Risikobewertung von Absprachen bei öffentlichen Aufträgen und Betrug mit EU-Fördermitteln

Öffentliche Auftraggeber und Verwaltungsbehörden für EU-Mittel geben über Ausschreibungen enorme Budgets aus, können aber nur einen kleinen Bruchteil davon von Hand prüfen. Die Risikobewertung kombiniert offene Ausschreibungsdaten, Unternehmensregister und Eigentümergraphen, um Angebotsabsprachen, Zuschläge an Einzelbieter, Auftragsaufteilung, Interessenkonflikte und verdächtige Netzwerke von Begünstigten zu markieren. Das Ergebnis ist eine priorisierte Liste für menschliche Prüfer und Wettbewerbsbehörden, kein Urteil. Dies ist Screening auf Marktebene durch Behörden; ein Unternehmen, das die eigenen Ausgaben beobachtet, ist ANOM-009.

Problem & Nutzen

• Heute: Verwaltungsbehörden und Prüfstellen wählen Projekte für Kontrollen per Stichprobe und aufgrund von Hinweisen aus. Wettbewerbsbehörden stützen sich auf Kronzeugenantragsteller, Beschwerden und Hinweisgeber. Kollusive Muster (Scheinangebote, Angebotsrotation, Preismuster) sind in einer einzelnen Ausschreibung unsichtbar, aber über tausende Ausschreibungen und über Unternehmensnetzwerke hinweg sichtbar.
• KI-Nutzen: (1) standardisierte Red-Flag-Indikatoren über ganze Beschaffungsportfolios berechnen, (2) Graphanalyse von Bietern, Eigentümern und Amtsträgern, (3) Textanalyse der Ausschreibungsunterlagen auf zugeschnittene Leistungsbeschreibungen, (4) die begrenzte Prüfkapazität auf die riskantesten Fälle lenken.
• Evidenzbasis: Das Werkzeug Arachne+ der Kommission ist ein Data-Mining- und Risikobewertungswerkzeug für Betrug, Interessenkonflikte und Unregelmäßigkeiten zulasten des EU-Haushalts; das frühere Arachne nutzte 107 Risikoindikatoren, Arachne+ einen reduzierten Satz von 78. Der Leitfaden der Open Contracting Partnership von 2024 führt 73 Red-Flag-Indikatoren auf, zugeordnet zu OCDS [1][2]. Keine hier verwendete Quelle nennt eine verifizierte, allgemeine Trefferquote; die veröffentlichte Präzision hängt stark von Land, beschrifteten Fällen und Indikatorsatz ab, messen Sie sie daher an lokalen Daten.

Varianten

• Verwaltungsbehörde / zwischengeschaltete Stelle (ESIF, ARF, GAP-Mittel): Bewertung von Projekten und Auftragnehmern zur Auswahl von Vor-Ort-Kontrollen, überwiegend über Arachne+ [1].
• Nationaler Rechnungshof, Vergabenachprüfungsstelle, Integritätseinheit: portfolioweite Red-Flag-Dashboards auf offenen Daten (OCDS, TED/eForms) [2][3][4].
• Wettbewerbsbehörde (Kartell-Screening): statistische Filter für Muster von Angebotsabsprachen, z. B. die im Rechercheauftrag für diesen Katalog genannten Filter der COMCO (Schweiz), der KFTC BRIAS (Korea) und des CADE (Brasilien); nutzen Sie sie als Entwurfsreferenzen und prüfen Sie die aktuelle Dokumentation der jeweiligen Behörde.
• Großer Auftraggeber / kommunales Versorgungsunternehmen (eigene Ausschreibungen): Prüfungen der Beziehungen zwischen Bietern vor dem Zuschlag; die interne Sicht des Unternehmens ist ANOM-009.
• Zivilgesellschaft / Journalismus: offene Red-Flag-Portale auf Basis derselben Indikatoren; die gezielte Ansprache namentlich genannter Personen ist hier nicht Gegenstand.
• Privatnutzung: keine.

