Analyse von Öffentlichkeitsbeteiligungen und Einwendungen

Eine Beteiligung zu einem Gesetz, einem Plan oder einem Netzausbauvorhaben kann von wenigen hundert bis zu zehntausenden Eingaben auslösen, viele davon Kopien von Kampagnenvorlagen. Das Verfahrensrecht verlangt, dass jede relevante Eingabe gelesen, abgewogen und beantwortet wird. Die KI schlägt Themen vor, gruppiert Duplikate, ordnet jede Eingabe mit Beleg den Themen zu und entwirft die Erwiderungstabelle. Die Sachbearbeitenden prüfen die Themen, kontrollieren die Zuordnung stichprobenartig und zeichnen die Antworten ab. Öffentlich verfügbare Belege zeigen eine brauchbare Übereinstimmung mit menschlichen Kodierern, dennoch befindet sich die Technik noch im Pilotstadium.

Problem & Nutzen

• Heute: Mitarbeitende in Ministerien, Planungsbehörden, Bezirksregierungen oder bei Vorhabenträgern lesen jede Eingabe, sortieren sie von Hand in Tabellen nach Themen und erstellen eine Tabelle mit Stellungnahmen und Erwiderungen. Fristen sind gesetzlich festgelegt (z. B. Einwendungen innerhalb eines Monats nach Ende der Auslegung beim Netzausbau nach § 22 NABEG; sechs Wochen nach der Auslegung nach § 73 VwVfG), sodass Eingabespitzen zu Engpässen und Rückständen führen [3][4].
• Rechtlicher Kern: Die Behörde muss fristgerechte Eingaben berücksichtigen und das Ergebnis mitteilen (§ 3 BauGB); bei Massenverfahren mit mehr als 50 gleichförmigen Texten erlauben § 17 VwVfG und § 3 BauGB eine gebündelte Behandlung über einen Vertreter oder die Einsichtnahme in das Ergebnis. Das Risiko einer Anfechtung vor Gericht wegen übergangener Einwendungen unterscheidet diesen Anwendungsfall von der Kodierung in der Marktforschung (LANG-019) und der allgemeinen Themenmodellierung (LANG-016) [4][5][6].
• KI-Nutzen: schnellerer erster Überblick, konsistente Themenzuordnung, Erkennung von Beinahe-Duplikaten und Kampagnenbriefen, nichts wird übersehen (jede Eingabe wird zugeordnet), nachvollziehbare Statistiken für den Abschlussbericht.
• Gemessene Belege (UK): Beim ersten Praxistest des Werkzeugs Consult der britischen Regierung an einer Beteiligung der schottischen Regierung (rund 2.000 Rückmeldungen, sechs offene Fragen) stimmten KI und menschliche Prüfer überwiegend überein; die Regierung nennt einen F1-Wert von 0,76 und einen vernachlässigbaren Einfluss auf die Rangfolge der Themen. Ihre eigene Schätzung (keine Messung) lautet, dass rund 500 Beteiligungen pro Jahr etwa 75.000 Analysetage erfordern, im Wert von rund 20 Mio. £ [1][2]. Dies sind Regierungsangaben aus einem Test, keine unabhängigen Prüfungen.

Varianten

• Gesetzgebungs- und Politikbeteiligungen (Ministerien, Verfahren auf EU-Ebene nach Art von „Have your say"): offene Fragen plus viele Positionspapiere von Organisationen; Schwerpunkt auf der Aufschlüsselung nach Interessengruppen und Positionen.
• Förmliche Planungseinwendungen (Planfeststellung, Raumordnung, NABEG, Bauleitplanung nach §§ 3, 4a BauGB, UVP): jede Einwendung ist rechtlich relevant; Ergebnis ist die Abwägungs-/Erwiderungstabelle für den Erörterungstermin.
• Umgang mit Kampagnen und Massenbriefen: Clusterbildung bei Formbriefen, Herausarbeiten individueller Ergänzungen auf einer Vorlage.
• Beteiligungsplattformen / Bürgerdialoge (Haushalt, Mobilitätspläne): Ideen und Kommentare von Online-Plattformen; informell, daher geringerer formaler rechtlicher Druck.
• Beteiligungen von Unternehmen (Genehmigungsverfahren für Windparks, Netz- oder Logistikprojekte; Stellungnahmen von Verbänden).
• Private Nutzung: Anwohnende oder Verbände strukturieren ihre eigene Einwendung gegen ein Vorhaben in der Nähe; leichtgewichtige Nutzung von LLM-Chats, keine Plattform nötig.

