Ausschreibungen mit KI analysieren: Anforderungen, Risiken und Go/No-Go

Das Wichtigste in Kürze: Ausschreibungen mit KI analysieren: Muss-Kriterien und Fristen extrahieren, Risiken einordnen und zu einer belastbaren Go/No-Go-Entscheidung kommen.

Problem und Zielgruppe

Eine Ausschreibung kommt selten allein: Anschreiben, Leistungsverzeichnis, Eignungskriterien, Vertragsbedingungen, technische Anlagen. Manchmal sind es über hundert Seiten in mehreren Dateien. Wer als Bieter oder als Fachbereich prüft, ob eine Teilnahme sinnvoll ist, muss aus diesem Wust in kurzer Zeit 3 Dinge ziehen. Was wird zwingend verlangt, bis wann, und können wir das erfüllen? Genau hier hilft KI.

In der Praxis passiert das oft unter Zeitdruck, kurz vor Fristablauf und mit wechselnden Zuständigkeiten. Dazu kommt das Risiko, ein einzelnes Muss-Kriterium zu übersehen, das später zum formalen Ausschluss führt.

Dieser Artikel richtet sich an Geschäftsführung, Operations, IT und Fachbereich in kleinen und mittleren Unternehmen, die Ausschreibungen regelmäßig prüfen. Das gilt als Bieter bei öffentlichen oder privaten Vergabeverfahren ebenso wie für Teams, die eingehende Anfragen mit Ausschreibungscharakter bewerten. Die Übersicht zum Cluster findest du auf der Kategorieseite KI in Vertrieb und Marketing.

Welche Dokumente werden dabei verarbeitet? Kurz beantwortet: die vollständigen Vergabeunterlagen. Nach § 29 der Vergabeverordnung (VgV) bestehen sie meist aus 3 Teilen. Dem Anschreiben mit der Aufforderung zur Angebotsabgabe und den Fristen. Der Verfahrensbeschreibung mit Eignungs- und Zuschlagskriterien sowie den Vertragsunterlagen mit Leistungsbeschreibung und Vertragsbedingungen. Dazu kommen häufig Anlagen wie Preisblätter, Formulare oder technische Zeichnungen.

Ein KI-gestütztes Analysesystem muss all diese Bestandteile einbeziehen, nicht nur das Anschreiben oder die Leistungsbeschreibung allein. Sonst fehlen Kriterien oder Fristen aus den Anlagen.

Begriffe und Abgrenzung

3 Begriffe grenzen das Thema ein.

Muss-Kriterien (auch Ausschlusskriterien oder K.-o.-Kriterien) sind Anforderungen, deren Nichterfüllung zum formalen Ausschluss aus dem Verfahren führt. Kann-Kriterien fließen dagegen nur in die Bewertung des Angebots ein. Diese Unterscheidung ist der wichtigste Filter für eine erste Go/No-Go-Einschätzung.

Dokumentenanalyse mit KI meint hier den Einsatz eines Sprachmodells, das Texte aus den Vergabeunterlagen liest, strukturiert zusammenfasst und Fragen dazu beantwortet. In der Praxis läuft das fast immer über die RAG-Methode (Retrieval-Augmented Generation). Die Dokumente werden in Textabschnitte zerlegt und durchsuchbar gemacht; bei einer Anfrage gehen die relevanten Abschnitte an das Sprachmodell, das daraus eine Antwort mit Quellenbezug formuliert. Der entscheidende Unterschied zu einem Sprachmodell ohne RAG: Die Antwort soll nur auf den wirklich vorliegenden Dokumenten beruhen. Trainiertes Allgemeinwissen des Modells zählt nicht.

Wichtig ist die Abgrenzung nach unten: Ein Sprachmodell, dem man den PDF-Anhang in den Chat kopiert und „fass zusammen“ schreibt, ist keine belastbare Ausschreibungsanalyse. Ohne strukturierte Quellenbelege, Prüfung auf Vollständigkeit und eine feste Kategorienliste bleibt das Ergebnis eine erste, grobe Orientierung. Für eine Go/No-Go-Entscheidung mit wirtschaftlicher Tragweite reicht das nicht.

Welche Dokumente werden verarbeitet?

