Ein Bauunternehmen aus Posen überprüfte manuell drei Vergabeportale jeden Morgen. Zwei Personen verbrachten zusammen 8-12 Stunden pro Woche damit, Bekanntmachungen zu prüfen, SIWZ zu lesen und zu entscheiden, welche Verfahren überhaupt einer tiefergehenden Analyse wert waren. Dennoch verpassten sie drei zu ihrem Profil passende Ausschreibungen innerhalb eines Quartals — jede mit einem Wert von über 2 Mio. PLN. Das Problem lag nicht im Ressourcenmangel, sondern in der Arbeitsweise: Manuelle Suche bei 40-60 neuen Bekanntmachungen pro Tag auf einem einzigen Portal ist strukturell fehleranfällig.
Monitoring von Bekanntmachungen: Wie man das Ausschreibungsprofil definiert
#Bevor ein Agent mit dem Monitoring beginnt, benötigt er ein Passprofil. Das Profil ist ein Satz von Kriterien: CPV-Codes, Wojewodschaften oder geografischer Radius, Auftragswert (Spanne), Auftraggeber aus einer bevorzugten oder ausgeschlossenen Liste, Schlüsselwörter im Titel und Gegenstand der Ausschreibung.
Das Profil wird als JSON-Dokument oder Datenbankeintrag gespeichert. Der Agent fragt die API der Portale ab (Plattform e-Zamówienia bietet eine REST-API) oder parst RSS/Atom-Feeds alle paar Stunden. Jede neue Bekanntmachung durchläuft einen Klassifikator für die Passgenauigkeit: ein Ergebnis von 0-100 basierend auf den zugewiesenen Kriteriengewichten. Bekanntmachungen unter dem Schwellenwert (z. B. unter 60 Punkten) fallen heraus. Diejenigen über dem Schwellenwert gelangen in die Review-Warteschlange mit einer Zusammenfassung der Passgründe.
Grundprinzip: Der Klassifikator schlägt vor, der Mensch bestätigt den Übergang zur tiefergehenden Analyse. Kein Automat gibt ein Angebot ab oder lehnt ein Verfahren ohne Bestätigung ab.
Extraktion von Anforderungen aus SIWZ und OPZ
#Die Spezifikation der Wesentlichen Vertragsbedingungen (SIWZ) kann 80-300 Seiten umfassen. Sie enthält Teilnahmebedingungen, Bewertungskriterien für Angebote, eine Beschreibung des Auftragsgegenstands (OPZ), Anforderungen an Personal, Referenzen, Versicherungen und Fristen.
Die Datenextraktions-Pipeline aus Ausschreibungsdokumenten funktioniert in mehreren Schritten:
- Herunterladen und Parsen: PDF/DOCX von der Plattform wird an einen Parser übergeben. Für gescannte PDFs ist OCR erforderlich. Das Ergebnis ist ein bereinigter Text mit beibehaltener Abschnittsstruktur.
- Chunking und Indizierung: Der Text wird in Fragmente (500-800 Token mit Überlappung) unterteilt und in einer Vektordatenbank indiziert. Weitere Details zur RAG-Architektur finden Sie im Artikel über unternehmensspezifisches GPT auf Wissensbasis.
- Strukturierte Extraktion: Ein LLM mit Structured Output extrahiert Felder: Teilnahmebedingungen (Umsatz, Erfahrung, Personal), Frist für Angebotsabgabe, Bewertungskriterien mit Gewichten, formale Anforderungen (Bid Bond, Sicherheiten), Vertragsstrafen und Realisierungsfristen.
- Vollständigkeitsprüfung: Guardrails prüfen, ob alle erforderlichen Felder extrahiert wurden. Fehlende Felder werden zur manuellen Ergänzung markiert.
Die Genauigkeit der Extraktion beträgt für gut formatierte SIWZ 85-95%. Bei gescannten oder nicht standardisierten Dokumenten sinkt sie auf 65-80% und erfordert eine obligatorische menschliche Überprüfung. Blindes Vertrauen in den Automaten ist hier fehl am Platz.
Bewertung der Passgenauigkeit und Risiken
#Nach der Extraktion der Anforderungen vergleicht der Agent diese mit dem Unternehmensprofil: Erfüllt ihr die Umsatzbedingungen, habt ihr die geforderten Referenzen, verfügt ihr über das Personal mit den im OPZ geforderten Zertifikaten?
