Antworten auf Förderanträge, Ausschreibungen & RFPs verfassen

Eine Ausschreibung, ein Vergabeverfahren oder einen Förderaufruf zu beantworten heißt: ein langes Aufrufdokument lesen, einige Dutzend bis mehrere Hundert Fragen beantworten, Seitenlimits und Formatvorgaben einhalten und jede Aussage belegen. Das meiste wurde schon einmal geschrieben, liegt aber verstreut in alten Angeboten, Wikis und SharePoint-Ordnern. KI-Antwortwerkzeuge holen die passenden freigegebenen Antworten, entwerfen den Rest mit Quellenangaben, prüfen, ob jede Anforderung abgedeckt ist, und geben die Lücken an Fachexperten weiter. So kann ein Team mit gleicher Besetzung mehr und bessere Angebote abgeben. Ob geboten wird, den Preis, die Verantwortung für die Aussagen und die Unterschrift behalten Menschen.

Problem & Nutzen

• Wer: Angebots- und Proposal-Teams in IT, Beratung, Facility Services, Bau und Ingenieurwesen; Pre-Sales-Teams, die RFIs sowie Sicherheits- oder Due-Diligence-Fragebögen beantworten; KMU, die öffentliche Ausschreibungen bedienen (in Deutschland nach VgV/UVgO, veröffentlicht auf TED, DTVP oder Landesportalen); Hochschulen, Forschungslabore, Start-ups und NGOs, die Förderanträge schreiben (Horizon Europe, nationale Programme, Stiftungen).
• Heute: Kopieren und Einfügen aus alten Angeboten, Suche nach Experten quer durch die Teams und Formatierung in letzter Minute. Von Hand gepflegte Antwortbibliotheken veralten schnell. Viele KMU bieten gar nicht auf öffentliche Ausschreibungen, weil das Schreiben des Angebots zu teuer ist.
• KI-Nutzen: ein erster Entwurf in Stunden statt Tagen, einheitlichere Antworten, weniger übersehene Anforderungen und mehr abgegebene Angebote mit demselben Team. Die folgenden Zahlen stammen von den Anbietern und sind ungeprüft, betrachten Sie sie also als Obergrenzen:
• Loopio nennt 50 % jährliche Zeitersparnis und 25 % mehr fertiggestellte RFPs über alle Kunden [1].
• Responsive nennt einen Microsoft-Fall mit 21.100 eingesparten Stunden und 17 Mio. USD Antwortkosten [2].
• AutogenAI behauptet eine um 70 % höhere Entwurfsgeschwindigkeit [3].
• Ein niederländischer Altura-Kunde berichtet, zwei von drei Ausschreibungen zu gewinnen, zuvor 40 % [4].

Varianten

• Kommerzielle RFP-/RFI-Antwort (B2B-Vertrieb): getrieben von einer Frage-Antwort-Bibliothek, oft Hunderte Fragen in Excel oder einem Käuferportal. Das ist die klassische Kategorie der „Proposal-Management-Software".
• Sicherheits-, Datenschutz- und Lieferanten-Due-Diligence-Fragebögen (SIG, CAIQ, Nachweisanfragen zu ISO 27001/TISAX/NIS2). Die Antworten müssen exakt zum aktuellen Trust Center und zu den Richtlinien passen.
• Öffentliche Ausschreibungen (B2G): Konzepte, die nach Zuschlagskriterien bewertet werden, formale Vollständigkeit (Formulare, Erklärungen, Eignungsnachweise) und strenge Formatvorgaben. Zur Analyse der eingehenden Unterlagen siehe DOC-015, zum Finden von Ausschreibungen KNOW-017.
• Förder- und Finanzierungsanträge: EU-Rahmenprogramme, nationale oder Landesförderung (Förderprogramme), Stiftungen. Das Schreiben richtet sich nach den Bewertungskriterien des Aufrufs (Exzellenz, Wirkung, Umsetzung), den Seitenlimits sowie der Logik von Arbeitspaketen und Budget.
• Seite der Förderer (eingehende Anträge sichten, Gutachter zuweisen) ist ein eigener Anwendungsfall: DOC-031.
• Privatpersonen / kleine Organisationen: Vereine, Künstler und Freiberufler, die einen allgemeinen Assistenten für kleine Förder- oder Stipendienanträge nutzen. Die unten genannten Offenlegungsregeln gelten weiterhin.