Die gesetzliche Definition aus § 29 VgV ist ein guter Ausgangspunkt, auch außerhalb des öffentlichen Vergaberechts. Sie beschreibt die typische Struktur:

Bestandteil	Enthält	Relevanz für die Analyse.
Anschreiben	Aufforderung zur Angebotsabgabe, Fristen, Ansprechpartner	Fristenkalender, Formalia.
Verfahrensbeschreibung	Eignungskriterien, Zuschlagskriterien, Ablauf des Verfahrens	Muss-/Kann-Filter, Bewertungslogik.
Vertragsunterlagen	Leistungsbeschreibung, Vertragsbedingungen	Fachliche Machbarkeit, rechtliche Risiken.
Anlagen	Preisblätter, Formulare, technische Zeichnungen, Nachweise	Häufigste Fehlerquelle bei unvollständiger Erfassung.

Eigene Darstellung Philogic Labs auf Basis von § 29 VgV.

Für die KI-gestützte Analyse heißt das praktisch: Alle Dateien eines Vergabeverfahrens gehören in dieselbe Wissensbasis, nicht nur die Hauptausschreibung. Anlagen enthalten in meiner Erfahrung besonders oft genau die Kriterien, die später übersehen werden. Beispiele: Formvorgaben in einem separaten Bewerbungsbogen oder ein technisches Muss-Kriterium, das nur im Anhang und nicht im Fließtext steht. Ein System, das nur das Hauptdokument einliest, erzeugt eine trügerische Vollständigkeit.

Die Datenschutzkonferenz nennt in ihrer Orientierungshilfe zu RAG-Systemen (Oktober 2025) auch einen technischen Punkt bei der Aufbereitung. Vor der Umwandlung in durchsuchbare Textabschnitte sollten störende Elemente wie Kopf- und Fußzeilen oder Seitenzahlen bereinigt werden. Die Abschnitte sollten möglichst in sich abgeschlossene Sinnabschnitte bilden. Schlechte Aufbereitung führt direkt zu schlechteren Suchergebnissen, ein rein technisches Detail mit spürbarer Wirkung auf die Qualität der Analyse.

Wie extrahiert man Muss-Kriterien?

Die technische Grundlage ist in aller Regel die RAG-Methode. Ein Retriever durchsucht die aufbereiteten Dokumente nach inhaltlich passenden Abschnitten, und ein Sprachmodell formuliert daraus die Antwort. Mehr Magie steckt nicht dahinter. Für die Extraktion von Muss-Kriterien bewährt sich ein Vorgehen in 2 Stufen:

1. Kategoriengestützte Abfrage statt offener Frage. Statt „Welche Anforderungen gibt es?“ frage ich das System nach festen Kategorien einzeln ab: Fristen, Eignungsnachweise, technische Muss-Kriterien, Formvorgaben, Ausschlussgründe, Referenzanforderungen. Eine offene Frage übersieht in meiner Erfahrung eher Kriterien, die im Dokument verstreut stehen, als eine Reihe gezielter Fragen.

2. Gegenprobe gegen eine feste Prüfliste. Jede extrahierte Antwort wird gegen eine unternehmensinterne Checkliste möglicher Kriterienarten abgeglichen. Fehlt eine Kategorie in der Ausgabe, heißt das nicht automatisch, dass sie im Dokument fehlt. Es heißt nur: gezielt nachfragen. Mehr nicht.

Die technischen Grenzen der Methode sind dabei keine Fußnote, sondern Teil der Arbeitsweise. Die Datenschutzkonferenz benennt es so: Die Anreicherung der Anfrage funktioniert nur im „semantisch benachbarten Einbettungsraum“. Komplexe Wenn-Dann-Zusammenhänge, die über mehrere, nicht direkt benachbarte Textstellen verteilt sind, erkennt das System unter Umständen nicht als zusammengehörig. Übertragen auf Vergabeunterlagen: Ein Muss-Kriterium steht etwa im Leistungsverzeichnis und wird in einer separaten Anlage präzisiert. Bei rein semantischer Suche kann das auseinanderfallen. Deshalb ersetzt die mehrfache Abfrage nach festen Kategorien die einzelne Zusammenfassung.

Wie belegt man Quellen?