So funktioniert es

1. data ingestion (TED eForms, national portals, OCDS, managing-authority systems, registers)
2. entity resolution (buyers, bidders, owners, officials, addresses, IBANs)
3. indicator layer (single bidding, short deadlines, contract splitting, repeated winners, modification growth)
4. network layer (shared owners/directors/addresses, bid-pair co-occurrence, rotation patterns)
5. text layer (tender documents: tailored criteria, copy-pasted wording across bids)
6. model layer (unsupervised outlier scoring + supervised ranking if labelled cases exist)
7. risk list with reason codes
8. human analyst review
9. audit/check decision
10. feedback (confirmed / dismissed / irregularity found)
11. recalibration

• Zuerst Indikatoren: Transparente, regelbasierte Red Flags sind das Rückgrat; sie sind prüfbar und gegenüber Auftraggebern, Gerichten und Prüfern erklärbar. OCDS Cardinal (MIT-Lizenz, Rust/Python) berechnet OCDS-basierte Indikatoren [3].
• Modelle obenauf: Gradient Boosting auf Indikatormerkmalen mit spärlichen Labels (Prüfungsfeststellungen, Verurteilungen, Vergabesperren); Anomalieerkennung, wo keine Labels existieren; Graphmerkmale aus Eigentümer- und Co-Bidding-Netzwerken.
• LLMs: lesen Ausschreibungsunterlagen und Verträge, extrahieren Kriterien, vergleichen Formulierungen über Ausschreibungen hinweg und fassen Belege zusammen; sie entscheiden nie über das Risiko.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten prüfen jeden markierten Fall; jede Maßnahme gegen eine natürliche Person oder ein Unternehmen erfordert eine menschliche Entscheidung auf Grundlage objektiver Tatsachen.

Datenaufbereitung

Die meisten Eingaben sind öffentlich oder halböffentlich: TED- und Bekanntmachungen nationaler Portale (eForms, OCDS), Vertrags- und Änderungsdaten, Daten zu Begünstigten und Auftragnehmern aus den Systemen der Verwaltungsbehörden, Unternehmens- und Transparenzregister (wirtschaftlich Berechtigte) sowie Ausschreibungsunterlagen als PDFs. In einer Behörde liegen sie in Vergabeportalen, Fördermanagementsystemen, auf Dateiablagen und in Projektakten aus Papier. Typische Lücken: uneinheitliche Bieter- und Unternehmenskennungen, fehlende Daten auf Angebotsebene, Bekanntmachungen als Freitext, eingescannte Verträge, unzuverlässige Auftraggebernamen und keine beschrifteten Ergebnisse aus früheren Ermittlungen. Schritte: (1) Quellen und Verantwortliche erfassen, siehe PREP-001 und PREP-004; (2) Daten über Feeds und APIs beziehen, siehe PREP-005; (3) Entitätsauflösung, um Unternehmen, Eigentümer und Amtsträger zu vereinheitlichen, sowie ein Glossar der Indikatoren, siehe PREP-012; (4) OCR für eingescannte Ausschreibungsunterlagen, siehe PREP-006 und DOC-014; (5) Labels aus früheren Prüfungsfeststellungen gewinnen, siehe PREP-020, und mit Prüfern Testmengen aufbauen, siehe PREP-018; (6) die Rechtsgrundlage für personenbezogene Daten von Amtsträgern und Eigentümern prüfen, siehe PREP-025. Werkzeuge: OCDS-Werkzeuge, Airbyte oder dbt für Pipelines, Neo4j für den Graphen. Rechnen Sie mit etwa 35 bis 45 Prozent des Aufwands für die Datenaufbereitung. Beginnen Sie mit dem Reifegradtest in GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• public (C): Ausschreibungs- und Zuschlagsdaten sind weitgehend offen (TED, eForms, OCDS), die Red-Flag-Indikatoren sind gut dokumentiert, und Souveränitäts- und Vergaberegeln begünstigen Open-Source-Analytik auf eigener oder souveräner EU-Infrastruktur; Arachne+ (kostenlos) kann dies für EU-geförderte Projekte ergänzen.
• enterprise (B): Große Auftragnehmer, Banken und Einkaufsteams von Konzernen prüfen Geschäftspartner und Bieternetzwerke, indem sie Cloud-APIs mit kommerziellen Register- und Eigentümerdaten kombinieren.
• developer (C): Screening- und Netzwerkwerkzeuge auf offenen Daten entstehen mit Open-Source-ML- und Graph-Stacks, wobei die Indikatoren transparent bleiben.