So funktioniert es

1. Aufnahme von Aufruf / RFP / Fragebogen (PDF, DOCX, XLSX, Portal-Export)
2. Parsing & Extraktion von Fragen/Anforderungen (inkl. versteckter Muss-Kriterien, Limits, Formate)
3. Unterstützung Bieten/Nicht-Bieten (Eignung vs. Fähigkeiten, Referenzen, Fristen) ← menschliche Entscheidung
4. Retrieval je Frage: freigegebene Frage-Antwort-Bibliothek + frühere Angebote + Dokumente (Hybridsuche + Reranker)
5. Entwurf: freigegebene Antwort übernehmen | anpassen | neuen Text mit Quellen & Konfidenz erzeugen
6. Compliance-Matrix & Lückenliste
7. Zuweisung an Fachexperten ← Mensch-in-der-Schleife
8. Prüfung: Konsistenz, Abdeckung der Bewertungskriterien, Ton, Länge, Übersetzung
9. Endredaktion, Freigabe von Preis & Recht ← nur Menschen
10. Abgabe + Rückschreiben der freigegebenen Antworten in die Bibliothek

• Das Retrieval ist der Kern. Die Antwortqualität hängt von einer kuratierten, versionierten Bibliothek freigegebener Antworten mit Verantwortlichen und Ablaufdaten ab, dazu von Hybridsuche (BM25 plus Embeddings) und einem Reranker über frühere Angebote sowie Produkt- und Sicherheitsdokumentation.
• Entwurf: ein LLM mit langem Kontext schreibt oder passt jede Antwort an, nennt die verwendeten Textstellen und markiert Antworten mit geringer Konfidenz. Reasoning-Modelle helfen bei Förderanträgen, die Ziele, Arbeitspakete, Kennzahlen und Budget zusammenführen müssen.
• Agenten zerlegen ein großes Angebot in Aufgaben (eine je Abschnitt oder Frage), rufen Werkzeuge auf (Bibliothekssuche, SharePoint-/Drive-Konnektoren, CRM) und setzen das Dokument zusammen. Anbieter stellen dies zunehmend über MCP-Server bereit, zum Beispiel Loopio MCP und Arphie MCP [1][5].
• Mensch-in-der-Schleife (Human-in-the-Loop): Experten geben neue oder geänderte Aussagen frei, während Vertrieb, Finanzen und Recht für Preise, Haftung und Zusagen zuständig sind. Eine zeichnungsberechtigte Person unterschreibt.

Datenaufbereitung

Dieser Anwendungsfall lebt von der Qualität der Antwortbibliothek, die Datenaufbereitung ist daher ein großer Teil des Aufwands (etwa 40–50 %). Benötigt werden: frühere Angebote und Anträge, Referenzprojekte, Lebensläufe und Qualifikationsnachweise, Zertifikate, Preislisten, Richtlinien (Qualität, Sicherheit, Datenschutz), Produktblätter und die Aufruf- bzw. Ausschreibungsunterlagen selbst.

Wo sie in einem KMU liegen: Dateiablagen und Mail-Ordner, das DMS, alte Word- und PDF-Dateien, eingescannte Zertifikate, Laptops der Vertriebsmitarbeitenden und das CRM. Typische Lücken: zehn Versionen derselben Antwort, veraltete Referenzen und Preise, Scans ohne Text, keine Kennzeichnung, welches Angebot gewonnen hat, und zu offene Zugriffsrechte (Preise und Geschäftsgeheimnisse).