So funktioniert es

1. Eingang (Webformular / E-Mail / Postscan / Plattform-Export, mit Eingangszeitstempel)
2. OCR + Layout-Analyse, Spracherkennung, Minimierung personenbezogener Daten (Namen/Adressen pseudonymisieren)
3. Duplikat- und Kampagnen-Clustering (Embeddings + Near-Duplicate-Hashing; individuelle Ergänzungen behalten)
4. Zerlegung in Aussagen (eine Eingabe
5. mehrere Anliegen)
6. Themenfindung (LLM schlägt Themen stapelweise vor
7. verdichten
8. verfeinern) [Sachbearbeitung bearbeitet die Themen]
9. Themenzuordnung (jede Aussage
10. ein oder mehrere Themen + Zitat + Konfidenz)
11. menschliche Stichprobe & Korrektur; rechtliche Prüfung „entscheidungsrelevant" gegenüber außerhalb des Gegenstands
12. Erwiderungsentwurf (Tabelle: Thema
13. Zusammenfassung
14. Planbezug
15. vorgeschlagene Antwort) [Fach-/Rechtsprüfung zeichnet ab]
16. Berichtswesen (Statistik, Bericht, Prüfprotokoll)
17. Ablage in der E-Akte

• Die Themenfindung folgt dem gestuften Muster des Open-Source-Werkzeugs ThemeFinder: Stimmung/Position, Themenerzeugung aus Stapeln, Verdichtung, Verfeinerung, danach Zuordnung mit mehreren Themen je Rückmeldung [7].
• Menschliche Kontrollpunkte: (1) Sachbearbeitende übernehmen, führen zusammen oder überarbeiten den Themenkatalog, bevor eine Zuordnung erfolgt; (2) geschichtete Stichproben der Zuordnungen mit Verfolgung der Fehlerquote; (3) jede Antwort in der Erwiderungstabelle wird von einer namentlich benannten Amtsperson freigegeben. Die Entscheidung über die Eingabe selbst trifft nie das Modell.
• Belegorientierter Aufbau: Jede Zuordnung verweist auf die zitierte Passage, sodass Prüfende sie in Sekunden verifizieren können; das liefert zugleich den Prüfpfad.

Datenaufbereitung

Die Eingaben sind typischerweise eine Mischung aus gescannten und handschriftlichen Einwendungen, E-Mails, Webformular-Exporten (CSV/XLSX) und PDFs, abgelegt in der Registratur (E-Akte/DMS), in einem Postfach oder auf Dateiablagen. Typische Lücken: Scans schlechter Qualität, hunderte Kampagnen-Duplikate mit kleinen Änderungen, fehlende Absender-Metadaten (Name, Gemeinde, betroffenes Grundstück), uneinheitliche Dateinamen sowie Anlagen wie Karten oder Unterschriftenlisten ohne Text.

Schritte der Aufbereitung: (1) alle Kanäle erfassen und pro Verfahren einen Eingangsordner festlegen; (2) Scans per OCR verarbeiten und eine Stichprobe auf Fehler prüfen (siehe PREP-006); (3) Mailarchive und exotische Formate umwandeln (siehe PREP-007); (4) Formbriefe deduplizieren und clustern, dabei die Anzahl je Cluster festhalten; (5) Absender, Datum, Kanal und betroffenes Objekt als Metadaten erfassen (siehe PREP-010); (6) das Kategorienschema vor der Klassifikation mit dem Fallteam abstimmen (siehe PREP-019); (7) Namen pseudonymisieren, wo die Sachbearbeitung sie nicht braucht (siehe PREP-022). Ein kleiner Goldstandard aus von Hand gelabelten Eingaben dient zur Bewertung der Themenzuordnung (PREP-018).

