KI im Tendering: öffentliche Aufträge gewinnen.

Öffentliche Aufträge gelten als lohnender, aber sperriger Markt. In Deutschland werden jährlich Aufträge im dreistelligen Milliardenbereich ausgeschrieben — von Kommunen, Bundesländern, dem Bund, kommunalen Versorgern, Kliniken. Für mittelständische Anbieter ist das ein interessantes Geschäft mit stabiler Bonität und planbaren Laufzeiten. Die Hürde liegt nicht im Geschäftsmodell, sondern im Tendering-Prozess: Vergaberecht, formale Anforderungen, EU-weite Verfahren, e-Vergabe-Plattformen, Eignungsnachweise, Referenzprojekte. Wer einmal ein Verfahren wegen einer formalen Lappalie ausgeschlossen wurde, weiß, wie schmerzhaft das ist. KI verschiebt hier zwei Dinge: Sie hilft, die richtigen Ausschreibungen früh zu identifizieren, und sie unterstützt beim formal sauberen Aufbau des Angebots. Was sie nicht ersetzt, ist die fundierte Kenntnis des Vergaberechts und die Erfahrung mit öffentlichen Auftraggebern. Wie sich der Einsatz pragmatisch sortieren lässt, beschreibt der folgende Überblick.

Warum öffentliches Tendering im Mittelstand oft unter Wert verkauft wird.

Bei vielen mittelständischen Unternehmen ist das öffentliche Auftragswesen ein Randthema. Es gibt einen Mitarbeiter, der „auch die Ausschreibungen macht“, meist neben dem klassischen B2B-Geschäft. Die Folge: Es werden zu wenige Verfahren beobachtet, die richtigen werden zu spät erkannt, und die Angebote leiden unter Zeitdruck. Studien aus dem öffentlichen Beschaffungswesen zeigen, dass der Mittelstand bei kleineren Verfahren überproportional vertreten ist und bei größeren Verfahren systematisch zurückbleibt.

Diese Asymmetrie hat strukturelle Gründe. Große EU-Verfahren verlangen aufwendige Eignungsnachweise, formale Disziplin und meist mehrere Wochen Bearbeitungszeit. Wer nicht systematisch arbeitet, verliert in der Vorqualifikation. KI verschiebt die Schwelle. Wenn die Identifikation passender Ausschreibungen, die Vorabbewertung und der formale Angebotsaufbau Stunden statt Tage kosten, wird der Aufwand für ein Verfahren kalkulierbar — und der Mittelstand kann öfter mitbieten.

Die häufig diskutierte Skepsis gegenüber öffentlichen Auftraggebern — lange Zahlungsziele, langwierige Verfahren, niedrige Margen — relativiert sich, wenn die Bearbeitungskosten sinken. Plötzlich werden Verfahren wirtschaftlich, die früher als unrentabel galten. Genau das ist die strategische Frage hinter dem Thema.

Was KI im Tendering-Prozess heute kann.

Der Tendering-Prozess lässt sich in vier Phasen zerlegen, in denen KI unterschiedlich stark hilft. Eine ehrliche Einordnung erspart überzogene Erwartungen.

• Identifikation: Tägliches Monitoring der relevanten Vergabeplattformen (TED, eVergabe-Portale der Länder, kommunale Portale) mit semantischer Filterung. Reife: hoch. Heute schon Stand der Technik.
• Vorabbewertung: Schnelle Einschätzung, ob das eigene Unternehmen die Eignungskriterien erfüllt und ob das Verfahren wirtschaftlich attraktiv ist. Reife: mittel-hoch. Verlangt Anbindung an interne Kennzahlen.
• Angebotsaufbau: Strukturierte Bearbeitung der Anforderungen, Bausteine aus Vorprojekten, formale Vollständigkeitsprüfung. Reife: mittel-hoch.
• Strategische Preisbildung: Vergleich mit historischen Zuschlagsdaten, Konkurrenzeinschätzung, Marktpreisindikation. Reife: mittel. Hängt stark vom verfügbaren Datenmaterial ab.

Identifikation und Angebotsaufbau sind die beiden Hebel mit dem größten Effekt im Mittelstand. Die strategische Preisbildung ist die spannendere, aber auch heiklere Disziplin. Wer hier zu sehr auf KI vertraut, kann sich verkalkulieren — gerade bei komplexen Verfahren mit ungewöhnlichen Bewertungsmatrizen.

Vergaberecht ist kein Hintergrundthema.

Das deutsche und europäische Vergaberecht ist formal streng. Ein vergessener Eignungsnachweis, ein falsches Formular, eine nicht eingehaltene Frist können zum Ausschluss führen — unabhängig davon, wie gut das technische Angebot ist. KI hilft hier auf zwei Ebenen, ohne den Juristen zu ersetzen.