Schritte der Aufbereitung: 1. Die Quellen inventarisieren und Verantwortliche benennen (PREP-001, PREP-004). 2. Scans per OCR lesbar machen und alte Formate umwandeln (PREP-006, PREP-007; DOC-014 für die Dokumentextraktion). 3. Eine einzige, aktuelle Antwortbibliothek mit freigegebenen Texten je Thema kuratieren und mit Thema, Datum und Verantwortlichem versehen (PREP-013, PREP-010). 4. Labels aus der CRM-Historie gewinnen: gewonnene, verlorene und bewertete Angebote (PREP-020). 5. Mustergültige Antworten sammeln und mit dem Angebotsteam einen kleinen Testdatensatz aufbauen (PREP-016, PREP-018). 6. Berechtigungen vor der Indexierung einschränken (PREP-023) und festlegen, was in welches KI-Werkzeug darf (PREP-024).

Werkzeuge: Paperless-ngx oder das vorhandene DMS, Docling für das Parsing, eine Prüftabelle für die Bibliothek. Einen Prüfzyklus einplanen (PREP-017).

Umsetzungswege

Welcher Weg für wen

• KMU – Weg B: Angebotsplattformen sind auf große Vertriebsteams zugeschnitten und meist in den USA gehostet, während der Wert eines KMU in den eigenen Referenzen, Preisen und früheren Angeboten liegt; ein RAG-Assistent über diese Dokumente auf einer in der EU gehosteten API passt daher am besten.
• Großunternehmen – Weg A: wiederkehrendes RFP-Volumen rechtfertigt spezialisierte Plattformen (Loopio, Responsive, Tendium) mit Antwortbibliotheken, Workflows und Prüfpfaden, sofern die Datenhaltung in der EU vertraglich gesichert ist.
• Entwickler – Weg C: Open-Weight-Modelle mit Dokumentenparser und Vektordatenbank geben volle Kontrolle über vertrauliche Angebotsdaten.
• Öffentlicher Sektor – Weg B: souveräne EU- oder deutsche Cloud-APIs passen zu Beschaffungs- und Souveränitätsvorgaben; zertifizierte Produkte nur, wo verfügbar.

Weg A — Kaufen (Standardsoftware)

