AI-supported bridge generation

Dr. V. Appelt; Dr. A.-H. Hamdan, Dresden

Die Planung und der Bau von Brücken sind für die gesamte Infrastruktur von großer Bedeutung und umfassen verschiedene arbeitsintensive Aufgaben, wie etwa die Erhebung aller erforderlichen Planungsdaten oder die Erstellung eines detaillierten Brückenmodells und zugehöriger Varianten. Trotz der Einzigartigkeit jeder Brücke wäre es möglich, den Modellierungsprozess zu automatisieren, insbesondere durch die Verwendung eines übergeordneten parametrischen Modells. Die Anwendung parametrischer Entwurfsmodelle zur Erstellung ähnlicher ganzheitlicher Brückenmodelle ist jedoch im Allgemeinen nicht ausreichend, da einzelne Komponenten je nach Brückenentwurf spezielle Anforderungen erfüllen müssen und daher nicht durch ein einheitliches parametrisches Modell abgebildet werden können. Um dieses Problem zu lösen, wird ein neuartiger KI-gestützter Ansatz vorgestellt. Dabei wird für jedes Bauteil in der Brückenmodellierung eine parametrische Vorlage als Musterobjekt in einem digitalen Katalogsystem gespeichert. Das Katalogsystem selbst ist als Wissensgraph implementiert und dadurch maschinenlesbar. Folglich ermöglicht der Wissensgraph die Ableitung optimierter Bauteiltypen und -parameter und gewährleistet die Konsistenz und Machbarkeit des Brückenentwurfs. Durch die Implementierung von Wissensgraphen in der parametrischen BIM-Plattform KorFin® können der gesamte Modellierungsprozess automatisiert und zusätzliche KI-Dienste, wie ein großes Sprachmodell, integriert werden, um die Interaktion zwischen Menschen und Maschine zu verbessern und die Intensität manueller Aufgaben im Planungsprozess von Brücken erheblich zu reduzieren.

The planning and construction of bridges are of great importance for the entire infrastructure and involve various labour-intensive tasks, such as collecting all the necessary planning data or creating a detailed bridge model and associated variants. Despite the uniqueness of each bridge, it would be possible to automate the modelling process by using a higher-level parametric model. However, the application of parametric design models to create similar holistic bridge models is generally insufficient, as individual components must meet specific requirements depending on the bridge design and therefore cannot be represented by a uniform parametric model. To solve this problem, a novel AI-based approach is presented. In this approach, each component in the bridge modelling is stored as a parametric template in a digital catalogue system. The catalogue system itself is implemented as a knowledge graph and is therefore machine-readable. Consequently, the knowledge graph enables the derivation of optimized component types and parameters and ensures the consistency and feasibility of bridge design. By implementing knowledge graphs in the parametric BIM platform KorFin®, the entire modelling process can be automated and additional AI services, such as a large language model, can be integrated to improve human-machine interaction and significantly reduce the intensity of manual tasks in the bridge design process.

doi.org/10.53184/STA10-2025-3

Literaturverzeichnis

A p p e l t , V.; H a m d a n , A.-H.; K ö n i g , M. (2023): BIMification of Existing Infrastructure: An Integrated Approach Using AI and Parametric Methods. IRF R2T Conference & Exhibition, Phoenix, AZ, USA

A p p e l t , V.; K a u f m a n n , S.; We g e , S. (2023): Parametric Road and Bridge design — New Technology for combined automated Bridge Generation. IRF R2T Conference & Exhibition, Phoenix, AZ, USA

G i r a r d e t , A.; B o t o n , C. (2021): A parametric BIM approach to foster bridge project design and analysis. Automation in Construction, 126, 103679. https://doi.org/10.1016/j.autcon.2021.103679

G ö b e l s , A.; B e e t z , J. (2021): Conversion of legacy domain models into ontologies for infrastructure maintenance. Linked Data in Architecture and Construction Workshop 2021

