11 Min. Lesezeit · KI · Juni 2026

Angebote & Exposés mit KI erstellen.

Ein gutes Angebot zu schreiben kostet Zeit: das Anliegen des Kunden verstehen, die passenden Leistungen heraussuchen, Preise zusammenstellen, den Text individuell wirken lassen und sauber formatieren. Vieles daran ist Routine, die sich immer ähnelt. Genau diesen wiederkehrenden Teil kann KI beschleunigen — ohne dass das Angebot beliebig oder fehlerhaft wird. Der Schlüssel liegt darin, der KI die Formulierung zu überlassen, aber niemals die Zahlen.

Wo bei Angeboten wirklich Zeit verloren geht.

Der zeitraubende Teil eines Angebots ist selten der Preis — der steht meist in einer Preisliste. Aufwendig ist das Drumherum: die Anfrage in eine passende Leistungsbeschreibung übersetzen, den Nutzen für genau diesen Kunden formulieren, Textbausteine zusammensuchen und so anpassen, dass sie nicht wie Konserve klingen. Bei einem Immobilien-Exposé kommt das Verfassen eines ansprechenden Objekttexts hinzu, der die Fakten lebendig beschreibt.

Dieser sprachliche Anteil ist genau die Stärke moderner Sprachmodelle. Sie können aus Stichpunkten flüssige, zielgruppengerechte Texte formulieren und dabei den Ton treffen. Das Ziel ist deshalb nicht „die KI schreibt das ganze Angebot allein“, sondern „die KI liefert einen fertigen Entwurf, den ein Mensch in wenigen Minuten prüft, anpasst und freigibt — statt ihn von Null zu schreiben".

Das Grundprinzip: Fakten füttern, Text generieren lassen.

Der entscheidende Denkfehler bei KI-generierten Angeboten ist, dem Modell die Zahlen zu überlassen. Ein Sprachmodell, das Preise, Mengen oder Fristen selbst beisteuern soll, erfindet plausibel aussehende Werte — und ein Angebot mit einem falschen Preis ist kein Zeitgewinn, sondern ein Geschäftsrisiko. Die saubere Trennung lautet:

Strukturierte Fakten kommen aus dem System: Preise aus der Preisliste, Leistungspositionen aus dem Katalog, Kundendaten aus dem CRM, Objektdaten aus der Datenbank. Diese Werte werden dem Modell vorgegeben, nicht von ihm erzeugt.
Die Formulierung kommt vom Modell: Es bettet die vorgegebenen Fakten in einen flüssigen, individuellen Text ein — Einleitung, Nutzenbeschreibung, Objekttext, Abschluss. Hier darf es kreativ sein, solange es keine Fakten verändert.

Mit dieser Trennung bleibt das Angebot rechnerisch korrekt, während der Text trotzdem individuell wirkt. Das Modell ist der Texter, nicht der Kalkulator. Wer diese Grenze respektiert, bekommt das Beste aus beiden Welten; wer sie verwischt, baut sich eine Fehlerquelle ein, die irgendwann teuer wird.

Bausteine statt Freitext.

In der Praxis bewährt sich ein Vorlagen- und Baustein-Ansatz. Statt das Modell ein komplettes Angebot frei erfinden zu lassen, gibt man ihm ein Gerüst aus festen und variablen Teilen vor:

Bestandteil	Herkunft
Anrede, Firmierung, Anschrift	Fest aus dem CRM/Stammdaten
Einleitung mit Bezug zur Anfrage	KI-generiert auf Basis des Anfragetexts
Leistungspositionen und Preise	Fest aus Katalog/Preisliste
Nutzen- und Beschreibungstext	KI-generiert, an den Kunden angepasst
Zahlungs- und Lieferbedingungen, Rechtliches	Feste Textbausteine, nie KI-generiert

Auffällig ist, dass die rechtlich und kaufmännisch heiklen Teile — Bedingungen, Fristen, Preise — bewusst nicht aus der KI kommen. Sie sind geprüfte, feste Bausteine. Die KI füllt nur die sprachlich gestaltbaren Lücken dazwischen. Das hält das Risiko klein und den individuellen Eindruck hoch.

Ein konkretes Generierungs-Setup.

Technisch übergibt man dem Modell die festen Fakten als Daten und bittet um einen Text, der genau diese Fakten verwendet — ohne neue hinzuzuerfinden. Ein vereinfachtes Beispiel mit der Anthropic-API in Python für einen Angebots-Einleitungstext:

import anthropic, json

an = anthropic.Anthropic()

def angebotstext(kunde: dict, positionen: list,
                 anfrage: str) -> str:
    fakten = {
        "kunde": kunde,           # aus CRM
        "positionen": positionen, # aus Katalog
        "anfrage": anfrage        # Originaltext
    }
    msg = an.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=800,
        system=(
            "Du schreibst die Einleitung und den "
            "Nutzentext fuer ein Angebot. Verwende "
            "AUSSCHLIESSLICH die uebergebenen Fakten. "
            "Erfinde KEINE Preise, Mengen, Fristen oder "
            "Leistungen, die nicht in den Daten stehen. "
            "Ton: professionell, freundlich, Sie-Form. "
            "Gib nur den Fliesstext zurueck."),
        messages=[{"role": "user",
                   "content": json.dumps(fakten,
                                         ensure_ascii=False)}])
    return msg.content[0].text

# Preise/Summen werden NICHT vom Modell berechnet,
# sondern separat aus den Positionen aufaddiert.

Die Summenbildung — Einzelpreise, Zwischensumme, Steuer, Endbetrag — passiert bewusst außerhalb des Modells in normalem Code. Das LLM sieht die fertigen Zahlen nur, um sie im Text korrekt zu erwähnen, berechnet sie aber nie selbst. So ist ausgeschlossen, dass sich ein Modell verrechnet. Diese Arbeitsteilung ist das Wichtigste am ganzen Aufbau.

