FormalPara Standortrelevanz

  • Urbane Digitale Zwillinge (UDZ) stellen Plattformen für ein verbessertes Informations- und Prozessmanagement in der Stadtentwicklung bereit.

  • Die rechtssichere Digitalisierung und Integration von Planvorgaben der Bauleitplanung mit KI-Methoden steigert die Praxisrelevanz von UDZ-Anwendungen.

  • UDZ-Anwendungen profitieren von Standards der Datenbereitstellung und der Automatisierung von Prozessen der Datenintegration.

Einleitung

In der Stadtentwicklung konkurriert der Flächenbedarf für neue Wohn- und Gewerbeflächen seit jeher mit dem Flächenschutz für Natur und Landschaft. Hinzu kommen Anforderungen an ein Flächenmanagement, das gemeinwohlorientierte Stadtentwicklungsziele strategisch unterstützt. Dazu gehört die Entwicklung und Erschließung öffentlicher Infrastruktur für gesellschaftspolitische Transformationsagenden wie die Energie- und Mobilitätswende, aber auch Maßnahmen für Klimaschutz und Klimaanpassung.

Die mit der Erschließung und Aktivierung geeigneter Flächen verbundenen Aufgaben unterliegen hohen gesetzlichen Anforderungen. Für ein proaktives Flächenmanagement müssen Planungsträger Geodaten, Planungsinformationen, Lagemerkmale sowie städtebauliche und naturräumliche Orientierungs‑/Zielgrößen technisch aufbereiten und in rechtssichere Geschäftsprozesse integrieren. Weiterhin sind Natur- und Umweltschutzauflagen zu prüfen, Beteiligungsverfahren durchzuführen und Bauvorschriften einzuhalten. Über die letzten Jahre führte dieser hohe Aufwand vermehrt zu verzögerten Abläufen im Verwaltungshandeln. Standardisierung und Digitalisierung sind wesentliche Ansätze zur Beschleunigung der zugrunde liegenden Planungs- und Genehmigungsverfahren. Von der Digitalisierung von Plangrundlagen und ihrer Datenintegration in Urbane Digitale Zwillinge verspricht man sich technische und organisatorische Unterstützung.

Im Beitrag wird aufgezeigt, in welcher Detailtiefe Planwerke der Bauleitplanung mit KI-Methoden digitalisiert und in Anwendungen der Stadtplanung integriert werden können. Im Anschluss werden praktische Implikationen und Anwendungsperspektiven für den Einsatz von KI-Verfahren in der Stadtentwicklung diskutiert.

Relevanz und Zielstellung

Eine wesentliche Voraussetzung für den Aufbau praxisrelevanter UDZs ist die Datenintegration baurechtlicher Vorschriften (vgl. Abb. 1). UDZs werden dabei als virtuelle Repräsentation städtebaulicher Strukturelemente und ihrer funktionalen Vernetzungen verstanden. UDZ-Anwendungen bieten in der Stadtplanung neue Möglichkeiten, um Planungsziele und Entwürfe der Baulandentwicklung zu überprüfen und Visualisierungen in der Bürgerbeteiligung zu nutzen (vgl. auch Schubbe et al. 2023).

Abb. 1
Abb. 1
Full size image

KI-Methoden im Aufbau Urbaner Digitaler Zwillinge

Die nachfolgend vorgestellten Ergebnisse zur Digitalisierung von Bauleitplänen sind im Rahmen einer öffentlich einsehbaren Abschlussarbeit an der Technischen Hochschule Augsburg entstanden (Schwarz 2024). Die Ergebnisse bilden einen Wissensstand ab, der im Abschnitt Praktische Implikationen und Anwendungsperspektiven des Beitrags für den Aufbau KI-gestützter UDZs interpretiert wird. Kursiv gesetzte Fachbegriffe werden in einem Glossar (Supplementary Material) erläutert.