Auf der ersten Ebene unterstützt sie bei der Vollständigkeitsprüfung. Ein gut konfiguriertes System gleicht die Unterlagenforderung des Auftraggebers mit den eigenen Unterlagen ab, markiert Lücken und schlägt Standardformulierungen vor. Das reduziert Flüchtigkeitsfehler dramatisch — gerade in der hektischen Endphase eines Verfahrens. In der Beratungspraxis zeigt sich regelmäßig, dass formale Ausschlüsse fast immer in den letzten 48 Stunden vor Abgabe entstehen, weil unter Zeitdruck Details übersehen werden.

Auf der zweiten Ebene hilft KI bei der schnellen Einordnung des Verfahrenstyps: offenes Verfahren, nicht offenes Verfahren, Verhandlungsverfahren, wettbewerblicher Dialog, Innovationspartnerschaft. Jedes Verfahren hat eigene Spielregeln. Ein Modell, das das richtig erkennt und die jeweiligen Pflichten benennt, erspart dem Mittelständler stundenlanges Nachlesen. Das eigentliche Vergabejuristische bleibt aber Sache eines kundigen Mitarbeiters oder externen Beraters — KI darf hier vorschlagen, aber nicht entscheiden.

Eignungsnachweise und Referenzen automatisieren.

Jeder öffentliche Auftraggeber verlangt Eignungsnachweise: Eintragung im Berufsregister, Erklärung zu Versicherungen, Umsatzzahlen der letzten drei Jahre, Mitarbeiterzahlen, Referenzprojekte. Diese Unterlagen sind in jedem Unternehmen vorhanden — verstreut über Buchhaltung, HR, Vertrieb, Marketing. Wer sie für jedes Verfahren neu zusammensucht, verliert pro Bewerbung vier bis acht Arbeitsstunden.

Ein KI-gestütztes Bewerber-Repository bündelt diese Bestände an einer Stelle, verschlagwortet sie und hält sie aktuell. Wenn ein neues Verfahren ansteht, generiert das System eine maßgeschneiderte Eignungsdokumentation. Referenzprojekte werden nach Relevanz sortiert, Umsatz- und Mitarbeiterzahlen automatisch übernommen, formale Erklärungen ausgefüllt. Was bleibt, ist die abschließende Prüfung durch einen Mitarbeiter — meist in unter einer Stunde.

Der Aufbau eines solchen Repositories ist eine Einmalinvestition von zwei bis vier Wochen. Danach läuft das System mit minimalem Pflegeaufwand. Wichtig ist, ein klar verantwortliches Eigentum festzulegen: Wer aktualisiert die Versicherungspolicen, wer fügt neue Referenzprojekte hinzu, wer pflegt das Organigramm? Ohne diese Verantwortlichkeit veraltet die Datenbasis, und der Effekt schmilzt. Wer das diszipliniert pflegt, kann mit demselben Aufwand drei- bis viermal so viele Verfahren bearbeiten wie zuvor.

Identifikation: das Vor-Filter-Problem.

Wer auf den großen Vergabeplattformen unterwegs ist, kennt das Problem: Pro Tag erscheinen Hunderte neue Bekanntmachungen, allein in Deutschland. Manuelles Filtern ist faktisch unmöglich. Klassische Schlagwort-Alerts liefern entweder zu viele Treffer oder verpassen relevante Verfahren, weil der ausschreibende Auftraggeber andere Begriffe verwendet.

Hier hilft semantische Filterung. Ein KI-System lernt aus den Verfahren, die das Unternehmen in der Vergangenheit bearbeitet hat, das eigene Profil: Welche Leistungsbeschreibungen wurden bearbeitet, welche gewonnen, welche verloren, welche absichtlich nicht bearbeitet? Dieses Profil wird dann gegen die täglichen Bekanntmachungen abgeglichen. Das Ergebnis sind nicht 200 Treffer pro Woche, sondern 8 bis 15, die manuell geprüft werden müssen.

Eine wichtige Disziplin: Die Filterlogik muss kontinuierlich nachgeschärft werden. Wenn ein Verfahren zu einem unerwartet großen Auftrag führt, muss das in das Modell zurückfließen. Wenn ein Bereich strategisch ausgebaut werden soll, muss die Gewichtung angepasst werden. Wer einmal einrichtet und dann nicht mehr pflegt, hat nach sechs Monaten wieder einen unbrauchbaren Filter. In der Praxis ist diese Pflege Sache des Vertriebsleiters, nicht der IT — sie verlangt Geschäftsverständnis, nicht Konfigurationsarbeit.

Grenzen: Was KI im öffentlichen Tendering nicht leistet.

