Das Thema KI-gestützter Entscheidungsunterstützung im Immobilien-Investmentmanagement wird derzeit vor allem im Kontext von Effizienz, Standardisierung und Automatisierung diskutiert. Die vorliegende Arbeit analysiert daher Unterschiede in Argumentationslogik, Gewichtung zentraler Entscheidungsfaktoren und dem Auftreten heuristischer Muster zwischen menschlichen Entscheidungsgruppen und Large Language Models (LLMs). Die Arbeit untersucht drei Forschungsfragen: (1) Wie unterscheiden sich Human- und KI-Bewertungen von Investmentopportunitäten in Bezug auf Entscheidungsdeterminanten und Heuristiken? (2) Welche Heuristiken zeigen sich bei menschlichen Entscheidergruppen und inwiefern repliziert oder variiert KI diese Muster? (3) Welche Anforderungen lassen sich daraus für einen KI-basierten Entscheidungsagenten zur Prozessunterstützung ableiten? Zur Einordnung des Forschungsstandes wurde zunächst eine strukturierte Literaturanalyse durchgeführt; die Forschungsfragen wurden anschließend primär empirisch beantwortet. Methodisch basiert die Arbeit auf einer standardisierten Online-Befragung im experimentellen Zwei-Gruppen-Design mit manipulierten Investment-Teasern zur Prüfung von Anchoring, Framing, Representativeness, Herding und Overconfidence. Ergänzend wurden acht LLMs unter identischer Teaser- und Fragebogenlogik getestet; Experteninterviews dienen der Kontextualisierung und der Ableitung praxisnaher Gestaltungsprinzipien. Die Ergebnisse zeigen in der Humanbefragung heuristikkonsistente Muster: Preisanker verschieben Kaufpreisindikationen (Expert:innen reagieren konservativer als Studierende), Framing beeinflusst Ton und Risikowahrnehmung, Representativeness prägt Trendannahmen, während Herding insgesamt selten bleibt und Überkonfidenz nur schwach ausgeprägt ist. In den KI-Tests treten modellabhängige Muster auf: Mehrere Modelle sind ankersensitiv, Framing wirkt durchgängig auf Wahrnehmungsebene und teils auch auf die Investitionsentscheidung; Representativeness zeigt ein vergleichsweise robustes Profil, Herding ist nicht zu beobachten, während Überkonfidenz in Form hoher Entscheidungssicherheit bei einzelnen Modellen erkennbar ist. Für die Praxis wird ein KI-Entscheidungsagent konzipiert, der die Screening-Phase durch strukturierte Aufbereitung von Teaser-Informationen, konsistente Ableitung zentraler Parameter und transparente Begründungslogik unterstützt. Durch gezieltes Prompt Engineering zielt der Agent darauf ab, heuristikbedingte Verzerrungen zu reduzieren und robustere, konsistentere Bewertungen zu fördern. Im Human-in-the-Loop-Ansatz verbleibt die finale Entscheidung beim Investmentteam; der Agent erhöht Vergleichbarkeit und Qualität der Entscheidungsgrundlagen im Deal-Screening. Insgesamt leistet die Arbeit einen Beitrag zur Einordnung von Human-vs.-KI-Entscheidungslogiken im Immobilien-Investmentmanagement und zeigt, wie empirische Befunde in ein praxistaugliches Agentenkonzept für das Deal-Screening überführt werden können.
IIWM Institut für Immobilienwirtschaft und -management
Technische Hochschule Aschaffenburg
