Valentina Mayer-Steudte
Co-Founder, CEO
Unternehmensführung, Strategie & Produktmanagement
M.Sc. Architektur: Strategic Planning, BIM, Business Development, Branding.
Erfahrung: Co-Founder Wertstudent, Bez+Kock Architekten, cruu architecture (BIM)
- LV
- Position
- Teilleistung
- Titel
- Mengenansatz
- IFC / BIM
- IfcWall
- IfcSlab
- IfcBeam
- IfcSpace
- Ökobaudat
- GWP
- EPD
- Lebenszyklus
- Datensatz
- Kostendaten
- Kostenkennwert
- Kostengruppe
- Standardposition
- KG 300
- Rohbau
- Bodenplatte
- Stütze
- Geschossdecke
- Fundament
- Brandschutz
- Brandabschnitt
- Entrauchung
- F90
- Sprinkler
- Bewehrung
- Betonstahl
- Bewehrungsmatte
- Bügel
- Stabstahl
- Trockenbau
- Ständerwand
- Gipskarton
- Abhangdecke
- Vorsatzschale
- TGA
- Lüftung
- Heizung
- Sanitär
- Elektro
- Estrich
- Zementestrich
- Anhydritestrich
- Dämmschicht
- Randstreifen
- Mauerwerk
- Kalksandstein
- Ziegel
- Porenbeton
- Mörtel
- Dämmung
- Mineralwolle
- EPS
- Perimeterdämmung
- WLG 035
Domänenspezifische KI-Infrastruktur · API
Semantische Infrastruktur für Baudaten.
Eine API für baufachliches OCR, Embeddings und Reranking. Machen Sie Dokumente maschinenlesbar, verknüpfen Sie Daten über Formate hinweg und sortieren Sie Ergebnisse nach Relevanz in Suche, Matching und RAG. Entwickelt und gehostet in Europa.
curl https://api.flinq.ai/v1/embeddings \
-H "Authorization: Bearer $FLINQ_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "flinq-embed",
"input": "Stahlbeton C25/30, Bodenplatte d=25 cm"
}'Konzeptionelles Beispiel. Lauffähige Beispiele stehen in der Doku.
Verfügbar als Cloud-API mit Hosting in der EU (DSGVO-konform)
+30 %
bessere Produktsuche als OpenAI
nDCG 0,78 vs. 0,60
ρ 0,71 #1
versteht Maßeinheiten besser als das gesamte Feld
vs. ρ 0,57 (bestes Modell im Feld)
83 %
erkennt Bauteile an ihrer 3D-Form
82,9 % Genauigkeit; reine Textmodelle: 6,3 %
Unterstützt von Partnern und Programmen aus dem Ökosystem.
Wie es funktioniert
Eine API für alle Baudaten
flinq macht Baudokumente maschinenlesbar, verknüpft Daten über ihre Bedeutung und liefert die richtige Information für Ihre Anwendungen.
-
Schritt 01
Baudokumente und Baudaten als Eingabe
Ausschreibungstexte, Leistungsverzeichnisse, BIM-Modelle, Pläne, Fotos und Kostendaten, so wie sie vorliegen.
Datenformate -
Schritt 02
Dokumente maschinenlesbar machen
Die OCR überführt Scans und Bilder in Text und Struktur. Bereits strukturierte Daten überspringen diesen Schritt.
OCR -
Schritt 03
Daten semantisch verknüpfen und die richtige Information finden
Das Embedding verknüpft Inhalte semantisch in einem gemeinsamen Vektorraum, der Reranker sortiert die Treffer nach Relevanz.
Embedding + Reranker -
Schritt 04
Sie bauen darauf auf
In Ihrer eigenen Software, über eine API.
Anwendungen
Was es Ihnen bringt
Warum Softwareanbieter auf flinq aufbauen
-
01
Bauspezifisch
Trainiert auf Fachbegriffe, Einheiten, Normen, Querverweise und Dokumentlayouts der Baubranche. Das verbessert Extraktion, Matching, Retrieval und Relevanzbewertung über alle Baudaten hinweg.
-
02
Effizient
Aufgabenspezifische Modelle übernehmen Extraktion, Retrieval und Ranking, ohne für jede Anfrage ein generisches LLM laufen zu lassen. Das senkt Entwicklungsaufwand, Token-Verbrauch und Rechenkosten.
-
03
Modular
OCR, Embedding und Reranking stehen als einzelne APIs zur Verfügung. Softwareanbieter integrieren nur, was sie brauchen, in bestehende Produkte und Workflows.
-
04
Europäisch
Trainiert auf europäischen Baudaten und gehostet in der EU. Transparente Datenverarbeitung unterstützt Datensouveränität und Compliance-Nachweise.
Wie es abschneidet
Warum eine domänenspezifische Retrieval-Infrastruktur?
Generische Modelle lesen Baudokumente als beliebigen Text. flinq ist auf die Daten, Formate und Fachbegriffe der Baubranche trainiert, und der Unterschied zeigt sich dort, wo es zählt: in dem, was zurückkommt, und darin, ob Sie sich darauf verlassen können.
