STLB & GAIO IM TIEFBAU.
WIE KI AUSSCHREIBUNGS­TEXTE UND KI-ANTWORTEN VEREINT.

Die Ausgangslage: zwei Welten, ein Inhalt

Stellen Sie sich vor, ein Tiefbau-Planer arbeitet an einer Ausschreibung für einen Schmutzwasserkanal DN 800. Er braucht zwei Dinge: einen STLB-konformen Ausschreibungstext, den er direkt in sein Leistungsverzeichnis übernehmen kann — und vorher die Antwort auf die Frage, welches Rohr für diesen konkreten Anwendungsfall überhaupt das richtige ist.

Heute läuft das oft so: Der Planer öffnet zwei Browserfenster. Im einen sucht er auf Hersteller-Websites Datenblätter, im anderen googelt er Normen und Anwendungstipps — oder er fragt mittlerweile direkt ChatGPT. Wenn er den Hersteller anruft, dauert die Auskunft Stunden oder Tage. Wenn er den Standard-STLB nimmt, ist der Text zu generisch und passt nicht zum Produkt, das er eigentlich will.

Genau hier setzt die KI-gestützte Wissensbasis an, die wir für einen Stahlbeton-Hersteller gebaut haben (anonymisiert dokumentiert im Use-Case-Detail): Sie bedient beide Welten aus einer Quelle.

Hebel 1: Doppelte Auszeichnung — strukturiert und semantisch

Jedes Produkt — sagen wir, ein Stahlbetonrohr Form K-GM, DN 800, nach DIN EN 1916 — bekommt in der Wissensbasis zwei parallele Datenrepräsentationen.

Der Trick liegt darin, dass beide Repräsentationen aus derselben Quelldatei generiert werden. Wir pflegen die Inhalte ein Mal — die KI erzeugt die jeweilige Format-Variante. Beim STLB-Text werden technische Eckdaten extrahiert und in die Norm-Sprache übersetzt. Beim Web-Inhalt wird zusätzlich Anwendungs-Kontext hinzugefügt und auf zitierfähige Absatzlängen achtgegeben.

Hebel 2: Pillar-Architektur statt Produktliste

Klassische Hersteller-Websites haben eine flache Navigation: Produktgruppe → Produkt → Datenblatt. Für KI-Antwortsysteme ist das eine Sackgasse. KIs verstehen Inhalte besser, wenn sie Hub-and-Spoke-Struktur vorfinden: ein Pillar-Artikel als Übersicht, viele spezialisierte Spoke-Artikel in der Tiefe.

Für einen Stahlbeton-Hersteller heißt das konkret:

• Pillar „Stahlbetonrohre" mit Übersicht über alle Querschnitte (Kreis, Ei, Maul), Verfahren (K-GM, K-FM, K-VM), Anwendungsfelder, FAQ.
• Spoke „K-GM-Rohre DN 300–1200" mit allen technischen Details, Belastungsklassen, typischen Einsatzfeldern, STLB-Bezug.
• Spoke „Druckleitungen mit FBS-Qualität" als anwendungs-orientierter Artikel quer durch die Produktgruppen — genau der Artikel, den ein Planer sucht, wenn er nach „FBS-Qualität DN 800" fragt.
• Spoke „DIN EN 1916 im Tiefbau" als Norm-Artikel mit DefinedTerm-Schema.

Diese Architektur hat einen doppelten Effekt. Erstens bringt sie SEO-Vorteile, weil Google Pillar-Strukturen mit interner Verlinkung gut versteht. Zweitens — und wichtiger — gibt sie KI-Antwortsystemen genau die Zitations-Anker, die sie brauchen: einzelne Spoke-Artikel mit eindeutigem Themenfokus.

Hebel 3: Agenten-Pflege für Norm-Updates

Normen ändern sich. DIN EN 1916, DIN V 1201, FBS-Qualitätsrichtlinien — alle paar Jahre kommt eine neue Version. Wenn Sie 120 Wissensseiten haben, die auf Normen verweisen, ist die manuelle Pflege eine Sisyphos-Arbeit.

Wir setzen einen Agenten dafür ein, der periodisch prüft: Gibt es eine neue Version dieser Norm? Welche Inhalte unseres Systems referenzieren sie? Hat sich an den zitierten Parametern etwas geändert? Falls ja, schlägt der Agent eine Aktualisierung vor, mit Diff und Vorschlagstext. Die Endabnahme bleibt beim Menschen — aber die Vorarbeit erledigt der Agent.

Das macht aus einer einmalig gebauten Wissensbasis ein lebendes System, das sich selbst aktuell hält. Genau das brauchen Sie, wenn Sie ernsthaft auf GAIO setzen — KIs zitieren bevorzugt aktuelle Inhalte, veraltete Norm-Verweise sind ein Killer.

Was am Ende auf der Website zu sehen ist

Vor der Umsetzung: eine schöne, aber statische Produkt-Übersicht mit Datenblättern als PDF. Nach der Umsetzung: eine durchsuchbare Wissensplattform mit acht KI-Hebeln (Norm-Glossar, STLB-Bausteine, Anwendungs-Wissen, Einbau-Beratung, Produkt-Finder, FAQ je Pillar, B2B-Shop mit Anwendungs-Kontext, Agenten-Pflege).

Vor allem aber: ein und derselbe Inhalt erreicht zwei Zielgruppen mit zwei verschiedenen Bedarfen. Der Planer bekommt seinen STLB-Text, das KI-Antwortsystem zitiert die passende Anwendungs-Empfehlung. Die manuelle Pflege bleibt überschaubar, weil der Agent die Norm-Drift abfängt.

Was Sie daraus für Ihren Fall mitnehmen können

Das Prinzip funktioniert nicht nur für Stahlbeton-Tiefbau. Überall, wo es Normen oder Regelwerke gibt und gleichzeitig Endkunden, die natürlichsprachliche Fragen stellen, kann die doppelte Wissensbasis sinnvoll sein:

• Bauchemie mit DIN-Normen plus Anwendungsfragen von Bauleitern
• Pharma-OTC mit Beipackzettel-Pflicht plus Endkunden-Fragen zu Wechselwirkungen
• Industrieprodukte mit EU-Konformitätserklärung plus Einkäufer-Fragen zu Vergleichbarkeit
• Lebensmittel mit Kennzeichnungspflicht plus Konsumenten-Fragen zu Inhaltsstoffen

Die Methodik ist immer dieselbe: doppelte Auszeichnung, Pillar-Architektur, Agenten-Pflege. Was sich ändert, sind die Normen und das Vokabular.