KI im Immobilien-Asset-Management

Wo Asset-Management im Mai 2026 wirklich steht#

Wer heute ein Mittelstands-Portfolio mit 30 bis 200 Objekten verwaltet, hat ein Datenproblem, das von keinem ERP-System gelöst wird. Mietverträge liegen als gescannte PDFs in DocuWare, M-Files oder einem schlecht strukturierten SharePoint. Nebenkostenabrechnungen kommen einmal jährlich aus drei verschiedenen Hausverwaltungen, jede in einem anderen Layout. Verbrauchsdaten für ESG-Reporting werden händisch aus Versorger-Portalen abgeschrieben. Und die EU-Taxonomie verlangt seit 2024 belastbare Aussagen über Anteil grüner Vermögenswerte — auf einer Datenbasis, die kein Asset-Manager ohne Wochenarbeit zusammenstellen kann.

Die Vorstandsperspektive: KI wird das lösen. Die Praxisperspektive: KI löst es nicht von alleine, aber sie senkt den Aufwand pro Aufgabe um eine Größenordnung — wenn man weiß, welche Aufgabe wann reif ist. Dieser Wegweiser ordnet ein, in welcher Reihenfolge KI-Funktionen heute belastbar einsetzbar sind, und welche Etappen man besser noch zwölf Monate beobachtet.

Tag 0 bis 30 — Was sofort funktioniert#

Mietvertrags-Abstracts#

Der mit Abstand reifste Use-Case. Ein modernes Sprachmodell zieht aus einem zehnseitigen Gewerbemietvertrag innerhalb von Sekunden Mietzeit, Optionen, Sonderkündigung, Indexklausel, Mietzinsanpassung, Untermietverbot und Konkurrenzschutz. Was ein Asset-Manager in 20 Minuten manuell macht, läuft mit Claude in 40 Sekunden — und mit höherer Konsistenz, weil die Aufmerksamkeit nicht ermüdet.

Die Praxis-Hürde ist nicht das Modell, sondern der Datenraum. PDFs sind nicht durchsuchbar, OCR ist oft minderwertig, und in Konzernumgebungen darf das Vertrags-PDF nicht in eine externe Cloud. Der pragmatische Einstieg:

• Pilot-Mandat festlegen. Nicht das ganze Portfolio. Eine Liegenschaft, fünfzehn Verträge, eine Person, die das prüft.
• OCR vorgelagert sicherstellen. Wenn die Verträge nicht maschinenlesbar sind, fängt KI-Extraktion mit Müll an. Eine vorgelagerte OCR-Stufe (Tesseract lokal, Adobe Acrobat Pro, oder Azure Document Intelligence im EU-Rechenzentrum) ist Pflicht.
• Prompt-Vorlage standardisieren. Damit die Extraktionen vergleichbar werden, braucht es eine feste Struktur — kein „erzähl mir was Wichtiges drin steht".

Die Vorlage, mit der wir heute arbeiten:

Du bist juristischer Assistent für Asset-Management. Extrahiere aus dem
Mietvertrag im Anhang die folgenden Felder. Antworte ausschließlich
als JSON-Objekt mit diesen Schlüsseln:

{
  "objekt_adresse": string,
  "mieter_firma": string,
  "mieter_vertretung": string,
  "vertragsbeginn": "YYYY-MM-DD",
  "festlaufzeit_ende": "YYYY-MM-DD" | null,
  "verlaengerung_optional": boolean,
  "optionsfrist_monate": number | null,
  "sonderkuendigungsrechte": [{ "anlass": string, "frist_monate": number }],
  "miete_netto_eur": number,
  "miete_anpassung": "VPI" | "Stufe" | "Festwert" | "andere",
  "vpi_basis": "100% Inflation" | "Wesentlichkeitsschwelle" | "Cap" | null,
  "nebenkosten_pauschale_oder_abrechnung": "pauschal" | "abrechnung",
  "konkurrenzschutz": boolean,
  "untermietverbot": boolean,
  "instandhaltungspflicht_dach_fach": "Vermieter" | "Mieter" | "Anteilig",
  "kaution_eur": number,
  "buergschaft": boolean,
  "fundstellen": { "feld": "Seite/Absatz" }
}

Wenn ein Feld nicht eindeutig im Vertrag steht, antworte mit null.
Belege jedes ausgefüllte Feld in "fundstellen" mit Seite und Absatz-Nummer.
Keine eigenen Annahmen. Keine Zusammenfassung.

Der Schlüssel ist das fundstellen-Feld. Damit bekommst du nicht nur eine Antwort, sondern eine prüfbare Antwort. Ein Asset-Manager, der das Ergebnis übernimmt, kann die Quelle in 20 Sekunden gegenchecken — und das ist der Unterschied zwischen „KI als Vorarbeit" und „KI ohne Aufsicht".