Weg A — Kaufen (Standardsoftware)

Kaufen oder bereitgestellte Werkzeuge nutzen. - Arachne+ (Europäische Kommission, EU): kostenlos für EU-Institutionen, Mitgliedstaaten und Durchführungspartner; kombiniert operative Daten mit externen Daten (Orbis-Eigentums- und Finanzdaten, World-Compliance-Sanktions-/PEP-/Negativmedien-Daten über Moody's Analytics). Die Nutzung ist derzeit freiwillig; sie soll 2028 neu bewertet werden, und die Mitgliedstaaten müssen ab 2028 Daten bereitstellen [1]. - Kommerzielle Integritäts- und Ermittlungsplattformen: Analyse-/Fallmanagement-Suiten von Anbietern wie Moody's (Orbis), Palantir, SAS, Quantexa, Linkurious und Neo4j-Partnern; prüfen Sie EU-Hosting, Datenschutzbewertung und Referenzen im öffentlichen Sektor. - A wählen, wenn: EU-Mittel beteiligt sind (zuerst Arachne+) oder die Organisation kein Data-Science-Team hat.

Weg B — Auf Cloud-KI-Diensten aufbauen

• TED über die Entwicklerschnittstellen des Amtes für Veröffentlichungen einlesen (eForms SDK für das Datenmodell) [5]; in einer EU-Region eines Hyperscalers oder einer souveränen Cloud hosten (z. B. STACKIT, IONOS, OVHcloud).
• Ein führendes LLM mit Datenhaltung in der EU (Mistral, Claude, Gemini oder GPT in EU-Regionen) mit strukturierter Ausgabe für die Extraktion aus Ausschreibungsunterlagen nutzen; die Bewertung in einem Standard-Stack aus Warehouse und Notebook ausführen.
• B wählen, wenn: Sie nationale Datenquellen und eigene Indikatoren brauchen, für die Rohdokumente aber keine Geheimhaltungsvorgaben gelten.

Weg C — Selbst betreiben (Open Source)

• Indikatoren: OCDS Cardinal [3]; DIGIWHIST hat Code zur Verarbeitung von Vergabedaten als Open Source veröffentlicht, doch seinen Repositories fehlt eine angegebene Lizenz; prüfen Sie dies vor einer Weiterverwendung [6].
• Stack: PostgreSQL/DuckDB, Python (scikit-learn, XGBoost/LightGBM, Ausreißerdetektoren im Isolation-Forest-Stil), NetworkX oder Neo4j/Memgraph für den Eigentümergraphen, ein offenes LLM (Qwen-, Mistral-, Llama-Familie) über vLLM oder Ollama für die Dokumentenextraktion, Docling für das PDF-Parsing.
• Hardware: HW1 genügt für Indikatoren und tabellarische Modelle; HW2 ergänzt die LLM-Dokumentenverarbeitung. Typisch für Prüfämter mit Vertraulichkeitsanforderungen.

Weg D — Eigenes Training

Lohnt sich nur mit hunderten oder mehr beschrifteten Fällen (bestätigte Unregelmäßigkeiten, Vergabesperren, Kartellentscheidungen). Typische Arbeit ist ein überwachter Ranker plus Graph-Embeddings je Land; die Labels sind zugunsten dessen verzerrt, was bereits geprüft wurde, nutzen Sie daher Kalibrierung und Holdout-Prüfungen von Zufallsstichproben. Ein Feintuning eines LLM für die Analyse von Ausschreibungstexten ist selten nötig.