Stand der Forschung

Studien zur datenbasierten Modellierung energieeffizienter und ressourcenschonender Stadtentwicklungsprozesse zeigen, dass KI-Methoden heute schon vielfach zum Einsatz kommen. Ein Beispiel aus der Energieplanung ist die automatisierte Erkennung von Photovoltaikpotenzialen oder die Erstellung energetischer Sanierungspläne. Diese profitiert von entsprechenden KI-basierten Technologien, wie sie z. B. Bushra und Hartmann (2024) sowie Bushra et al. (2022) mit generischen Algorithmen für die Entwurfsgenerierung einsetzen. Mit diesen Algorithmen können optimale Gebäude- und Nachbarschaftskonfigurationen automatisch identifiziert werden. Zu den Kriterien gehören z. B. das Solarpotenzial, der Energieverbrauch, die Flächeneffizienz und die Kosten von Solarsystemen. Die Ergebnisse werden in UDZ-Anwendungen visualisiert und liefern wertvolles Abwägungsmaterial für die kollaborative Entscheidungsfindung. Die KI hilft in diesen Simulationen dabei, Bewertungen von Varianten automatisiert vorzunehmen und unterstützt somit schnellere und leistungsorientierte Planungen. Sind ausreichend Daten für die Stadtplanung vorhanden, können urbane Simulationen zur energetischen Bewertung und nachhaltigen Entwicklung städtischer Räume eingesetzt werden.

Weitere Anwendungsmöglichkeiten liegen in der Integration von Echtzeitdaten zur Simulation und prädiktiven Modellierung von Energiebedarfen. In Szenarien können evidenzbasierte Entscheidungen in Bezug auf Infrastruktur, Mobilität und Klimaresilienz getestet werden. Über einzelne Aufgaben hinaus kann KI ganze Planungsprozesse automatisieren – von der Dokumentenabgabe und -prüfung bis hin zur Validierung und Berichterstellung. Elsheikh et al. (2021) heben hervor, wie die Integration von KI mit Systemen wie Geoinformationssystemen (GIS) und Building Information Modeling (BIM) die Koordination, Effizienz und datenbasierte Entscheidungsfindung in der Stadtentwicklung verbessert. Ihr Einsatz hängt jedoch von einer erfolgreichen Integration in bestehende Systeme ab, die mit Planungsstandards und den Bedürfnissen der beteiligten Personen abgestimmt ist.

Tatsächlich sind KI-gestützte Anwendungen in der Planungspraxis noch nicht weitverbreitet. Nur acht Prozent der Kommunen setzten im Jahr 2023 KI-Methoden ein. Othengrafen et al. (2024), die diese Zahl nach Hornbostel et al. (2023) zitieren, gliedern die Einsatzfelder von KI in die Bereiche Frontoffice (direkter Kontakt zu Bürgerinnen und Bürgern), Backoffice (Sachbearbeitung innerhalb der Verwaltung) sowie die Bereiche der Entscheidungsunterstützung, der Entscheidungsautomatisierung und der Echtzeitentscheidungen. Sie beziehen sich dabei explizit auf raum- und planungsbezogene Verwaltungsleistungen. Problematisch ist, dass fachliche Zuständigkeiten und eine stark hierarchisch geprägte, risikoaverse Arbeitskultur („Nullfehlertoleranz“) den Einsatz von KI-Methoden bislang verhindern oder verzögern. Als Hindernisse werden fehlende verbindliche Standards, unzureichende technische und personelle Ressourcen. organisatorische Defizite und mangelndes Interesse der Kommunen beschrieben (Röhl 2023).