Ohne Quellenbeleg ist eine KI-Ausgabe für diese Prüfung wertlos. Das ist keine Stilfrage. Die Entscheidung hat Gewicht, teils auch rechtlich. Also muss jede Aussage prüfbar sein. 3 Anforderungen an den Beleg:

• Dokumentname und Fundstelle. Jede Aussage muss auf ein konkretes Dokument und, wo möglich, eine Seiten- oder Abschnittsangabe zurückführbar sein.
• Originalzitat statt Paraphrase bei kritischen Kriterien. Bei Muss-Kriterien und Ausschlussgründen sollte die Ausgabe den Originalwortlaut zitieren, nicht nur zusammenfassen, Paraphrasen verschieben oft die Bedeutung.
• Sichtbare Unsicherheit: Ein gutes System markiert, wenn eine Antwort auf mehreren, womöglich widersprüchlichen Textstellen beruht. Es erzeugt keine glatte Antwort, wo das Dokument selbst uneindeutig ist.

Die Datenschutzkonferenz benennt hierzu einen wichtigen Grenzfall. Transparenz in einem RAG-System lässt sich nur für die erweiterte Anfrage an das Sprachmodell herstellen. Sie zeigt also, welche Ausschnitte wirklich einflossen. Wie das Sprachmodell aus diesen Ausschnitten seine Formulierung erzeugt, bleibt dagegen kaum nachvollziehbar. Für die Praxis bedeutet das: Verlasse dich auf die referenzierten Fundstellen, nicht auf die Formulierung der KI-Antwort selbst. Bei jedem Muss-Kriterium sollte jemand im Team die zitierte Originalstelle tatsächlich öffnen, bevor daraus eine Go/No-Go-Entscheidung wird.

Ergänzend rät das BSI in seiner Einschätzung generativer KI-Modelle zu Vorsicht bei Angaben außerhalb der geprüften Wissensbasis. Sprachmodelle können plausibel klingende, aber falsche Inhalte erzeugen (Halluzinationen). Dieses Risiko sinkt zwar durch RAG. Ganz weg ist es nie.

Ein gutes System beschränkt sich strikt auf die referenzierten Vergabeunterlagen. Bei fehlender Textgrundlage gibt es „nicht im Dokument gefunden“ aus, statt eine Antwort zu erraten. Das ist deutlich sicherer. Ein System, das jede Frage glatt beantwortet, wirkt souverän, liegt im Zweifel aber daneben.

Wie entsteht Go/No-Go?

Eine Go/No-Go-Entscheidung sollte nie aus einer einzelnen KI-Antwort entstehen. Sie entsteht aus einer strukturierten Bewertung: Die KI liefert die Faktenbasis, ein Mensch nimmt die Gewichtung vor. In meiner Praxis hat sich eine einfache Matrix bewährt:

Kriterium	Leitfrage	Gewicht.
Eignung	Erfüllen wir alle Muss-Kriterien nachweisbar?	K.-o.
Aufwand	Wie viel Zeit kostet ein vollständiges Angebot bis zur Frist?	×2.
Erfüllbarkeit	Können wir die Leistungsbeschreibung fachlich und terminlich liefern?	×2.
Wirtschaftlichkeit	Passt der erkennbare Rahmen zu unserer Kalkulation?	×1,5.
Strategischer Wert	Referenzkunde, neuer Markt, bestehende Beziehung?	×1.

Eigene Entscheidungsmatrix Philogic Labs. Ein K.-o.-Kriterium führt unabhängig von der übrigen Punktzahl zu No-Go, wenn ein Muss-Kriterium nachweislich nicht erfüllbar ist.

Die KI-gestützte Dokumentenanalyse liefert dafür strukturiert die Eingaben. Dazu zählen die belegte Liste der Muss-Kriterien mit Erfüllungsstatus und die Frist. Dazu kommen die zentralen Eckpunkte der Leistungsbeschreibung und auffällige Vertragsbedingungen wie Vertragsstrafen oder Haftungsregeln.

Die eigentliche Bewertung bleibt Menschensache. Sie braucht Marktkenntnis und Unternehmenskontext, und beides hat kein Sprachmodell. Dazu zählt, wie viel Aufwand realistisch ist, ob der Preis attraktiv wirkt und ob die Kundenbeziehung strategisch wichtig ist. Wer diesen Schritt ganz an die KI delegiert, kann eine Entscheidung im Nachhinein nicht mehr begründen. Bei internen Freigaben oder gegenüber der Geschäftsführung ist das ein realer Nachteil.

Was bleibt menschlich?

4 Aufgaben bleiben aus gutem Grund bei Menschen:

• Interpretation unklarer Formulierungen. Vergabeunterlagen enthalten regelmäßig Passagen, die man auslegen muss. Eine KI kann auf die Unklarheit hinweisen, die rechtssichere Auslegung oder die Entscheidung, eine Bieterfrage zu stellen, ist eine menschliche Aufgabe.

