Ausschreibungs- und Anfrageunterlagen analysieren und Anforderungen extrahieren

Eine einzelne öffentliche Ausschreibung kann aus Dutzenden Dateien bestehen: Aufforderungsschreiben, Leistungsbeschreibung, Vertragsbedingungen, Leistungsverzeichnisse, Formblätter und Erklärungen. Wer ein Ausschlusskriterium oder eine Frist übersieht, wird vom Verfahren ausgeschlossen. KI liest das ganze Paket, extrahiert jede Anforderung samt Fundstelle, trennt zwingende von bewerteten Kriterien und erstellt eine Checkliste, die Angebotsverantwortliche prüfen, statt alles linear durchzulesen.

Problem & Nutzen

• Heute: Angebotsverantwortliche, Ingenieure und Juristen lesen die Unterlagen manuell, kopieren Anforderungen in Excel und verfolgen Fristen. Versteckte Anforderungen (ein Zertifikat in einer Anlage, eine abweichende Frist im Anschreiben, Widersprüche zwischen Dokumenten) sind ein klassischer Ausschlussgrund. Viele KMU verzichten auf Ausschreibungen, weil der Leseaufwand zu hoch ist.
• KI-Nutzen: schnellere erste Einschätzung (Bid/No-Bid), vollständige und nachvollziehbare Anforderungsregister, weniger Ausschlüsse wegen formaler Fehler und eine wiederverwendbare Grundlage für die Angebotserstellung (LANG-006).
• Marktkontext: Das öffentliche Beschaffungswesen macht etwa 14 % des EU-BIP aus (rund 2 Billionen EUR pro Jahr); oberhalb der Schwellenwerte ist die EU-weite Veröffentlichung auf TED vorgeschrieben, seit 1. Jan. 2026 mit 216.000 EUR für Liefer-/Dienstleistungen (die meisten Auftraggeber) und 5.404.000 EUR für Bauleistungen [1]. Darunter verteilen sich die Bekanntmachungen auf nationale und kommunale Portale.
• Herstellerangaben, keine unabhängigen Messungen: Patterno gibt an, 100+ Seiten in etwa 30 Sekunden zu analysieren und Fristen sowie Ausschlusskriterien automatisch zu erkennen [2]. Ein unabhängiger Genauigkeits-Benchmark wurde nicht gefunden; messen Sie den Recall an Ihren eigenen Ausschreibungen, bevor Sie sich auf eine Zahl verlassen.

Varianten

• Bieterseite, öffentliche Ausschreibungen (Deutschland/EU): Ausschlusskriterien, Eignungs- und Zuschlagskriterien, Besonderheiten von VOB/UVgO/VgV, Eigenerklärungen.
• Bieterseite, private Anfragen: Spezifikationen und technische Lieferbedingungen von Industriekunden; angebotsfertige Extraktion speist AGENT-027.
• Bau: Leistungsverzeichnis (GAEB) auf Leistungsumfang, Gewerke und ungewöhnliche Risikoklauseln prüfen.
• Seite des öffentlichen Auftraggebers: Konsistenzprüfung der eigenen Vergabeunterlagen, Abgleich von Angeboten mit den Anforderungen (unterstützt die Wertungskommission, ersetzt sie nicht).
• IT-/Software-Ausschreibungen und Sicherheitsfragebögen: Anforderungslisten für Compliance-Matrizen; die Entwurfserstellung der Antworten ist LANG-006.
• Private Nutzung: nicht relevant.

So funktioniert es

1. Portal-Download / E-Mail / ZIP
2. Entpacken der Dateien + Dokumentklassifikation (DOC-008)
3. Parsing: Layout, Tabellen, Formulare, Scans (DOC-014)
4. Segmentierung in Klauseln/Anforderungen mit Seiten- und Absatzankern
5. LLM-Extraktion gegen ein Schema (Typ, verpflichtend?, Frist, geforderter Nachweis, Bewertungsgewicht)
6. dokumentübergreifende Konsistenzprüfung (widersprüchliche Termine, Versionen, Änderungen)
7. Abgleich mit Unternehmensprofil, Referenzen, Zertifikaten (RAG)
8. Checkliste + Bieten-/Nicht-Bieten-Entscheidungsvorlage + Entwurf der Compliance-Matrix
9. menschliche Prüfung (Bid-Manager, Recht)
10. Angebotsprozess

