KI-Grundlagen: Die Begriffe, die Immobilienteams kennen müssen

LLM (Large Language Model)

Ein Large Language Model, kurz LLM, ist die Grundlage vieler moderner KI-Systeme. Für Immobilienteams ist entscheidend, dass ein LLM mit dem Material arbeiten kann, auf dem die Branche wirklich läuft: PDFs, E-Mails, Rent-Rolls, Mietverträge, Investment Memos, Reports und fragmentierte Notizen. Der Nutzen entsteht aber nicht durch das Modell allein, sondern durch Kontext, Quellen, Rechte, Review und Einbettung in echte Deal-Workflows.

Ein LLM ist ein Modell, das Sprache verarbeitet: Es erkennt Muster in Text, folgt Anweisungen, fasst Inhalte zusammen, extrahiert Informationen, klassifiziert Dokumente und erzeugt neue Texte oder strukturierte Outputs. Es kann zum Beispiel aus einem Expose Kerndaten ziehen, aus einem Mietvertrag Sonderkündigungsrechte markieren oder aus mehreren Notizen einen IC-Entwurf vorbereiten.

Wichtig ist die Grenze: Ein LLM ist keine Datenbank, keine Suchmaschine und keine automatische Wahrheitsschicht. Es arbeitet mit dem Kontext, der ihm gegeben wird. Wenn dieser Kontext unvollständig, veraltet oder falsch ist, kann auch die Antwort sauber formuliert und trotzdem unbrauchbar sein.

Professionell eingesetzt ist ein LLM deshalb eher ein sprachliches Rechenwerkzeug als ein autonomer Experte. Es beschleunigt Lesen, Sortieren und Entwerfen. Es ersetzt nicht die Datenhaltung, die Quellenlogik oder das Investmenturteil.

Immobilienarbeit ist dokumentenlastig und kontextreich. Eine Akquisitionsentscheidung liegt selten in einem sauberen System. Sie entsteht aus Expose, Rent-Roll, Mietvertraegen, technischen Reports, E-Mails, Broker-Kommentaren, Underwriting-Modell, Legal Notes und IC-Dokumenten.

LLMs helfen, dieses Material schneller lesbar und wiederverwendbar zu machen. Sie können Lease Abstracts vorbereiten, Mieterdaten normalisieren, Risiken nach Themen gruppieren, offene DD-Fragen formulieren, Management-Zusammenfassungen erstellen oder Abweichungen zwischen Dokumenten sichtbar machen.

Der operative Wert liegt nicht im Chatten mit dem Modell. Er liegt darin, dass ein Team dieselbe Entscheidung schneller, konsistenter und mit besserer Nachvollziehbarkeit vorbereiten kann.

RAG

RAG steht für Retrieval-Augmented Generation. Einfach gesagt: Bevor die KI antwortet, sucht sie relevante Informationen aus Dokumenten oder Systemen und nutzt diesen Kontext für die Antwort.

RAG kombiniert Suche und Generierung. Zuerst werden relevante Dokumente, Abschnitte oder Datensätze gefunden. Danach nutzt ein LLM diese Informationen, um eine Antwort oder einen strukturierten Output zu erstellen.

Das ist der Unterschied zwischen einer allgemeinen KI-Antwort und einer Antwort, die auf den eigenen Unterlagen basiert.

Ein Investmentmanager fragt nicht abstrakt nach Marktwissen, sondern nach einer konkreten Mietvertragsklausel, einer Rent-Roll-Zeile oder einer Annahme aus dem IC Memo.

RAG hilft, diese Quellen zuerst zu finden und die Antwort darauf aufzubauen. Das macht KI in dokumentenlastigen Workflows deutlich nützlicher.

MCP

MCP steht für Model Context Protocol. Es ist ein Standard, mit dem KI-Systeme strukturierter auf Tools, Datenquellen und Anwendungen zugreifen können. Das klingt technisch, aber die Business-Frage ist einfach: Wie bekommt KI kontrollierten Zugriff auf die Systeme, die sie braucht?

MCP ist eine Verbindungsschicht. Sie hilft KI-Anwendungen, kontrolliert mit externen Tools, Datenquellen oder Systemen zu sprechen.

Praktisch bedeutet das: KI bleibt nicht im Chatfenster, sondern kann, wenn sauber berechtigt, Kontext aus echten Arbeitssystemen nutzen.

Immobilienarbeit liegt in Datenräumen, E-Mail, SharePoint, CRM, Excel, BI und Asset-Management-Systemen. KI wird wertvoller, wenn sie diese Quellen kontrolliert einbeziehen kann.

Ein Deal-Workflow könnte zum Beispiel Dokumente lesen, einen Deal Record prüfen, eine Rent-Roll abrufen und Aufgaben vorbereiten.

KI-Agent

Ein KI Agent ist ein System, das eine Aufgabe über mehrere Schritte verfolgen kann. Es kann Tools nutzen, Kontext lesen, Zwischenschritte entscheiden und Outputs erzeugen, die ein Mensch prüft.

Ein Chatbot antwortet auf eine Nachricht. Ein Agent arbeitet durch einen Prozess. Er kann Informationen sammeln, Zwischenschritte ausführen, Ergebnisse prüfen und Ausnahmen markieren.

Trotzdem braucht ein Agent klare Grenzen: Was darf er sehen, was darf er tun, wann muss er stoppen und wann entscheidet ein Mensch?

Ein Deal-Intake-Agent könnte eingehende Exposés lesen, Kerndaten extrahieren, fehlende Informationen markieren, ein Ankaufsprofil prüfen und eine erste Screening-Ansicht vorbereiten.

