
KI im Ingenieurbüro einzuführen heißt, sie als gemeinsames System aufzubauen, das der Firma gehört, statt jeden Mitarbeiter allein mit ChatGPT oder Claude arbeiten zu lassen. Dafür braucht es fünf Schritte: Firmenwissen in eine Datenbank bringen, Prozesse automatisieren, Grenzen festlegen, eine Feedback-Schleife einbauen und einen Menschen, der das Ergebnis verantwortet.
Wie es in der Praxis aussieht, habe ich im Herbst 2026 sehr direkt erfahren: In zwei Wochen habe ich mit rund 50 Ingenieurbüros darüber gesprochen, wie sie KI einsetzen, vom Ein-Personen-Büro bis zum Betrieb mit 300 Mitarbeitern. Fast überall wird KI genutzt, aber kaum irgendwo ist sie geregelt. Im Video erkläre ich, warum das teuer wird und wie es besser geht.
Die Gespräche zeigen, dass rund 90 Prozent der Büros den KI-Einsatz gar nicht geregelt haben. Ich habe Gutachter, Prüfer und Ingenieurbüros unter anderem auf der WindEnergy-Messe in Hamburg gefragt, wie KI bei ihnen eingesetzt wird. Das Bild war erstaunlich einheitlich: Die Mitarbeiter nutzen KI auf eigene Faust, ohne dass die Organisation den Einsatz vorbereitet oder Werkzeuge bereitgestellt hat. Die einzige Regel lautet meistens: keine personenbezogenen Daten eingeben. Alles andere ist erlaubt.
Am anderen Ende stehen rund 5 bis 6 Prozent der Befragten mit einer No-KI-Policy. Sie arbeiten in Projekten der kritischen Infrastruktur und verzichten deshalb ganz. Das ist nachvollziehbar, aber teuer, denn diesen Büros entgeht die Effizienz komplett. Dabei lässt sich KI heute auch europäisch oder vollständig selbst gehostet einführen. Das Verbot ist also nicht die einzige sichere Option.
Die zweite Überraschung: Von 50 Gesprächspartnern arbeitet genau einer mit Claude Code, alle anderen nutzen die Chat-Oberflächen von ChatGPT oder Claude. Das Wissen steckt in einzelnen Projekten, aber das große Bild der Firma kennt die KI nicht. Kaum jemand baut systematisch Kontext auf, also eine eigene Datenbank parallel zu den KI-Modellen. Gerade von Ingenieuren hätte ich erwartet, dass sie diesen Schritt selbst gehen. Im Alltag fehlen dafür aber meistens Zeit, Kapazität oder Ressourcen. Die Zahlen sind ein Eindruck aus Gesprächen, keine repräsentative Studie. Die Richtung ist aber eindeutig.

KI-Insellösungen werden teuer, sobald der Mitarbeiter geht, der sie gebaut hat. Solange er da ist, funktioniert sein eigenes Werkzeug gut. Kündigt er, gehen sein Account, seine Workflows und sein Wissen mit ihm, und die Firma fällt in ein Loch. Niemand weiß, welche Vorlagen er benutzt hat, welche Abläufe er sich gebaut hat und welche Informationen er der KI über Kunden und Projekte gegeben hat.
Ein System, das der Firma gehört, dreht das um. Ein neuer Mitarbeiter setzt genau da an, wo der vorherige aufgehört hat. Er kann den Agenten fragen, wie die Firma mit einer bestimmten Aufgabe umgeht, und bekommt die Antwort aus dem gesammelten Wissen des Büros. Das verkürzt die Einarbeitung spürbar, und zwar auch dann, wenn eine Abteilung wächst und gleich mehrere neue Leute auf einmal starten.

Ein KI-System, das der Firma gehört, ist eine gemeinsame Arbeitsumgebung aus Firmen-Datenbank, automatisierten Abläufen und festgelegten Zugriffsrechten, in der ein Sprachmodell wie ChatGPT oder Claude nur einer von mehreren Bausteinen ist. Anders als ein persönlicher Chat-Account hängt es nicht an einem Mitarbeiter, sondern am Betrieb. Fachlich spricht man vom Gerüst um das Modell, dem sogenannten Harness Engineering für KI-Agenten.