• Das Parsing ist das schwache Glied: Leistungsverzeichnisse, verschachtelte Tabellen, gescannte Anlagen und Tabellenkalkulationen bestimmen die Extraktionsqualität stärker als das LLM.
• Extraktion: LLMs mit langem Kontext liefern JSON je Anforderung, jeweils mit Zitat und Seitenverweis, sodass Prüfer in Sekunden verifizieren können. Getrennte Durchläufe für „muss/hat zu“-Anforderungen, formale Kriterien, Fristen und Nachweise sind zuverlässiger als ein großer Prompt.
• Mensch-in-der-Schleife (Human-in-the-Loop): Jedes Ausschlusskriterium und jede Frist bestätigt ein Mensch; das System markiert Unsicherheiten und Widersprüche, statt sie stillschweigend aufzulösen. Abgabe und rechtliche Erklärungen bleiben beim Menschen.

Datenaufbereitung

Ausschreibungspakete kommen von Vergabeportalen als ZIP (PDF, DOCX, XLSX-Leistungsverzeichnisse, eForms-XML) oder als Anfragen per E-Mail. Die eigene Seite liegt im CRM, im DMS und in den Köpfen der Mitarbeitenden: Referenzen, Zertifikate, Produktkatalog, Preislisten und frühere Angebote. Typische Lücken: gescannte Anlagen, passwortgeschützte oder zerstückelte PDFs, widersprüchliche Fassungen nach Bieterfragen, veraltete Zertifikate und Referenzen, die nur als Folienfragmente existieren. Zugriffsrechte sind bei wettbewerbssensiblen Preisen wichtig.

Schritte: (1) ein aktuelles Unternehmensprofil mit Referenzen, Zertifikaten und Ablaufdaten pflegen, siehe PREP-013; (2) gewonnene und verlorene Angebote mit ihren Anforderungs-Checklisten als Referenzbeispiele sammeln, siehe PREP-016 und PREP-020; (3) Portaldateien entpacken und parsen, siehe DOC-014; (4) eine Anforderungstaxonomie definieren (Ausschlusskriterium, Eignung, Zuschlagskriterium), siehe PREP-019; (5) ein Testset aus 10-20 früheren Ausschreibungen aufbauen, mit der Checkliste so, wie der Angebotsverantwortliche sie geschrieben hätte, siehe PREP-018. Werkzeuge: Portal-Exporte, Docling oder eine OCR-API, n8n. Etwa 25-35 % des Aufwands entfallen auf die Aufbereitung, überwiegend auf das Unternehmensprofil.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A — Produkte zur Ausschreibungsbeobachtung und Angebotsanalyse gibt es zu KMU-Preisen, und der Prozess (Anforderungsregister, Fristen) ist standardisiert.
• Großunternehmen: Weg B — die Integration in CRM, Referenzdatenbanken und den Angebotsprozess ist wichtig, und Cloud-KI-Dienste in EU-Regionen skalieren auf viele Ausschreibungen.
• Öffentliche Hand: Weg B auf einer souveränen EU-/deutschen Cloud — Auftraggeber brauchen die eigene Kontrolle über Vergabeunterlagen und die vergaberechtliche Nachvollziehbarkeit; Weg C, wenn Cloud-Nutzung nicht erlaubt ist.
• Entwickler: Weg B — API-Modelle plus eigene Schemata für Anforderungen und das Parsen von eForms-XML bieten Flexibilität ohne GPU-Betrieb.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Ausschreibungsplattformen mit KI-Analyse (überwiegend deutsch): Patterno (Hosting in Frankfurt angegeben, Erkennung von Ausschlusskriterien und Fristen) [2], Vergabepilot.AI (KI-Assistent, Bewertungs-Checkliste) [3], DTAD (KI-Assistent „Frank“ extrahiert Eignungs- und Zuschlagskriterien), ibau (Bekanntmachungsdienst, Schwerpunkt Bau), auftragone (früher auftrag.ai; themenbasiertes Matching, Entscheidungsvorlage) [4]. Prüfen: Hosting-Standort, Auftragsverarbeitungsvertrag, Portalabdeckung, ob die Dokumentenanalyse mit dem vollständigen Paket einschließlich ZIP/XLSX funktioniert.
• RFP-/Vertriebsseite: Werkzeuge für das Antwortmanagement wie Loopio oder Responsive sind bei Ausschreibungen im privaten Sektor verbreitet; prüfen Sie deren Datenresidenz.
• A wählen, wenn: Sie regelmäßig Angebote abgeben, die Mengen moderat sind und Suche sowie erste Einschätzung der Hauptschmerz sind.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Parsing: Azure Document Intelligence (Layoutmodell mit Markdown-Ausgabe, EU-Regionen) [5], Mistral OCR (EU-Anbieter), Google Document AI.
• Extraktion/Schlussfolgerung: Spitzenmodelle mit langem Kontext in EU-Regionen (Anthropic Claude über AWS Bedrock/Google Vertex EU, OpenAI über Azure EU Data Zone, Mistral Large/Medium) mit strukturierter Ausgabe (JSON-Schema). Verwenden Sie ein stärkeres Reasoning-Modell für Widerspruchsprüfungen und ein günstigeres für die Massenextraktion.
• Orchestrierung: n8n oder Power Automate für die Aufnahme aus Portalen/E-Mail, Vektordatenbank (pgvector, Qdrant) für Unternehmensreferenzen; Ausgabe nach Excel/SharePoint/CRM.
• Integrationspunkte: CRM (Angebotspipeline), DMS, Kalender für Fristen.