Werkzeuge: Paperless-ngx oder ein vorhandenes DMS, OCR-Engines wie Tesseract oder ein Cloud-Dokumentenparser, Python oder n8n für Deduplizierung und Export. Grober Anteil am Gesamtaufwand: 40-50 Prozent, überwiegend Digitalisierung und Bereinigung.

Umsetzungswege

Welcher Weg für wen

• public: Weg C — Beteiligungstexte enthalten personenbezogene Daten und das Verfahren muss prüfbar sein; daher passt ein souveräner oder selbst betriebener Stack (HW3) am besten zu Beschaffungs- und Datenschutzvorgaben.
• enterprise: Weg B — Vorhabenträger mit wiederkehrenden Genehmigungs- oder Beteiligungsverfahren können in der EU gehostete APIs mit ihrem eigenen Fallsystem kombinieren.
• developer: Weg B — Bauen Sie die Pipeline auf APIs in EU-Regionen und behalten Sie Themenkatalog und Prüfpfad als eigenen Code.
• smb: Weg B — Beteiligungsverfahren sind für KMU selten und kein Standardprodukt passt; eine kleine, pro Verfahren gebaute Pipeline auf in der EU gehosteten APIs ist der realistische Weg.

Weg A — Kaufen (Standardsoftware)

• Beteiligungsplattformen mit Analysemodulen: Open-Source- oder Anbieterplattformen für Online-Beteiligung wie Adhocracy+ / meinBerlin (Liquid Democracy e.V., Berlin, AGPL-3.0) und Decidim (AGPL-3.0, ursprünglich Barcelona) decken Erfassung, Moderation und Export ab; ihre Textanalyse ist vergleichsweise einfach [8][9]. Pol.is (AGPL-3.0, für gemeinnützige Organisationen und Behörden kostenlos gehostet) clustert Meinungen über Abstimmungen, statt Freitext-Einwendungen zu analysieren [10].
• Spezialisierte KI-Analyse für förmliche Einwendungen: Das deutsche BMV/mFUND-Projekt BIM4People (RWTH Aachen mit Carpus-Partner, albert.ing, WIN.DN, Interactive Pioneers; August 2023 bis April 2026) hat einen KI-gestützten Prototyp für das Einwendungsmanagement (thematische Vorsortierung, Ähnlichkeitserkennung) auf Basis offener BIM-Standards entwickelt [11]. Fragen Sie beim Konsortium nach, ob ein produktives Angebot existiert; eine verifizierte Liste kommerzieller Produkte habe ich nicht gefunden.
• E-Akte-/DMS-Anbieter in der deutschen Verwaltung (z. B. d.velop, PDV, Fabasoft - aktuelle KI-Module prüfen) und Beratungen für Beteiligungsprozesse (z. B. Zebralog, Bonn) liefern den Prozess; prüfen Sie, welche Analysen sie einsetzen.
• A wählen, wenn: geringes Volumen, kein eigenes Datenteam, Plattform bereits vorhanden. Immer verlangen: EU-Hosting, AVV, belegverknüpfte Ausgabe, Export des Prüfpfads, kein Training mit Ihren Daten.