Der erste Schritt ist eine Datenbank, in der steht, was die KI über die Firma wissen muss. Welche Leistungen bieten wir an? Mit wem arbeiten wir und mit wem nicht? Auf welchen Messen waren wir als Besucher oder Aussteller? Welche Marketingkampagnen laufen, und woher kommen die Inhalte dafür? Wichtig ist, dass es keine einfache Datenbank ist, sondern eine mit semantischer Suche. Die KI sucht dann nach Bedeutung und nicht nur nach Stichworten und findet genau die Information, die gerade gebraucht wird. Wir bauen solche Datenbanken mit RAG und Cognee, damit nicht nur Daten gefunden, sondern auch Beziehungen zwischen ihnen hergestellt werden. Warum reine Stichwortsuche dabei nicht reicht, steht im Beitrag woran die Suche in Firmendaten scheitert.
Im zweiten Schritt werden die täglichen Abläufe einzeln automatisiert, nicht alle auf einmal. Für jeden Prozess stellt sich die Frage, welche Werkzeuge die KI dafür braucht. Hier kommen Begriffe wie API und MCP ins Spiel. Gemeint ist, dass das System andere Systeme steuern kann, etwa Daten aus dem CRM oder aus dem Projektmanagement holt, aufbereitet und zur Verfügung stellt. Bei uns ist das zum Beispiel ClickUp. Was hinter diesen Abkürzungen steckt, erklärt der Beitrag welche Zugänge eine KI zu deiner Software haben kann.
Jeder Workflow braucht festgelegte Grenzen, bevor er live geht. Ein Beispiel: Ein kleiner Agent soll Zahlen aus der Personalabteilung holen. In welchem Ordner darf er arbeiten? Darf er alle Ordner durchsuchen und dabei auch das Gehalt des Geschäftsführers finden, wenn ein Mitarbeiter danach fragt? Dazu kommt die Frage, auf welcher Ebene Freigaben erteilt werden: pro Mitarbeiter, pro Rolle oder danach, worauf zugegriffen wird. Und wo die Grenze technisch sitzt, beim einzelnen Skill, bei der Datenbank oder an mehreren Stellen gleichzeitig.
Eine Feedback-Schleife sorgt dafür, dass das System mit jedem Ergebnis dazulernt, statt stehen zu bleiben. Bei uns läuft dafür jeden Tag ein Workflow: Kunden-Calls in Zoom werden automatisch transkribiert, die Transkripte kommen über Nacht per E-Mail auf unseren Server, und ein Agent ordnet sie dem richtigen Kunden zu. So wächst die Datenbank täglich von selbst. Mitarbeiter können Gespräche nachverfolgen, und Aufgaben entstehen direkt aus dem Meeting, statt verteilt werden zu müssen. Wie dieser Ablauf im Detail aussieht, zeigt der Beitrag wie Kundengespräche automatisch ins CRM kommen. Damit das funktioniert, muss das Ergebnis jedes Workflows bewusst zurück ins System fließen.
Die KI erledigt die Arbeit, aber ein Mensch prüft das Ergebnis und zeichnet es ab. Bei uns gilt dafür ein klarer Grundsatz: Der Satz „Der Agent hat es gemacht“ zählt nicht. Der Kunde zahlt für das Ergebnis, und wenn es schlecht ist, spielt es keine Rolle, ob es vom Agenten kommt oder von einem Menschen. Verantwortung muss anerkannt und übernommen werden. Gerade im Ingenieurwesen, wo Berechnungen, Gutachten und Prüfberichte unterschrieben werden, ist das keine neue Regel, sondern die alte, die für ein neues Werkzeug gilt.

Ein eigenes KI-System macht unabhängig, weil Datenbank, KI-Gedächtnis und Prozesse beim Betrieb liegen und nicht beim Anbieter des Sprachmodells. Stellt ein großer Anbieter wie OpenAI oder Anthropic eine Funktion ein, ändert seine Preise oder verschwindet ganz, bleibt der Betrieb unberührt und wechselt einfach das Modell. Workflows, Prozesse und Wissen bleiben in der Firma. Nach diesem Prinzip prüfen wir auch jedes neue Werkzeug, bevor wir es einsetzen: mieten oder besitzen.