• RFP-/Fragebogen-Plattformen:
• Loopio: Response Intelligence, MCP-Konnektor, Glean-Konnektor [1].
• Responsive (früher RFPIO): AI Assistant und TRACE Score für die Vollständigkeit von Antworten [2].
• Arphie: nennt Quellen und gibt zu jeder Antwort einen Konfidenzwert an; SOC 2 Type 2 [5].
• Außerdem Inventive AI, Qvidian/Upland und Ombud.
• Angebotserstellung (auch öffentlicher Sektor):
• AutogenAI: britischer Ursprung, mit den Ausgaben Enterprise, Federal und Grant Writer [3].
• Altura (EU, Fokus Niederlande): Workflows für Ausschreibung, Anforderungen, Risiko und Abgabereife, wobei jede Feststellung mit ihrem Quelltext verknüpft ist [4].
• Tendium (EU, Schweden): Ausschreibungssuche, Bid Studio und der KI-Assistent Louie [6].
• In Deutschland ergänzen Vergabeportale wie DTVP KI für das Matching (z. B. der Assistent Argos), aber noch nicht für das Schreiben von Angeboten [7].
• Förderanträge schreiben: Grantable (USA, Schwerpunkt gemeinnützige Organisationen, mit kostenloser Stufe) [8]. Viele Forschungsabteilungen nutzen M365 Copilot oder Claude-/ChatGPT-Enterprise-Projekte, die den Aufruftext und Standardbausteine enthalten.
• Weg A wählen, wenn Sie wiederkehrende kommerzielle RFPs oder Fragebögen beantworten und SaaS akzeptieren können. Prüfen Sie die Datenhaltung in der EU, dass Ihre Daten nicht für Training verwendet werden, SSO, Prüfprotokolle dazu, wie jede Antwort erzeugt wurde, sowie Konnektoren zu SharePoint, Confluence und Ihrem CRM.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Claude, GPT und Gemini (alle in EU-Regionen verfügbar über AWS Bedrock Frankfurt, Azure OpenAI EU Data Zone und Vertex AI europe-west3) oder Mistral (EU-Anbieter, La Plateforme) für eine Verarbeitung ausschließlich in der EU. Modelle mit langem Kontext für vollständige Aufrufdokumente und Reasoning-Modelle für Förderanträge und Compliance-Prüfungen.
• Stack:
• Dokumenten-Parsing: Docling oder Azure Document Intelligence.
• Hybridindex: OpenSearch/Elasticsearch oder pgvector plus BM25, mit einem Reranker (Cohere Rerank oder das offene bge-reranker).
• Orchestrierung: LangGraph, LlamaIndex oder eine einfache Job-Warteschlange, die je Frage einen Prompt ausführt, mit strukturierter JSON-Ausgabe (Antwort, Quellen, Konfidenz, offene Fragen).
• Ausgabe: Rückschreiben in die Excel- oder Word-Vorlage des Auftraggebers (python-docx/openpyxl), damit die ursprüngliche Formatierung erhalten bleibt.
• Integrationen: SharePoint/Drive, CRM (Salesforce, HubSpot) für Opportunity-Daten und der Export aus dem E-Vergabe-Portal.
• Weg B wählen, wenn Ihre Angebote sehr speziell sind (Ingenieurwesen, Baukonzepte) oder Sie eine enge Integration mit internen Systemen brauchen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-LLMs mit langem Kontext und starker deutscher/englischer Schreibqualität, z. B. Qwen3 (30B-A3B oder 235B-A22B), Mistral Small 3.x / Modelle der Mistral-Medium-Klasse (wo lizenziert), gpt-oss-120b, Llama 3.3 70B. Embeddings: bge-m3 oder multilingual-e5; Reranker: bge-reranker-v2-m3.
• Stack: vLLM oder Ollama für den Betrieb; Open WebUI, Onyx oder RAGFlow als Assistenten-Oberfläche mit Dokumentensammlungen; Docling für das Parsing; Qdrant oder OpenSearch als Index; n8n für den Workflow.
• Hardware: HW3. Eine GPU mit 80–96 GB (H100 oder RTX PRO 6000) betreibt ein quantisiertes Modell der Klasse 70–120B, das die Schreibqualität liefert, die Angebote brauchen. HW2 kann MoE-Modelle der Klasse 30B für Entwürfe aus einer Bibliothek betreiben, mit schwächeren Ergebnissen bei langen Konzepttexten.
• Weg C wählen, wenn das Angebotsmaterial eingestuft oder vertraulich ist (Ausschreibungen aus Verteidigung oder kritischer Infrastruktur, VS-NfD, sensible Preise) oder Ihre Richtlinie das Senden in die Cloud verbietet. Sie übernehmen die Aufgabe, Bibliothek, Index und Modell aktuell zu halten.

Weg D — Eigenes Training

Das lohnt sich selten. Das Retrieval über Ihre eigenen Angebote leistet den größten Teil der Arbeit. Ein Stil-LoRA-Feintuning mit einigen Hundert freigegebenen, hoch bewerteten Antworten kann einer großen Angebotsorganisation (oder einem Anbieter wie AutogenAI mit seiner eigenen Sprach-Engine) helfen, Hausstil und -struktur zu treffen [3]. Bewertungen der Auswerter und Gewinn-/Verlustdaten sind zu dünn und zu verrauscht, um direkt darauf zu trainieren; nutzen Sie sie stattdessen, um Prompts und Retrieval zu bewerten.