Weg B — Auf Cloud-KI-Diensten aufbauen (empfohlener Standard)

• Modelle: ein in der EU gehostetes Spitzenmodell oder LLM eines EU-Anbieters per API mit strukturierten Ausgaben und langem Kontext (z. B. Mistral Large 3 / Mistral Medium 3.5 über die Plattform von Mistral, Claude, Gemini oder GPT über EU-Regionen der Hyperscaler); Temperatur 0 und JSON-Schema-Ausgabe für die Themenzuordnung [12]. Prüfen Sie im Vertrag Verarbeitungsregion und Zero-Retention-Bedingungen.
• Pipeline: ThemeFinder (MIT) als Engine für Themenfindung und Zuordnung, dazu Embeddings (z. B. BGE-M3, mehrsprachig, MIT) für das Clustern von Beinahe-Duplikaten und ein Vektor-/Hybridindex für die Suche in den Eingaben; eine Tabellen- oder Web-Oberfläche für die Prüfung durch die Sachbearbeitung [7][13].
• Consult (UK i.AI, MIT, Django/Svelte-Anwendung auf AWS) ist eine Referenzarchitektur mit menschlicher Freigabe der Themen, ihre README empfiehlt sie jedoch noch nicht für kritische Einsätze [14].
• Integration: OCR für gescannte Briefe (siehe DOC-003), Pseudonymisierung vor dem Senden des Texts (DOC-018), Export in die E-Akte und die Unterlagen zum Erörterungstermin.
• B wählen, wenn: ein Projektteam integrieren kann, das Volumen bei 1.000+ Eingaben liegt und die Daten rechtlich an einen Auftragsverarbeiter in der EU gehen dürfen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-LLMs wie Mistral Small 4 / Ministral 3 (Apache 2.0) oder Qwen3-30B-A3B-Instruct-2507 (Apache 2.0, 30,5 Mrd. Parameter gesamt / 3,3 Mrd. aktiv, 262k nativer Kontext), betrieben mit vLLM; BGE-M3 für Embeddings [12][15][13].
• Stack: ThemeFinder oder BERTopic (MIT; hierarchische Themen, von LLM erzeugte Bezeichnungen) plus ein Hybridindex (OpenSearch oder Qdrant/pgvector) und eine selbst betriebene Prüfoberfläche [7][16].
• Hardware: HW3 (eine GPU mit 48-96 GB) für ein MoE-Modell der ~30B-Klasse mit langem Kontext; HW2 genügt für kleine Modelle und reines Clustering, bei geringerer Zuordnungsqualität auf juristischer Prosa.
• C wählen, wenn: Einwendungen Daten besonderer Kategorien enthalten oder Vorschriften externe Auftragsverarbeiter verbieten (Bundeswehr, sicherheitsrelevante Infrastruktur, einige IT-Regeln der Länder); der Aufwand ist höher, weil Sie den Stack selbst betreiben.

Weg D — Eigenes Training

Selten erforderlich. Ein feingetunter Encoder-Klassifikator (Textklassifikator) lohnt sich nur bei wiederkehrenden, stabilen Themenkatalogen (z. B. eine Behörde mit vielen ähnlichen Netz- oder Windprojekten), wenn tausende frühere, menschlich geprüfte Zuordnungen von Aussagen zu Themen vorliegen. Die Korrekturen der Sachbearbeitung aus früheren Verfahren sind die Trainingsdaten. Bei einmaligen Beteiligungen ist Prompting plus menschliche Prüfung wirtschaftlicher.

Stand der Technik (2026)