Weg C — Selbst betreiben (Open Source)

• Parsing: Docling (MIT, LF AI & Data, Air-Gap-fähig, enthält das Bildmodell Granite-Docling) [6]; Alternativen sind MinerU und Unstructured.
• Modelle: Open-Weight-LLMs mit 30–120B (Mistral-/Magistral-Familie, Qwen3-Familie, Llama oder Klasse gpt-oss) mit vLLM; Embeddings wie BGE-M3 oder multilinguales E5. Deutsche Rechtstexte funktionieren am besten mit der größeren Klasse.
• Hardware: HW3 (eine GPU mit 48–96 GB) liefert akzeptable Qualität für Pakete mit 100 Seiten bei Extraktion in Abschnitten; HW2 funktioniert mit kleineren Modellen und mehr menschlicher Prüfung.
• Wann sinnvoll: vertrauliche Angebote, Zulieferer aus Verteidigung/kritischer Infrastruktur, strikte On-Premises-Vorgaben. Betriebsaufwand: ein Ingenieur in Teilzeit.

Weg D — Eigenes Training

Selten nötig. Nur bei einem Bieter mit hohem Aufkommen und Tausenden annotierten früheren Ausschreibungen erwägenswert: einen kleinen Encoder/ein kleines LLM für die Anforderungsklassifikation oder für ein Fachgebiet wie GAEB-Leistungsverzeichnisse feintunen. Dafür braucht es mehrere hundert bis tausende gelabelte Anforderungen mit Ergebnissen (gewonnen/verloren, ausgeschlossen). Meist genügen Prompt Engineering und ein Referenz-Testset.

Stand der Technik (2026)

