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

Problem und Zielgruppe

Eine Ausschreibung kommt selten allein: Anschreiben, Leistungsverzeichnis, Eignungskriterien, Vertragsbedingungen, technische Anlagen, manchmal über hundert Seiten in mehreren Dateien. Wer als Bieter oder als Fachbereich prüft, ob eine Teilnahme überhaupt sinnvoll ist, muss aus diesem Wust in kurzer Zeit drei Dinge herausziehen: Was wird zwingend verlangt, bis wann, und können wir das erfüllen. In der Praxis passiert das oft unter Zeitdruck, kurz vor Fristablauf, mit wechselnden Zuständigkeiten – und mit dem 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 – ob als Bieter bei öffentlichen oder privaten Vergabeverfahren oder als Team, das eingehende Anfragen mit Ausschreibungscharakter bewertet. 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 typischerweise aus 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

Muss-Kriterien (auch Ausschlusskriterien oder K.-o.-Kriterien) sind Anforderungen, deren Nichterfüllung zum formalen Ausschluss aus dem Verfahren führt – im Unterschied zu Kann-Kriterien, die nur in die Bewertung des Angebots einfließen. 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, durchsuchbar gemacht, und bei einer Anfrage werden die relevanten Abschnitte an das Sprachmodell übergeben, das daraus eine Antwort mit Quellenbezug formuliert. Der entscheidende Unterschied zu einem Sprachmodell ohne RAG: Die Antwort soll ausschließlich auf den tatsächlich vorliegenden Dokumenten beruhen, nicht auf trainiertem Allgemeinwissen des Modells.

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, Vollständigkeitsprüfung und eine feste Kategorienliste bleibt das Ergebnis eine unverbindliche erste 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 für Ausschreibungen außerhalb des öffentlichen Vergaberechts, weil sie die typische Struktur beschreibt:

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 überdurchschnittlich oft genau die Kriterien, die später übersehen werden – etwa Formvorgaben in einem separaten Bewerbungsbogen oder ein technisches Muss-Kriterium, das nur im Anhang und nicht im Fließtext der Leistungsbeschreibung steht. Ein System, das nur das Hauptdokument einliest, erzeugt eine trügerische Vollständigkeit.

Die Datenschutzkonferenz weist in ihrer Orientierungshilfe zu RAG-Systemen (Oktober 2025) zusätzlich auf einen technischen Punkt hin, der die Dokumentenaufbereitung betrifft: Vor der Umwandlung in durchsuchbare Textabschnitte sollten störende Elemente wie Kopf- und Fußzeilen oder Seitenzahlen bereinigt werden, und 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, ein Sprachmodell formuliert daraus die Antwort. Für die Extraktion von Muss-Kriterien bewährt sich ein zweistufiges Vorgehen:

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, dass gezielt nachgefragt werden muss.

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, inhaltlich nicht unmittelbar benachbarte Textstellen verteilt sind, werden vom System unter Umständen nicht als zusammengehörig erkannt. Übertragen auf Vergabeunterlagen: Ein Muss-Kriterium, das im Leistungsverzeichnis definiert und in einer separaten Anlage präzisiert wird, kann bei rein semantischer Suche auseinanderfallen. Deshalb ersetzt die kategoriengestützte, mehrfache Abfrage die einzelne Zusammenfassung.

Wie belegt man Quellen?

Ohne Quellenbeleg ist eine KI-Ausgabe für eine Ausschreibungsprüfung wertlos – das ist keine Stilfrage, sondern eine Frage der Nachprüfbarkeit bei einer Entscheidung mit wirtschaftlicher und teils rechtlicher Tragweite. Drei 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 sind eine typische Quelle für Bedeutungsverschiebungen.
• Sichtbare Unsicherheit. Ein gutes System markiert, wenn eine Antwort auf mehreren möglicherweise widersprüchlichen Textstellen beruht, statt eine glatte, einheitliche Antwort zu erzeugen, 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 – also dafür, welche Dokumentenausschnitte tatsächlich einbezogen wurden. 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), und dieses Risiko sinkt zwar durch RAG, verschwindet aber nicht vollständig. Ein System, das sich strikt auf die referenzierten Vergabeunterlagen beschränkt und bei fehlender Textgrundlage „nicht im Dokument gefunden” ausgibt, statt eine Antwort zu erraten, ist für diesen Anwendungsfall deutlich sicherer als eines, das jede Frage glatt beantwortet.