Stand der Technik (2026)

• Standardisierte Daten: eForms ist seit Oktober 2023 auf TED verpflichtend, mit 46 Formular-Untertypen, was länderübergreifende Indikatoren erleichtert [5]. OCDS ist das gemeinsame Schema für Red-Flag-Werkzeuge [2].
• Indikatorbasiertes Screening ist der etablierte Kern (Einzelbieter, kurze Angebotsfristen, wiederkehrende Paare aus Gewinner und Auftraggeber, Änderungen nach dem Zuschlag). Graphanalytik und ML-Rangordnung sind Ergänzungen für frühe Anwender; vollautomatische Entscheidungen werden nicht genutzt und sind nach dem Entwurf von Werkzeugen wie Arachne+, das „keine automatischen Entscheidungen trifft“, nicht zulässig [1].
• Kontext der EU-Durchsetzung: Die Europäische Staatsanwaltschaft (EUStA) ermittelt bei Betrug zulasten des EU-Haushalts; ihre Meldungen vom Oktober 2026 zeigen sowohl Umsatzsteuerbetrugs- als auch Fälle mit EU-geförderten Projekten [7]. Die Risikobewertung speist solche Arbeit, ersetzt aber keine Ermittlung.
• Grenzen: Eine Red Flag ist kein Beleg für Fehlverhalten (Einzelbieter kann in Nischenmärkten legitim sein); fehlende und uneinheitliche Daten zwischen Ländern; Eigentümerdaten sind bei Briefkastenstrukturen unvollständig; Label-Verzerrung; Verdrängungseffekte, sobald die Filter bekannt sind; Falsch-Positive belasten ehrliche KMU-Bieter.

Gemeinsame Bausteine & Kombinationen

• Gleiche Fähigkeiten (tabular-ml, anomaly-detection, graph-ml): ANOM-009 (unternehmensinterner Beschaffungsbetrug), ANOM-006 (Buchungsanomalien), ANOM-011 (Lieferantenrisiko), ANOM-018 (Auswahl von Steuerprüfungsfällen), ANOM-019 (Leistungsbetrug), ANOM-021 (Zollzielauswahl) und PRED-028 (risikobasierte Auswahl von Prüfungsfällen) können Feature Stores, Graphdatenbank, Entitätsauflösung und Fallmanagement-Ebenen gemeinsam nutzen.
• Daten/Wissen: KNOW-017 (Ausschreibungssuche) und KNOW-026 (investigative OSINT, Entitätsauflösung) teilen sich die Einspeisung von TED und Registern; DOC-014 liefert das Dokumenten-Parsing für Ausschreibungen und Verträge; ANOM-016 ergänzt das Screening der Bieter auf Sanktionen/PEP/negative Medienberichte.
• Hardware: Ein HW2-Server kann die LLM-Dokumentenpipeline zusammen mit den anderen dokumentenlastigen Anwendungsfällen betreiben; Graph- und Tabellenjobs laufen auf CPU-Knoten.

Aufwand, Kosten & Kennzahlen

• Weg A: Arachne+ wird von der Kommission für die Mitgliedstaaten ohne Lizenzkosten bereitgestellt, doch Datenaufbereitung und Onboarding dauern Monate [1]; kommerzielle Plattformen werden vertraglich bepreist.
• Weg B: etwa 4–9 Monate für Einspeisung, Entitätsauflösung und einen ersten Indikatorsatz; Kostentreiber sind Datenlizenzen (Unternehmensregister- und Eigentümerdaten), Dateningenieurwesen und Analystenzeit, nicht die Modellinferenz.
• Weg C: ähnlicher Aufwand plus Betrieb; der Hauptkostenpunkt ist ein kleines Datenteam (Dateningenieur, Analyst, Verbindungsperson zur Prüfung).
• Weg D: erst nach 1–2 Jahren beschrifteter Rückmeldungen.
• Kennzahlen: Anteil bestätigter Unregelmäßigkeiten unter den markierten Fällen (Precision at top-k) im Vergleich zur Zufallsstichprobe, Abdeckung des Ausschreibungsportfolios, Analystenzeit je Fall, Zeit vom Zuschlag bis zur Markierung, Belastung durch Falsch-Positive, Anteil der Markierungen mit dokumentiertem Ergebnis.