Nebenkosten-Plausibilisierung#

Eine Nebenkostenabrechnung gegen den Mietvertrag und das Vorjahr abzugleichen, ist mechanische Arbeit. Stimmt der Verteilerschlüssel? Sind die Heizkosten plausibel zur HGT-Bereinigung? Wurde die Wärmeumlage gemäß HeizkostenV abgegrenzt? Werden Versicherungs-Selbstbehalte unzulässig auf Mieter umgelegt? All das prüft man in einem strukturierten Prompt mit Vorjahres-Kontext effizient — und die KI fängt die typischen Fehler, die in Eile entstehen, oft besser als ein gestresster Asset-Manager am letzten Tag der Frist.

Markt-Recherche-Briefings#

Standortdossiers für Akquise oder Verkauf sind der dritte sofort-reife Use-Case. Mit MCP-Connectoren zu OpenStreetMap, GENESIS-Online (Statistisches Bundesamt) und einem Connector zu deinem Maklerverband fließen Mikrolage, Bevölkerungsentwicklung, Mietspiegel und Verkehrsanbindung in eine strukturierte Vorlage. Faustregel: Was in 60 Sekunden eingelesen werden kann, hat KI in 60 Sekunden — was eine Vor-Ort-Begehung verlangt, hat sie nie.

Tag 30 bis 90 — Was Vorbereitung braucht, dann läuft#

Strukturierte Vertrags-Datenbank#

Sobald die ersten 20 bis 50 Verträge per Prompt extrahiert sind, liegen sie als JSON vor. Der nächste Schritt ist eine durchsuchbare Datenbank — und hier scheiden sich die Geister.

Wer wenig IT-Hintergrund hat, fährt gut mit Airtable oder Notion-Datenbanken: jeder Vertrag eine Zeile, jedes JSON-Feld eine Spalte, fertig. Wer ein Property-Management-System wie iX-Haus, Yardi oder DOMUS einsetzt, sollte die Extraktionen als CSV-Import dort einkippen — die Datenmodelle sind kompatibel genug. Wichtig ist nur eines: nicht zwei Quellen gleichberechtigt führen. Die KI-Extraktion ist Vorarbeit, der Mensch entscheidet, was in die Stamm-Datenbank wandert.

Sobald die Datenbank steht, öffnen sich Auswertungen, die manuell unbezahlbar wären:

• Welche Verträge laufen 2027/2028 aus, ohne dass eine Verlängerungsoption besteht?
• Welche VPI-Klauseln greifen ab welchem Schwellenwert? Wieviel Indexierungspotenzial liegt brach?
• Welche Mieterträge sind gegen welche Inflation abgesichert?

Das ist Asset-Management-Substanz, die in den meisten Mittelstand-Portfolios nicht in Reichweite ist — und mit dieser Vorgehensweise in 60 Tagen erreichbar.

ESG- und EU-Taxonomie-Reporting#

Hier wird es ehrlicher. Die Taxonomie verlangt belastbare Aussagen über Energieausweise, Primärenergiebedarf, Sanierungsplanung und Klimarisiko-Bewertung. KI hilft, die Datenpflege zu beschleunigen — aber der Reporting-Output muss vom Menschen verantwortet werden, weil falsche Aussagen einen Bilanzposten verändern.

Pragmatischer Einstieg: Verbrauchsdaten aus den Versorger-PDFs extrahieren (gleiche Mechanik wie bei Verträgen), in die Taxonomie-Berechnungs-Vorlage einkippen, KI generiert den Erstentwurf der ESG-Vorlage, der Wirtschaftsprüfer reviewt. Was du nicht tun solltest, ist KI-generierte Taxonomie-Aussagen ungeprüft an Investoren weiterreichen.

Mieter-Kommunikation#

Anfragen, Beschwerden, Mieterhöhungs-Mitteilungen, Indexanpassungs-Schreiben — alles textintensive Routine. Eine Vorlagen-Bibliothek mit zehn Briefformaten, eingebunden in ein Modell mit Zugriff auf den jeweiligen Mietvertrag, schreibt Erstentwürfe, die nach 30 Sekunden Review versendet werden können. Wichtig ist, dass nichts ohne menschliche Freigabe rausgeht — eine fehlerhafte Mieterhöhung produziert juristische Folgekosten, die jede Effizienzgewinn-Argumentation auffressen.