Faktenkontrolle vor dem Versand.

Auch mit sauberer Trennung gehört vor den Versand eine Prüfung. Ein Sprachmodell kann trotz klarer Anweisung Fakten verändern — etwa eine Zahl im Fließtext anders schreiben als in der Positionsliste. Deshalb sollte ein automatischer Abgleich laufen, bevor irgendein Angebot beim Kunden landet:

Zahlenabgleich: Tauchen im generierten Text Preise oder Mengen auf, die nicht in den vorgegebenen Fakten stehen? Dann ist etwas schiefgelaufen.
Vollständigkeit: Sind alle vereinbarten Leistungspositionen enthalten und keine erfundenen dazugekommen?
Verbotene Zusagen: Hat das Modell Versprechen formuliert, die so nicht gedeckt sind (Garantien, Fristen, Rabatte)? Solche Formulierungen müssen auffallen.
Menschliche Endfreigabe: Kein Angebot geht ungeprüft raus. Die KI liefert den Entwurf, ein Mensch gibt frei — das ist nicht verhandelbar.

Diese Kontrolle klingt nach Aufwand, dauert in der Praxis aber Sekunden, weil das System die meisten Prüfungen automatisch erledigt und der Mensch nur noch über Auffälligkeiten schaut. Der Zeitgewinn beim Schreiben bleibt erhalten, das Risiko sinkt deutlich.

Exposés: ein Sonderfall mit eigenen Regeln.

Bei Immobilien- oder Produkt-Exposés verschiebt sich der Schwerpunkt vom Preis zur Beschreibung. Hier soll die KI aus nüchternen Objektdaten — Größe, Lage, Ausstattung, Baujahr — einen ansprechenden, aber ehrlichen Text formen. Die Versuchung ist groß, das Modell „schöner“ schreiben zu lassen, als die Realität hergibt. Das ist gefährlich.

In Deutschland gelten für Exposés und Angebote Vorgaben gegen irreführende Werbung. Ein Text, der eine „ruhige Lage“ verspricht, obwohl daneben eine Hauptstraße verläuft, oder Eigenschaften behauptet, die nicht belegt sind, kann rechtliche Folgen haben. Die KI darf also formulieren und schmücken, aber nur auf Basis tatsächlich vorhandener Fakten. Der System-Prompt muss klar untersagen, Eigenschaften zu erfinden oder zu beschönigen. Auch hier gilt: menschliche Prüfung gegen die echten Objektdaten ist Pflicht. Dies ist keine Rechtsberatung; bei werblichen Aussagen gehört die Ausgestaltung mit juristischer Beratung abgestimmt.

Datenschutz und Vertraulichkeit.

Angebote enthalten oft sensible Informationen — Kundendaten, individuelle Konditionen, manchmal Geschäftsgeheimnisse. Wer diese über eine Cloud-API verarbeitet, braucht einen Auftragsverarbeitungsvertrag mit dem Anbieter und sollte den Datenstandort kennen. Bei besonders schützenswerten Konditionen oder Kundendaten kann ein lokal betriebenes Modell die sauberere Wahl sein — auf Kosten von Setup-Aufwand und Modellqualität. Diese Abwägung gehört an den Anfang des Projekts, nicht ans Ende.

Schrittweise einführen.

Wie bei jeder Automatisierung lohnt der stufenweise Weg. Wer von Tag eins an alle Angebote automatisch erzeugen lässt, riskiert beim ersten peinlichen Fehler das Vertrauen des Vertriebs. Bewährt hat sich:

Ein Angebotstyp zuerst: Mit der häufigsten, gut strukturierten Angebotsart starten, bei der die Leistungen klar im Katalog stehen. Hier ist der Nutzen am größten und das Risiko am kleinsten.
Entwurf statt Endprodukt: Die KI liefert anfangs nur einen Entwurf, den der Vertrieb vollständig überarbeitet. So entsteht ein Gefühl für Qualität und Grenzen.
Bausteine verfeinern: Aus den manuellen Korrekturen lernt man, welche Vorlagen und Prompts noch nachgeschärft werden müssen. Das ist ein laufender Prozess.
Routine verkürzen: Erst wenn die Qualität über längere Zeit stabil ist, lässt sich die Bearbeitung auf „prüfen und freigeben“ verkürzen — niemals auf „ungeprüft versenden“.

Was ich aus der Praxis mitgebe.

Zahlen nie aus der KI. Preise, Mengen und Fristen kommen aus dem System, das Modell formuliert nur. Diese Grenze ist nicht verhandelbar.
Bausteine geben Sicherheit. Feste Vorlagen für Bedingungen und Rechtliches, KI nur für die gestaltbaren Lücken dazwischen.
Faktenabgleich vor dem Versand. Ein automatischer Check fängt verschobene Zahlen und erfundene Zusagen ab, bevor sie beim Kunden landen.
Ehrlich bleiben, gerade bei Exposés. Schmücken ja, erfinden nein — sonst drohen rechtliche Folgen statt Zeitersparnis.

Sie wollen Angebote oder Exposés schneller erstellen — mit individuellem Text, aber korrekten Zahlen? Unverbindlich anfragen — wir schauen uns Ihre Angebotsarten, Datenquellen und einen sinnvollen Pilot-Bereich an.