Stand der Technik (2026)

• Von der Bibliotheksabfrage zum agentischen Entwurf: führende Werkzeuge lesen inzwischen das gesamte RFP, füllen jede Antwort mit einem ersten Entwurf vor, bewerten die Vollständigkeit (z. B. der TRACE Score von Responsive) und binden sich per MCP an Assistenten an [1][2][5]. Quelle und Konfidenzwert zu jeder Antwort anzuzeigen, wird inzwischen erwartet [5].
• Ausschreibungsanalyse und Schreiben wachsen zusammen: Plattformen wie Altura und Tendium vereinen Ausschreibungssuche, Anforderungsextraktion, Risikoanalyse und Schreiben in einem gemeinsamen Angebotsarbeitsbereich [4][6].
• Modelle: Spitzenmodelle (Claude, GPT, Gemini) und starke offene Modelle (Qwen3, gpt-oss, Mistral) schreiben alle gute Angebotstexte. Den Unterschied machen die Qualität der Inhaltsbibliothek, das Retrieval und die Prüfung. Kein öffentlicher Benchmark misst die Angebotsqualität, bewerten Sie also anhand Ihrer eigenen früheren Angebote (verdeckte Expertenbewertung gegen die Zuschlagskriterien).
• Grenzen und Fehlerbilder:
• Erfundene Fähigkeiten, Zertifikate oder Referenzen. In einer öffentlichen Ausschreibung kann das als irreführende Angabe gelten und nach § 124 Abs. 1 Nr. 8/9 GWB zum Ausschluss führen [9].
• Veraltete Bibliotheksantworten, die aktuellen Richtlinien widersprechen.
• Generische, „nach KI klingende" Prosa, die bei den Zuschlagskriterien schlecht abschneidet.
• Falsch gelesene Seitenlimits und Formate.
• Vertrauliche Preise, die in gemeinsame Bibliotheken gelangen.

Gemeinsame Bausteine & Kombinationen

• Derselbe RAG-Stack (embedding-text + reranker + vector-db + search-engine + llm-general):
• KNOW-002 Assistent für Unternehmensdokumente
• KNOW-011 Pflege von Wissensdatenbank und FAQ
• LANG-003 Berichte, Konzepte und Angebote verfassen (unaufgeforderte Angebote und Berichte, im Unterschied zur Beantwortung der Fragen eines Auftraggebers)
• Ein HW3-Inferenzserver und ein gemeinsamer, gesteuerter Index können alle bedienen.
• Vorgelagert: KNOW-017 findet Ausschreibungen und Fördermöglichkeiten, DOC-015 analysiert Ausschreibungsunterlagen und extrahiert Anforderungen, und DOC-014 liest PDFs für den Index ein.
• Unterwegs:
• LANG-008 fasst lange Aufruftexte zusammen.
• LANG-009 übersetzt für mehrsprachige EU-Angebote.
• LANG-011 passt den Ton an die Markenstimme an.
• DOC-010 prüft Abweichungen in Verträgen und Bedingungen.
• DATA-012 liefert ESG-/CSRD-Nachweise für Zuschlagskriterien zur Nachhaltigkeit.
• Gegenstück: DOC-031 behandelt die Prüfung von Anträgen durch Förderer. Antragsteller sollten damit rechnen, dass Förderer auf doppelte und KI-generierte Texte prüfen.

Aufwand, Kosten & Kennzahlen

• Weg A: 2–6 Wochen; der größte Teil des Aufwands entfällt auf Import und Bereinigung der Antwortbibliothek. Die Preise gelten pro Nutzer oder pro Projekt. Grantable startet mit einer kostenlosen Stufe und kostenpflichtigen Tarifen von 50–150 USD/Monat [8].
• Weg B: 1–3 Monate für eine Pipeline mit Index, Rückschreiben in Vorlagen und Prüfoberfläche. Die API-Kosten je Angebot sind im Vergleich zum Personalaufwand gering.
• Weg C: 2–4 Monate plus ein GPU-Server (HW3) und laufender Betrieb.
• Kostentreiber: Kuratieren der Bibliothek (Verantwortliche, Ablaufdaten), Zeit für Expertenprüfung, Integrationen.
• Kennzahlen:
• Stunden je Angebot und je Frage
• Anteil der unverändert aus der Bibliothek übernommenen Antworten
• abgegebene Angebote je Vollzeitstelle
• Durchlaufzeit der Entscheidung Bieten/Nicht-Bieten
• Gewinnquote und Bewertungen der Auswerter je Kriterium
• vermiedene formale Ausschlüsse
• Anteil der Antworten über dem Ablaufdatum