• Strategische Einschätzung. Ob eine Ausschreibung zur Unternehmensstrategie passt, ist keine Frage, die aus dem Dokument selbst beantwortbar ist.

• Endgültige Go/No-Go-Entscheidung. Siehe oben, die KI liefert Fakten, sie trifft keine Entscheidung mit wirtschaftlicher Tragweite.

• Rechtliche Prüfung bindender Zusagen. Sobald aus der Analyse ein Angebot mit rechtlich bindenden Erklärungen wird, gehört die finale Prüfung vor Versand zu einer Person mit entsprechender Verantwortung. Bei komplexen Vertragsbedingungen zählt im Zweifel rechtliche Beratung dazu.

Diese Aufteilung ist kein Kompromiss, sondern folgt aus den technischen Grenzen der Methode selbst. Ein RAG-System reduziert Halluzinationen, schließt sie laut Datenschutzkonferenz aber nicht ganz aus. Das BSI warnt allgemein davor, generative KI-Ausgaben in kritischen Geschäftsprozessen ungeprüft zu übernehmen. Bei einem Muss-Kriterium führt eine Fehldeutung zum Ausschluss, und deshalb ist die manuelle Gegenprüfung der zitierten Originalstelle kein Extra-Aufwand, sondern der Kern eines funktionierenden Prozesses.

Umsetzung: wie ein solches System entsteht

Ein pragmatischer Einstieg für ein KMU sieht in meiner Erfahrung so aus:

1. Wissensbasis pro Verfahren, nicht pro Unternehmen. Jede Ausschreibung bekommt eine eigene, abgeschlossene Dokumentensammlung. Alte Verfahren vermischen sich sonst mit aktuellen und erzeugen falsche Treffer.

2. Feste Fragenkategorien statt Freitext-Chat. Ein wiederkehrendes Set an Abfragen (Fristen, Muss-Kriterien, Ausschlussgründe, Formvorgaben, kritische Vertragsklauseln) läuft bei jeder Ausschreibung gleich ab. Das macht Ergebnisse vergleichbar und reduziert übersehene Kategorien.

3. Vier-Augen-Prinzip bei Muss-Kriterien. Jede als K.-o. markierte Anforderung wird von einer zweiten Person gegen die zitierte Originalstelle geprüft, bevor eine No-Go-Entscheidung fällt.

Ein fälschlich als „nicht erfüllbar“ eingestuftes Kriterium kostet ein Geschäft, das eigentlich machbar gewesen wäre. 4. Dokumentation der Entscheidung. Die Go/No-Go-Bewertung samt der zugrunde liegenden KI-Fundstellen wird festgehalten. Das ist keine Bürokratie: Spätere, ähnliche Verfahren lassen sich so schneller bewerten, und die Entscheidung bleibt nachvollziehbar.

Technisch lässt sich das mit bestehenden RAG-Werkzeugen umsetzen, ohne dass ein Unternehmen eigene Modelle trainiert. Wichtiger als die Toolwahl ist, dass die oben beschriebenen Prinzipien, vollständige Dokumentenbasis, kategoriengestützte Abfrage, Quellenbeleg, menschliche Endprüfung, tatsächlich eingehalten werden. Wer sein Vertriebs- oder Angebotswesen um einen solchen Analyseschritt erweitern will, findet im Artikel zu automatisierter Angebotserstellung passende Anknüpfungspunkte. Dort geht es etwa um die Frage, wie Daten aus einer Ausschreibung strukturiert in ein Angebot überführt werden.

Zur Einordnung des Aufwands, nur als grobe Bandbreite mit Annahmen: Ein KMU nutzt ein bestehendes RAG-Werkzeug oder eine Standardlösung, keine Eigenentwicklung. Dann liegt der Aufbau eines wiederholbaren Prüfprozesses nach meiner Projekterfahrung meist im Bereich weniger Personentage. Gemeint sind Vorlage der Fragenkategorien, Ablageordnung und Freigabeworkflow, sofern ein geeignetes KI-Werkzeug bereits vorhanden ist.

Deutlich mehr Zeit braucht die Integration in ein bestehendes CRM oder Dokumentenmanagementsystem, falls Ausschreibungsdaten automatisch übernommen werden sollen. Laufende Kosten hängen stark von Anzahl und Umfang der Ausschreibungen sowie vom gewählten Werkzeug ab. Sie lassen sich vorab nur nach einer kurzen Bestandsaufnahme seriös beziffern. Jede pauschale Zahl ohne diese Prüfung solltest du mit Vorsicht behandeln.