Mit der DIN SPEC 91607 „Digitale Zwillinge für Städte und Kommunen“ wurden Ende 2024 Handlungsempfehlungen veröffentlicht, die diese Hindernisse (u. a.) adressieren (Schonowski et al. 2025). Methoden der künstlichen Intelligenz können laut DIN dazu beitragen, heterogene Daten, die neueren Datenstandards bislang nicht entsprechen, entsprechend digital aufzubereiten und zu strukturieren. Dies ist z. B. für baurechtliche Festlegungen aus älteren Dokumenten der Bauleitplanung notwendig (Brade 2025). Entsprechend eines Beschlusses durch Bund und Länder gilt der Datenstandard XPlanung seit 2017 für alle neuen Flächennutzungs- und Bebauungspläne. Aufgrund von Umsetzungsproblemen wurden für die Digitalisierung der Bauleitplanung bislang allerdings nur Zwischenlösungen mit einer teilvektoriellen Erfassung als Minimalstandard umgesetzt. Lediglich der georeferenzierte Umgriff eines Bebauungsplanes wird XPlanungs-konform dargestellt (STMBW 2025). Eine vollvektorielle Erfassung sämtlicher raumbezogener Daten (z. B. Flächen, Festsetzungen) als digitale Objekte ist rechtlich nicht verpflichtend. Die dafür notwendigen zeitlichen und finanziellen Ressourcen sind in der Verwaltung nicht vorhanden, die Beauftragung von Dienstleistern ist kostspielig. Ältere Pläne werden nur bei besonderen Anlässen in den neuen Datenstandard überführt. So nutzen z. B. Kommunen in Nordrhein-Westfalen Musterverzeichnisse, um mit möglichst geringem Aufwand die wichtigsten Informationen aus älteren Dokumenten der Bauleitplanung zu digitalisieren (vgl. NRW.Urban 2021). Unter Einsatz von KI-Methoden kann sich dieser Aufwand weiter verringern.

Schönfelder et al. (2024) haben in diesem Zusammenhang gezeigt, dass Deep-Learning-basierte Pipelines zur optischen Zeichenerkennung (OCR) strukturierte Informationen aus gescannten Architekturplänen effektiv erkennen und klassifizieren können. Darüber hinaus können große Sprachmodelle (LLMs) und multimodale Systeme Planungsinhalte interpretieren und unstrukturierte Daten in digitale Repräsentationen umwandeln. Beispielsweise entwickelten Zhu et al. (2025) PlanGPT-VL, ein Vision-Language-Modell für städtebauliche Karten. Das Modell integriert visuelles Fragenbeantworten und „Critical Point Thinking“, um Halluzinationen durch strukturierte Verifikation zu minimieren. Es lieferte kontextbewusste und präzise Ausgaben für komplexe Planungsaufgaben (Zhu et al. 2025, 2024). Wang et al. (2023) empfehlen DocLLM, ein layoutbewusstes, generatives Modell, das räumlich-textuelle Beziehungen durch Modifikation des Aufmerksamkeitsmechanismus in Transformern erfasst. Diese Modelle konvertieren automatisch Bebauungsplantexte in strukturierte Attribute wie Höhenbegrenzungen, Nutzungsarten und Abstandsregeln, was automatisierte Genehmigungsprüfungen und -verfahren ermöglicht.

KI verbessert auch die Qualitätssicherung und Validierung in der Datenintegration, die bislang häufig manuelle und langsame Überprüfungsprozesse erfordert. Graphneuronale Netzwerke (GNNs) können Dateninkonsistenzen und Konflikte automatisch erkennen. Sie stehen jedoch vor Herausforderungen bei der Modellierung räumlicher Abhängigkeiten. Um dem zu begegnen, führten Pei et al. (2020) Geom-GCN ein, welches das Repräsentationslernen auf Graphen durch Einbeziehung geometrischer Informationen verbessert. Ebenso stellten Xiao et al. (2023) das Spatial Heterophily Aware GNN (SHGNN) vor, das für urbane Datensätze mit räumlicher Heterogenität konzipiert ist und ein Rotations-Skalierungs-Aggregationsmodul verwendet, um räumliche Beziehungen effektiv zu erfassen. Diese Ansätze helfen, die administrative Arbeitslast in der Qualitätssicherung zu verringern und die Robustheit regulatorischer Prüfungen in der Planung zu verbessern.