Menschen & Veränderung

Binden Sie zuerst die Leitung und die Abteilungsleitung (Prüfung, Verwaltungsbehörde, Vergabeintegrität) ein, dann die Datenverantwortlichen der Förder- und Vergabesysteme, IT, die bzw. den Datenschutzbeauftragte(n) und die Rechtsabteilung. Prüfer und Ermittler sind die Endanwender; holen Sie sie schon beim Entwurf der Indikatoren dazu, denn ihr Fachwissen bestimmt, welche Red Flags nützlich sind. Die bzw. der Datenschutzbeauftragte wird gebraucht, wo personenbezogene Daten von Amtsträgern und wirtschaftlich Berechtigten verarbeitet werden, mit einer DSFA (Art. 35 DSGVO), wenn ein Profiling von Einzelpersonen möglich ist, und einem AVV (Art. 28) mit jedem Plattformanbieter. Betriebsrat: abhängig. Wenn das Werkzeug nur externe Ausschreibungen und Unternehmen prüft, wird §87 Abs. 1 Nr. 6 BetrVG nicht ausgelöst; wenn es die individuelle Fallbearbeitung der Prüfer erfasst und auswertet, schon, und der Rat (in Behörden der Personalrat) ist nach §90 Abs. 1 Nr. 3 zu unterrichten. Klären Sie das früh. KI-Kompetenz: Unterstützen Sie die Beschäftigten mit Schulungen zu Indikatoren, Falsch-Positiven und dem Unterschied zwischen Red Flag und Beweis (Art. 4 KI-Verordnung, GUIDE-006). Starten Sie einen Pilot mit einem Programm oder einer Vergabekategorie und prüfen Sie jede Markierung von Hand. Typische Sorge: Rufschaden durch zu Unrecht markierte Firmen. Begegnen Sie ihr, indem Sie Werte als Screening-Hilfe behandeln, Gründe dokumentieren, Auftragnehmern vor einer Maßnahme Gelegenheit zur Stellungnahme geben und die Entscheidung beim Prüfer belassen. Siehe GUIDE-008, GUIDE-005 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): hängt ab. Die Risikobewertung von Ausschreibungen und juristischen Personen im Vergabewesen ist in Anhang III nicht aufgeführt; die nächstliegenden Punkte in Anhang III liegen in den Bereichen Strafverfolgung und öffentliche Leistungen, und der Punkt zur Kreditwürdigkeitsprüfung nimmt die Erkennung von Finanzbetrug ausdrücklich aus [8]. Wird es von oder für Strafverfolgungsbehörden genutzt, um das Risiko einer Straffälligkeit von Personen zu bewerten oder vorherzusagen oder um in Strafermittlungen zu profilieren, kann es hochriskant sein, und Art. 6 Abs. 3 nimmt Systeme, die natürliche Personen profilieren, nie aus [9]. Art. 5 Abs. 1 Buchst. d verbietet die Bewertung des Risikos, dass eine Person eine Straftat begeht, allein auf Grundlage von Profiling; KI, die eine menschliche Bewertung auf Grundlage objektiver, überprüfbarer und unmittelbar mit einer Straftat verbundener Tatsachen unterstützt, fällt nicht unter dieses Verbot [10]. Daher gilt: Bewerten Sie Ausschreibungen, Projekte und Unternehmen, aber bewerten oder ordnen Sie keine natürlichen Personen (Amtsträger, Eigentümer) nach Persönlichkeit oder Profil. Behandeln Sie Netzwerkansichten als Anhaltspunkte für die menschliche Prüfung, dokumentieren Sie die Einstufung nach Art. 6 Abs. 4 und prüfen Sie die aktuellen Anwendungsdaten der Pflichten nach Anhang III (der unter [9] verfolgte Text der KI-Verordnung nennt den 2. Dezember 2027, aber folgen Sie dem neuesten Stand des Digital Omnibus).
• DSGVO: Daten von Eigentümern, Geschäftsführern und Amtsträgern sind personenbezogene Daten; legen Sie Rechtsgrundlage (öffentliche Aufgabe, Art. 6 Abs. 1 Buchst. e), Zweckbindung, DSFA und die Schutzvorkehrungen des Art. 22 fest (keine ausschließlich automatisierten Entscheidungen). Arachne+ arbeitet nach der Verordnung (EU) 2018/1725 unter Beteiligung des EDSB [1].
• Branchenrecht: EU-Vergaberichtlinien, Haushaltsordnung und Fondsverordnungen (Prüf- und Betrugsbekämpfungspflichten), nationales Kartell- und Vergabenachprüfungsrecht (z. B. GWB in Deutschland), Hinweisgeberschutz. Vergabesperren erfordern ein ordnungsgemäßes Verfahren.
• Risiken und Gegenmaßnahmen: falsche Beschuldigungen (Begründungscodes, menschliche Prüfung, keine öffentliche Namensnennung); Diskriminierung kleiner oder ausländischer Bieter (Bias-Audits); Manipulation (Indikatoren wechseln, zufällige Kontrollstichproben); Datenqualität (dokumentierte Lineage).