Das Ergebnis ist ein Passbericht mit folgenden Abschnitten:
- Erfüllte Bedingungen: Liste der Anforderungen mit Nachweisen (Referenznummer, Zertifikat).
- Nicht erfüllte oder fragliche Bedingungen: Liste der Defizite mit Vorschlag, ob es sich lohnt, um Klärung beim Auftraggeber zu bitten.
- Vertragsrisiken: Vertragsstrafen über der Norm (z. B. >20% des Auftragswerts), kurze Realisierungsfristen, Fehlen von Optionsrechten, Kündigungsbedingungen.
- Fragen zur Klärung: Mehrdeutige OPZ-Passagen, die der Agent als interpretationsbedürftig durch einen Juristen oder Vertriebsmitarbeiter kennzeichnet.
Der gesamte Bericht dient als Entscheidungsgrundlage — nicht als Entscheidung selbst. Der letzte Schritt obliegt immer dem Menschen.
Ausschreibungsphase, Aufgabe der KI und Human-Gate
#| Ausschreibungsphase | Aufgabe der KI | Human-Gate (wer und was genehmigt) |
|---|---|---|
| Monitoring der Portale | Klassifizierung der Bekanntmachungen nach Unternehmensprofil, Filterung unter Schwellenwert | Vertriebsmitarbeiter/PM: Übergang zur SIWZ-Analyse |
| Voranalyse der SIWZ | Extraktion: Teilnahmebedingungen, Bewertungskriterien, Fristen, Strafen | Jurist/PM: Überprüfung der als unvollständig markierten Felder |
| Bewertung der Passgenauigkeit | Vergleich der Anforderungen mit dem Unternehmensprofil, Liste der Defizite | Geschäftsführung/PM: Entscheidung über Start |
| Risikoanalyse | Erkennung risikobehafteter Klauseln (Strafen, Fristen, Optionen), Risikobewertung | Jurist: Überprüfung der High- und Critical-Risikoklauseln |
| Checklistenvorbereitung | Generierung einer Liste der für das Angebot erforderlichen Dokumente mit Fristen | Angebots-Koordinator: Vollständigkeit vor Abgabe |
| Monitoring von Änderungen | Verfolgung von SIWZ-Änderungen und Fragen/Antworten des Auftraggebers | PM: Bewertung der Auswirkungen von Änderungen auf das Angebot |
Vorbereitung der Angebotscheckliste
#Sobald die Entscheidung zum Start getroffen wurde, generiert der Agent eine Checkliste der für die Angebotsabgabe erforderlichen Dokumente: Angebotsformular, Leistungsverzeichnis, Referenznachweise (Namen, Werte, Daten), Haftpflichtversicherung, KRS/CEIDG, Personalzertifikate, Bid Bond.
Zu jedem Punkt wird eine Teilfrist (wie viele Tage vor der Abgabefrist muss dieser vorbereitet sein) und ein interner Verantwortlicher zugeordnet. Die Liste gelangt über eine Integration (z. B. n8n mit Jira oder Basecamp) in das Aufgabenmanagementsystem. Dasselbe Tool überwacht die Antworten des Auftraggebers auf Fragen zur SIWZ und aktualisiert die Checkliste, wenn der Auftraggeber Anforderungen ändert.
Mehr über die Automatisierung von Workflows mit externen Systemen finden Sie im Artikel über Integration von KI mit ERP-Systemen.
Umgang mit sensiblen Daten in diesem Pipeline
#SIWZ und Ausschreibungsdokumentation sind öffentliche Daten, hier gilt kein RODO seitens des Auftraggebers. Aber Ihre Unternehmensdokumente (Referenzen, Versicherungspolicen, Personaldaten), die durch das System laufen, sind bereits Unternehmensdaten und potenziell personenbezogene Daten.
Einige Prinzipien, die eingehalten werden müssen:
- Self-Hosting oder Auftragsverarbeitungsvertrag: Wenn das Dokument personenbezogene Daten von Mitarbeitern enthält (Lebensläufe für das Angebot, persönliche Zertifikate), erfordert die Verarbeitung durch einen externen LLM einen Auftragsverarbeitungsvertrag (Art. 28 RODO) oder ein Self-Hosted-Modell. Der Artikel über unternehmensspezifisches GPT auf Wissensbasis erklärt, wann Self-Hosting wirtschaftlich sinnvoll ist.