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung (Angebotsstrategie, Risikobereitschaft) und der Abteilungsleitung Vertrieb oder Angebotsmanagement, die den Prozess verantwortet. Beziehen Sie die Datenverantwortlichen (Vertrieb, Projektleitung, Qualität) früh ein, denn sie halten Referenzen und Lebensläufe; Endnutzer sind die Angebotsschreiber und Fachexperten, die Antworten prüfen. Legal/Compliance prüft Geheimhaltungspflichten gegenüber Kunden, NDAs und die Haftung für falsche Aussagen; IT-Sicherheit und Datenschutzbeauftragte(r) decken Hosting, AVV und personenbezogene Daten in Lebensläufen ab (eine Datenschutz-Folgenabschätzung (DSFA) ist meist nicht nötig, aber Personaldaten brauchen eine klare Rechtsgrundlage und für Lebensläufe eine Einwilligung).

Betriebsrat: kommt darauf an. Protokolliert das Werkzeug, wer welche Antwort geschrieben oder geändert hat, oder misst es die individuelle Angebotsleistung, gilt § 87 Abs. 1 Nr. 6 BetrVG; informieren Sie ihn ohnehin nach § 90 Abs. 1 Nr. 3. Öffentlicher Dienst: Personalrat.

KI-Kompetenz (unterstützende Maßnahmen nach Art. 4 KI-Verordnung): Schulen Sie Angebotsschreiber darin, Aussagen und Quellenangaben zu prüfen (GUIDE-006). Behalten Sie die Kontrolle beim Menschen: Nichts wird ohne Expertenprüfung und Freigabe abgegeben, denn eine Aussage in einem Angebot ist rechtlich bindend. Starten Sie einen Pilot mit einem echten wiederkehrenden Fragebogen und einem kleinen Team (GUIDE-009). Typische Sorgen: Angst vor Kompetenzverlust (Experten werden zu Prüfern und behalten die Verantwortung), Fehler bei bindenden Aussagen (Quellenangabe für jede Antwort vorgeschrieben) und das Abfließen von Wettbewerbspreisen (Zugriffsrechte, kein Training mit Daten). Siehe GUIDE-010 zur Anbieterauswahl und GUIDE-005 zum Datenschutz.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko. Das Schreiben eines eigenen Angebots ist keine Anwendung nach Anhang III; Anhang III Nr. 5 Buchst. a betrifft Behörden, die die Berechtigung natürlicher Personen für öffentliche Leistungen bewerten – das ist die Seite der Förderer, nicht die des Antragstellers [10]. Art. 4 (KI-Kompetenz) gilt. Die Offenlegung nach Art. 50 Abs. 4 betrifft Texte, die veröffentlicht werden, um die Öffentlichkeit zu informieren; ein vertrauliches Angebot an einen einzelnen Auftraggeber liegt daher normalerweise außerhalb des Anwendungsbereichs [11]. Die Pflicht der Anbieter zur maschinenlesbaren Kennzeichnung nach Art. 50 Abs. 2 gilt ab 2. Aug. 2026 [11] (Digital Omnibus, Verordnung 2026/1744: Systeme, die schon vor dem 2. Aug. 2026 auf dem Markt waren, haben für die Kennzeichnung nach Art. 50 Abs. 2 bis zum 2. Dez. 2026 Zeit).
• Regeln der Förderer:
• Die DFG erlaubt generative KI in Anträgen, verlangt aber die Offenlegung, welche Werkzeuge wofür genutzt wurden, und untersagt sie in der Begutachtung [12].
• Die „Living guidelines on the responsible use of generative AI in research" des ERA der Europäischen Kommission (jüngste Ausgabe vom 15. Okt. 2026) halten fest, dass Forschende für den Inhalt uneingeschränkt verantwortlich bleiben [13].
• Prüfen Sie immer den jeweiligen Aufruf auf Offenlegungspflichten.
• Vergaberecht: der Bieter haftet für jede Aussage. Irreführende Angaben oder unzulässige Einflussnahme können zum Ausschluss führen (§ 124 GWB) [9]. Verwenden Sie in Ihren Antworten keine vertraulichen Inhalte anderer Kunden.
• DSGVO: Lebensläufe von Schlüsselpersonen, Referenzen und Ansprechpartner sind personenbezogene Daten. Nutzen Sie einen Auftragsverarbeitungsvertrag mit dem Anbieter, Hosting in der EU, rollenbasierten Zugriff und Aufbewahrungsregeln für die Bibliothek. Anonymisieren Sie Referenzprojekte, wo nötig.
• Vertraulichkeit: Unterlagen der Auftraggeber unterliegen oft einer NDA, und Ausschreibungen mit Geheimschutz (VS-NfD) erfordern Selbstbetrieb (Weg C) oder eine zugelassene Umgebung.
• Gegenmaßnahmen:
• Nur aus freigegebenen Quellen antworten und Quellenangaben anzeigen.
• Aussagen gegen das Register der Zertifikate und Referenzen prüfen.
• Für neue Aussagen eine verpflichtende Freigabe durch Experten verlangen.
• Ein Prüfprotokoll von KI-Entwürfen im Vergleich zum abgegebenen Text führen.