Methodische Umsetzung

Schwarz (2024) untersuchte in seiner Studie an der Technischen Hochschule Augsburg zunächst, welche zentralen Mehrwerte eine Digitalisierung der Bauleitplanung für die Planungspraxis mit sich bringt. In Interviews wurden hierfür die Perspektiven von 14 Experten erfasst (vgl. Schwarz 2024, S. 60ff). Die Auswertung zeigt, dass insbesondere die Automatisierung von Arbeitsschritten, ein effizienter Zugriff auf Daten sowie datenbasierte Entscheidungsprozesse als zentrale Mehrwerte gesehen werden.

Anschließend wurde untersucht, inwiefern die Digitalisierung von Bebauungsplänen durch den Einsatz von State of the Art (= SOTA) Multimodal Large Language Models (= MLLMs) verbessert werden kann (vgl. Glossar in Tab. 1 im Zusatzmaterial online). Eine Grundvoraussetzung hierfür ist die Verfügbarkeit maschinenlesbarer Daten, die zur Extraktion von unstrukturierten Daten und zum Verständnis relevanter Informationen aus Bebauungsplänen (B‑Plänen) in Experimenten getestet und evaluiert werden können. Besonders relevant sind dabei die Angaben der sogenannten Nutzungsschablone eines qualifizierten Bebauungsplans (vgl. Abb. 2), welche Kerninformationen nach § 30 Abs. 1 BauGB enthält: „Art der baulichen Nutzung“, „Maß der baulichen Nutzung“, „Überbaubare Grundstückfläche“ und „Bauweise“.

Abb. 2
Abb. 2
Full size image

Ausschnitt eines B‑Plans der Stadt Augsburg (Stadt Augsburg 2025)

Entsprechende Planunterlagen liegen häufig nicht XPlanungs-konform vor. Die digitalen Möglichkeiten beschränken sich auf die manuelle Interpretation von Rasterbildquellen (PDF, TIFF, JPG). Für solche Bildquellen wurden mehrere Anwendungsfälle für MLLMs analysiert und das Textverständnis des SOTA MLLMs „GPT-4o“ experimentell getestet und evaluiert. Dies erfordert sowohl textuelle als auch grafische Vorverarbeitungsschritte, um dem MLLM mit reinen Textanweisungen („Zero Shot Prompts“) sinnvolle Eingaben zu übergeben. Die Experimente folgten in aufeinander aufbauenden Textanweisungen („Prompt-Chain-Architektur“), die in drei Phasen gegliedert waren und auf das Verständnis von B‑Plantexten fokussierten (vgl. Abb. 3).

Abb. 3
Abb. 3
Full size image

Prompt-Chain-Architektur des KI-Systems (Schwarz 2024, S. 40)

Die Evaluation erfolgte anschließend mit Anwendern einer Kommune. Am Beispiel eines vereinfachten Genehmigungsprozesses wurde die Qualität der Resultate praxisnah bewertet. In der Auswertung zeigt sich, dass die Sprachfähigkeiten von GPT-4o das Interpretieren von B‑Plänen sowohl in Text- als auch in Bildform ermöglichen. Dadurch konnten relevante Informationen in ausreichender Qualität extrahiert und korrekt miteinander verknüpft werden.

Die Qualität der Ergebnisse hing jedoch maßgeblich von der Vorverarbeitung sowie der Struktur und dem Layout der Pläne ab, insbesondere dann, wenn fachliche Zusammenhänge oder Detailinformationen erkannt werden sollten. Aufgrund der hohen Informationsdichte und Auflösung der Planzeichnungen sind vorbereitende Arbeitsschritte wie die visuelle Suche („Visual Search“) und das Ausschneiden relevanter Informationen („Visual Cropping“) zwingend erforderlich, um alle relevanten Inhalte in ausreichender Qualität bereitzustellen. Ebenfalls stellt beim Extrahieren der Nutzungsschablonen die exakte Geo-Referenzierung eine Herausforderung dar. Diese Fähigkeiten erfordern ein gezieltes Training des Modells. Experten verweisen diesbezüglich auf Methoden aus der maschinellen Bildverarbeitung via Convolutional Neural Networks (= CNN), mit denen die Modelle effizienter und verlässlicher umgesetzt werden.