Tag 90 bis 180 — Was wir noch nicht empfehlen#

Vollautomatische Mietverhandlung#

Klingt nach 2030, ist aber heute schon in Pitch-Decks. Die Realität: Sprachmodelle führen freie Verhandlungen schlecht, und juristische Rahmen sind so dünn, dass kein institutioneller Asset-Manager das Risiko trägt. Hilf der KI bei der Verhandlungsvorbereitung — Argumentenbäume, Zugeständnis-Pakete, Marktvergleichswerte. Aber sie schickt keine eigenen Mails.

Cashflow-Prognose-Modelle#

LLMs erzeugen plausibel aussehende Zahlen, aber sie verstehen keine Modelle. Ein DCF-Modell, das mit KI-generierten Mietsteigerungs-Annahmen gefüttert wird, ist nicht zuverlässiger als ein gut-gepflegtes Excel — nur teurer. Wenn überhaupt, dann KI als Sensitivitäts-Reviewer: das fertige Modell als Eingabe, die KI prüft auf logische Inkonsistenzen.

Bewertungsgutachten#

Niemals. Auch nicht als Vorab-Schätzung. Das Haftungsrisiko ist nicht abbildbar, und die regulatorischen Anforderungen (Immobilienwertermittlungsverordnung, Sachwert- und Ertragswertverfahren) sind kein Wahrscheinlichkeits-Match.

Werkzeug-Stack, der heute trägt#

Claude Pro / Claude Code. Das Arbeitspferd für Vertragsabstracts, ESG-Reports, Recherche-Synthesen. Datenraum-Argumentation: Anthropics Datenschutz-Profil ist im Enterprise-Bereich für die meisten institutionellen Anleger akzeptabel; für Konzern-Datenräume gibt es Claude für Enterprise mit dedizierten Endpunkten.

MCP-Connectoren. OpenStreetMap-MCP für Standortdossiers, ein Excel-Skill für Massendatenverarbeitung, ein DocuWare- oder iManage-MCP-Connector (in Eigenarbeit oder Open-Source) für die Vertrags-Anbindung. Der MCP-Standard ist 2025 erwachsen geworden — was vor zwei Jahren selbst gebaut werden musste, ist heute Plug-and-Play.

Spezial-Tools. Für OCR von Altverträgen Adobe Acrobat Pro oder Azure Document Intelligence (DSGVO-konformes EU-Hosting). Für ESG-Datenpflege ein dediziertes Modul wie Carbn, ESGvolution oder das eigene CAFM, falls vorhanden — kein generisches LLM ersetzt die fachliche Logik einer ESG-Engine.

metxme.ai-Werkzeuge im Gewerbe-Kontext. Wer Sondereigentumsverwaltung oder gemischt genutzte Liegenschaften betreut, kann das Leistungsverzeichnis-Tool und die Wartungsmatrix als Brücke zum FM-Strang nutzen.

Drei Risiken, die du selbst absichern musst#

Datenraum-Verlust. Vertragsdaten in einer falschen Cloud sind ein DSGVO-Vorfall. Ein klares Dreistufen-Modell: nicht-personenbezogen → öffentliches Modell zulässig; personenbezogen, aber nicht sensibel → EU-Hosting-Modell; sensibel oder unter Geheimhaltungsvereinbarung → on-premise oder dedizierter Tenant. Ohne dieses Profil kein produktiver Einsatz.

Halluzinations-Übernahme. Eine KI, die in einer von hundert Antworten eine Klausel erfindet, ist gefährlicher als eine, die in zehn von hundert Fällen aufgibt. Die Lösung ist nicht das bessere Modell, sondern die Prüfpflicht — jede KI-Extraktion gilt als Vorschlag, bis ein Mensch sie freigegeben hat. Die fundstellen-Logik im Prompt-Beispiel oben ist die einfachste Möglichkeit, das systematisch zu verankern.

Tool-Wildwuchs. Drei verschiedene LLM-Konten in drei Abteilungen ohne gemeinsame Vertrags-Vorlagen produzieren in 18 Monaten ein Daten-Chaos, das schwer rückgängig zu machen ist. Lieber ein zentral betreuter Stack mit klarer Verantwortlichkeit als fünf Pilotinseln.

Wo der Übergang zu FM beginnt#

Asset-Management endet nicht in der Mietvertragsdatenbank. Sobald ein Bestand aktiv betrieben wird, kippen die Themen — Wartungspflichten, Verkehrssicherung, Reinigungs-Leistungsverzeichnisse, Begehungs-Protokolle. Wer die KI-Routen aus diesem Wegweiser umgesetzt hat, hat in jedem Fall Datenmaterial liegen, das im operativen Strang weiterläuft. Welche Verträge das LV-Tool für die Hausverwaltung erzeugt, welche Wartungspflichten aus der Anlage-Inventur folgen, welche Begehungs-Protokolle aus der Mängelliste hervorgehen — das ist der direkt anschließende Wegweiser für Facility Management.