• Zweistufige Pipelines „Themen finden, dann zuordnen" mit menschlicher Freigabe der Themen sind das im öffentlichen Sektor erprobte Muster: Themen zunächst aus Stapeln erzeugt, verdichtet und verfeinert, dann jede Rückmeldung zugeordnet, mit Dashboards zur Überprüfung [1][7][14].
• Bewertung: Die veröffentlichte Übereinstimmung ist mäßig bis gut, nicht perfekt (F1 0,76 im ersten Consult-Test); die Qualität hängt vom Themenkatalog, der Länge der Rückmeldungen und dem Fachgebiet ab. Führen Sie eine eigene Bewertung durch: Kodieren Sie eine geschichtete Stichprobe doppelt (z. B. 5-10 % der Eingaben) und messen Sie die Übereinstimmung, statt sich auf Herstellerangaben zu verlassen [1][2].
• LLMs mit langem Kontext (hunderttausende Token) können ganze Plandokumente zusammen mit den Einwendungen lesen, was die Verknüpfung „Einwendung ↔ Planabschnitt" verbessert; die Genauigkeit bei langem Kontext schwankt jedoch je Modell, testen Sie sie an Ihrem eigenen Korpus.
• Grenzen und Fehlerbilder: (a) Minderheits- oder ungewöhnliche Argumente werden in größere Themen eingeschmolzen und gehen verloren; (b) Modelle ordnen einer Eingabe unter Umständen ein Thema zu, das sie nur am Rande erwähnt; (c) rechtlich relevante individuelle Belange (Eigentum, Gesundheit, bestimmte Flurstücke) verstecken sich in Formbriefen; (d) mehrsprachige und dialektale Eingaben, Handschrift und schlechte Scans; (e) Prompt-Injection in Eingaben (an die KI gerichteter Text), siehe SEC-010; (f) trügerische Sicherheit bei Zählwerten: Themenhäufigkeit ist nicht Wichtigkeit, und das Gewicht eines Arguments ist eine rechtliche Wertung.
• Hinweis: Die Werkzeuge aus dem Vereinigten Königreich sind als Inkubation / nicht für kritische Einsätze gekennzeichnet; behandeln Sie jede quantitative Aussage als Pilotergebnis.

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine (llm-general, embedding-text, vector-db): LANG-019 (qualitative Kodierung), LANG-016 (Themenmodellierung), LANG-013 (Analyse offener Rückmeldungen) und LANG-008 (Zusammenfassung von Dokumentenmengen) können auf einem GPU-Server (HW3) und einem Embedding-/Indexdienst laufen; der Prompt für die Themenzuordnung und die Prüfoberfläche lassen sich wiederverwenden.
• Vorgelagert: DOC-003 (Formular- und Antragsverarbeitung, Scans), DOC-018 (Anonymisierung vor der Analyse), LANG-012 (Weiterleitung von Eingaben an Fachabteilungen), LANG-015 (Extraktion von Flurstücken, Adressen, Planbezügen).
• Nachgelagert: LANG-010 (Zusammenfassung der Ergebnisse in einfacher Sprache für die Öffentlichkeit), LANG-034 (Gesetzesentwurf aus Beteiligungsergebnissen), LANG-020 (Horizont-Scanning für Politik), CONV-011 und AGENT-026 (Bürgerservice und Fallbearbeitung in derselben Verwaltung).
• Governance: SEC-018 (Datenschutzbetrieb) für Verarbeitungsverzeichnisse und Aufbewahrung der Eingaben.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen, überwiegend Beschaffung und AVV-Arbeit; Lizenz- oder Projektgebühr.
• Weg B: 1-3 Monate für einen Pilot inklusive Prüfoberfläche und Validierungsstudie; die Modellkosten sind bei großen Beteiligungen klein im Vergleich zur Arbeitszeit der Sachbearbeitung, die datenschutzrechtliche Prüfung bestimmt jedoch den Zeitplan.
• Weg C: 2-4 Monate plus GPU-Server und Betrieb.
• Kennzahlen: Übereinstimmung mit der doppelt kodierten Stichprobe (F1 / Cohens Kappa), Anteil der Eingaben, die ohne Korrektur zugeordnet wurden, Arbeitsstunden der Sachbearbeitung je 1.000 Eingaben, Zeit von der Frist bis zum Bericht, Anzahl gerichtlicher Anfechtungen oder Beschwerden wegen übersehener Belange, Präzision der Duplikat-Cluster, Anteil der nach der Stichprobe ergänzten Themen (Näherungswert für den Recall).