• LLMs mit langem Kontext und strukturierter Ausgabe sind der Standard; die praktischen Fortschritte der letzten zwei Jahre kamen aus besserem Dokumenten-Parsing (Vision-Sprach-Parser, layoutbewusste Tabellen) und aus agentischer Extraktion in mehreren Durchläufen mit Quellenangaben.
• Typische Fehlerbilder: übersehene Anforderungen in Anlagen oder Fußnoten; Verwechslung von „muss“ mit rein informativem Text; falscher Umgang mit Änderungen (Änderungen/Antworten auf Bieterfragen ersetzen die Originale); seitenübergreifende Tabellen; gescannte Formulare; halluzinierte Anforderungen; Fehllesen bedingter Klauseln („es sei denn“, „wenn sich der Bieter auf Nachunternehmer stützt“).
• Gegenmaßnahmen: verpflichtendes Quellenzitat mit Seite für jeden Eintrag, Vollständigkeitsprüfungen (Anzahl der „muss“-Sätze gegenüber extrahierten Einträgen), ein Referenzset früherer Ausschreibungen für Regressionstests und menschliche Freigabe bei Ausschlusskriterien.
• Strukturierte Bekanntmachungen (eForms-XML auf TED) lassen sich über das eForms SDK ohne KI verarbeiten [7]; KI wird für die unstrukturierten Dokumente dahinter gebraucht.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Bausteine: Dokumenten-Parsing (DOC-014), Klassifikation/Posteingang (DOC-008), Embeddings + Vektordatenbank + Reranker für Unternehmensreferenzen (KNOW-Familie), LLM-Extraktionsumgebung mit JSON-Schemata, Workflow-Engine.
• Naheliegende Kombinationen: KNOW-017 (Ausschreibungen finden) → DOC-015 (analysieren) → LANG-006 (Antwort schreiben); DOC-009 (Vertragsklauseln und Haftungsregelungen im Ausschreibungsvertrag); DOC-016 (regelbasierte Compliance-Prüfungen); AGENT-027 (Anfrage-zu-Angebot für Auftragsfertiger); AGENT-005 (Beschaffungsagent auf Käuferseite); DATA-015 (Ausgaben-/Preis-Benchmarks); ANOM-020 (Bewertung des Absprachenrisikos für Auftraggeber).
• Hardware: Dieselbe HW3-GPU-Maschine, die DOC-009/DOC-014 bedient, kann dies mitbetreiben; die Spitzenlast ist stoßweise (Abgabefristen).

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; Abonnements im Bereich von zehn bis wenigen hundert Euro pro Monat für KMU-Tarife (Vergabepilot nennt ab 60 EUR/Monat bei jährlicher Abrechnung [1]); Preise für Großunternehmen auf Anfrage.
• Weg B: 2–6 Wochen für einen Piloten; Kosten getrieben von Tokens je Paket (100–500 Seiten) und Parsing-Seiten; meist wenige Euro je Ausschreibung.
• Weg C: 1–3 Monate inkl. GPU-Beschaffung; überwiegend Engineering- und Evaluierungsaufwand.
• Kennzahlen: Recall/Präzision der Anforderungen an einem Referenzset, Recall bei Ausschlusskriterien (Ziel: keine Auslassungen), Lesezeit je Ausschreibung, Vorlaufzeit der Bid/No-Bid-Entscheidung, Zahl der pro Monat geprüften Ausschreibungen, Quote formaler Ausschlüsse, Zuschlagsquote.

Menschen & Veränderung

Einbinden: die Geschäftsführung (Bid/No-Bid-Regeln), die Vertriebs- bzw. Angebotsleitung, Recht/Compliance für vergaberechtliche Fragen sowie die Angebotsverantwortlichen, die das Werkzeug täglich nutzen. Die IT bindet Portale und das DMS an; der/die Datenschutzbeauftragte prüft personenbezogene Daten in Referenzen und Lebensläufen.

Betriebsrat: In der Regel nein nach §87 Abs. 1 Nr. 6 BetrVG, da das Werkzeug externe Dokumente analysiert; relevant wird es, wenn es die Leistung einzelner Angebotsverantwortlicher protokolliert. Unterrichtung nach §90 Abs. 1 Nr. 3 und, in einem Unternehmen mit Betriebsrat, Vereinbarung, dass keine individuellen Kennzahlen erhoben werden. Datenschutz: Ausschreibungspakete enthalten Namen und Lebensläufe Dritter; ein AVV mit dem Anbieter ist erforderlich, siehe GUIDE-005; eine DSFA ist normalerweise nicht nötig.

