Der Umbau des Wohnens entscheidet sich im Bestand – insbesondere im Einfamilienhausund Zweifamilienhaus. Von rund 22 Millionen Gebäuden in Deutschland sind etwa 16 Millionen Ein- und Zweifamilienhäuser, darunter rund 11 Millionen Einfamilienhäuser (EFH). Sie bilden den größten Hebel für Nachverdichtung, Umbau, energetische Sanierungund nachhaltige Bestandsentwicklung. Trotz individueller Unterschiede teilen viele dieser Gebäude grundlegende räumliche und konstruktive Muster. Gleichzeitig fehlt bislang häufig eine belastbare Datengrundlage für systematische typologische Einordnung: Planunterlagen sind oft nicht digital verfügbar oder aus Datenschutzgründen schwer zugänglich. Potenziale im Wohngebäudebestand bleiben dadurch unerschlossen.

Das Forschungsprojekt InsAIderKnowledge setzt hier an. Ziel ist ein datenbasierter, KI-gestützter Ansatz zur Analyse und digitalen Erschließung von Ein- und Zweifamilienhäusern. Zentral: Wie lassen sich innere Raumstrukturen aus der äußeren Gebäudehülle ableiten? Auf Basis öffentlicher Daten werden phänomenologische Merkmale erfasst und in eine übertragbare Gebäudetaxonomie überführt.

Damit verbindet das Projekt Building Information Modelling (BIM) mit Visual Computing, Artificial Intelligence, 3D Generative AI und automatisierter Floor Plan Generation. Geplant ist eine strukturierte Wissensbasis zur Knowledge Documentation mittels Ontologies for the Built Environment, um Zusammenhänge maschinenlesbar zu machen.

Aus Fassadenbildern sollen so automatisiert Grundrisse abgeleitet und semantische 3D-Modelle generiert werden – BIM-on-Demand für den Bestand. Dies eröffnet Perspektiven für Architecture Digitalization, skalierbare Typologisierung und KI-gestützte Planerzeugung.

InsAIderKnowledge integriert Bestandserfassung, Modellierung und Planung zu einem Prozess – für typologisch fundierte, wissensbasierte Architektur-Transformation im EFH-Bestand.