Vom Luftbild zum Chatbot

Was haben ein Luftbild, ein Flurstück und ein Chatbot gemeinsam? Auf den ersten Blick vielleicht nicht viel. Doch wenn Künstliche Intelligenz ins Spiel kommt, entstehen daraus ganz neue Möglichkeiten.

Bei der KI-Konferenz Brains on Silicon 2026 in Dresden zeigte unser GeoSN-Kollege Salomon Zevallos, wie GeoAI – also die Verbindung von Künstlicher Intelligenz und Geodaten – ganz konkret eingesetzt werden kann.

Der Weg führt dabei vom klassischen Luftbild bis zum intelligenten Dialog mit Geodaten: KI kann beispielsweise dabei unterstützen, Gebäude oder Landbedeckungen in Luftbildern zu erkennen, räumliche Veränderungen aufzuspüren oder große Mengen an Metadaten und Fachdokumenten zu durchsuchen. Auch ein vom GeoSN entwickelter KI-gestützter Chatbot wurde vorgestellt, der Fragen zu Geodaten beantworten und die Ergebnisse direkt räumlich auf einer Karte darstellen kann.

Dabei geht es beim GeoSN nicht darum, KI um ihrer selbst willen einzusetzen. Entscheidend ist vielmehr die Frage: Wie kann KI die Fachleute unterstützen, um im Alltag Verwaltungsprozesse einfacher, schneller und zugänglicher machen?

Der Vortrag machte zugleich deutlich, dass zwischen einer guten KI-Idee und einer verlässlich nutzbaren Anwendung einige Schritte liegen. Datenqualität, Nachvollziehbarkeit, technische Rahmenbedingungen und die Einbindung in bestehende Fachprozesse spielen dabei eine zentrale Rolle.

Der Austausch bei Brains on Silicon hat gezeigt: GeoAI bietet viele Ansatzpunkte – und mindestens genauso viele Fragen, die es gemeinsam zu beantworten gilt. Für das GeoSN war die Konferenz deshalb nicht nur eine Bühne für eigene Projekte, sondern vor allem eine Gelegenheit, Erfahrungen zu teilen, neue Impulse aufzunehmen und den Blick über die eigene Geodatenwelt hinaus zu richten.

Was war Ihr persönliches Highlight bei Brains on Silicon 2026 – und warum?

Inhaltlich war mein Highlight ein Gedanke aus der Anthropic-Keynote: Die Technik sei in den meisten Organisationen längst vorhanden, es fehle an Organisation und sauberen Prozessen. Für uns stimmt das fast wörtlich. Unser Engpass ist selten das Modell. Er liegt bei den Referenzdaten, bei den Zuständigkeiten und bei der Frage, wie ein Ergebnis in ein Fachverfahren gelangt, für das am Ende jemand geradesteht.
 

Welche Idee oder welcher Impuls aus den Gesprächen mit anderen KI-Expertinnen und -Experten hat Sie besonders zum Weiterdenken gebracht?

Eine Verschiebung, die in mehreren Vorträgen anklang: weg von der Wissensarbeit, hin zur Entscheidungsarbeit. OpenAI hat es »von der Antwort zur Mitarbeit« genannt – die Maschine arbeitet, der Mensch entscheidet. Dazu passte eine Zahl, die mich nachdenklich gemacht hat: Deutschland hat europaweit die höchste Nutzung von Sprachmodellen, aber nur etwa jedes fünfte Unternehmen setzt KI wirklich täglich ein. Ausprobiert haben es alle. Eingebaut haben es wenige.
Für Geodaten hat dieser Rollenwechsel folgende Auswirkung: Ein Assistent, der nicht nur antwortet, sondern handelt, also Dienste aufruft, Geometrien verschneidet, eine Karte erzeugt; dieser muss nicht nur ein gutes Ergebnis liefern, sondern vor allem transparent machen, wie er dorthin gekommen ist. Ein Chatbot darf sich irren, solange man den Irrtum sieht. Eine Auskunft mit Raumbezug, die aussieht wie eine amtliche – das geht auf gar keinen Fall!

Gab es einen Vortrag oder Anwendungsfall, bei dem Sie spontan gedacht haben: »Das könnte auch für Geodaten spannend sein«?

Ja – und ausgerechnet einer aus der Medizin. Vorgestellt wurde eine KI-gestützte Auswertung in der Brustkrebsfrüherkennung. Die Zahl, die hängen geblieben ist, war aber keine Trefferquote: Die Wartezeit auf eine Mammografie sank von 147 auf 49 Tage.
Das ist für mich die wichtigste Info der Konferenz. Der Nutzen lag nicht darin, dass die KI etwas besser erkennt als der Mensch. Er lag darin, dass mehr Fälle in derselben Zeit durch den Prozess gehen. Genau so schauen wir inzwischen auf unsere KI-Änderungshinweise für das Gebäudekataster: Sie müssen nicht perfekt sein, sie müssen die Fortführung beschleunigen.

Hat der Austausch auf der Konferenz Ihren Blick auf einen der vorgestellten GeoAI-Anwendungsfälle beim GeoSN verändert oder erweitert?

Auf den Assistenten, ja. Ich bin mit der Annahme hingefahren, das Schwierige sei das Sprachmodell zu konfigurieren. Zurückgefahren bin ich mit der Überzeugung, dass das Schwierige der Werkzeugkasten ist – also die Frage, welche unserer Dienste ein solches System überhaupt in die Hand bekommt und wie sie ihm erklärt werden.
Auf der Konferenz wurde viel über das Model Context Protocol (MCP) gesprochen, den inzwischen gängigen Weg, ein Modell standardisiert auf Werkzeuge zugreifen zu lassen. Beim Zuhören ist mir aufgefallen: In der Geodateninfrastruktur arbeitet man seit zwanzig Jahren an genau dieser Idee, nur unter anderem Namen – standardisierte Dienste, dokumentierte Schnittstellen, Metadaten, die sagen, was ein Datenbestand ist und was er nicht ist. Unsere rund 190 Dienste sind bereits die Werkzeuge. Was ihnen fehlt, ist eine Beschreibung, die auch eine Maschine versteht.Das verschiebt die eigentliche Arbeit: weg vom Modelltraining, hin zu sauberer Metadatenpflege. Das ist unspektakulär – aber es ist die Stelle mit dem größten Hebel.

Was nehmen Sie sich für die nächsten Schritte beim GeoSN vor – und wo würden Sie gerne noch tiefer in das Thema KI und Geodaten einsteigen?

Zwei Dinge stehen auf der Liste. Erstens eigene Trainingsdaten: Unsere bisherigen Modelle zu Gebäuden und Landbedeckung sind Experimente. Der nächste Schritt ist Training mit sächsischen Referenzdaten.
Zweitens der Assistent. Vom Prototyp zu etwas Belastbarem fehlen keine Modellfähigkeiten, sondern Rechte, Protokollierung und eine verlässliche Quellenangabe an jeder einzelnen Antwort.