KI-Kompetenz: Unterstützen Sie die Angebotsverantwortlichen mit einer Schulung, extrahierte Anforderungen anhand der Quellseite zu prüfen, siehe GUIDE-006. Pilot: 3-5 laufende Ausschreibungen parallel zum manuellen Vorgehen bearbeiten. Bedenken: die Sorge, ein Ausschlusskriterium zu übersehen – begegnen Sie ihr mit verpflichtender menschlicher Freigabe der Checkliste und anklickbaren Fundstellen. Die Bieterentscheidung und die Unterschrift bleiben beim Menschen. Siehe GUIDE-009 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Analyse von Ausschreibungsunterlagen ist in Anhang III nicht aufgeführt [8]; die typische Nutzung auf Bieterseite ist daher minimales Risiko (KI-Kompetenz, Art. 4). Ein öffentlicher Auftraggeber, der KI zur Bewertung oder Rangbildung von Bietern einsetzt, sollte sie unterstützend halten; vollautomatisierte Zuschlagsentscheidungen werfen auch ohne Hochrisiko-Status nach der KI-Verordnung Fragen der rechtlichen Fairness nach §97 GWB auf (Gleichbehandlung, Transparenz) [9]. Art. 50 gilt, wenn generierter Text als KI-generierter Inhalt veröffentlicht wird [10].
• Vergaberecht: GWB, VgV, UVgO, VOB/A; Fristen und formale Anforderungen sind rechtlich bindend, behandeln Sie KI-Ausgaben daher als Entwurf. Dokumentieren Sie in der Akte, welche Teile KI unterstützt hat.
• DSGVO: Ausschreibungen enthalten personenbezogene Daten (Referenzen, Lebensläufe von Schlüsselpersonal, Unterzeichnende); wählen Sie EU-Hosting und einen Auftragsverarbeitungsvertrag. Vergabeunterlagen können Vertraulichkeitsklauseln oder Geschäftsgeheimnisse enthalten; prüfen Sie, ob die Nutzung externer KI erlaubt ist, und bevorzugen Sie bei sensiblen Angeboten EU-/On-Premises-Lösungen.
• Risiken: übersehenes Ausschlusskriterium (mit verpflichtender Verifikation begegnen), veraltete Dokumentenfassungen, Prompt Injection aus Dokumenteninhalten (Dokumenttext als nicht vertrauenswürdig behandeln), Anbieterabhängigkeit.

Erste Schritte

1. 10–20 frühere Ausschreibungen (gewonnen, verloren, ausgeschlossen) sammeln und Anforderungen, Ausschlusskriterien und Fristen als Referenzset annotieren.
2. Ein Werkzeug aus Weg A (Patterno, Vergabepilot) am Referenzset testen und mit den manuellen Ergebnissen vergleichen.
3. Wenn Sie Anpassungen brauchen, einen Prototyp aus Docling + LLM bauen, der eine Anforderungstabelle mit Seitenverweisen ausgibt.
4. Den Prüfablauf festlegen: Wer bestätigt Ausschlusskriterien, Fristen und Eigenerklärungen.
5. Die Ausschreibungssuche (KNOW-017) und die Antworterstellung (LANG-006) anbinden, sobald die Extraktionsqualität stabil ist.

Quellen

1. Patterno, "Tender software Germany comparison 2026" (thresholds, vendor coverage, Vergabepilot prices; vendor-authored) – https://www.patterno.de/en/resources/blog/tender-software-germany-comparison-2026
2. Patterno product page (document analysis, knock-out detection, Frankfurt hosting, vendor claims) – https://www.patterno.de/en
3. Vergabepilot.AI on Capterra – https://www.capterra.com/p/10049359/Vergabepilot-AI/
4. auftragone (formerly auftrag.ai) features – https://auftragone.com/en/features
5. Microsoft Learn, Azure Document Intelligence overview – https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/overview
6. Docling project (MIT, LF AI & Data) – https://github.com/docling-project/docling
7. TED eForms documentation and SDK – https://docs.ted.europa.eu/eforms/latest/
8. EU AI Act Annex III – https://artificialintelligenceact.eu/annex/3/
9. §97 GWB – https://www.gesetze-im-internet.de/gwb/__97.html
10. EU AI Act Article 50 – https://artificialintelligenceact.eu/article/50/