Als ich Dynamo in Revit zum ersten Mal ausprobiert habe, war da sofort dieses Gefühl: Da steckt enormes Potenzial drin – aber eben auch eine Menge Komplexität. Die Idee, repetitive Aufgaben endlich zu automatisieren, klang verlockend. In der Praxis wirkten Scripting, Logik und die vielen Nodes jedoch einschüchternd. Ich konnte kein Python, und selbst die visuelle Programmierung fühlte sich schnell nach „zu viel“ an. Also habe ich – wie viele andere – einen Schritt zurück gemacht und Dynamo als Tool für Programmierer abgestempelt, nicht für Planer.

Heute sieht die Geschichte komplett anders aus. Der Gamechanger? KI-Unterstützung.

Der Wendepunkt: KI als Mentor auf Abruf

Was früher nach steiler Lernkurve aussah, ist deutlich zugänglicher geworden. KI schreibt nicht nur Code – sie erklärt ihn auch. Sie übersetzt mein fachliches Ziel in nachvollziehbare Python-Skripte, schlägt Best Practices vor und hilft beim Debugging.

Der wichtigste Unterschied: Ich kämpfe nicht mehr gegen Syntax, sondern gestalte Workflows, die mir Stunden sparen.

Typische Aufgaben, die früher „unmöglich“ wirkten, lassen sich plötzlich sauber automatisieren, zum Beispiel:

• Pfähle nummerieren
• Koordinaten aus dem Modell auslesen
• Raster-/Grid-Positionen zuordnen

KI macht es leichter, Skripte an projektspezifische Anforderungen anzupassen – auch ohne tiefes Programmierwissen. Es ist ein bisschen so, als hätte man einen Coding-Mentor neben sich, der die Hürden deutlich kleiner macht.

Praxisbeispiel: Pfahlliste erstellen, obwohl Revit Grenzen hat

Heute habe ich an einem Pfahlverzeichnis (Pile Schedule) gearbeitet – und das war überraschend knifflig, sobald mehrere Pfahltypen und geneigte (raked) Pfähle ins Spiel kommen.

Dabei ist mir etwas aufgefallen, das in der Praxis schnell weh tut: Revit weist geneigten Stützen/Pfählen keine Rasterposition (Grid Location) zu. Für eine belastbare Auswertung brauchte ich aber genau diese Informationen im Schedule.

Also habe ich nicht lange gezögert: Ich habe KI (Copilot / GPT‑5) genutzt, um Python-Skripte zu erstellen, die die Daten direkt aus dem Modell extrahieren. Es waren am Ende drei unterschiedliche Skripte und ein paar Iterationen – aber dann hatte ich genau die Daten, die ich für das Verzeichnis gebraucht habe.

Extrahierte Daten

Das Ergebnis war eine Schedule-Grundlage mit konsistenten, modellbasierten Werten – auch dort, wo Revit standardmäßig keine Rasterzuordnung liefert.

KI-generierter Python-Code in der Praxis

Wichtig ist dabei weniger „KI macht alles“, sondern: KI beschleunigt die Umsetzung – und ich kann mich auf die fachliche Zielsetzung konzentrieren.

KI ersetzt keine Ingenieurleistung – aber sie skaliert sie

KI ist kein Ersatz für Engineering-Kompetenz. Richtig eingesetzt ist sie aber ein sehr starker Assistent: Sie automatisiert Wiederholarbeit, hilft beim Skripting und macht Daten-Workflows deutlich effizienter.

Der entscheidende Punkt bleibt: Validierung.

• Ergebnisse müssen gegen Normen, Projektvorgaben und Modelllogik geprüft werden.
• KI-Ausgaben sind Vorschläge – keine Wahrheit.
• Je besser die fachliche Spezifikation, desto besser der Output.

Wenn man KI als Collaborator behandelt (nicht als Entscheidungsträger), wird Engineering schneller, smarter und zugänglicher, ohne Präzision zu opfern.

Fazit

Mehr Zeit für Planung, weniger Zeit für repetitive Klicks: Automatisierung ist nicht nur schneller, sondern oft auch konsistenter – und überraschend angenehm, sobald der Einstieg nicht mehr so frustrierend ist.

Für alle, die wegen „Code-Angst“ gezögert haben: KI hat das Spielfeld verändert. Dynamo ist weniger Barriere – und mehr Brücke zu besseren Workflows.