Eine weitere Herausforderung besteht in der Interpretation domänenspezifischer Symbole, die beispielsweise in den Nutzungsschablonen vorkommen. Diese wurden von GPT-4o nur beschrieben und sind nicht mit Fachwissen verknüpft. Das Modell war zwar in der Lage, Tabellenstrukturen und Textinhalte der Nutzungsschablonen zu erkennen und die jeweiligen Werte mit den zugehörigen Erläuterungen aus der Zeichenerklärung zu verknüpfen. Bei den Zeichenerklärungen der Nutzungsschablone traten allerdings Probleme bei mehrspaltigen Layouts mit komplexer Struktur auf, nicht alle Inhalte wurden fehlerfrei erkannt. Bei differenzierten Abständen, Überschriften, Nummerierungen und einer serifenlosen Druckschrift erzielte GPT-4o sehr gute Ergebnisse. Zudem trägt die Lokalisierung der Nutzungsschablone dazu bei, die Ergebnisqualität zu verbessern. Abb. 4 zeigt das Prüfprotokoll für eine korrekte Umsetzung, in der die Position der Nutzungsschablone an ChatGPT übermittelt wurde. Vorher aufgetretene Interpretationsfehler für das Maß der baulichen Nutzung konnten durch diesen Schritt behoben werden. Ohne diese visuellen Ankerpunkte, die nicht immer in hoher Qualität ausgelesen werden können, verschlechtert sich das Ergebnis signifikant, sodass GPT-4o zum Beispiel Inhalte falsch zuordnet oder wichtige Informationen ignoriert.

Abb. 4
Abb. 4
Full size image

Evaluation der Prüfungsschritte mit Lokalisierung der Nutzungsschablone (Schwarz 2024, S. 55)

Inhalte aus dem Textteil der B‑Pläne konnten hingegen sehr zuverlässig und ohne Halluzinationen von GPT-4o extrahiert werden. Dabei müssen Limitierungen bzgl. der Ausgabelänge („Output Length“) und dem Kontext („Context Window“) berücksichtigt werden. Auch hier erwiesen sich visuelle Merkmale als unterstützender Faktor für das Modell. Des Weiteren konnten bereits mit nur wenig Hinzugabe von Domänenwissen Ergebnisse verbessert werden, sodass GPT-4o mehr relevante Inhalte erkannte und die Ergebnisse dadurch vollständiger waren.

In Phase 3 wurden die extrahierten Daten im Rahmen einer Retrieval-Augmented-Generation-Architektur (= RAG) als Wissensbasis genutzt, auf deren Grundlage das MLLM Aufgaben entlang eines vereinfachten Prüfschemas im Baugenehmigungsprozess ausführte. Allerdings war die Zahl der durchführbaren Prüfschritte stark begrenzt, da GPT-4o weder relevante Prüfschritte selbstständig identifizieren noch Planzeichnungen aus B‑Plan und Bauantrag miteinander vergleichen konnte. Dennoch zeigte das Modell Stärken bei der inhaltlichen Analyse und konnte auf Basis bereitgestellten Kontextwissens relevante Zusammenhänge erkennen und effizient extrahieren.

Praktische Implikationen und Anwendungsperspektiven

Die Ergebnisse aus dieser Arbeit entsprachen teilweise exakt den Erwartungen der Anwender, die Einsatzmöglichkeiten von KI in der Digitalisierung der Bauleitplanung sind vielversprechend. Problematisch ist derzeit noch, dass große MLLMs wie GPT-4o noch nicht für alle Aufgabenbereiche zuverlässig einsetzbar sind und mit gezieltem Training verbessert werden müssen. Die Ergebnisse überzeugen aber jetzt schon, wenn die Textinformationen strukturiert vorliegen und GPT-4o fachliche Kontextinformationen zur Verfügung gestellt bekommt. Für weiterführende Arbeiten erscheint es daher lohnend, sowohl den Einsatz von MLLMs in RAG-Szenarien innerhalb der Bauleitplanung als auch den Einsatz von CNN-Modellen zur Extraktion unstrukturierter Inhalte aus B‑Plänen weiter zu erforschen.

