Künstliche Intelligenz (KI) kann mittlerweile Ergebnisse liefern, die bemerkenswert fertig wirken. Sie kann Mietverträge zusammenfassen, Mietlisten überprüfen, Memos für Investitionsausschüsse entwerfen und Änderungen der Belegungsrate in prägnanter Sprache erläutern. Dies schafft ein neues Problem für Immobilienunternehmen: Ein Dokument kann bereit aussehen, lange bevor seine Nutzung sicher ist.
Für einen Asset Manager, Controller oder Akquisitionsexperten besteht die Herausforderung nicht darin, ob eine Antwort gut lesbar ist, sondern ob die empfangende Person die Arbeit verteidigen kann. Woher stammen die Zahlen? Wurden sie aus der aktuellen oder einer älteren Mietliste entnommen? Bedeutet „Belegung“ vermietet, physisch besetzt oder wirtschaftlich belegt? Wurden die Berechnungen unabhängig überprüft? Was geschieht, wenn das System unsicher ist?
Diese Fragen gewinnen an Bedeutung, da die KI über das reine Entwerfen hinausgeht und längere Arbeitsabläufe selbstständig durchführt. Ein Beispiel hierfür ist die Routineanfrage: „Senden Sie den Montags-Betriebsbericht.“ Für einen Menschen beinhaltet diese Anweisung viel stillschweigendes Wissen. Der Bericht muss den korrekten Berichtszeitraum, die richtige Objektliste und Buchhaltungsdaten verwenden. Er muss möglicherweise bestimmte Abweichungen kennzeichnen, andere jedoch ignorieren. Einige Informationen könnten dem Asset-Management-Team zugänglich sein, aber anderen Empfängern vorenthalten bleiben. Das fertige Dokument erfordert möglicherweise auch eine Prüfung, bevor es das Unternehmen verlässt.
Die Notwendigkeit von Nachvollziehbarkeit
Die Anfrage klingt nach einer einzelnen Aufgabe, ist aber in der Praxis eine Reihe von Entscheidungen. Diese Unterscheidung ist relevant, da jeder einzelne Schritt plausibel erscheinen kann, während das Endergebnis fehlerhaft ist. Ein KI-System kann ein Dokument abrufen, zusammenfassen, Zahlen in eine Tabelle einfügen und eine E-Mail vorbereiten. Wenn es jedoch eine veraltete Datei auswählt oder den Bericht an den falschen Verteiler sendet, bietet die Tatsache, dass jeder einzelne Schritt korrekt funktionierte, wenig Trost.
Die gewerbliche Immobilienwirtschaft verzeiht diese Art von Fehlern besonders ungern. Ein Bericht kann professionell verfasst sein und trotzdem eine falsche Entity-Zuordnung, ein inkorrektes Datum oder eine Formel in der falschen Zelle enthalten. Eine Mietzusammenfassung mag das Dokument korrekt zitieren, dabei aber die für den Eigentümer wichtigste Bestimmung übersehen. Ein Underwriting-Memo kann kohärent erscheinen, obwohl es von einer falschen Annahme ausging.
Daher muss die Branche zwischen dem Generieren einer Antwort und dem Erstellen rechenschaftspflichtiger Arbeitsergebnisse unterscheiden. Letzteres erfordert mehr als ein starkes KI-Modell, sondern eine Dokumentation der verwendeten Quellen, der überprüften Berechnungen, der Änderungen gegenüber dem Vorperiode, der verbleibenden Unsicherheiten und der Entscheidungen, die weiterhin bei einer Person liegen. Vertrauen ist kein Konfidenzwert neben einer Antwort.
Gezielte Anwendungen und Überprüfungsmechanismen
Ein System, das angibt, zu „92 Prozent zuversichtlich“ zu sein, sagt einem Investitionsausschuss nicht, ob das zugrunde liegende Net Operating Income (NOI) mit dem Buchhaltungssystem abgeglichen wurde. Es teilt einem Asset Manager nicht mit, ob die neueste Mietvertragsänderung berücksichtigt wurde. Es verrät einem Controller nicht, wer eine Ausnahme genehmigt hat. Vertrauen entsteht durch Nachweise.
- —Überprüfung von Berechnungen anhand der Quell-Arbeitsmappe.
- —Bestätigung, dass Datensätze aktuell sind.
- —Identifizierung von Diskrepanzen und Anhalten bei widersprüchlichen Informationen.
- —Beibehaltung menschlicher Genehmigung bei wichtigen Aktionen, anstatt dem System die Entscheidung zu überlassen.
Der Weg dorthin besteht nicht darin, ein einziges KI-Modell alle Aufgaben erledigen zu lassen. Stattdessen kann die Arbeit in kleinere, klarer definierte Schritte unterteilt werden. Ein System kann die richtigen Quelldokumente identifizieren. Ein anderes kann Tabellenzellen vergleichen oder eine Zahl neu berechnen. Ein weiteres kann testen, ob die Anfrage auf einer fehlerhaften Annahme beruhte. Eine separate Prüfung kann das Endergebnis mit dem Buchhaltungssystem, einer genehmigten Vorlage oder einer anderen Referenzquelle abgleichen. Wenn die Nachweise widersprüchlich sind oder ein Urteilsvermögen erforderlich ist, wird die Arbeit an eine Person weitergeleitet.
Spezialisierte Systeme sind nicht unbedingt intelligenter als die größten Allzweckmodelle, aber sie können eine engere Aufgabe erfüllen, die konsistenter getestet werden kann. Ein Tool, das beispielsweise Tabellenkalkulationsberechnungen vergleicht, kann anhand einer klaren richtigen oder falschen Antwort bewertet werden. Gleiches gilt für die Überprüfung, ob ein Dokument aktuell ist, ob ein Benutzer die Berechtigung hat, es einzusehen, oder ob eine erforderliche Genehmigung eingeholt wurde.
Unsere Untersuchungen zeigen, wie stark diese begleitenden Prüfungen die Leistung beeinflussen können. In einem Benchmark erhöhte die Änderung der Informationsabfrage und -verknüpfung die Abrufpräzision von etwa 72 Prozent auf 92 Prozent. Die Häufigkeit des Abrufs veralteter oder nicht autorisierter Informationen sank von etwa 41 pro 1.000 Abrufen auf weniger als einen. Das zugrunde liegende KI-Modell änderte sich nicht, aber die Verbesserungen resultierten aus der Bereitstellung eines besseren Kontextes, der Zuweisung jedes Schrittes an das geeignete Tool und der unabhängigen Überprüfung des Ergebnisses. Diese Resultate verdeutlichen einen größeren Punkt: Bessere Arbeit entsteht nicht zwangsläufig durch den Kauf eines größeren Modells, sondern kann durch die Aufteilung der Arbeit in definierte Schritte, die Verwendung des richtigen Tools für jeden Schritt und die Überprüfung des Endergebnisses anhand einer bereits bewährten Firmenreferenz erreicht werden. Arunabh Dastidar ist der Mitbegründer und CEO der Immobilieninvestitionsplattform Leni.