Der beste Anfang ist eine kurze schriftliche KI-Regel für das Büro, die über „keine personenbezogenen Daten“ hinausgeht. Ein komplettes System muss nicht sofort stehen. Die Regel verhindert aber, dass sich der Wildwuchs weiter verfestigt, und sie lässt sich an einem Nachmittag schreiben. Sie beantwortet vier Fragen:
Dazu kommt eine rechtliche Pflicht: Seit dem 2. Februar 2025 verlangt Artikel 4 der EU-KI-Verordnung (Verordnung (EU) 2024/1689), dass Unternehmen, die KI-Systeme einsetzen, für ausreichende KI-Kompetenz ihrer Mitarbeiter sorgen. Ein Büro, das KI nur stillschweigend duldet, kann das kaum nachweisen. Eine schriftliche Regel und eine kurze Einweisung sind der einfachste Beleg.
Für Büros in der kritischen Infrastruktur lohnt sich vor einem Verbot ein Blick auf europäisch gehostete oder komplett lokal betriebene Modelle. Dort verlassen die Projektdaten das eigene Netz oder zumindest die EU nicht. Wie das mit Claude über einen europäischen Cloud-Standort funktioniert, steht im Beitrag Claude DSGVO-konform über Amazon Bedrock nutzen.
Dieser Abschnitt ergänzt das Video und kommt so nicht darin vor.
Ein Verbot ist selten die beste Lösung. Es kostet Effizienz, und viele Mitarbeiter nutzen KI dann trotzdem privat. Wer sensible Projektdaten schützen muss, etwa in der kritischen Infrastruktur, kann europäisch gehostete oder komplett selbst betriebene Modelle einsetzen, bei denen die Daten das eigene Netz nicht verlassen.
Eine KI-Richtlinie legt mindestens fest, welche Werkzeuge erlaubt sind, welche Daten nicht hineindürfen, wer neue Werkzeuge freigibt und wo Ergebnisse abgelegt werden. Dazu kommt, wer KI-Ergebnisse prüft, bevor sie an einen Kunden gehen. Eine Seite reicht für den Anfang.
Ja. Artikel 4 der EU-KI-Verordnung gilt seit dem 2. Februar 2025 für alle Unternehmen, die KI-Systeme einsetzen, unabhängig von ihrer Größe. Sie müssen nach besten Kräften für ausreichende KI-Kompetenz ihrer Mitarbeiter sorgen. Ein Büro, das KI nur stillschweigend duldet, kann das kaum belegen.
Arbeitet jeder Mitarbeiter in seinem eigenen KI-Account, geht das Wissen mit ihm: seine Chats, seine Vorlagen und seine Abläufe. Liegt das Wissen dagegen in einer Datenbank der Firma, kann ein Nachfolger dort weitermachen, wo der Vorgänger aufgehört hat.
Nicht zwingend. Datenbank und Abläufe können bei einem europäischen Anbieter laufen, das Sprachmodell kann von einem großen Anbieter kommen oder selbst gehostet werden. Entscheidend ist, dass Datenbank, Prozesse und Zugänge der Firma gehören und nicht einem einzelnen Mitarbeiter-Account.
Die meisten Ingenieurbüros nutzen KI längst, nur nicht als Firma. Solange jeder für sich arbeitet, gehört das Wissen dem einzelnen Mitarbeiter und geht mit ihm. Wer stattdessen Schritt für Schritt ein eigenes System aufbaut, mit Kontext, Prozessen, Grenzen, Feedback und menschlicher Verantwortung, behält das Wissen im Betrieb und bleibt unabhängig von einzelnen Anbietern.
👉 Das ganze Video: KI bei Ingenieurbüros und technischen Betrieben auf YouTube
👉 Passt so ein System in deinen Betrieb? Buch dir ein unverbindliches Beratungsgespräch