{"id":9575,"date":"2026-02-16T06:30:00","date_gmt":"2026-02-16T05:30:00","guid":{"rendered":"https:\/\/hub.hslu.ch\/immobilienblog\/?p=9575"},"modified":"2026-03-03T08:07:56","modified_gmt":"2026-03-03T07:07:56","slug":"mit-sicherheit-unsicher","status":"publish","type":"post","link":"https:\/\/hub.hslu.ch\/immobilienblog\/2026\/02\/16\/mit-sicherheit-unsicher\/","title":{"rendered":"Mit Sicherheit unsicher"},"content":{"rendered":"\n

Ein Artikel von:\u00a0Dr. Mark Gille-Sepehri<\/a><\/p>\n\n\n\n

Warum AI-Systeme in der Immobilienwirtschaft gepr\u00fcft werden m\u00fcssen \u2013 und warum das allein nicht reicht<\/strong><\/h1>\n\n\n\n

78 % aller Organisationen nutzen AI inzwischen in mindestens einer Gesch\u00e4ftsfunktion \u2013 ein deutlicher Sprung gegen\u00fcber 55 % im Vorjahr, was zeigt, wie schnell AI vom Experiment zur operativen Realit\u00e4t wird (netguru).<\/em><\/em><\/p>\n\n\n\n

K\u00fcnstliche Intelligenz geniesst in der Immobilienwirtschaft keinen Vertrauensvorschuss. Im Gegenteil: Viele Nutzer haben bereits erlebt, dass AI-Systeme \u00fcberzeugend formulieren \u2013 und dabei schlicht falsch liegen. Forschung beschreibt dieses Ph\u00e4nomen als \u201eHalluzination\u201c: plausibel klingende, aber nicht-faktische Inhalte, die gerade in realen Informations- und Entscheidungsprozessen problematisch werden k\u00f6nnen. <\/p>\n\n\n\n

Begriffe wie \u201eHalluzinationen\u201c sind l\u00e4ngst kein Fachjargon mehr, sondern Teil der Alltagserfahrung. Entsprechend gross ist die Skepsis \u2013 besonders dann, wenn AI nicht nur eine spontane Ad-hoc-Frage beantworten soll, sondern Kernprozesse der Immobilienwirtschaft betrifft: Investitionsentscheidungen, Bewertungen, Mieterkommunikation, Instandhaltungsplanung oder Budgetierung (Ji et al., 2023; Bender et al., 2021).<\/p>\n\n\n\n

Unternehmen nutzen zunehmend generative Modelle (z. B. f\u00fcr Content, Analysen, Assistenz), doch 77 % der Unternehmen geben an, sich wegen Halluzinationen Sorgen zu machen \u2013 also wegen unzuverl\u00e4ssigen, erfundenen Antworten, die Vertrauen und Sicherheit untergraben k\u00f6nnen (fullview.io).<\/em><\/em><\/p>\n\n\n\n

Studien dokumentieren, dass grosse Sprachmodelle bei komplexen fachlichen Aufgaben in 58 % bis 82 % der F\u00e4lle Halluzinationen zeigen, wenn sie z. B. juristische Aussagen oder Fakten generieren (hai.standford.edu).<\/em><\/em><\/p>\n\n\n\n

Diese Skepsis ist berechtigt. Denn selbst wenn ein AI-System getestet, gepr\u00fcft und mehrfach erfolgreich erprobt wurde, bleibt eine unbequeme Wahrheit: Man kann es zehn, f\u00fcnfzig oder hundert Mal testen \u2013 und trotzdem kann es beim 101. Mal nicht funktionieren (Bommasani et al., 2022; NIST, 2023).<\/p>\n\n\n\n

Die entscheidende Frage lautet daher nicht: \u201eHaben wir ausreichend getestet?\u201c<\/em>
Sondern: \u201eWie gehen wir damit um, dass es trotz Tests scheitern kann?\u201c<\/em><\/p>\n\n\n\n

