In der Informatik gibt es ein altes Sprichwort, das bis zu den Anfängen der Großrechner zurückreicht: „Müll rein, Müll raus.“ Es bedeutet, dass eine Maschine nur mit dem arbeiten kann, was man ihr gibt. Gibt man ihr fehlerhafte Informationen, liefert sie mit absoluter Gewissheit fehlerhafte Ergebnisse. Dieses Prinzip ist heute wichtiger denn je, da künstliche Intelligenz Einzug in die Werkzeuge hält, die wir für die Planung, Installation und Inspektion von Brandschutzsystemen verwenden. Die Technologie ist beeindruckend. Die zugrunde liegenden Daten entscheiden über alles.

Warum die Datenqualität im Brandschutz wichtig ist

Brandschutz ist eine Disziplin, die auf Präzision im Detail beruht. Ein Planer, der ein System nach NFPA 13 dimensioniert, arbeitet mit einem Wissensfundament, das sich in realen Bränden, realen Fehlern und realen Todesfällen bewährt hat. Wenn wir ein KI-Tool zur Unterstützung dieser Arbeit einsetzen, bitten wir es, auf die Informationen zurückzugreifen, mit denen es trainiert wurde. Sind diese Informationen aktuell, korrekt und auf den geltenden Normen basierend, kann das Tool eine wertvolle Hilfe sein. Sind sie jedoch veraltet, unvollständig oder stammen sie aus ungesicherten Quellen im Internet, wird das Tool zur Quelle stillschweigender, aber selbstsicherer Fehler. Und selbstsichere Fehler sind in lebensrettenden Anwendungen die gefährlichsten.

Was Datenqualität für KI in lebensrettenden Systemen bedeutet

Überlegen Sie einmal, was „Datenqualität“ in unserer Praxis bedeutet. Es bedeutet, dass die Version der Norm eine Rolle spielt. Ein Modell, das mit einer veralteten Version der NFPA 13 trainiert wurde, kann Abstandsregeln oder Gefahrenklassifizierungen angeben, die nicht mehr gelten. Es bedeutet, dass die Quelle entscheidend ist. Hinweise aus der Installationsanleitung eines Herstellers haben ein anderes Gewicht als Kommentare in einem Forum, doch ein KI-System, das diesen Unterschied nicht erkennt, behandelt beides als gleich wahr. Es bedeutet, dass der Kontext entscheidend ist. Eine Regel, die für einen Bereich mit geringem Gefahrenpotenzial korrekt ist, kann falsch, ja sogar gefährlich sein, wenn sie auf eine Lageranordnung angewendet wird, für die sie nie gedacht war. Die Maschine erkennt den Unterschied nur, wenn die Daten ihr diesen Unterschied vermittelt haben.

Wie NFPA und NFSA KI auf Basis maßgeblicher Quellen entwickeln

Hier beginnt die Branche, etwas Bemerkenswertes zu tun. NFPA und NFSA entwickeln KI-Tools, die auf maßgeblichen Quellen basieren, anstatt auf frei zugänglichen Webseiten. Die NFPA beschreibt ihren CASI-Assistenten, der in NFPA LiNK integriert ist, als vertrauenswürdige Antwortquelle, da er auf offiziellen NFPA-Inhalten beruht und die verwendeten Quellenangaben liefert (NFPA, 2026). Die NFSA verfolgt mit ihrem Chat-EOD-Tool für Fragen zu Ingenieurwesen und Konstruktion einen ähnlichen Ansatz. Wenn ein Tool seine Antworten aus den geltenden Normen und Standards bezieht, steigt die Qualität der Eingabe deutlich, und die Ausgabe ist für Fachleute direkt nutzbar. Genau diese Fundierung ist entscheidend. Sie macht den Unterschied zwischen einem Tool, das rät, und einem Tool, das auf denselben Dokumenten basiert, die man auch im Regal findet. Der Wert dieser Bemühungen liegt nicht in der KI-gestützten Technologie selbst, sondern in der Sorgfalt, mit der die Entwicklung dieser Tools erfolgte.

Das Halluzinationsproblem bei unzureichender Datenqualität

Im Gegensatz dazu steht das, was passiert, wenn die Datenlage mangelhaft ist. Einem allgemeinen Modell, dem eine Frage zum Brandschutz gestellt wird, wird oft eine Antwort gegeben, die autoritativ klingt und sich gut liest. Es mag eine Norm namentlich erwähnen. Es mag die richtige Terminologie verwenden. Und es kann Fehler enthalten, die nur einem erfahrenen Fachmann auffallen. Dies ist das Problem der Fehlinterpretation, und es handelt sich dabei nicht um einen seltenen Fehler. Es ist eine vorhersehbare Folge davon, wenn man von einem System verlangt, mehr zu sagen, als seine Daten hergeben. Das System lügt nicht. Es hat kein Verständnis von Wahrheit. Es setzt eine plausible Antwort aus Mustern zusammen, und wenn die zugrunde liegenden Muster lückenhaft oder fehlerhaft sind, ist auch die Antwort lückenhaft oder fehlerhaft – verpackt in eine flüssige Sprache, die die Lücke kaschiert. Die Juristen mussten dies öffentlich erfahren, als zwei Anwälte eine Klageschrift einreichten, die auf von einem KI-Tool erfundenen Fällen basierte, und der Richter sie dafür bestrafte (Mata gegen Avianca). Die gefälschten Zitate sahen echt aus. Sie existierten schlichtweg nicht.