Menschen & Veränderung

Binden Sie die Abteilungsleitung (Prozessverantwortliche) und das Rechtsteam von Anfang an ein, denn die Pflicht, jede Eingabe zu berücksichtigen, macht sie für das Ergebnis verantwortlich. Die IT und die oder der Datenschutzbeauftragte (DSB) kommen in der Konzeptphase hinzu: Eingaben enthalten personenbezogene Daten und oft besondere Kategorien, daher ist eine Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO wahrscheinlich, und jeder Cloud-Anbieter braucht einen AVV (Art. 28 DSGVO). Betriebsrat oder Personalrat: In Behörden hat der Personalrat (BPersVG oder Landesrecht) in der Regel ein Mitspracherecht; in Unternehmen ist der Betriebsrat relevant, wenn die Nutzung durch die Sachbearbeitenden protokolliert wird (§ 87 Abs. 1 Nr. 6 BetrVG, den das BAG auf jedes objektiv geeignete System anwendet), und er muss frühzeitig über KI-gestützte Arbeitsprozesse informiert werden (§ 90 Abs. 1 Nr. 3). Ohne gewählte Interessenvertretung entfällt dies.

KI-Kompetenz: Unterstützen Sie das Fallteam mit einer kurzen Schulung dazu, was das Modell übersehen kann (seltene Argumente, Ironie, Minderheitsmeinungen); die KI-Verordnung (AI Act) verlangt von Betreibern, die KI-Kompetenz des Personals zu fördern (Art. 4). Kommunizieren Sie, dass die KI nur Themen und Cluster vorschlägt; die Sachbearbeitenden entscheiden über jede Zuordnung und zeichnen den Katalog ab. Beginnen Sie mit einem abgeschlossenen Verfahren als Pilot und vergleichen Sie die KI-Ergebnisse mit der manuellen Tabelle. Typische Bedenken sind übersehene Argumente und das Risiko einer rechtlichen Anfechtung: Begegnen Sie ihnen mit Stichprobenprüfungen, zitierten Belegen je Thema und einem dokumentierten Prüfpfad.

Siehe GUIDE-004, GUIDE-005 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Ein typischer Analyseassistent hat minimales Risiko. Anhang III Nr. 8 betrifft KI, die von Justizbehörden eingesetzt wird, sowie KI, die das Ergebnis einer Wahl oder eines Referendums beeinflussen soll, nicht die Auswertung von Beteiligungen; Nr. 5 Buchst. a betrifft die Anspruchsberechtigung für wesentliche öffentliche Leistungen [17]. Hochrisiko wird sie (oder bedarf zumindest einer Einzelfallprüfung), wenn das System zur Entscheidung über individuelle Ansprüche, zum Profiling oder Ranking von Personen eingesetzt wird oder wenn es ein Gericht einsetzt. Art. 4 KI-Kompetenz gilt. Art. 50 Abs. 4 verlangt die Offenlegung KI-generierter Texte, die zur Information der Öffentlichkeit über Angelegenheiten von öffentlichem Interesse veröffentlicht werden, es sei denn, sie wurden menschlich geprüft und jemand trägt die redaktionelle Verantwortung; veröffentlichen Sie daher KI-entworfene Berichte nur nach menschlicher Prüfung [18].
• Verwaltungsrecht: Die Behörde kann die Abwägung oder die Entscheidung nicht an ein Modell delegieren; sie muss nachweisen können, dass jede fristgerechte Eingabe berücksichtigt wurde. Verspätete Eingaben und Präklusionsregeln (§ 73 VwVfG, § 21 UVPG, § 22 NABEG) erfordern verlässliche Eingangszeitstempel, die die KI-Pipeline nicht verändern darf [3][4][19]. Ob und wie der KI-Einsatz im Verfahren offengelegt werden muss, sollte mit der Rechtsabteilung geklärt werden (Landesrecht unterscheidet sich).
• DSGVO: Eingaben enthalten Namen, Adressen, Angaben zu Eigentum und Gesundheit sowie politische Meinungen (besondere Kategorien, Art. 9). Rechtsgrundlage ist in der Regel Art. 6 Abs. 1 Buchst. e mit dem Verfahrensgesetz; vor der Analyse minimieren und pseudonymisieren, Verarbeitung in der EU, AVV und kein Anbietertraining, DSFA bei großen Verfahren. Die Veröffentlichung von Einwendungen mit Namen erfordert gesonderte Sorgfalt.
• Weitere Risiken: Verzerrung zugunsten gut formulierter, organisierter Eingaben; Verlust von Minderheitsmeinungen; Vertrauen der Öffentlichkeit (kommunizieren, dass Menschen entscheiden); Prompt-Injection in Eingaben; Anbieterbindung beim Themenkatalog.