Das ist nützlicher als eine einzelne Antwort, weil der Agent im Workflow arbeitet.

Multi-Agenten-System

Ein Multi-Agent-System nutzt mehrere spezialisierte Agenten, die gemeinsam an einer größeren Aufgabe arbeiten. In Immobilien ist das intuitiv: Transaktionen bestehen aus spezialisierter Arbeit über Dokumente, Mietverträge, Underwriting, Legal, Finanzierung und IC-Vorbereitung hinweg.

Statt einen Assistenten alles machen zu lassen, verteilt ein Multi-Agent-System Aufgaben auf spezialisierte Rollen. Ein Agent prüft Mietverträge, ein anderer strukturiert die Rent-Roll, ein weiterer formuliert DD-Fragen.

Der Vorteil ist Spezialisierung. Die Herausforderung ist Koordination.

Eine Transaktion ist kein einzelner Task. Sie besteht aus vielen spezialisierten Prüfungen und Entscheidungen.

Multi-Agent-Systeme passen deshalb gut zu Real Estate Workflows: Lease Review, Rent-Roll, Underwriting, Risk Review und IC-Vorbereitung lassen sich getrennt unterstützen und koordiniert zusammenführen.

KI-Halluzinationen

Eine KI-Halluzination ist ein Output, der plausibel klingt, aber nicht durch Fakten gedeckt ist. Für institutionelle Immobilienteams ist das kein abstraktes KI-Problem. Es kann Underwriting, Due Diligence, IC-Unterlagen und Reporting betreffen.

Eine Halluzination ist eine Antwort, die überzeugend formuliert ist, aber nicht stimmt oder nicht durch eine Quelle belegt ist.

Das Problem ist nicht nur der Fehler selbst, sondern die Form: KI kann falsch liegen und trotzdem sehr souverän klingen.

Ein falsches Mietvertragsdatum, eine falsche Miete, eine erfundene Quelle oder eine veraltete Annahme kann in Immobilien echte Entscheidungsrisiken erzeugen.

Gerade weil IC-Unterlagen und Due-Diligence-Fragen präzise sein müssen, darf KI nicht ohne Quellenprüfung genutzt werden.

Evals

Evals sind Evaluierungen: strukturierte Tests, die messen, ob ein KI-System eine Aufgabe gut genug erledigt. Für Immobilienteams sind sie der Unterschied zwischen Vendor-Demo und Produktionsvertrauen.

Ein Eval definiert Input, erwarteten Output und Bewertungskriterien. Statt zu fragen, ob KI beeindruckend wirkt, misst man, ob sie eine konkrete Aufgabe zuverlässig erledigt.

Man kann Evals als Qualitätsprüfung für KI-Workflows verstehen.

Ein Immobilien-Eval kann zum Beispiel 100 Rent-Rolls, 50 Mietvertragszusammenfassungen oder 30 IC-Memo-Entwürfe testen.

Gemessen werden können Extraktionsqualität, fehlende Felder, Quellenlinks, Formatfit und Review-Zeit.

Source Grounding

Source Grounding bedeutet, dass KI-Outputs mit der Evidenz dahinter verbunden sind. Das System sollte nicht nur antworten. Es sollte zeigen, woher die Antwort kommt.

Eine quellenbasierte Antwort verweist auf das Dokument, die Tabellenzeile, die Klausel, die Seite oder die freigegebene Annahme hinter einer Aussage.

Wenn die KI sagt, dass ein Mietvertrag 2029 ausläuft, sollte der Reviewer die Quelle sofort öffnen können.

Investmententscheidungen brauchen Evidenz. Miete, Leerstand, Laufzeiten, Capex, Debt Terms und Risiken dürfen nicht nur plausibel klingen.

Source Grounding hilft Professionals, schneller zu prüfen, weil die Evidenz nicht manuell gesucht werden muss.

Human-in-the-loop

Human-in-the-loop bedeutet, dass ein Mensch an den Stellen Teil des Workflows bleibt, an denen Urteil, Verantwortung oder Freigabe zählen. In Immobilien ist das keine Einschränkung. Es ist die Art, wie KI in High-Stakes-Arbeit nutzbar wird.

KI kann extrahieren, zusammenfassen, klassifizieren, entwerfen und Risiken markieren. Der Mensch prüft, korrigiert, gibt frei und entscheidet.

Der Punkt ist nicht, Automatisierung zu bremsen. Der Punkt ist, menschliches Urteil dort einzusetzen, wo es den höchsten Wert hat.

KI kann Due-Diligence-Fragen vorbereiten, Lease Risks markieren oder ein IC Memo entwerfen. Die Investmententscheidung bleibt trotzdem beim Team.

Human-in-the-loop macht diese Verantwortung sichtbar und auditierbar.

AI Operating Layer

Ein AI Operating Layer ist die Systemebene, die KI mit der Arbeitsweise eines Unternehmens verbindet. Er bringt Dokumente, Daten, Workflows, Berechtigungen, Review, Outputs und Integrationen zusammen.

Ein AI Feature kann ein PDF zusammenfassen. Ein AI Operating Layer verbindet diese Zusammenfassung mit Deal, Quellen, Underwriting, IC Memo, Aufgaben, Portfolio-Sicht und Audit Trail.

Es geht nicht nur darum, was das Modell beantworten kann. Es geht darum, wie KI durch die Organisation arbeitet.

Immobilienarbeit ist über Dateien, E-Mails, Modelle, Präsentationen, Datenräume und Reporting-Tools verteilt. Ein einzelner Assistent hilft, löst aber nicht die Kontinuität.

Ein Operating Layer erhält Kontext von Deal Intake über Underwriting, Due Diligence, IC, Asset Management und Reporting hinweg.