H a m d a n , A.-H.; S c h e r e r , R. J. (2019): A knowledge-based Approach for the Assessment of Damages to Constructions. 36th CIB W78 2019
Conference

H a m d a n , A.-H.; S c h e r e r , R. J. (2020): Integration of BIM-related bridge information in an ontological knowledgebase. Linked Data in Architecture and Construction Workshop

I s s a , R. R. A.; M u t i s , I. (2015): Ontology in the AEC Industry – A Decade of Research and Development. 266

J e s k e , A.; S c h e i l , M.; C a s t r i s c h e r , U. (2022): Parametrisierte Brückenmodellierung mit PythonParts in Allplan. Bautechnik, 99(7), 565–574. https://doi.org/10.1002/bate.202200053

J i , Y.; B e e t z , J.; N i s b e t , N.; B o n s m a , P.; K a t z , C.; B o r rma n n , A. (2011): Integration of Parametric Geometry into IFC-Bridge. Proceedings of the 23th Forum Bauinformatik

K a t z , C. (2008): Parametric Description of Bridge Structures. IABSE Conference, Helsinki 2008: Information and Communication Technology (ICT) for Bridges, Buildings and Construction Practice, 17–27. https://doi.org/10.2749/222137808796105847

R a s m u s s e n , M. H.; L e f r a n ç o i s , M.; P a u w e l s , P.; H v i i d , C. A.; K a r l s h ø j , J. (2019): Managing interrelated project information in AEC Knowledge Graphs. Automation in Construction, 108 (January), 102956. https://doi.org/10.1016/j.autcon.2019.102956

R i z z o , P.; E n s h a e i a n , A. (2021): Challenges in Bridge Health Monitoring: A Review. Sensors, 21(13), Article 13. https://doi.org/10.3390/s21134336

V i l g e r t s h o f e r, S.; M a f i p o u r, M. S.; B o r r m a n n, A.; M a r t e n s , J.; B l u t , T.; B e c ke r , R.; B l a n k e n b a c h , J. (2019): TwinGen: Advanced technologies to automatically generate digital twins for operation and maintenance of existing bridges

Ya n g , Z.; Y u , C.-H.; B u e h l e r , M. J. (2021): Deep learning model to predict complex stress and strain fields in hierarchical composites. Science Advances, 7(15), Article 15. doi.org/10.1126/sciadv.abd7416

Determination of asphalt body temperatures using AI

Dr.-Ing. M. Rahimi Nahoujy; Dr.-Ing. D. Jansen, Bergisch Gladbach

Die Kenntnis der Asphaltkörpertemperaturen ist einer der wichtigsten Faktoren für die Dimensionierung und Substanzbewertung von Asphaltbefestigungen. Als Alternative zu aufwendigen In-situ-Messungen stellen Berechnungsverfahren eine geeignete Methode zur Bestimmung der Asphaltkörpertemperaturen dar. Diese Verfahren basieren jedoch meist auf begrenzten Datensätzen und die Allgemeingültigkeit bzw. Übertragbarkeit auf andere örtliche Situationen ist eingeschränkt. Das Hauptziel der hier vorgestellten Forschungsarbeit ist die Entwicklung eines Modells zur Vorhersage von Temperaturen in verschiedenen Asphalttiefen. In dieser Arbeit wurde ein Modell mithilfe eines künstlichen neuronalen Netzes (KNN) trainiert und getestet. Dazu wurden über ein Jahr lang in situ gemessene Daten verwendet. Das so entwickelte Modell weist eine hohe Anpassungsgüte auf und stellt eine wesentliche Optimierung bestehender Modelle dar.