Erste Schritte

1. Prüfen Sie, ob Ihre Mittel bereits Zugang zu Arachne+ über die Verwaltungsbehörde bieten, und beantragen Sie das Onboarding [1].
2. Bauen Sie einen sauberen Ausschreibungsdatensatz auf: TED/eForms plus nationale Feeds, abgebildet auf OCDS; messen Sie die Vollständigkeit der Daten je Feld.
3. Setzen Sie 10–15 klar definierte Red-Flag-Indikatoren um (z. B. mit OCDS Cardinal) und prüfen Sie die obersten 50 Markierungen manuell mit einem Prüfer [2][3].
4. Ergänzen Sie Entitätsauflösung und einen Eigentümer-/Co-Bidding-Graphen; fügen Sie die LLM-Extraktion von Ausschreibungsunterlagen erst hinzu, wenn die Indikatoren funktionieren.
5. Führen Sie eine DSFA und einen Vermerk zur Einstufung nach der KI-Verordnung durch; richten Sie eine Rückkopplungsschleife und eine zufällige Kontrollstichprobe ein, um die tatsächliche Präzision zu messen.

Quellen

1. European Commission, Anti-fraud Knowledge Centre — What is Arachne (Arachne+) — https://antifraud-knowledge-centre.ec.europa.eu/useful-tools/what-arachne_en
2. Open Contracting Partnership — Red Flags in Public Procurement (2024, 73 indicators) — https://www.open-contracting.org/resources/red-flags-in-public-procurement-a-guide-to-using-data-to-detect-and-mitigate-risks/
3. OCDS Cardinal (open-contracting/cardinal-rs) — https://github.com/open-contracting/cardinal-rs
4. Open Contracting Partnership — What is Open Contracting — https://www.open-contracting.org/what-is-open-contracting/
5. Publications Office of the EU — eForms (TED) — https://ted.europa.eu/en/simap/eforms
6. DIGIWHIST GitHub organisation — https://github.com/digiwhist
7. European Public Prosecutor's Office — https://www.eppo.europa.eu/en
8. AI Act Annex III (text) — https://artificialintelligenceact.eu/annex/3/
9. AI Act Article 6 (text) — https://artificialintelligenceact.eu/article/6/
10. AI Act Article 5 (text) — https://artificialintelligenceact.eu/article/5/