Das Ziel von The Green Bridge: Sprachmodelle sollen nicht nur textliche Informationen zusammenfassen, sondern georäumliche Zusammenhänge über Zeiträume hinweg erkennen und für bauliche Entscheidungen nutzbar machen. Grundlage ist eine Technologie, die räumliche Daten in Zeithorizonte einbettet und Dynamiken automatisiert erkennbar macht.

In klassischen Large Language Models (LLM) wird jede Aktualisierung von Daten im Kern als neue, unabhängige Information behandelt. Eine zusammenhängende „Landschaft“ von Beziehungen – also was sich wo, wann und in welcher Richtung verändert – bleibt für das Modell unsichtbar. Für viele Baustellenfragen ist das ein Problem: Ein LLM kann zwar textlich erklären, was ein Lagerplatz ist, aber nicht zuverlässig bewerten, wo auf einer Linienbaustelle Lagerflächen sinnvoll sind, wie sich Verkehrsströme auf Lieferzeiten auswirken oder wie sich Mannschaftskapazitäten räumlich verteilt über Jahre vergleichen lassen.

TGB setzt dafür auf ein sogenanntes Large Geo-Grid Model (LGM). Technische Basis ist ein europaweit einheitliches Referenz-Raster (EEA Reference Grid) der European Environment Agency, das TGB nach eigenen Angaben in den globalen Raum überführt.

Das Prinzip: Die Erde wird in ein hierarchisches Gitter aus festen Zellen unterteilt. Jede Zelle erhält eine permanente ID, definierte Nachbarschaften und einen konsequenten Eltern-Kind-Bezug über 17 Rasterebenen – in einer Größenskalierung von 1 Millimeter bis 100 Kilometer. So entsteht eine stabile, maschinenlesbare „Grammatik“, die Umgebung, Richtung und Entfernung abbildet.

Werden Baustellendaten – etwa Lagerflächen, Anlieferungszeiten, Personalverteilung, Arbeits- und Pausenfenster, Energiekosten, Wetter, Verzögerungen oder Nachkalkulationsdaten – auf dieses Raster projiziert, wird jede Zelle zu einem räumlichen Token mit Zeitstempel. Dessen Merkmale verändern sich über die Zeit. Aus Daten verschiedener Zeitpunkte kann das Modell räumliche Dynamiken erkennen: Wachstumsfronten, Cluster, Muster und Trends.

Spannend wird das Konzept dort, wo es in die gewohnte Arbeitslogik vieler Anwender passt: über natürliche Sprache. TGB beschreibt das Ziel so, dass Baustellenverantwortliche komplexe Fragen als Prompt stellen können – ähnlich wie beim bekannten Sprachassistenten. Beispiele sind: Wo befinden sich geeignete Lagerplätze für Bewehrungsgitter? Wann ist eine Anlieferung verkehrstechnisch sinnvoll? Wo drohen Kollisionen? Welche Lkw sind wie lange mit welchem Baustoff zwischen Baustellen unterwegs? Wo stockt der Workflow und lohnt sich das Zubuchen weiterer Mitarbeiter?

Die Antworten sollen nicht nur als Text kommen, sondern als visuell gut erfassbare Karten – und damit als Entscheidungsgrundlage für Steuerung, Nachkalkulation und Planung.

TGB spricht in diesem Zusammenhang von einem Large Intelligence Model (LIM). Gemeint ist die Kombination aus LLM als Denk- und Kommunikationsebene und LGM als räumlich-zeitlicher Grundlage. In dieser Aufteilung stellt das Sprachmodell per Prompt strukturierte Tool-Aufrufe an das Geo-Modell. Das Geo-Modell übernimmt die räumliche Schlussfolgerung und liefert Ergebnisse zurück, die das Sprachmodell interpretieren und erklären kann. Dabei können Parameter wie Wetterdaten, Preisentwicklungen oder Verkehrsfluss einbezogen werden; das Ergebnis umfasst sowohl eine Erklärung als auch eine Karte.

Ob und wie schnell sich solche spatio-temporalen Ansätze in der Baustellensteuerung durchsetzen, wird davon abhängen, wie gut Datenquellen angebunden werden können und wie zuverlässig die Modelle im Alltag liefern. Klar ist: Viele Fragen auf der Baustelle sind räumliche Fragen – und genau dort haben textbasierte Systeme bisher ihren blinden Fleck. Lösungen, die Sprache mit Geointelligenz koppeln, könnten deshalb ein nächster Baustein sein, um KI im Bau von der reinen Textassistenz in Richtung operativer Entscheidungsunterstützung weiterzuentwickeln.