Knowledge of asphalt body temperatures is one of the most important factors for the design and structural assessment of asphalt pavements. As an alternative to complex in-situ measurements, calculation methods are a suitable method for determining asphalt body temperatures. However, these methods are usually based on limited data sets and their general validity or transferability to other local situations is restricted. The main objective of the research work presented here is to develop a model for predicting temperatures at different asphalt depths. In this work, a model was trained and tested using an artificial neural network (ANN). Data measured in situ over a period of one year was used for this purpose. The model developed in this way has a high goodness of fit and represents a significant optimization of existing models.

doi.org/10.53184/STA10-2025-4

Literaturverzeichnis
[1] J a n s e n , D. (2009): Temperaturkorrektur von mit dem Falling Weight Deflectometer gemessenen Deflexionen auf Asphaltbefestigungen,
Institut für Straßenbau und Verkehrswesen der Universität Duisburg-Essen, Schriftenreihe Heft 2, Essen
[2] Forschungsgesellschaft für Straßen- und Verkehrswesen e. V. (2008): Arbeitspapier Tragfähigkeit, Teil B 2.1 „Falling Weight Deflectometer (FWD): Gerätebeschreibung, Messdurchführung – Asphaltbauweisen“, FGSV Verlag, Köln
[3] C i c k o v i c , M. (2022): Vergleich von Asphaltkörpertemperaturberechnungsverfahren für den Einsatz bei Tragfähigkeitsmessungen. Straße
und Autobahn, 73 (11), Kirschbaum Verlag, Bonn
[4] S t r a u b e , E.; J a n s e n , D. (2009): Messung von Asphaltkörpertemperaturen. Straße und Autobahn, 61, 9, Seiten 623–630, Kirschbaum Verlag, Bonn
[5] B a l t z e r , S.; E r t m a n - L a r s e n , H. J.; L u k a n e n , E. O.; S t u b s t a d , R. N. (1994): Prediction of AC mat temperatures for routine load/deflection measurements, 4th International Conference on Bearing Capacity of Roads and Airfields, Trondheim
[6] L u k a n e n , E. O.; S t u b s t a d , R. N.; B r i g g s , R. (2000): Temperature predictions and adjustment factors for asphalt pavement, U. S. Department of Transportation, Federal Highway Administration, McLean
[7] S o u t h g a t e , H. F.; D e e n , R. C. (1996): Temperature distribution within asphalt pavements and its relationship to pavement deflection,
Highway Research Record 291, Washington D. C.
[8] M i l a d , A. A.; A d w a n , I.; M a j e e d , S. A.; Memo n , Z. A.; B i l e m a , M.; Oma r , H. A.; Y u s o f f , N. I. M. (2021). Development of a
hybrid machine learning model for asphalt pavement temperature prediction. IEEE Access, 9, 158041–158056
[9] K e b e d e , Y. B.; Ya n g , M. D.; H u a n g , C. W. (2024): Real-time pavement temperature prediction through ensemble machine learning. Engineering Applications of Artificial Intelligence, 135, 108870
[10] W a n g , X.; P a n , P.; Li, J. (2023): Real-time measurement on dynamic temperature variation of asphalt pavement using machine learning.
Measurement, 207, 112413
[11] S e d i g h i a n - F a r d , M.; S o l a t i f a r , N.; S i v i l e v i č i u s , H. (2023): Calibration of regression-based models for prediction of temperature profile of asphalt layers using LTPP data. Journal of Civil Engineering and Management, 29(4), 329–341
[12] H a g a n , M. T.; D emu t h , H. B.; B e a l e , M. H.; J e s u s , O. (2014): Neural network design. Wrocław. Amazon Fulfilment Poland Sp. z.o.o
[13] R a h i m i  N a h o u j y , M. (2020): An artificial neural network approach to model and predict asphalt deflections as a complement to experimental measurements by falling weight deflectometer, Dissertation, Ruhr-Universität Bochum, Bochum
[14] D e m u t h , H.; B e a l e , M. (2001): Neural network toolbox, user guide (Version 4). The Math-Works, Inc.
[15] The MathWorks Inc. (2022): MATLAB version: 9.13.0 (R2022b), Natick, Massachusetts: The MathWorks Inc. www.mathworks.com
 

From design to construction: Potentials and challenges of large language models in infrastructure projects