Erste Schritte

1. Nehmen Sie eine abgeschlossene Beteiligung (oder 300 Eingaben) mit der vorhandenen menschlichen Thementabelle als Referenzwahrheit.
2. Lassen Sie ThemeFinder mit einem in der EU gehosteten Modell darüber laufen und messen Sie die Übereinstimmung je Thema; prüfen Sie übersehene Minderheitsargumente.
3. Ergänzen Sie das Duplikat-/Kampagnen-Clustering und prüfen Sie, ob individuelle Ergänzungen in Formbriefen erhalten bleiben.
4. Legen Sie den Freigabeprozess fest: wer Themen freigibt, welche Stichprobenquote gilt, wie KI-Vorschläge und Entscheidungen protokolliert werden.
5. Schließen Sie die DSFA und die verfahrensrechtliche Prüfung ab und führen Sie dann einen Pilot an einem laufenden Verfahren durch, mit paralleler manueller Prüfung einer Stichprobe.

Quellen

1. UK Government (DSIT) - "Government-built Humphrey AI tool reviews responses to consultation for first time" (14 May 2025) - https://www.gov.uk/government/news/government-built-humphrey-ai-tool-reviews-responses-to-consultation-for-first-time-in-bid-to-save-millions
2. Civil Service World - "Civil service AI tool for consultation analysis passes first public test" - https://www.civilserviceworld.com/news/article/civil-service-ai-tool-for-consultation-analysis-passes-first-test
3. § 22 NABEG (Einwendungen, Stellungnahmen, Fristen) - https://gesetze.legal/bund/nabeg/22
4. § 73 VwVfG (Anhörungsverfahren) - https://www.gesetze-im-internet.de/vwvfg/__73.html
5. § 17 VwVfG (Gleichförmige Eingaben) - https://www.gesetze-im-internet.de/vwvfg/__17.html
6. § 3 BauGB (Beteiligung der Öffentlichkeit) - https://www.dejure.org/gesetze/BauGB/3.html
7. i.AI ThemeFinder (MIT) - https://github.com/i-dot-ai/themefinder
8. Liquid Democracy e.V. - adhocracy4 / Adhocracy+ / meinBerlin - https://github.com/liqd/adhocracy4
9. Decidim - https://github.com/decidim/decidim
10. Pol.is - https://github.com/compdemocracy/polis
11. BMV mFUND - BIM4People project page - https://www.bmv.de/SharedDocs/DE/Artikel/mFUND/Projekte/bim4people.html
12. Mistral AI - models overview - https://docs.mistral.ai/getting-started/models/models_overview/
13. BAAI BGE-M3 - https://huggingface.co/BAAI/bge-m3
14. i.AI Consult (MIT, incubation) - https://github.com/i-dot-ai/consult
15. Qwen3-30B-A3B-Instruct-2507 - https://huggingface.co/Qwen/Qwen3-30B-A3B-Instruct-2507
16. BERTopic - https://github.com/MaartenGr/BERTopic
17. EU AI Act Annex III (via artificialintelligenceact.eu) - https://artificialintelligenceact.eu/annex/3/
18. EU AI Act Art. 50 (via artificialintelligenceact.eu) - https://artificialintelligenceact.eu/article/50/
19. § 21 UVPG - https://www.gesetze-im-internet.de/uvpg/__21.html

Accessed 2026-10. Regulation (EU) 2024/1689 full text: https://eur-lex.europa.eu/eli/reg/2024/1689/oj