Eine wiederkehrende Frage in der Praxis: Cloud oder lokal betrieben (on-premise)? Die Datenschutzkonferenz weist darauf hin, dass die RAG-Methode ein Sprachmodell mit recht wenig eigenem Faktenwissen erlaubt, weil die Informationen aus den Referenzdokumenten stammen. Dadurch kommt eine größere Auswahl an Modellen infrage. Unter Umständen lässt sich das System sogar komplett on-premise betreiben, ohne dass Vergabeunterlagen an externe Anbieter gehen. Gerade bei Ausschreibungen mit vertraulichen Inhalten, etwa Kalkulationen von Auftraggebern oder Referenzprojekten mit Kundennamen, sollte das bei der Wahl des Werkzeugs mitentscheiden. Preis und Komfort allein reichen nicht.

Risiken & Grenzen

• Unvollständige Dokumentenbasis führt zu trügerischer Sicherheit. Ein System, das nur einen Teil der Unterlagen kennt, liefert selbstbewusst formulierte, aber unvollständige Antworten. Das ist gefährlicher als gar keine KI-Unterstützung, weil es Sorgfalt vortäuscht.

• Rechtssensibles Thema, keine Rechtsberatung (Stand Juli 2026). Vergaberecht ist komplex und einzelfallabhängig; dieser Artikel ersetzt keine rechtliche Prüfung, insbesondere bei Ausschlussgründen, Nachforderungsfristen oder Rügeverfahren. Im Zweifel gehört das Thema zu spezialisierter Beratung.

• Datenschutz bei personenbezogenen Daten in Vergabeunterlagen. Enthalten Unterlagen personenbezogene Daten, etwa Ansprechpartner, Referenzprojekte mit Namen, gelten die üblichen DSGVO-Anforderungen an die Verarbeitung, unabhängig davon, ob eine KI beteiligt ist.

• Keine Erfolgsgarantie. Eine saubere Dokumentenanalyse verbessert die Entscheidungsgrundlage, sie erhöht nicht automatisch die Zuschlagswahrscheinlichkeit. Wer das verspricht, verwechselt bessere Information mit besserem Angebot.

• Abhängigkeit von Dokumentqualität. Gescannte, schlecht lesbare oder unstrukturierte PDFs verschlechtern die Texterkennung und damit jede nachgelagerte Analyse. Vor dem KI-Einsatz lohnt eine kurze Prüfung, ob die Unterlagen überhaupt sauber maschinenlesbar sind.

Checkliste: Ausschreibung mit KI prüfen

1. Liegen alle Bestandteile der Vergabeunterlagen vollständig vor, Anschreiben, Verfahrensbeschreibung, Vertragsunterlagen, Anlagen?

2. Ist die Wissensbasis für dieses Verfahren abgeschlossen und nicht mit anderen Verfahren vermischt?

3. Wurden Fristen, Eignungskriterien, Muss-Kriterien, Ausschlussgründe und kritische Vertragsklauseln jeweils einzeln und kategoriengestützt abgefragt?

4. Enthält jede extrahierte Aussage eine Fundstelle im Originaldokument?

5. Wurden alle als Muss-Kriterium markierten Punkte von einer zweiten Person gegen die Originalstelle geprüft?

6. Ist dokumentiert, welche KI-Fundstellen der Go/No-Go-Entscheidung zugrunde lagen?

7. Wurde die Erfüllbarkeit fachlich und terminlich von den zuständigen Personen bestätigt, nicht nur von der KI eingeschätzt?

8. Ist bei rechtlich bindenden Erklärungen eine finale menschliche Prüfung vor Versand vorgesehen?

9. Sind Datenschutzfragen bei personenbezogenen Daten in den Unterlagen geklärt?

Wenn du diese Punkte für ein wiederkehrendes Prüfverfahren strukturieren willst: Unser Beratungsangebot für Vertriebs- und Content-Workflows findest du auf der Startseite. In einem kostenlosen Erstgespräch klären wir in 45 Minuten, ob sich der Aufbau für euer Ausschreibungsvolumen lohnt. Für Teams, die die zugrunde liegenden KI-Grundlagen erst aufbauen wollen, sind unsere Schulungen oft der schnellere erste Schritt.