Dr. G. Rexhaj; Univ.-Prof. Dr.-Ing. K. Körkemeyer, Kaiserslautern

Der Beitrag untersucht den Einsatz von Large Language Models (LLMs) im Infrastrukturbau. Auf Basis von 24 Experteninterviews aus Planung, Bauleitung und Softwareentwicklung werden aktuelle Nutzungsmuster, Potenziale sowie Herausforderungen analysiert. Die Ergebnisse zeigen, dass LLMs bislang überwiegend punktuell in administrativen und textbasierten Aufgaben eingesetzt werden, während die Integration in zentrale Planungs- und Ausführungsprozesse noch aussteht. Potenziale werden vor allem in der Planungsphase gesehen, etwa bei der Recherche normativer Vorgaben, der Erstellung von Leistungsverzeichnissen und Erläuterungsberichten sowie in der Textoptimierung. In der Bauausführung eröffnen sich Einsatzmöglichkeiten in der Qualitätssicherung, Baufortschrittskontrolle und Logistik. Als zentrale Herausforderungen gelten Zuverlässigkeit, Nachvollziehbarkeit, Datenschutz, Datenhoheit und fehlende Standards. LLMs können Effizienzgewinne sichern und Fachkräfte entlasten, erfordern jedoch klare Prüfketten und domänenspezifische Anpassungen.

This article examines the use of Large Language Models (LLMs) in infrastructure construction. Based on 24 expert interviews from planning, site management, and software development, current usage patterns, potentials, and challenges are analyzed. Findings indicate that LLMs are currently applied mainly in administrative and text-based tasks, while integration into core planning and execution processes is still limited. Potentials are particularly identified in the planning phase, for example in regulatory research, specifications, explanatory reports, and text optimization. In construction execution, possible applications include quality assurance, progress monitoring, and logistics coordination. Key challenges are reliability, traceability, data protection, data sovereignty, and the lack of clear standards. LLMs can enhance efficiency and relieve professionals but require robust verification procedures and domain-specific adaptation to become a sustainable quality-assuring tool.

doi.org/10.53184/STA10-2025-5

Literaturverzeichnis

Bundesinstitut für Bau-, Stadt- und Raumforschung (BBSR) im Bundesamt für Bauwesen und Raumordnung (BBR) (2019): Entwicklung der Marktstruktur im deutschen Baugewerbe. BBSR-Online-Publikation 19/2019, Bonn

D ö r i n g e r , S . (2021): The problem-centred expert interview. Combining qualitative interviewing approaches for investigating implicit expert knowledge. International Journal of Social Research Methodology, 24, 3, Routledge, London, 265–278. DOI: https://doi.org/10.1080/13645579.2020.1766777

G o r s k i , T . (2022): Der Einsatz von Drohnen in der Bauindustrie. In: Jacob, C.; Kukovec, S. (Hrsg.): Auf dem Weg zu einer nachhaltigen, effizienten und profitablen Wertschöpfung von Gebäuden, Springer Vieweg, Wiesbaden, 361–376. DOI: https://doi.org/10.1007/978-3-658-34962-2_21

H a r m o ko , H . ; A x m a n n , B . (2021): Herausforderungen bei der Einführung neuer digitaler Technologien bei KMU Teil 1: Am Beispiel der
künstlichen Intelligenz. ZWF – Zeitschrift für wirtschaftlichen Fabrikbetrieb, 116, De Gruyter, Berlin, 269–271. DOI: https://doi.org/10.1515/zwf-2021-0040

H e l f f e r i c h , C . (2016): Leitfaden und Experteninterviews. In: Baur, N.; Blasius, J. (Hrsg.): Handbuch Methoden der empirischen Sozialforschung, Springer VS, Wiesbaden, 559–574. DOI: https://doi.org/10.1007/978-3-531-18939-0_42

K r u s e , J . (2015): Qualitative Interviewforschung. Ein integrativer Ansatz. 2., überarbeitete und ergänzte Auflage. Weinheim; Basel: Beltz Juventa

K u c k a r t z , U . (2018): Qualitative Inhaltsanalyse. Methoden, Praxis, Computerunterstützung. 4., überarbeitete Auflage. Beltz Juventa, Weinheim; Basel ISBN 978-3-7799-4683-0