Professionelle Verantwortung und der Standard der Sorgfaltspflicht

Die Tragweite dieser Angelegenheit macht sie zu mehr als nur einer technischen Kuriosität. In unserem Bereich bleibt ein Fehler nicht auf dem Bildschirm. Er wird Teil eines genehmigten Entwurfs, eines installierten Systems, eines bezugsfertigen Gebäudes. Der verantwortliche Ingenieur, der eine Zeichnung abzeichnet, übernimmt die berufliche Verantwortung dafür, und kein KI-Tool teilt diese Verantwortung. Selbst wenn die dem Tool zugeführten Daten fehlerhaft waren, trägt der Ingenieur die Verantwortung für das Ergebnis. Das ist ein ernüchternder Gedanke, der unser aller Umgang mit diesen Werkzeugen prägen sollte. Wir sind verantwortlich für das, was wir produzieren, und für alles, was uns dabei geholfen hat.

Gute Praxis für den Einsatz von KI-Werkzeugen im Brandschutz

Wie sieht also eine gute Vorgehensweise beim Einsatz dieser Tools aus? Zunächst muss man wissen, woher die Antwort stammt. Ein Tool, das seine Quellen offenlegen, den entsprechenden Standard zitieren und auf die relevante Passage verweisen kann, ist weitaus nützlicher als eines, das einfach nur Behauptungen aufstellt. Weiter geht es mit der Verifizierung. Jede Ausgabe eines KI-Systems sollte anhand des zugehörigen Codes überprüft werden, genauso wie man die Arbeit eines jüngeren Kollegen kontrollieren würde – denn im Grunde genommen ist das genau das, was man tut. Und es kommt auf das Urteilsvermögen an, das sich durch jahrelange Erfahrung entwickelt und einem erfahrenen Entwickler ermöglicht, zu spüren, wenn sich eine Antwort falsch anfühlt, noch bevor er den Grund dafür nennen kann. Diesen Instinkt kann die Maschine nicht ersetzen. Er ist die letzte Verteidigungslinie, wenn die Daten uns im Stich lassen.

Die Datenqualität entscheidet darüber, ob KI Leben schützt.

Nichts davon ist ein Grund, sich von der Technologie abzuwenden. Die auf verlässlichen Quellen basierenden Werkzeuge zeigen bereits, was sorgfältig erhobene Daten leisten können, und sie werden sich weiter verbessern. Der Kernpunkt ist einfacher und älter als all das: Ein Werkzeug ist nur so gut wie seine Eingaben. In den meisten Bereichen ist ein ungenaues Ergebnis lediglich eine Unannehmlichkeit. In unserem Bereich kann es Menschenleben gefährden. Deshalb ist Datenqualität für unseren Berufsstand keine Nebensache. Sie ist der entscheidende Faktor dafür, ob diese Werkzeuge uns helfen, Leben zu schützen, oder ob sie den über Jahrzehnte aufgebauten Behandlungsstandard stillschweigend untergraben.

Die Maschinen werden immer besser. Unsere Verpflichtung bleibt dieselbe. Die Brandschutzbranche hat bereits deutlich gemacht, worauf ihr Fokus liegen muss. Auf dem SFPE AI in Fire Engineering Summit, den ich 2025 in Berkeley besuchte, stachen Verifizierung und Validierung als gemeinsame Priorität der anwesenden Fachleute hervor. Die Menschen, die die von uns geschützten Gebäude nutzen, verlassen sich auf unsere Arbeit, die wir selbst geprüft haben, nicht auf Antworten, die uns eine Maschine blindlings liefert. „Müll rein, Müll raus“ galt schon für die Mainframe-Betreiber, die diesen Satz prägten. Er gilt heute genauso, und die Kosten, ihn zu vergessen, waren noch nie so hoch.

 Referenzen

Chat EOD: Von der Branche für die Branche entwickelt. https://nfsa.org/2025/11/06/chat-eod-developed-by-the-industry-for-the-industry/

NFPA stellt NFPA LiNK 3.0 vor und treibt damit die digitale Transformation im Bereich Brand- und Lebensrettung voran. https://www.nfpa.org/about-nfpa/press-room/news-releases/2026/nfpa-unveils-nfpa-link-3-0-advancing-digital-transformation-in-fire-and-life-safety

Praktische Lehren aus den Fehlern der Anwalts-KI im Fall Mata gegen Avianca. https://www.acc.com/resource-library/practical-lessons-attorney-ai-missteps-mata-v-avianca

Rückblick auf den KI-Gipfel in der Brandschutztechnik 2025. https://www.sfpe.org/blogs/amanda-tarbet/2025/08/01/2025-ai-in-fire-engineering-summ