KI im Angebotsprozess: Wo sie heute schon funktioniert und wo die Grenzen liegen

Einleitung

Kaum ein Thema wird in der industriellen Beschaffung derzeit kontroverser diskutiert als der Einsatz von KI in der Angebotsbearbeitung. Die Versprechen sind groß: automatische Anforderungsextraktion, intelligente Klassifizierung, Normen-Erkennung auf Knopfdruck. Die Realität ist, wie so oft, differenzierter.

Dieser Artikel gibt einen nüchternen Überblick über den Stand der Technik, zeigt wo KI heute bereits messbaren Mehrwert liefert, benennt die Grenzen ehrlich und ordnet die Entwicklung in den Kontext der Bahnindustrie ein. Keine Hype-Prosa, sondern eine sachliche Bestandsaufnahme für Angebotsmanager, die wissen wollen, was funktioniert und was (noch) nicht.

Die vier Anwendungsfelder im Überblick

KI im Angebotsprozess lässt sich in vier klar abgrenzbare Anwendungsfelder unterteilen, die jeweils unterschiedliche Reifegrade haben:

Anforderungsextraktion: Der reifste Anwendungsfall

Die automatische Extraktion von Anforderungen aus unstrukturierten Dokumenten ist derzeit der am weitesten entwickelte KI-Anwendungsfall im Angebotsprozess. Das Problem ist klar definiert: Ein Lastenheft liegt als PDF oder Word-Dokument vor, die Anforderungen müssen als strukturierte Datensätze (ID, Text, Normenreferenz, Verbindlichkeit) in ein Anforderungsmanagement-System übernommen werden.

Siemens hat 2025 in Polarion KI-Funktionen für die Angebotsbearbeitung integriert. Die KI-Schicht analysiert eingehende Ausschreibungsdokumente (RFQs, Lastenhefte) und extrahiert Anforderungen automatisch, ohne manuelle Eingabe. Laut Siemens soll dies die Analysezeit „von Wochen auf Stunden" reduzieren.

In einem separaten Blogbeitrag beziffert Siemens den Effizienzgewinn auf „bis zu 25 %". Hier ist allerdings Vorsicht geboten: Die Zahl stammt aus dem Energiesektor und bezieht sich auf den Gesamtprozess, nicht spezifisch auf die Bahnindustrie. Ob vergleichbare Gewinne in der deutlich normenintensiveren Bahnindustrie erreichbar sind, bleibt abzuwarten.

semantha: KI für die Anforderungsbewertung in Polarion

Neben den nativen KI-Funktionen bietet semantha eine spezialisierte Erweiterung für Polarion, die sich auf die KI-gestützte Anforderungsbewertung konzentriert. semantha analysiert Anforderungen semantisch und kann bestehende Anforderungsdatenbanken durchsuchen, um ähnliche Anforderungen aus früheren Projekten zu finden. Ein Ansatz, der besonders für wiederkehrende Lastenhefte in der Bahnindustrie relevant ist, wo viele Anforderungen zwischen Ausschreibungen ähnlich formuliert sind.

Klassifizierungsunterstützung: Vielversprechend, aber kein Autopilot

Die automatische Klassifizierung von Anforderungen (OK, OKB, NOK, OKM, R) ist ein naheliegender KI-Anwendungsfall. Die Logik: Wenn ein Unternehmen tausende bereits klassifizierte Anforderungen aus früheren Projekten hat, kann ein Machine-Learning-Modell lernen, ähnliche Anforderungen ähnlich zu klassifizieren.

In der Praxis ist der effektivste Ansatz ein assistiertes System: Die KI schlägt eine Erstklassifizierung vor (inkl. Konfidenzwert), der Fachexperte prüft und korrigiert. Für eindeutige Fälle (hohes Konfidenz) spart das erheblich Zeit. Für Grenzfälle (niedriges Konfidenz) weist das System den Experten explizit auf den Prüfbedarf hin.

Normen-Erkennung: Hoher Automatisierungsgrad möglich

Die automatische Erkennung von Normenreferenzen in Freitext ist ein Anwendungsfall, bei dem KI bereits heute zuverlässig arbeitet. Die Aufgabe ist klar definiert: In einem Text wie „Die Brandschutzanforderungen nach DIN EN 45545-2:2020 in der Gefahrenkategorie HL3 sind einzuhalten" müssen die Referenzen DIN EN 45545-2:2020 und HL3 erkannt und klassifiziert werden.

Geschätzte Erkennungsrate von KI-Systemen nach Referenztyp (qualitative Einschätzung, nicht auf einer spezifischen Studie basierend).

Die Herausforderung liegt weniger in der Erkennung selbst als in der Nachverarbeitung: Ist die erkannte Norm aktuell? Gibt es eine neuere Fassung? Referenziert die Norm weitere Normen, die implizit gelten? Diese Querverweisanalyse erfordert eine aktuelle Normen-Datenbank. Ein Thema, das in unserem Artikel Normen-Compliance in Ausschreibungen vertieft wird.

Experten-Routing: KI als Vorschlagssystem

Die automatische Zuordnung von Anforderungen zu Fachabteilungen ist ein Anwendungsfall, der stark von der Qualität der historischen Daten abhängt. Unternehmen, die ihre Zuweisungen in früheren Projekten sauber dokumentiert haben, können ein Modell trainieren, das für neue Anforderungen Zuweisungsvorschläge generiert.

Wie in unserem Artikel Experten-Routing bei Ausschreibungen beschrieben, funktioniert das für klar zuordenbare Anforderungen gut (Brandschutz → Brandschutzteam), stößt aber bei Querschnittsanforderungen an Grenzen. Der effektivste Ansatz bleibt: KI schlägt vor, Mensch prüft und korrigiert.