S a c k s , R . ; G i r o l a m i , M . ; B r i l a k i s , I . (2020): Building Information Modelling, Artificial Intelligence and Construction Tech. Developments in the Built Environment, 4, Elsevier, Amsterdam, 100011. DOI: https://doi.org/10.1016/j.dibe.2020.100011

S c h r e i e r , M. (2014): Qualitative content analysis. In: Flick, U. (Hrsg.): The SAGE Handbook of Qualitative Data Analysis, SAGE Publications, London, 170–183. DOI: https://doi.org/10.4135/9781446282243.n12

Spot auf der Baustelle – Behind the Mask/Drees & Sommer SE, Mobiflip (2022): Abgebildet auf: Mobiflip. „Roboterhund Spot soll Baustellen digitalisieren“. Foto veröffentlicht am 15.8.2022. Zugriff am 29.8.2025

Wi t z e l , A . (2000): Das problemzentrierte Interview. Forum Qualitative Sozialforschung/Forum: Qualitative Social Research, 1, 1, Berlin, 25 Absätze. DOI: doi.org/10.17169/fqs-1.1.1132

Laying the foundations: Organizational information management as a basis for AI in public road construction

A. Rehman, M. Sc., Homburg ; Univ.-Prof. Dr.-Ing. K. Körkemeyer, Kaiserslautern

Der Beitrag untersucht die Einführung künstlicher Intelligenz im öffentlichen Straßenwesen und argumentiert, dass ein strategisches, organisationsumfassendes Informationsmanagement die zentrale Voraussetzung für wirksame und rechtskonforme Anwendungen ist. Ausgangspunkt ist eine breite, aber heterogene Nutzung von KI, während der öffentliche Sektor aufgrund struktureller Hemmnisse und „Schatteneinsatz“ besondere Risiken trägt. Der AI Act stellt hierfür einen ersten risikobasierten Ordnungsrahmen bereit. Die Einstufung einzelner Systeme hängt jedoch vom konkreten Zweck und Einsatzkontext ab, wobei sicherheitsrelevante Komponenten im Straßenverkehr typischerweise als Hochrisiko gelten. Zur operativen Einordnung wird eine anwendungsorientierte Taxonomie vorgeschlagen, die deskriptive, prädiktive, präskriptive und generative Anwendungen mit Prozessphasen A bis G entlang des Infrastruktur-Lebenszyklus verknüpft. Eine stichprobenartige Bestandsaufnahme aktueller Projekte zeigt vielversprechende, aber häufig inselartige Lösungen ohne durchgängige organisatorische Verankerung. Für Hochrisikosysteme
resultieren substanzielle Pflichten (u. a. Risikomanagement, Dokumentation, Protokollierung, menschliche Aufsicht, Daten-Governance), die Kapazitäten und klare Zuständigkeiten innerhalb der Organisation erfordern. Der Beitrag begründet, warum diese Anforderungen nur mit einer konsistenten Daten- und Informationsführung erfüllbar sind, die Rollen, Schnittstellen, Qualitätsprüfungen und Nachweise verbindlich regelt. Als wirkungsvoller Hebel erweist sich die BIM-Methodik mit Common Data Environment, Auftraggeber-Informationsanforderungen und BIM-Abwicklungsplan, da sie strukturierte, freigegebene und nachvollziehbare Daten bereitstellt und Nachweispflichten nach AI Act unterstützt. So entstehen qualitätsgesicherte Trainings- und Realdaten, die Bias-Risiken, Datenlücken und Versionskonflikte frühzeitig sichtbar machen. Empfohlen wird ein gestuftes Vorgehen: KI-Anwendungsfälle inventarisieren, risikobasiert klassifizieren, CDE-Workflows standardisieren, AIA/BAP als Muster verankern und Kompetenz- sowie Aufsichtsrollen institutionalisieren. Besondere Aufmerksamkeit gilt kommunalen und Landesorganisationen, deren Kapazitäten unter Umständen den Anforderungen an KI-Systeme im AI Act nicht gerecht werden. Gelingt der Schulterschluss aus regulatorischer Sorgfalt, Informationsmanagement und BIM-gestützter Datenerzeugung, kann KI vom Pilotstatus in ein integriertes Instrument übergehen, das Planung, Bau, Betrieb und Erhaltung messbar verbessert. Die BIM-Methodik kann insbesondere dort, wo auf kommunaler oder Landesebene
ein organisationsübergreifendes Informationsmanagement fehlt, einen synergetischen Ansatz bieten, um ein solches aufzubauen.