Wie entsteht Go/No-Go?

Eine Go/No-Go-Entscheidung sollte nie aus einer einzelnen KI-Antwort entstehen, sondern aus einer strukturierten Bewertung, bei der die KI die Faktenbasis liefert und ein Mensch die Gewichtung vornimmt. 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: die vollständige, belegte Liste der Muss-Kriterien mit Erfüllungsstatus, die Frist, die zentralen Eckpunkte der Leistungsbeschreibung und auffällige Vertragsbedingungen wie Vertragsstrafen oder Haftungsregelungen. Die eigentliche Bewertung – wie viel Aufwand realistisch ist, ob der Preis wirtschaftlich attraktiv wirkt, ob die Kundenbeziehung strategisch wichtig ist – bleibt eine Einschätzung, die Marktkenntnis und Unternehmenskontext braucht, den kein Sprachmodell hat. Wer diesen Schritt vollständig an die KI delegiert, verliert außerdem die Fähigkeit, eine Entscheidung im Nachhinein zu begründen – bei internen Freigaben oder gegenüber der Geschäftsführung ein realer Nachteil.

Was bleibt menschlich?

Vier Aufgaben bleiben aus gutem Grund bei Menschen:

• Interpretation unklarer Formulierungen. Vergabeunterlagen enthalten regelmäßig auslegungsbedürftige Passagen. 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 im Zweifel mit rechtlicher Beratung.

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 vollständig aus, und das BSI warnt allgemein davor, generative KI-Ausgaben in kritischen Geschäftsprozessen ungeprüft zu übernehmen. Bei einem Muss-Kriterium, dessen Fehlinterpretation zum Ausschluss führt, ist die manuelle Gegenprüfung der zitierten Originalstelle deshalb kein zusätzlicher 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 inklusive der zugrunde liegenden KI-Fundstellen wird festgehalten – nicht aus Bürokratie, sondern damit spätere, ähnliche Verfahren schneller bewertet werden können und die Entscheidung nachvollziehbar bleibt.

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 bestehendes Vertriebs- oder Angebotswesen um einen solchen Analyseschritt erweitern will, findet dazu auch im Artikel zu automatisierter Angebotserstellung passende Anknüpfungspunkte, etwa bei der Frage, wie Daten aus einer Ausschreibung strukturiert in ein Angebot überführt werden.

Zur Einordnung des Aufwands, nur als grobe Bandbreite mit Annahmen: Für ein KMU, das ein bestehendes RAG-Werkzeug oder eine Standardlösung nutzt (keine Eigenentwicklung), liegt der Aufwand für den Aufbau eines wiederholbaren Prüfprozesses – Vorlage der Fragenkategorien, Ablageordnung, Freigabeworkflow – nach meiner Projekterfahrung typischerweise im Bereich weniger Personentage, wenn bereits ein geeignetes KI-Werkzeug im Unternehmen 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 und 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 ist außerdem, ob ein cloudbasiertes oder ein lokal betriebenes (on-premise) System die richtige Wahl ist. Die Datenschutzkonferenz weist darauf hin, dass die RAG-Methode es erlaubt, ein Sprachmodell mit vergleichsweise wenig eigenem Faktenwissen einzusetzen, weil die eigentlichen Informationen aus den Referenzdokumenten stammen – dadurch kommt für den Einsatz eine größere Auswahl an Modellen infrage, und unter Umständen lässt sich das System vollständig on-premise betreiben, ohne dass Vergabeunterlagen an externe Anbieter übertragen werden. Gerade bei Ausschreibungen mit vertraulichen Informationen – etwa Kalkulationsgrundlagen von Auftraggebern oder Referenzprojekte mit Kundennamen – ist das ein Kriterium, das bei der Werkzeugauswahl mitentscheiden sollte, nicht nur Preis und Bedienkomfort.

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 in deinem Unternehmen strukturieren willst: Unser Beratungsangebot für Vertriebs- und Content-Workflows findest du auf der Startseite, und 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.