RFP/RFQ-Analyse mit KI.

Wer im B2B-Geschäft Angebote schreibt, kennt das Ritual. Eine Ausschreibung trifft ein, oft am Donnerstagnachmittag, mit 60 bis 120 Seiten Anforderungsdokument, einem Pflichtenheft, einer Preisstrukturmatrix, AGB des Einkäufers und einer Frist, die unter drei Wochen liegt. Vertrieb, Technik und Einkauf lesen parallel. Jeder zieht heraus, was ihn betrifft. Was am Ende fehlt, sind nicht die Antworten — sondern die Sicherheit, dass alle Anforderungen verstanden, korrekt zugeordnet und ohne stille Lücken beantwortet sind. Genau hier setzen KI-gestützte Analysewerkzeuge an. Sie versprechen, RFP- und RFQ-Dokumente in Stunden statt Tagen aufzuschlüsseln, alle Anforderungen zu extrahieren und eine erste Angebotsgliederung vorzuschlagen. Was davon trägt und was Vorsicht verlangt — gerade bei vertraulichen Unterlagen — ist die eigentlich interessante Frage.

Warum RFP/RFQ-Analyse ein Mittelstandsthema ist.

Große Konzerne haben Tender-Teams. Mittelständler haben Vertriebsingenieure, die nebenher Ausschreibungen bearbeiten — meist drei bis fünf parallel, je nach Auftragslage. Genau hier setzt der Kostendruck ein. Wer eine 90-seitige Ausschreibung gründlich durchgehen will, braucht zwei volle Arbeitstage. Wer sechs Ausschreibungen pro Quartal bearbeitet, verliert pro Mitarbeiter rund einen Monat Arbeitszeit allein für das initiale Verstehen.

Diese Zeit wird selten investiert. In der Praxis wird quergelesen, das Pflichtenheft überflogen und die Antwort aus dem Bauchgefühl gebaut. Das funktioniert, solange die Anforderungen einfach sind. Sobald regulatorische Auflagen, technische Sonderwünsche oder mehrstufige Bewertungsmatrizen ins Spiel kommen, entstehen Lücken — und Lücken entscheiden im B2B-Pitch häufig über Sieg oder Niederlage.

KI verändert diese Rechnung. Ein Sprachmodell, das ein 80-Seiten-Dokument in 20 Minuten in eine strukturierte Anforderungsliste überführt, gibt dem Vertriebsingenieur zwei Tage zurück. Diese Tage gehören dann der Antwortqualität: Lösungsdesign, Argumentation, Differenzierung. Genau dort, wo der Mittelstand strukturell stark ist und im reinen Schreiben oft Boden verliert.

Was eine KI bei einem RFP konkret leistet.

Die typische Aufgabenkette gliedert sich in vier Stufen, die jeweils mit unterschiedlicher Zuverlässigkeit funktionieren. Wer Erwartungen sortieren will, sollte diese Stufen kennen.

Die Anforderungs-Extraktion ist heute weitgehend gelöst. Ein gut eingesetztes Sprachmodell findet 90 bis 95 Prozent aller harten Anforderungen, inklusive der Stellen, an denen sie versteckt sind — etwa im Anhang oder im Glossar. Was menschliche Nachprüfung verlangt, sind weiche Anforderungen und implizite Erwartungen.

Die Kalkulationslogik bleibt im Verantwortungsbereich der Vertriebsingenieure. KI kann eine Struktur vorschlagen, aber sie kennt weder Ihre Marge noch Ihre Lieferantenpreise. Wer hier zu viel Vertrauen schenkt, baut Risiken in den Preis ein.

Vertraulichkeit ist kein Detail.

RFP-Dokumente enthalten häufig vertrauliche Informationen — Mengen, Margen, technische Spezifikationen, Lieferantenbeziehungen. Wer solche Unterlagen in ein öffentliches KI-Tool kopiert, verletzt im Zweifel mehrere Vertraulichkeitsklauseln gleichzeitig und kann sich im Schadensfall nicht mehr darauf berufen, das sei aus Versehen passiert.

Drei Optionen stehen zur Verfügung. Die erste ist die On-Premises-Variante: Ein lokal betriebenes Modell, das die Dokumente nicht verlässt. Geeignet für kritische Branchen wie Rüstung, kerntechnische Anlagen oder hochsensible OEM-Beziehungen. Die zweite Option sind dedizierte Enterprise-Tenants bei den großen Cloud-KI-Anbietern, mit vertraglich zugesichertem No-Training auf den eigenen Daten und EU-Datenstandort. Die dritte Option sind spezialisierte SaaS-Tools für RFP-Analyse, die eigene Hosting-Modelle anbieten.

