Die Korrosion von Spundwänden stellt eine bedeutende Herausforderung für die Instandhaltung von Hafeninfrastrukturen dar. Umweltfaktoren, wie Salzwasserexposition, Strömungseinflüsse und klimatische Veränderungen, beschleunigen den Materialverlust und beeinflussen die Tragfähigkeit der Bauwerke. Eine präzise Überwachung ist daher essenziell, um sicherheitskritische Schäden frühzeitig zu erkennen und nachhaltige Erhaltungsstrategien zu entwickeln. In diesem Beitrag wird eine Softwarelösung zur digitalen Erfassung, statistischen Analyse und zukünftigen KI-gestützten Prognose der Spundwandkorrosion vorgestellt. Die Anwendung kombiniert eine strukturierte Datenerfassung mit statistischen Auswerteverfahren, insbesondere einer Plausibilitätsprüfung auf Basis lognormalverteilter Abrostungswerte. Abweichungen werden durch einen Schwellwert identifiziert, um unplausible Messwerte zu klassifizieren und die Datenqualität zu sichern. Die geprüften Messdaten bilden die Grundlage für die Entwicklung eines Machine Learning-Modells, das zukünftige historische Korrosionsverläufe und Umweltparameter nutzen soll, um den Materialverlust über verschiedenen Zeitintervalle hinweg vorherzusagen. Die Implementierung dieser KI-Komponente befindet sich aktuell noch in einem frühen Stadium und wird kontinuierlich weiterentwickelt. Die vorgestellte Lösung ermöglicht bereits eine präzise Zustandsbewertung und legt den Grundstein für eine vorausschauende Instandhaltungsplanung. Langfristig unterstützt sie datengetriebene Erhaltungsstrategien, die ökonomische und ökologische Anforderungen gleichermaßen berücksichtigen.