Genau diese Perspektive \u2013 Risiko statt Bauchgef\u00fchl \u2013 steht auch im Mittelpunkt moderner AI-Risikorahmenwerke.<\/p>\n\n\n\n

Warum AI sich trotz Tests unterschiedlich verhalten kann<\/h1>\n\n\n\n

Auf den ersten Blick wirkt es widerspr\u00fcchlich: Theoretisch lassen sich AI-Sprachmodelle so konfigurieren, dass sie bei exakt gleichen Eingaben immer dieselbe Antwort liefern.<\/p>\n\n\n\n

In der Praxis ist das jedoch selten relevant. AI-Systeme reagieren sehr sensibel auf Kontext \u2013 auf Formulierungen, auf zus\u00e4tzliche oder fehlende Informationen und auf den jeweiligen Nutzungskontext. Schon kleine Unterschiede, die im Alltag unvermeidlich sind, k\u00f6nnen zu anderen Ergebnissen f\u00fchren. Nicht, weil das System \u201ezuf\u00e4llig\u201c arbeitet, sondern weil es Zusammenh\u00e4nge bewertet und unterschiedlich gewichtet (Bommasani et al., 2022; Ji et al., 2023).<\/p>\n\n\n\n

Deshalb kann ein AI-System in vielen Tests zuverl\u00e4ssig funktionieren \u2013 und im n\u00e4chsten Moment zu einer anderen, unerwarteten Einsch\u00e4tzung kommen. F\u00fcr Unternehmensprozesse bedeutet das: Tests sind notwendig, aber sie k\u00f6nnen nicht jede reale Situation vorwegnehmen. Absolute Verl\u00e4sslichkeit l\u00e4sst sich nicht vollst\u00e4ndig \u201eherauspr\u00fcfen\u201c. <\/p>\n\n\n\n

Was bedeutet \u201eEvaluation\u201c im Alltag der Immobilienwirtschaft?<\/h1>\n\n\n\n

\u201eEvaluation\u201c heisst schlicht: man pr\u00fcft, ob ein AI-System im vorgesehenen Rahmen sinnvoll funktioniert. Das kann heissen: Wie gut beantwortet es Anfragen? Wie plausibel sind Analysen? Wie zuverl\u00e4ssig bleibt es bei wiederkehrenden Aufgaben? Wie schnell war es? Was waren die Kosten (Tokens, Fremdsystem)?<\/p>\n\n\n\n

Solche Pr\u00fcfungen sind wichtig \u2013 und in der Forschung gut etabliert, inklusive breiter Benchmark-Ans\u00e4tze und systematischer \u00dcbersichten zu St\u00e4rken, Schw\u00e4chen und blinden Flecken von Tests. <\/p>\n\n\n\n

Was Tests aber nicht automatisch leisten: Sie garantieren nicht, dass das System im echten Betrieb (Zeitdruck, unvollst\u00e4ndige Daten, neue Marktsituationen, ungeplante Nutzerfragen) genauso gut funktioniert wie im Test. Genau hier entsteht die L\u00fccke zwischen \u201eim Labor gut\u201c und \u201eim Alltag robust\u201c (NIST, 2023; Bommasani et al., 2022).<\/p>\n\n\n\n

Wenn AI fachlich korrekt klingt \u2013 und trotzdem riskant ist<\/h1>\n\n\n\n

Ein zentrales Risiko moderner AI-Systeme liegt nicht nur in offensichtlichen Fehlern, sondern in plausiblen Vereinfachungen: Ein Ergebnis wirkt stimmig, eine Begr\u00fcndung klingt professionell \u2013 aber Annahmen bleiben unklar, Quellen fehlen, Unsicherheiten werden nicht sichtbar (Ji et al., 2023; Bender et al., 2021).<\/p>\n\n\n\n