Für die meisten Mittelständler ist Option zwei der pragmatische Mittelweg. Auf den großen Plattformen lässt sich heute ein Workflow einrichten, der Auftragsanalyse, Antwortgliederung und Textbausteine über vertraulich gehostete Modelle abwickelt. Wichtig ist, das vor dem ersten Dokument vertraglich und technisch zu klären, nicht danach.

Eine typische Anforderungs-Extraktion am Beispiel.

Ein mittelständischer Sondermaschinenbauer erhält eine Ausschreibung über eine Produktionsanlage für die Automobilzulieferindustrie. 86 Seiten Hauptdokument, 23 Seiten Anhang mit Normverweisen, 14 Seiten Bewertungsmatrix. Klassisch zwei Arbeitstage zum gründlichen Lesen.

Ein KI-gestützter Workflow liefert in unter einer Stunde eine Struktur mit etwa 180 extrahierten Einzelanforderungen, sortiert nach Themenblöcken: Funktionale Anforderungen, technische Spezifikationen, Compliance, Service-Level, kommerzielle Bedingungen. Jede Anforderung trägt eine Quellenangabe — Seite, Abschnitt — und einen ersten Klassifikationsvorschlag. Etwa 30 Anforderungen sind als „Klärungsbedarf“ markiert, weil das Modell unsicher ist.

Der Vertriebsingenieur prüft diese 30 Klärungspunkte gezielt nach. Das dauert zwei bis drei Stunden. Anschließend liegt eine vollständige Anforderungsmatrix vor, die als Antwortgrundlage dient. Aus den 180 Anforderungen wird automatisch ein Angebotsoutline vorgeschlagen, ergänzt um relevante Textbausteine aus früheren Angeboten. Die eigentliche Arbeit — Lösungsdesign, Kalkulation, Differenzierung — beginnt damit nicht später, sondern auf einer deutlich stabileren Grundlage. Die Vorbereitungszeit sinkt von zwei Tagen auf knapp einen halben.

Bausteinbibliothek: der eigentliche Hebel.

Der größte Effizienzgewinn liegt nicht in der Analyse einzelner Dokumente, sondern im Aufbau einer eigenen Bausteinbibliothek. Jedes geschriebene Angebot enthält Antworten auf wiederkehrende Fragen: Qualifikationen, Referenzprojekte, Zertifizierungen, Standardprozesse, Datenschutzkonzepte. Diese Antworten existieren in zehn oder zwanzig Varianten verstreut über fünf Jahre Vertriebsarbeit.

Eine KI-gestützte Bibliothek indexiert diese Bestände, verschlagwortet sie nach Kontext, Branche, Auftragsgröße. Wenn ein neues RFP eingeht, schlägt das System für jede Anforderung passende Bausteine vor. Der Vertriebsingenieur entscheidet, was er übernimmt, anpasst oder neu schreibt. Die Antwortzeit pro Anforderung sinkt von 25 auf 8 Minuten — bei besserer Konsistenz, weil die gleiche Frage nicht jedes Mal aus dem Gedächtnis beantwortet wird.

Der Aufwand für den Aufbau der Bibliothek ist nicht trivial. In einem mittelständischen Unternehmen mit fünf bis zehn Jahren Vertriebsarchiv liegt der Einmalaufwand bei zwei bis vier Wochen. Wer hier investiert, profitiert über Jahre. In der Beratungspraxis zeigt sich regelmäßig, dass diese Investition oft scheitert, weil sie zwischen IT, Vertrieb und Marketing verrutscht und keinen klaren Eigentümer findet. Eine kleine, klar verantwortete Initiative ist hier wirksamer als ein großes Projekt.

Wo KI bei RFP/RFQ versagt.

Drei Schwächen sind chronisch und werden in Demos selten gezeigt. Erstens: Implizite Anforderungen. Wenn ein Einkäufer schreibt „Lieferzeit verbindlich, Vertragsstrafen üblich“, versteht ein erfahrener Mensch sofort, dass die kommerzielle Bewertung gleich nach der technischen kommt. Eine KI dokumentiert beide Wörter, ohne die Tragweite zu sehen. Hier braucht es weiterhin Vertriebserfahrung.

