Künstliche Intelligenz (KI) Certified AI CDW Circularity

Passt der Kurs zu dir?

1. 1
   Motivation und Lernbereitschaft
2. 2
   Zuverlässigkeit im jeweiligen Arbeitsfeld
3. 3
   Konkrete Zulassung des gewählten Weges prüfen

Das lernst du

1. 1

   Einführung in KI, Bau- und Abbruchabfälle sowie zirkuläre Materialkreisläufe

   Grundlagen KI-gestützter Ansätze für Bau- und Abbruchabfälle sowie der Übersetzung von Urban-Mining-Zielen wie Wiederverwendung und hochwertigem Recycling in datengetriebene Gebäudemodelle
   Verständnis der Erstellung von Gebäuderessourcenpässen, der Planung selektiver Rückbauprozesse und der lückenlosen Nachverfolgung von Materialströmen
   Definition des Scopes hinsichtlich Gebäudetypen, Materialfraktionen und Rückbauprojekten sowie relevanter Outputs wie Ressourcenpass, Rückbaukonzept und Abfallbilanz
   Einführung in regulatorische Grundlagen wie EU-Abfallrahmenrichtlinie, Kreislaufwirtschaftsgesetz und LAGA M20 für die Verwertung mineralischer Abfälle
   Einordnung belastbarer und auditierbarer Daten für Urban-Mining-Potenziale, Logistikoptimierung und Compliance-Sicherung

2. 2

   Datenlandschaft, Integration und technologische Grundlagen

   Auswahl und Integration relevanter Datenquellen wie BIM-Modelle, Bestandspläne, Schadstoffkataster, Bautagebücher und Daten von Recyclinganlagen
   Aufbau von Datenmodellen für Gebäuderessourcenpässe zur Beschreibung von Materialmengen und Materialqualitäten
   Einführung in Schnittstellen zu Behörden, Planern, Architekten, Bauunternehmen und weiteren Projektbeteiligten
   Nutzung von 3D-Laserscanning und Drohnenbefliegungen zur digitalen Bestandserfassung im Sinne von Scan-to-BIM
   Überblick über Computer Vision, Mengen- und Qualitätsprognosen, Optimierungsalgorithmen, NLP zur Analyse alter Bauunterlagen sowie Toolchains für Ressourcenpässe und Rückbausimulationen

3. 3

   Automatisierung von Rückbau-, Traceability- und Compliance-Prozessen

   Einführung in automatisierte Workflows nach dem Prinzip "Scan Building - Create Resource Passport - Plan Deconstruction - Trace Materials - Report Compliance"
   Nutzung von KI, LLMs und Agentic Workflows zur automatisierten Erstellung von Abfallbilanzen, Entsorgungsnachweisen und Behördenmeldungen
   Automatisierte Zuweisung von Transport- und Verwertungsaufträgen basierend auf Materialart, Menge und Standort
   Human-in-the-Loop-Konzepte für die Freigabe von Schadstoffgutachten und die finale Festlegung der Rückbaustrategie
   Entwicklung eines Operating Models zur Steuerung komplexer Rückbauprojekte und zur Koordination aller beteiligten Akteure

4. 4

   Anwendungsfelder, Governance und Compliance

   Anwendung auf urbane Rohstoffkataster, Materialbörsen, selektiven Rückbau, Rückverfolgung mineralischer Bauabfälle und Qualitätssicherung von Recycling-Baustoffen
   KI-gestützte Planung zur Maximierung von Wiederverwendungs- und Recyclingquoten sowie zur strukturierten Zuordnung von Materialien zu geeigneten Verwertungsrouten
   Automatisierte Erstellung von Dokumentationen zur Einhaltung gesetzlicher Anforderungen wie Getrenntsammlungspflichten und Nachweisführungen
   Audit-Ready-by-Design mit revisionssicherer Dokumentation der gesamten Entsorgungskette von der Baustelle bis zur Verwertung
   Compliance mit Gewerbeabfallverordnung und verwandten Vorgaben sowie Sicherstellung von Datenintegrität, Modell-Risikomanagement und transparenter Kommunikation von Recycling- und Wiederverwendungsquoten

Förderwege

Wer deinen Kurs zahlt

Brutto im Monat

Mitte und Viertel bundesweit

3 Schritte vom Kurs in den Beruf

1. 1

   KI auf echte Arbeitsaufgaben anwenden

   Deine Branchenkenntnis bleibt wertvoll, wenn du einen Prozess mit KI unterstützt und das Ergebnis prüfst. Gute Praxis beschreibt Ausgangslage, Daten, menschliche Kontrolle und eine überprüfbare Verbesserung, ohne Automatisierung pauschal zu versprechen. Beispiel: Bearbeite einen kleinen Prozess aus deinem bisherigen Beruf und vergleiche Zeitbedarf und Qualität vorher und nachher.

2. 2

   Fachwissen mit neuen Werkzeugen verbinden

   Branchenkenntnis, Kommunikation und Qualitätskontrolle bleiben wichtig. Gerade im Quereinstieg ergänzt du vorhandene Erfahrung durch ein Projekt mit Quellenprüfung, Versionierung, Freigabe und dokumentierten Grenzen. Beispiel: Ein Bewerbungsbeispiel beschreibt Aufgabe, verwendete Werkzeuge, Prüfung der Ergebnisse und Grenzen des Ansatzes.

3. 3

   Verantwortung schrittweise aufbauen

   Projektkoordination, Schulung und Prozessgestaltung verlangen mehr als Toolbedienung. Achte auf Inhalte zu Use-Case-Auswahl, Datenqualität, Prüfung, Dokumentation und Zusammenarbeit. Vergleiche die Kursaufgaben mit den Zielstellen, die du erreichen möchtest. Beispiel: Vergleiche einen Grundlagenkurs mit einem Projektkurs und entscheide nach deinem aktuellen Kenntnisstand.

Themen

Arbeitsmarkt

KI & Machine Learning bundesweit in Zahlen