This article examines the introduction of artificial intelligence in the public road sector and argues that strategic, organization-wide information management is the central prerequisite for effective and lawful applications. It starts from the observation of broad yet heterogeneous AI use, while the public sector faces specific risks due to structural constraints and shadow AI. The AI Act provides a first risk-based governance framework; however, the classification of individual systems depends on purpose and context, with safety-relevant components in road traffic typically qualifying as high-risk. To operationalize assessment and design, the paper proposes an application-oriented taxonomy that maps descriptive, predictive, prescriptive and generative uses to process phases A–G across the infrastructure life cycle. A sample-based review of current projects reveals promising but often siloed solutions without consistent organizational embedding. High-risk systems entail substantial obligations, such as risk management, documentation, logging, human oversight and data governance, that require capacity and clearly assigned responsibilities within the organization. The paper shows that these requirements can only be met through consistent data and information stewardship that codifies roles, interfaces, quality checks and evidencing. Building Information Modeling emerges as a powerful lever: a Common Data Environment (CDE), Employer’s Information Requirements (EIR/AIA) and a BIM Execution Plan (BEP/BAP) provide structured, approved and traceable data and directly support compliance under the AI Act. In this way, quality-assured training and operational datasets are produced, making bias risks, data gaps and version conflicts visible at an early stage. A phased approach is recommended: inventory AI use cases, apply risk-based classification, standardize CDE workflows, and institutionalize EIR/BEP templates as well as competency and human oversight roles. Particular attention should be paid to state and municipal organizations whose capacities may not meet the AI Act’s requirements. If regulatory diligence, information management and BIM-enabled data creation are aligned, AI can move beyond pilots to an integrated instrument that measurably improves planning, construction, operation and maintenance. Especially where organization-wide information management is absent at the municipal or state level, BIM can provide a synergistic pathway to build one.

doi.org/10.53184/STA10-2025-6

Literaturverzeichnis

B o r r m a n n , A . ; K ö n i g , M . ; K o c h , C . ; B e e t z , J . (2021): Die BIM-Methode im Überblick. In: André Borrmann, Markus König, Christian Koch und Jakob Beetz (Hg.): Building Information Modeling. Technologische Grundlagen und industrielle Praxis. 2., aktualisierte Auflage. Wiesbaden: Springer Vieweg (Springer eBook Collection), S. 1–31

Bundesministerium für Verkehr (BMV) (2024): mFUND-Projekte. Online verfügbar unter https://www.bmv.de/SiteGlobals/Forms/Listen/DE/mFUNDProjekte/mFUND-projekte_Formular.html

E i s e n b a c h , M . ; S t r i c k e r , R . ; S e i c h t e r,  D . ; A m e n d e , K . ; D e b e s , K . ; S e s s e l m a n n , M. e t  a l . (2017): How to get pavement distress detection ready for deep learning? A systematic approach. In: 2017 International Joint Conference on Neural Networks (IJCNN). 2017 International Joint Conference on Neural Networks (IJCNN). Anchorage, AK, USA, 14.5.2017–19.5.2017: IEEE, S. 2039–2047