Messbar besser als allgemeine Modelle
Auf dem BauSatz-Benchmark erreicht flinq bei der Produktsuche nDCG 0,78 gegenüber 0,60 bei OpenAI. Weniger Fehltreffer bedeuten weniger manuelle Nacharbeit.
Zum BenchmarkReproduzierbare Ergebnisse, die Sie belegen können
Gleiche Eingabe, gleicher Vektor, jedes Mal. Nachvollziehbar für Kalkulation und Ausschreibung, wo generative Modelle bei jedem Aufruf anders antworten.
Maße, Normen und fachliche Unterschiede bleiben erhalten.
Auf Baudaten trainiert: Abmessungen, Güteklassen, Einheiten und Normbezüge entscheiden mit darüber, was als Treffer gilt.
Eine Integration, mehrere Funktionen
Dieselben Vektoren tragen Suche, Matching, RAG, Deduplizierung und Clustering. Sie binden einmal an und decken damit mehrere Funktionen ab.
Fügt sich in Ihre bestehenden Prozesse ein.
flinq ist eine API, keine Plattform. Die Funktionen laufen in der Software, die Ihr Team ohnehin nutzt, und die Ergebnisse erscheinen im gewohnten Arbeitsablauf. Kein neues Werkzeug, das eingeführt werden muss, keine Datenmigration, keine Umgewöhnung.
Verarbeitung und Hosting bleiben in der EU.
DSGVO-konform in der EU, ohne Umweg über einen US-Anbieter.
nDCG-Werte aus dem BauSatz-Benchmark (zero-shot); die vollständige Tabelle steht weiter unten auf dieser Seite.
Benchmark
BauSatz: flinq small gegen das Feld
flinq small ist ein einzelnes, kompaktes Modell. Auf dem BauSatz-Benchmark führt es bei sechs von acht Aufgaben gegen größere, zero-shot getestete Modelle.
| Aufgabe | flinq small | OpenAI | Qwen3-8B | Mistral | Gemma2 | BGE-M3 |
|---|---|---|---|---|---|---|
| Produktsuche | 78,4 | 59,5 | 56,8 | 40,3 | 58,6 | 36,8 |
| Maßeinheiten-Semantik | 70,9 | 55,8 | 58,7 | 52,5 | 57,8 | 48,6 |
| Spezifikations-Reranking | 78,5 | 72,6 | 64,9 | 70,7 | 61,8 | 68,9 |
| IFC-Namensabgleich | 71,2 | 13,3 | 22,2 | 19,1 | 13,5 | 49,7 |
| Gewerke-Clustering | 36,1 | 33,1 | 31,3 | 29,1 | 30,5 | 24,3 |
| Äquivalenzpaare | 97,1 | 96,1 | 96,1 | 96,1 | 96,1 | 96,1 |
| Abschnitts-Klassifikation | 72,8 | 71,5 | 73,2 | 60,7 | 72,4 | 69,5 |
| Positions-Matching | 85,2 | 87,1 | 85,7 | 87,2 | 86,1 | 86,9 |
Für Entwickler
Zugriff über eine HTTP-API
Der Zugriff auf das Modell erfolgt über eine HTTP-API. Ein Request bettet ein oder mehrere Bau-Objekte ein, die Antwort liefert die zugehörigen Vektoren zurück.
{
"model": "flinq-embed",
"input": [
"Stahlbeton C25/30, Bodenplatte d=25 cm",
"Bewehrungsstahl BSt 500 S, Mattenbewehrung"
]
}Ein Request bettet eine LV-Position ein.
{
"model": "flinq-embed",
"data": [
{ "index": 0, "embedding": [0.0131, -0.0427, 0.0588, …] },
{ "index": 1, "embedding": [0.0204, -0.0119, 0.0731, …] }
]
}Die Antwort liefert den Vektor und die Modellkennung. Vektor gekürzt.
Dies sind konzeptionelle Beispiele, die das Format zeigen. Die vollständige Referenz und lauffähige Beispiele stehen in der Doku.
Zur API-Referenz Betrieb und Vertrauen
Als Cloud-API, gehostet in der EU
flinq ist als Cloud-API verfügbar. Der Betrieb ist DSGVO-konform, das Hosting erfolgt in der EU.
Cloud-API
Direkter Zugriff über die gehostete API. Kein eigener Betrieb nötig.
DSGVO-konform
Datenverarbeitung nach den Vorgaben der DSGVO.
EU-Hosting
Die gehostete API wird in der EU betrieben.
Team
Das Team hinter flinq
flinq wird von einem Team mit Hintergrund in Architektur, BIM, Machine Learning und Bauökonomie entwickelt.
Matthias Hornung
Co-Founder, CTO
Machine Learning, Technologie & Softwareentwicklung
M.Sc. ITECH und M.Sc. Architektur: BIM, Graph ML, Robotics & Software.
Erfahrung: Design-to-Production, Transsolar, Blocher und Partners/Schwarz Architekten
Lukas Simon
Co-Founder, CPO
Produktentwicklung, Datenpipelines & Datenanalyse
cand. M.Sc. Economics: Data analysis, financial modeling, process optimization.