Gerade bei Faktenn\u00e4he und Wahrhaftigkeit zeigen Benchmarks, wie schnell Modelle \u201emenschliche Irrt\u00fcmer\u201c \u00fcberzeugend nachbilden k\u00f6nnen \u2013 und warum \u201eklingt richtig\u201c kein Qualit\u00e4tskriterium ist. <\/p>\n\n\n\n

Human in the Loop: Verantwortung bleibt beim Menschen<\/h1>\n\n\n\n

Gerade deshalb ist das Prinzip des Human in the Loop<\/em> entscheidend. Gemeint ist nichts Technisches, sondern ein Grundprinzip: Ein Mensch bleibt sichtbar und bewusst Teil jeder relevanten Entscheidung<\/strong> (Amershi et al., 2019; Doshi-Velez & AIm, 2017).<\/p>\n\n\n\n

AI kann vorbereiten, strukturieren und Optionen aufzeigen. Aber sie darf Entscheidungen nicht unbemerkt ersetzen \u2013 weder bei Investitionen, noch bei Bewertungen, noch in der Kommunikation mit Mietern oder Gesch\u00e4ftspartnern.<\/p>\n\n\n\n

In der Praxis \u00e4hnelt der Umgang mit AI damit stark der Aussteuerung von Teammitgliedern:
Man gibt Aufgaben vor, formuliert Erwartungen (vergleichbar mit Prompts), pr\u00fcft Zwischenergebnisse, hinterfragt Annahmen und \u00fcbernimmt am Ende die Verantwortung f\u00fcr das Resultat.<\/p>\n\n\n\n

Der entscheidende Unterschied liegt im Qualit\u00e4tsanspruch<\/strong>:<\/p>\n\n\n\n

W\u00e4hrend menschliche Mitarbeiter erm\u00fcden, Tippfehler machen oder Informationen \u00fcbersehen, tut AI all das nicht. Fehler entstehen hier nicht durch Nachl\u00e4ssigkeit, sondern durch falsche Annahmen, unklare Zielvorgaben oder fehlende Kontrolle.<\/p>\n\n\n\n

Gerade deshalb muss der Qualit\u00e4tsstandard bei AI h\u00f6her<\/strong> sein als bei menschlicher Zuarbeit \u2013 nicht niedriger. Human in the Loop<\/em> bedeutet also nicht, grossz\u00fcgiger zu sein, sondern konsequenter: klare Erwartungen, systematische Pr\u00fcfung von Ergebnissen und bewusste Entscheidungspunkte.<\/p>\n\n\n\n

Forschung zu Interpretierbarkeit und Erkl\u00e4rbarkeit zeigt genau diesen Zusammenhang: Nur wenn Menschen verstehen, warum<\/strong> ein System zu einer Empfehlung kommt, k\u00f6nnen sie Ergebnisse verantwortungsvoll einordnen, korrigieren oder \u00fcbernehmen (Doshi-Velez & AIm, 2017; Amershi et al., 2019). <\/p>\n\n\n\n

Audit Trails: Warum Nachvollziehbarkeit unverzichtbar ist<\/h1>\n\n\n\n

In der Immobilienwirtschaft ist Nachvollziehbarkeit Alltag: Investment Committees, Wirtschaftspr\u00fcfer, Aufsichtsgremien und interne Revision stellen regelm\u00e4ssig dieselbe Frage: Wie ist diese Entscheidung zustande gekommen?<\/strong><\/p>\n\n\n\n

Eine grosse Umfrage zeigt: 83 % der Besch\u00e4ftigten geben an, AI im Unternehmen zu nutzen, aber nur 31 % der Firmen haben eine umfassende AI-Policy \u2013 also klare Regeln und Verantwortlichkeiten f\u00fcr Einsatz und Kontrolle (TechRadar).<\/em><\/em><\/p>\n\n\n\n

F\u00fcr AI-Systeme gilt das genauso. Ein Audit Trail sorgt daf\u00fcr, dass sp\u00e4ter nachvollziehbar ist:<\/p>\n\n\n\n