Erste Schritte

1. Sammeln Sie Ihre letzten 10–20 Angebote oder Anträge. Behalten Sie die besten Antworten, weisen Sie jeder einen Verantwortlichen und ein Ablaufdatum zu und entfernen Sie den Rest. Diese Bibliothek ist der wichtigste Vermögenswert.
2. Testen Sie 2–3 Werkzeuge des Wegs A (oder ein Claude-/Copilot-Projekt für Förderanträge) an einer laufenden RFP und einer früheren RFP, deren Bewertungen Sie kennen.
3. Richten Sie eine Vorlage für die Compliance-Matrix und einen Freigabe-Workflow ein und legen Sie fest, welche Aussagen (Preise, Zertifikate, SLAs, Referenzen) eine menschliche Freigabe brauchen.
4. Messen Sie Stunden je Angebot und den Anteil wiederverwendeter Bibliotheksantworten; vergleichen Sie nach einem Quartal Gewinnquote und Bewertungen der Auswerter.
5. Binden Sie die vorgelagerten Schritte an (KNOW-017 Ausschreibungssuche, DOC-015 Anforderungsextraktion), sobald das Entwerfen funktioniert.

Quellen

1. Loopio — product overview (Response Intelligence, Loopio MCP, customer results) — https://loopio.com/
2. Responsive — AI for RFP/RFx response (TRACE Score, Microsoft and other case figures) — https://www.responsive.io/
3. AutogenAI — bid and grant writing platform — https://autogenai.com/
4. Altura — AI tender analysis and bid workflows (customer quote GMB) — https://altura.io/en
5. Arphie — AI RFP & questionnaire platform (citations, confidence scores, MCP) — https://www.arphie.ai/
6. Tendium — tender search, Bid Studio, Louie AI (Stockholm) — https://tendium.com/
7. Deutsches Vergabeportal (DTVP) — Argos AI assistant for bidders — https://www.dtvp.de/
8. Grantable — AI grant-writing software and pricing — https://www.grantable.co/
9. § 124 GWB — Fakultative Ausschlussgründe — https://www.gesetze-im-internet.de/gwb/__124.html
10. EU AI Act Annex III — https://artificialintelligenceact.eu/annex/3/
11. EU AI Act Article 50 — https://artificialintelligenceact.eu/article/50/
12. DFG — Statement on the influence of generative models on science and the humanities and on DFG funding (21 Sep 2023) — https://www.dfg.de/en/news/news-topics/announcements-proposals/2023/info-wissenschaft-23-72
13. European Commission, DG RTD — Living guidelines on the responsible use of generative AI in research — https://research-and-innovation.ec.europa.eu/document/2b6cf7e5-36ac-41cb-aab5-0d32050143dc_en

Alle abgerufen 2026-10.