Die ehrlichen Grenzen: Was KI (noch) nicht kann

Neben den anwendungsfeldspezifischen Grenzen gibt es fundamentale Einschränkungen, die Angebotsmanager kennen sollten:

1. Projektkontext fehlt

Ein KI-System kennt das spezifische Fahrzeugkonzept nicht. Es weiß nicht, dass der Kunde einen Niederflur-BEMU mit 160 km/h Höchstgeschwindigkeit fordert und das eigene Unternehmen bisher nur 140-km/h-Plattformen hat. Die Klassifizierung „OKM: mit Anpassung des Antriebsstrangs" erfordert Ingenieurswissen, das kein Sprachmodell hat.

2. Haftung und Nachweisbarkeit

Jede Klassifizierung im Angebot ist eine verbindliche Zusage. Wenn ein KI-System eine Anforderung als „OK" vorschlägt und der Fachexperte den Vorschlag ungeprüft übernimmt, haftet im Streitfall das Unternehmen, nicht der Algorithmus. Die ISO 22163:2023 fordert vollständige Rückverfolgbarkeit: Wer hat welche Entscheidung auf welcher Basis getroffen? „Die KI hat vorgeschlagen" ist kein akzeptabler Nachweis.

3. Vertraulichkeit und Datenschutz

Lastenhefte sind vertrauliche Dokumente. Sie enthalten Details über geplante Verkehrsinfrastruktur, technische Spezifikationen und kommerzielle Rahmenbedingungen. Die Verarbeitung durch cloud-basierte KI-Systeme (insbesondere LLMs wie GPT-4 oder Claude) wirft berechtigte Fragen auf:

• Werden die Daten für das Training des Modells verwendet?
• Wo werden die Daten verarbeitet und gespeichert (DSGVO-Konformität)?
• Kann der Besteller die Weitergabe seiner Dokumente an Drittanbieter untersagen?

4. Halluzinationsrisiko

Generative KI-Modelle können plausibel klingende, aber inhaltlich falsche Aussagen produzieren, ein Phänomen, das als „Halluzination" bekannt ist. Im Angebotskontext wäre das fatal: Ein KI-System, das eine nicht existierende Norm referenziert oder eine falsche Compliance-Bewertung vorschlägt, kann zu fehlerhaften Angeboten führen. Deshalb ist menschliche Prüfung bei KI-Vorschlägen nicht optional, sondern zwingend erforderlich.

Praxis-Architektur: KI im Angebotsprozess einbetten

Die effektivste Integration von KI in den Angebotsprozess folgt dem Muster „KI schlägt vor, Mensch entscheidet". Plattformen wie Tendric setzen genau auf diese Architektur:

Marktüberblick: Was es gibt

Die Werkzeuglandschaft für KI in der Angebotsbearbeitung lässt sich grob in drei Kategorien einteilen:

1. Integrierte KI in ALM-Systemen

Siemens Polarion hat seit 2025 native KI-Funktionen integriert. Die Funktionalität umfasst Anforderungsextraktion aus Ausschreibungsdokumenten, semantische Analyse und Verknüpfung mit bestehenden Datenbanken. Hitachi Rail hat Polarion bereits in seine Projektworkflows integriert.

2. KI-Erweiterungen für bestehende Systeme

semantha ist ein Beispiel für eine spezialisierte KI-Erweiterung, die sich in bestehende Polarion-Installationen einklinkt. Der Vorteil: Unternehmen können KI-Funktionalität inkrementell hinzufügen, ohne ihr bestehendes ALM-System zu ersetzen.

3. Spezialisierte Plattformen

Neben den großen ALM-Anbietern entstehen spezialisierte Plattformen, die sich auf die KI-gestützte Angebotsbearbeitung fokussieren, mit niedrigerer Einstiegshürde als Polarion oder DOORS, aber gezielter Unterstützung für Extraktion, Klassifizierung und Pflichtenheft-Export. Tendric ist ein Beispiel für diesen Ansatz: Die Plattform kombiniert KI-gestützte Anforderungsextraktion mit strukturierter Klassifizierung und Experten-Routing, ohne den Overhead eines vollständigen ALM-Systems. Solche Werkzeuge adressieren insbesondere mittelständische Zulieferer, für die Polarion oder DOORS überdimensioniert ist.

Einführungsstrategie: Wie Unternehmen starten

Unternehmen, die KI in ihren Angebotsprozess einführen wollen, profitieren von einem schrittweisen Ansatz:

Empfohlene Einführungsreihenfolge nach Reifegrad und Risiko (eigene Einschätzung).

Phase 1 (Extraktion) bietet den schnellsten ROI bei geringstem Risiko: Das Ergebnis ist eine strukturierte Anforderungsliste, die von Menschen geprüft wird, bevor irgendeine Bewertung stattfindet. Spezialisierte Plattformen wie Tendric ermöglichen diesen schrittweisen Einstieg, ohne eine vollständige ALM-Migration vorauszusetzen. Phase 3–5 erfordern unternehmenseigene Trainingsdaten (historische Klassifizierungen, Zuweisungen) und sind daher aufwendiger in der Einführung.

Fazit

KI im Angebotsprozess ist kein Allheilmittel und kein Hype, es ist ein Werkzeug mit klaren Stärken und ebenso klaren Grenzen. Die Anforderungsextraktion und Normen-Erkennung sind heute reif für den produktiven Einsatz. Die Klassifizierungsunterstützung ist vielversprechend, aber kein Autopilot. Die finale Bewertung, die kommerzielle Entscheidung und die Haftung bleiben beim Menschen.

Für Angebotsmanager in der Bahnindustrie lautet die entscheidende Frage nicht „Soll ich KI einsetzen?", sondern „Wo setze ich KI ein, und wo ausdrücklich nicht?"