Neuere Ansätze wie das domänenspezifische Vision Language Model PlanGPT-VL (vgl. Zhu et al. 2025) zeigen weitere Verbesserungspotenziale auf. Mittlerweile wird der Einsatz von KI auch durch die privatwirtschaftliche Forschung und Entwicklung aufgegriffen und in Geschäftsfeldern für Dienstleistungen genutzt, z. B. in der Auftragsvergabe zur Digitalisierung von Planunterlagen. Auch öffentlich geförderte Modellprojekte zielen darauf ab, KI-Methoden für den Einsatz in der Stadtplanung zu erschließen. Das Bundesinstitut für Bau‑, Stadt und Raumforschung (BBSR) fördert z. B. im experimentellen Wohnungs- und Städtebau („ExWoSt“) die Erfassung und Bewertung von Innenentwicklungspotenzialen mittels künstlicher Intelligenz und Fernerkundungsdaten. In ausgewählten Modellprojekten werden Methoden entwickelt, um die datenbasierte Erfassung und die städtebauliche Standortbewertung für Potenzialflächen der Nachverdichtung zu verbessern (BBSR 2024).

In Übereinstimmung mit den Erkenntnissen von Weil et al. (2023) weisen diese Entwicklungen darauf hin, dass KI die Möglichkeiten von UDZs insbesondere durch dynamische Simulationen (vgl. Anwendungsbeispiele im Stand der Forschung) und eine regelbasierte Anomalieerkennung (z. B. Verstöße gegen das Baurecht) verbessert. Die Digitalisierung und Standardisierung von Bauleitplänen wird dabei als eine wesentliche Voraussetzung für den rechtssicheren Einsatz neuer Werkzeuge und Methoden in der Planungspraxis erkannt. Pilotanwender aus Privatwirtschaft und öffentlicher Verwaltung bestätigen, dass Daten und wissenschaftliche Konzepte zur Evaluierung von Abwägungsbelangen rechtssicher integriert werden müssen (Fina 2023; Große et al. 2023). Im Fokus stehen dabei die Anforderungen einer Innenentwicklung, die den Baulandbedarf von Städten und Gemeinden im planerischen Innenbereich deckt und mit Maßnahmen der Klimaresilienz und der funktionalen Vernetzung nachhaltiger Infrastrukturen in Einklang bringt (vgl. Preuß und Böhnke 2024; Preuß et al. 2024; Umweltbundesamt 2023).

Gerade in der Bestandsentwicklung sind die vorhandenen Bebauungspläne üblicherweise älter und weniger gut maschinenlesbar. Gleichzeitig benötigt die Bearbeitung von Zielkonflikten der Innenentwicklung einen effizienten Informationsfluss im Prozessmanagement, wie er z. B. durch den Funktionsumfang von UDZs möglich wird. Der UDZ-Standard der DIN SPEC „Digitaler Zwilling für Städte und Kommunen“ bindet neben technischen Themen auch ökologische, ökonomische und soziale Aspekte ein, u. a. zu Themen der Baugenehmigung und der nachhaltigen Quartiersentwicklung (DIN e. V. 2024, S. 77f.). Darüber hinaus definiert sie Nutzungsszenarien und Methoden für den Zugriff und die Darstellung von Daten.

