Die Konsequenz eines Fehlers wäre schwer zu korrigieren
Nicht jede Prüfung ist gleich viel wert. Eine falsche Ortsangabe im Entwurf eines sozialen Beitrags lässt sich in Sekunden korrigieren. Eine falsche Flächenangabe im Kaufvertrag nicht. Die Frage, die sich vor der Verwendung eines KI-Ergebnisses stellt, ist nicht nur: Stimmt das? Sie lautet: Was kostet es, wenn es nicht stimmt? Je höher dieser Preis — in Haftung, Vertrauen oder Zeit —, desto früher im Prozess sollte jemand hinschauen, der die Antwort kennt.
- Unvollständige Eingabe: Jede Lücke im Quelldokument ist eine potenzielle Lücke im Ergebnis.
- Zahlen ohne nachvollziehbare Grundlage: Woher kommt diese Zahl? Wenn die Antwort unklar ist, ist die Zahl ungeprüft.
- Lokale oder branchenspezifische Details: Ortswissen lässt sich nicht aus allgemeinen Trainingsdaten ableiten.
- Kein einziger Vorbehalt im Text: Reale Sachverhalte sind selten so eindeutig, wie ein glatter Entwurf es nahelegt.
- Hohe Folgekosten bei Fehler: Nicht die Häufigkeit, sondern das Gewicht eines Fehlers entscheidet, wie viel Prüfzeit angemessen ist.
Das ist kein Argument gegen den Einsatz von Unterstützung durch KI. Es ist ein Argument dafür, die eigene Prüfzeit dort zu konzentrieren, wo sie tatsächlich etwas verändert — und nicht gleichmäßig über alles zu verteilen, bis sie nirgends mehr reicht.
Weitere Beiträge

Wenn die KI die Wohnung schöner macht als sie ist
KI kann Fotos aufhellen, Möbel entfernen und Räume neu einrichten — oft in Minuten. Was dabei über die Wahrheit des Objekts verloren geht, lesen Sie hier.

Wenn KI das Exposéfoto optimiert: Was Interessenten dann sehen
KI-Werkzeuge verändern Exposéfotos automatisch — heller, aufgeräumter, manchmal möbliert. Was daraus für Besichtigungen und Haftung wird, lesen Sie hier.

Wenn KI den Angebotstext schreibt: Was man vorher wissen sollte
KI-Textentwürfe wirken fertig — bis eine Zahl nicht stimmt oder der Ton dem Kunden fremd klingt. Was Sie prüfen müssen, bevor der Text abgesendet wird.