Zweitens: Branchenspezifische Konventionen. In der Pharmaindustrie hat ein „GxP-konform“ eine andere Tiefe als im Maschinenbau. Generische Modelle ohne Domain-Tuning verfehlen diese Tiefen regelmäßig. Wer in einer regulierten Branche arbeitet, sollte sein Modell auf eigene Altdokumente oder Branchenstandards finetunen lassen oder zumindest einen guten Retrieval-Mechanismus aufsetzen.

Drittens: Strategische Fallen. Manchmal will der Einkäufer mit einer Ausschreibung gar nicht den günstigsten Lieferanten finden, sondern Preisinformationen für die Verhandlung mit dem Wunschlieferanten gewinnen. KI sieht diese strategische Ebene nicht. Sie liefert eine technisch saubere Antwort auf eine Ausschreibung, an der man eigentlich nicht teilnehmen sollte. Die Entscheidung „Bieten wir oder nicht?“ bleibt beim Menschen — und sie wird durch bessere Analyse nicht überflüssig, sondern eher schwerer, weil sie sichtbarer wird.

Workflow in der Praxis.

Ein robustes Vorgehen lässt sich in fünf Schritten skizzieren, die in unter zwei Tagen für einen typischen RFP durchlaufen werden.

1. Tag 1, Vormittag: Dokument-Ingest in das eigene KI-System. Erste automatische Extraktion. Output: Anforderungsliste mit Quellverweisen, Klassifikation, Klärungspunkte.
2. Tag 1, Nachmittag: Manueller Review der Klärungspunkte durch Vertriebsingenieur. Go/No-Go-Entscheidung gemeinsam mit Geschäftsführung auf Basis der Anforderungsmatrix.
3. Tag 2, Vormittag: Angebotsoutline generieren. Relevante Bausteine zuordnen. Aufgabenverteilung an Technik, Kalkulation, Recht festlegen.
4. Tag 2, Nachmittag: Kalkulationsstruktur entwerfen. Risikoposten markieren. Erstes Lösungsdesign mit Technik abstimmen.
5. Anschließend: Klassischer Angebotsprozess mit den verbleibenden 10 bis 14 Tagen. Aber: vorbereitet, statt mit Lückengefühl.

Wichtig: Der Workflow ersetzt keine Verantwortlichkeit. Es muss klar sein, wer das Endprodukt unterschreibt und welche Schritte die KI nur vorbereitet hat. In regulierten Branchen empfiehlt sich ein dokumentiertes Vier-Augen-Prinzip — auch um spätere Compliance-Diskussionen zu vereinfachen.

Was Geschäftsführer jetzt entscheiden sollten.

Drei Fragen lohnen die Diskussion in der nächsten Vertriebssitzung. Erstens: Wie viele Mitarbeitertage pro Quartal verschlingen RFP-Analysen heute, und wie viel davon ist mechanische Arbeit? Wer die Zahl nicht ungefähr beantworten kann, sollte sie eine Woche lang messen. Die Größenordnung überrascht meist nach oben.

Zweitens: Welche der laufenden Ausschreibungen wurden im letzten Jahr verloren, und in wie vielen Fällen war eine übersehene oder unscharf beantwortete Anforderung der Grund? Eine kurze Nachbesprechung mit drei verlorenen RFPs zeigt schnell, ob das Problem real ist oder nur gefühlt.

Drittens: Welche vertraulichen Daten kommen in den Dokumenten vor, und welche KI-Variante ist damit überhaupt vereinbar? Diese Frage muss zwingend vor dem ersten Pilot beantwortet sein — nicht erst beim ersten Sicherheits-Audit. Wer hier gleich auf eine vertrauliche Lösung setzt, spart sich später teure Migrationen und kann das Tool über alle Vertriebslinien ausrollen. Eine kleine, gut abgegrenzte Pilotphase mit drei Ausschreibungen ist meist innerhalb von sechs bis acht Wochen umgesetzt — und gibt eine belastbare Entscheidungsgrundlage für den breiteren Rollout.

Sie wollen prüfen, wie Ihr Vertrieb RFP-Analysen mit KI strukturell schneller und gründlicher abwickeln kann? Unverbindlich anfragen — wir gehen gemeinsam einen typischen Ausschreibungsprozess durch und identifizieren konkrete Hebel.