- PII Masking: Namen, PESEL-Nummern, Kontaktdaten in Mitarbeiterdokumenten sollten maskiert werden, bevor sie an ein Cloud-Modell gesendet werden.
- Audit-Trail: Jede generierte SIWZ-Analyse sollte mit Datum, Modellversion und dem Operator, der sie genehmigt hat, protokolliert werden. Dies ist eine Anforderung des AI Governance und eine Absicherung im Falle einer Beschwerde durch Konkurrenten.
Das Tool Agenten-Blueprint hilft dabei, eine Architektur mit der richtigen Aufgabenteilung und Protokollierung zu entwerfen.
Ausprobieren: Reasoning in Echtzeit
#FAQ
#Kann KI selbstständig ein Angebot in einer Ausschreibung abgeben?
#Nein. Die Abgabe eines Angebots ist eine rechtliche Handlung mit elektronischer Signatur und rechtlicher Verantwortung. KI-Systeme in Ausschreibungen dienen als analytische Unterstützung: Sie überwachen, extrahieren, bewerten und generieren Checklisten. Die Entscheidung zur Angebotsabgabe, das Unterzeichnen des Formulars und das Einreichen der Dokumente obliegen immer einer bevollmächtigten natürlichen Person. Human-Oversight ist hier eine unabdingbare Anforderung.
Wie hoch ist die typische Genauigkeit der Anforderungsextraktion aus SIWZ?
#Für gut formatierte PDF-Dokumente (nativ, keine Scans) beträgt die Genauigkeit der Extraktion von Schlüsselparametern 85-95%. Bei gescannten oder nicht standardisierten Dokumenten sinkt sie auf 65-80%. In jedem Fall erfordern als „unvollständig“ oder „geringe Sicherheit“ markierte Felder eine menschliche Überprüfung vor der Verwendung in der Startentscheidung.
Wie viel kostet die Implementierung eines solchen Systems?
#Die Kosten für die Implementierung einer Pipeline zum Monitoring und zur Analyse von SIWZ betragen in der Regel 15.000-60.000 PLN netto, abhängig von der Anzahl der integrierten Portale, der Komplexität des Ausschreibungsprofils und dem Grad der Integration mit bestehenden Systemen. Die jährlichen Wartungskosten (Inferenz, Vektordatenbank, Monitoring) betragen 800-3.000 PLN monatlich bei einem Volumen von 20-100 Verfahren. Der ROI-Rechner ermöglicht eine Schätzung der Rendite für Ihr Volumen.
Funktioniert das System mit der Plattform e-Zamówienia und TED?
#Die Plattform e-Zamówienia (ezamowienia.gov.pl) bietet eine REST-API mit Filtermöglichkeiten nach CPV, Auftraggebern und Veröffentlichungsdatum. TED (Tenders Electronic Daily) bietet eine OpenData-API. BZP (Biuletyn Zamówień Publicznych) erfordert das Parsen von RSS oder HTML-Seiten. Jedes Portal hat eine andere Datenstruktur, daher benötigt die Pipeline separate Adapter pro Portal — dies ist ein Standardbestandteil der Implementierung, kein Hindernis.
Wie geht KI mit Änderungen in der SIWZ nach Veröffentlichung der Bekanntmachung um?
#Auftraggeber ändern häufig die SIWZ oder veröffentlichen Antworten auf Fragen von Bietern. Der Agent überwacht Änderungen in der Dokumentation des jeweiligen Verfahrens (durch Abfrage der API oder Verfolgung der Bekanntmachungsseite) und generiert einen Diff: Was hat sich geändert, welche Punkte der Checkliste sind betroffen und ob die Änderung die Startentscheidung beeinflusst. Der PM oder Angebots-Koordinator erhält einen Alert mit einer Beschreibung der Änderung und der Empfehlung zur Überprüfung. Die Entscheidung zur Aktualisierung des Angebots obliegt dem Menschen. Weitere Muster zur Handhabung von Änderungen finden Sie im Artikel über Klassifizierung und Routing von KI-Anfragen.