G ö l z h a u s e r, P. ; S o u c h o n , F. (2025): Automatisierungspotenziale von KI-Methoden in der Bestandsmodellierung im Infrastrukturbau. In: F.
Ehrlich, Sören Sommerfeld, Sophie Heinrich, Sascha Peter, Jonathan Schäfer, David Flüthmann und M a t t h i a s S u n d e r m e i e r ( H g . ) : Tagungsband 34. BBB Assistent*innen-Tagung 2025 Berlin: Technische Universität Berlin, S. 468–478

Hessisches Ministerium für Digitalisierung und Innovation (2025): Starke Heimat „Gutes Beispiel, wo künstliche Intelligenz im Alltag Erleichterungen
bringen kann“. Online verfügbar unter https://digitales.hessen.de/presse/gutes-beispiel-wo-kuenstlicheintelligenz-im-alltag-erleichterungen-bringen-kann

K e m p e r , T . (2021): Digitalisierung von Verwaltungen und Bauabteilungen – Rechtliche Rahmenbedingungen und deren Auswirkung. In: A n n e t t e  S p e l l e r b e r g (Hg.): Digitalisierung in ländlichen und verdichteten Räumen. Hannover: ARL – Akademie für Raumentwicklung in der Leibniz-Gemeinschaft (Arbeitsberichte der ARL, 31), S. 135–146

K r c m a r, H. (2015): Informationsmanagement. 6., überarbeitete Auflage. Berlin, Heidelberg: Springer Gabler

S c h ö n s l e b e n , P. (2001): Integrales Informationsmanagement. Informationssysteme für Geschäftsprozesse; Management, Modellierung, Lebenszyklus und Technologie. 2., vollständig überarb. und erw. Aufl. Berlin, Heidelberg: Springer

S i n g a l a , A . ; S u k h a r e v s k y, A . ; Y e e , L . ; C h u i , M . ; H a l l , B. (2024): The state of AI in early 2024: Gen AI adoption spikes and starts to generate value. Hg. v. QuantumBlack AI by McKinsey. Online verfügbar unter https://www.mckinsey.com/capabilities/quantumblack/ourinsights/the-state-of-ai-2024#/

T h i e r s c h , K . ; B l a n k , T. ; Z e p i c , R . ; K r c m a r , H . (2019): Arbeitgeber(un)attraktivität der öffentlichen Verwaltung für IT-Nachwuchskräfte. In: VM 25 (1), S. 28–36. DOI: 10.5771/0947-9856-2019-1-28

V r i e s , H . d e ; B e k k e r s , V. ; T u m m e r s , L . (2016): Innovation in the public sector: A systematic review and future research agenda. In: Public Administration 94 (1), S. 146–166. DOI: 10.1111/padm.12209

W a l t e r, R . ; B e r g , M . ; M e m m e l , M . ; B l e i s i n g e r, O. ; E h b r e c h t , M . ; M a l e k , C . ; S p e l l e r b e r g , A . (2021): Künstliche Intelligenz in Mittelstädten – Mittendrin oder außen vor? Ideen, Konzepte und Entwicklungen von KI in kleinen Mittelstädten in Rheinland-Pfalz

W i n t e r g e r s t , R . (2024): Künstliche Intelligenz in Deutschland – Status quo und Ausblick. Hg. v. Bitkom Research. Online verfügbar unter www.bitkom.org/sites/main/files/2024-10/241016-bitkom-charts-kuenstliche-intelligenz-final.pdf

Gesetze & Normen

DIN EN ISO 19650-1:2019-08 Allgemeine Konzepte und Grundsätze. Berlin: DIN, 2019-08

OECD (2022): „OECD Framework for the Classification of AI systems“, OECD Digital Economy Papers, No. 323, OECD Publishing, Paris, https://doi.org/10.1787/cb6d9eca-en

Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates vom 13.6.2024 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz und zur Änderung der Verordnungen (EG) Nr. 300/2008, (EU) Nr. 167/2013, (EU) Nr. 168/2013, (EU) 2018/858, (EU) 2018/1139 und (EU) 2019/2144 sowie der Richtlinien 2014/90/EU, (EU) 2016/797 und (EU) 2020/1828, Kurztitel: Verordnung über künstliche Intelligenz