Drei Bereiche bleiben menschlicher Arbeit vorbehalten. Erstens: Beziehungspflege im rechtlich Erlaubten. Öffentliche Auftraggeber sind keine anonymen Black Boxes. Vorgespräche im Rahmen des Markterkundungsverfahrens, fachliche Austausche auf Messen und Veranstaltungen, der Aufbau von Vertrauen über Jahre sind im Vergaberecht zulässig und in der Praxis erfolgsentscheidend. KI ersetzt das nicht.

Zweitens: Strategische Verfahrensentscheidungen. Lohnt es sich, ein Verfahren zu rügen? Sollte ein Nachprüfungsantrag gestellt werden? Wie geht man mit einem fragwürdigen Ausschluss um? Diese Fragen erfordern juristisches Urteilsvermögen und ein gutes Bauchgefühl für die Verhältnismäßigkeit. KI kann Optionen aufzeigen, die Entscheidung trägt der Geschäftsführer mit seinem Anwalt.

Drittens: Die echte Differenzierung im Angebot. Standardisierte Eignungsdokumente und formal saubere Texte sind die Pflicht. Die Kür ist die spezifische Lösung für das konkrete Problem des Auftraggebers — und genau hier verlangt es Erfahrung, technische Expertise und manchmal auch Mut zu unkonventionellen Vorschlägen. KI hilft, dafür Zeit freizuschaufeln. Sie liefert diese Substanz aber nicht selbst.

Wirtschaftlichkeit: Wann sich der Aufbau lohnt.

Eine schlanke KI-gestützte Tendering-Funktion mit Repository, Filter und Angebotsbausteinen lässt sich in einem Mittelständler binnen zwei bis drei Monaten aufbauen. Die Einmalkosten liegen typischerweise zwischen 25.000 und 60.000 Euro, je nach Branche und Reifegrad. Die laufenden Kosten — Lizenzen, Cloud-Infrastruktur, Pflege — bewegen sich im niedrigen vierstelligen Bereich monatlich.

Der Break-even kommt schneller als oft angenommen. Ein Unternehmen, das zuvor sechs öffentliche Verfahren pro Jahr mit jeweils 80 Stunden Aufwand bearbeitet hat, spart durch den Workflow rund die Hälfte der Bearbeitungszeit. Bei einem internen Stundensatz von 75 Euro entspricht das 18.000 Euro reine Zeitersparnis. Wertvoller ist meist der zweite Effekt: Dasselbe Team bearbeitet mit gleichem Aufwand zwölf statt sechs Verfahren — die Trefferrate verbessert sich, das Auftragsvolumen wächst.

Risiko ist die Initialisierung. Wer das System einrichtet und dann nicht konsequent nutzt, verbrennt Geld. Eine erfolgreiche Einführung verlangt drei Dinge: Einen klaren Verantwortlichen mit Mandat, eine realistische Pilotphase mit fünf bis acht echten Verfahren, und die Bereitschaft, in der Pflege diszipliniert zu bleiben. Wer diese drei Punkte sichert, hat in einem Jahr eine spürbar verbesserte Tendering-Funktion und ein wertvolles Asset für die Geschäftsentwicklung.

Was Entscheider jetzt prüfen sollten.

Drei Fragen helfen, die Lage zu sortieren. Erstens: Wie hoch ist heute der Anteil öffentlicher Aufträge am eigenen Umsatz, und welcher Anteil wäre realistisch, wenn der Bearbeitungsaufwand pro Verfahren um 40 Prozent sänke? Wer noch nie systematisch mitgeboten hat, könnte hier ein ungenutztes Wachstumsfeld entdecken.

Zweitens: Welche Verfahren wurden im letzten Jahr nicht bearbeitet, obwohl das Unternehmen geeignet gewesen wäre? Eine Stichprobe von zehn aktuellen Ausschreibungen aus den eigenen Sektoren — gefiltert nach Eignungskriterien — gibt eine ehrliche Antwort. Oft ist die Lücke größer als gedacht.

Drittens: Wer würde im eigenen Haus ein Tendering-System verantworten? Diese Frage ist die schwierigste. Es gibt selten den einen klar geeigneten Mitarbeiter — oft sitzt das Wissen verteilt bei Vertrieb, Geschäftsführung und einem erfahrenen Sachbearbeiter. Eine erfolgreiche Einführung verlangt, dieses Wissen einmal zu konsolidieren und einer Person ein klares Mandat zu geben. Das ist der entscheidende Schritt — und er kommt vor der Technologie.

Sie wollen prüfen, ob ein systematisches Tendering für Ihr Unternehmen ein realistisches Wachstumsfeld ist? Unverbindlich anfragen — wir schauen gemeinsam auf Ihre Eignung, mögliche Verfahren und einen pragmatischen Aufbauplan.