Erfahrung: Mercedes Benz, ZEW
News & Updates
Neueste Entwicklungen
Bleiben Sie auf dem Laufenden über neue Features, Einblicke und Best Practices.
flinq erhält das EXIST-Gründungsstipendium
Seit August fördert das Bundesministerium für Wirtschaft und Energie gemeinsam mit der Europäischen Union ein Jahr Vollzeitentwicklung. Das Team arbeitet weiter am cross-modalen Embedding-Modell für die Baubranche, fachlich begleitet vom Institut für Bauökonomie der Universität Stuttgart und Prof. Christian Stoy.
Auf LinkedIn lesenSoftware wird einfacher. Domänenspezifische Intelligenz nicht.
BIM-Modelle, Leistungsverzeichnisse, Produktdaten und technische Dokumente beschreiben dieselbe physische Realität, folgen aber unterschiedlichen Strukturen, Standards und Vokabularen. flinq bildet sie in einem gemeinsamen semantischen Raum ab, trainiert auf europäischer Infrastruktur mit HammerHAI am HLRS Stuttgart. Die textbasierte Beta ist verfügbar, im September folgt die erste cross-modale Version.
Auf LinkedIn lesenflinq beim ZIA PropTech-Frühstück am S-TEC
Auf Einladung des ZIA am S-TEC und Fraunhofer IAO: In den Gesprächen bestätigte sich, dass Unternehmen kein weiteres Off-the-Shelf-Tool suchen, sondern Technologie, die ihre Abläufe versteht und sich einfügt. Eine Ankündigung dazu folgt in den kommenden Wochen.
Auf LinkedIn lesen FAQ
Häufige Fragen
Was ist flinq?
flinq ist die Embedding-API für die europäische Baubranche. Ein cross-modales Modell bildet heterogene Baudaten in einen gemeinsamen Vektorraum ab, von Leistungsverzeichnissen und BIM-Modellen über Baustellenbilder bis zu Herstellerprodukten, Kostendaten und Normen. Diese Dokumentarten gibt es europaweit in unterschiedlichen nationalen Formaten; die deutschen Formate wie GAEB unterstützt flinq heute am tiefsten. Der Zugriff erfolgt über eine API.
Ist flinq ein SaaS-Produkt oder eine API?
flinq ist ein API-Service. Das Produkt ist das Modell hinter einer API, keine fertige Anwendung. LV-Matching, Kostenprognose und RAG sind Beispiele dafür, was Sie auf der API bauen, nicht Funktionen, die flinq ausliefert.
Welche Daten und Dateiformate unterstützt flinq?
flinq liest gängige Dateiformate der Baubranche und die darin enthaltenen bauspezifischen Inhalte. Verarbeitet werden GAEB, IFC, PDF, JPG, PNG und CSV. Inhaltlich erkennt das Modell unter anderem Leistungsverzeichnisse und Ausschreibungstexte, BIM-Modelle und Bauelemente samt 3D-Geometrie, Baustellenbilder, Herstellerprodukte, Kostendaten sowie Normen. GAEB ist dabei das deutsche Format für Leistungsverzeichnisse, also die nationale Ausprägung einer Dokumentart, die es europaweit gibt; IFC dagegen ist ein internationaler BIM-Standard. Am tiefsten ist die Unterstützung heute für die deutschen Formate. Alle werden in denselben Vektorraum eingebettet.
Wie greife ich auf das Modell zu?
Über eine HTTP-API. Sie senden Bau-Objekte als Request und erhalten Embedding-Vektoren zurück. Die vollständige Referenz und lauffähige Beispiele stehen in der Doku.
Was kann ich auf flinq bauen?
Typische Beispiele sind das Matching von LV-Positionen, frühphasige Kostenprognosen und RAG über Baudaten. Darauf aufbauend lassen sich etwa VOB-gerechte Ausschreibungstexte ermitteln oder Leistungsverzeichnisse über externe Kostendatenbanken bepreisen. Weitere Beispiele sind das Bepreisen ausgeschriebener Positionen über eine interne Kostendatenbank, das Zuordnen passender Herstellerprodukte, die ETIM-Klassifikation von Produkten oder das Auffinden relevanter nationaler Normen, etwa DIN. Diese Anwendungen bauen Sie auf der API auf; flinq liefert das Embedding-Modell, nicht die fertige Anwendung.
Was unterscheidet flinq von generischen Embedding-Modellen?
flinq ist auf branchenspezifische Aufgaben trainiert. Auf dem BauSatz-Benchmark erreicht flinq small bei der Produktsuche nDCG 0,78 gegenüber 0,60 bei OpenAI und erkennt Bauteile an ihrer 3D-Form mit 82,9 % Genauigkeit, während reine Textmodelle 6,3 % erreichen.
Ist flinq DSGVO-konform?
Ja. flinq ist DSGVO-konform und wird in der EU gehostet.
Worauf beruht die Qualität der Embeddings?
Auf einem kuratierten, cross-modalen Datensatz aus zusammengehörigen Bau-Objekten. Dieser Datensatz ist der verteidigbare Kern. Das Modell-Backbone ist austauschbar.
Ihre Frage ist nicht dabei?
Kontakt aufnehmen