Die Möglichkeiten der datenbasierten Analyse für die Entwurfsplanung sind technisch grundsätzlich angelegt. Im UDZ können Wirkungsindikatoren für Zielsetzungen der Stadtentwicklung definiert werden und mit KI-Methoden Varianten und Szenarien überprüft werden, z. B. in Wettbewerben und in der Evaluierung von Fördermitteln der Städtebauförderung (vgl. die Kennziffern unter den Spalten „zulässig“ und „bebaut“ in Abb. 5). Auch in der Bürgerbeteiligung können Eingaben durch Träger öffentlicher Belange, Fachgutachter, oder die allgemeine Öffentlichkeit mit KI-Methoden strukturiert ausgewertet werden. KI verbessert somit die Kommunikation und Beteiligung von Stakeholdern (vgl. ARL 2024). Hierfür sind entsprechende Rollen- und Nutzerkonzepte zu implementieren. Mit Trainingsdaten angereicherte UDZs unterstützen bei der Optimierung von Szenarien nach Nutzerkriterien, dem Testen von Eingriffen und der Analyse von Folgewirkungen. Dieser Ansatz wird auch in der städtebaulichen Entwurfsbewertung für Prüfkriterien von Klimaschutz und Klimaanpassung benötigt. Entsprechende Wirkungsindikatoren profitieren von KI-trainierten Stadtklimaanalysen, mit denen die Auswirkungen geplanter baulicher Veränderungen auf die thermische Belastung, den Regenwasserrückhalt oder die Durchlüftung des Projektgebietes quantifiziert werden können (vgl. von Tils et al. 2025).

Abb. 5
Abb. 5
Full size image

Evaluierung der bau- und planungsrechtlichen Rahmenbedingungen für Entwürfe im UDZ (eigener Entwurf, ArcGIS Urban)

Schlussfolgerungen

Die beschriebenen Anwendungen zeigen beispielhaft das theoretische Potenzial von KI-Methoden für die digitale Stadtplanung auf. Im Artikel werden zunächst Anwendungen für die klimaneutrale Stadtentwicklung beschrieben. Dabei wird deutlich, dass die Rechtssicherheit und klar definierte Geschäftsprozesse Voraussetzung für einen erfolgreichen Praxistransfer sind. Es werden konkrete Lösungen für klar definierte Geschäftsprozesse benötigt, um im Verwaltungshandeln ein rechtssicheres digitales Prozessmanagement zu etablieren. Insbesondere im Aufbau von Urbanen Digitalen Zwillingen, die künftig vermehrt zum Einsatz kommen werden, sind baurechtliche Vorschriften zu integrieren. Dabei ist momentan ein Technologiesprung zu beobachten. Die fachübergreifende Zusammenarbeit von Behörden und Dienstleistern zur Inwertsetzung von KI-Methoden in der Stadtplanung geht mit dem Aufbau unterstützender Datenportale („Urban Data Hubs“) und Anwendungen in UDZs einher. Erfahrungen aus dem Aufbau von UDZs in deutschen Großstädten verweisen darauf, dass neben dem Aufbau der technischen Grundlagen auch neue organisatorische Kompetenzen im Bereich einer „Digital Governance“ aufgebaut werden müssen. Diese ist Voraussetzung, damit sich Anwender digitale Wissensinfrastrukturen und Werkzeuge für ihre Aufgabenbewältigung in neuen Formen der Zusammenarbeit aneignen (Weber und Ziemer 2022, Przeybilovicz und Cunha 2024). Die in diesem Beitrag dargestellten empirischen Ergebnisse zur KI-gestützten Digitalisierung von Bebauungsplänen leisten hierzu einen entscheidenden Beitrag: Sie zeigen, wie multimodale Sprachmodelle rechtlich relevante Planinhalte zuverlässig extrahieren und strukturieren können. Damit wird eine zentrale Voraussetzung für den Aufbau Urbaner Digitaler Zwillinge geschaffen, die nicht nur die Datenbasis für rechtssichere Planungsprozesse bereitstellt, sondern auch die Grundlage für dynamische Analyse- und Simulationsfunktionen in UDZ-Anwendungen bildet.