Eine Ausschreibung mit 400 Seiten landet auf dem Tisch. Die Frist läuft. Drei Personen brauchen zwei Wochen, um alles zu lesen, die relevanten Anforderungen herauszufiltern und eine Entscheidung vorzubereiten. In der Zwischenzeit liegen die anderen Ausschreibungen unbearbeitet.
Dieses Problem lässt sich lösen, aber nicht, indem man die 400 Seiten in ein KI-Tool kopiert und auf eine Zusammenfassung hofft. Sondern mit einem mehrstufigen Analyseprozess, der dem Vorgehen eines erfahrenen Fachexperten entspricht: erst die Masse filtern, dann die relevanten Stellen vertiefen, dann die Ergebnisse strukturiert aufbereiten.
Der Unterschied: Lesen ist nicht Verstehen
Was die meisten KI-Tools machen: Sie lesen ein Dokument und fassen es zusammen. Das ist nützlich, aber es löst das eigentliche Problem nicht. Denn der Wert liegt nicht darin, 400 Seiten in zwei Seiten zu komprimieren. Er liegt darin, aus 400 Seiten Fließtext konkrete Handlungsanweisungen zu extrahieren: Welche Anforderungen müssen erfüllt werden? Welche Fristen laufen? Welche versteckten Bedingungen stehen im Anhang auf Seite 380?
Das erfordert Strukturierung, nicht Zusammenfassung. Aus unstrukturiertem Text werden Pflichten, Fristen, Zuständigkeiten und Bewertungen. Das ist der eigentliche technologische Durchbruch: nicht das Lesen, sondern das Umwandeln von Fließtext in handlungsrelevante Daten.
Mehrstufig statt brute-force
Ein Fachexperte liest keine 400 Seiten linear. Er überfliegt die Gliederung, identifiziert die relevanten Abschnitte, liest diese genau und zieht Querverweise zu anderen Dokumenten. Genau so arbeitet eine gut konfigurierte KI-Analyse:
Stufe 1: Filtern. Die Grundgesamtheit wird gegen das eigene Portfolio oder Anforderungsprofil abgeglichen. Von 80 eingehenden Ausschreibungen pro Woche bleiben nach dem ersten Filter vielleicht fünf übrig, die wirklich passen. Die anderen 75 werden mit einer kurzen Begründung aussortiert. Das spart die Zeit, die bisher für das manuelle Sichten aufgewendet wurde.
Stufe 2: Analysieren. Die relevanten Dokumente werden im Detail durchgearbeitet. Die KI identifiziert Positionen, Anforderungen, Fristen und versteckte Bedingungen. Nicht nur in der offensichtlichen Gliederung, sondern auch in Anhängen, Fußnoten und Querverweisen zwischen Dokumenten. Gerade diese versteckten Anforderungen sind es, die in der manuellen Bearbeitung übersehen werden, weil niemand 400 Seiten Zeile für Zeile liest.
Stufe 3: Strukturieren. Das Ergebnis ist kein Fließtext, sondern eine strukturierte Aufbereitung: eine Bewertung (passt/passt nicht), eine Zusammenfassung der Kernpunkte, eine Liste der offenen Anforderungen. In einem Format, das ein Entscheider in wenigen Minuten erfassen kann.
Mit diesem Ansatz hat ein Unternehmen seine Positionserkennung bei Leistungsverzeichnissen von anfänglich 20 Prozent auf über 85 Prozent gesteigert. Nicht durch ein besseres Modell, sondern durch die richtige Zerlegung des Problems in Teilschritte.
Die KI muss nicht perfekt sein
Ein häufiges Missverständnis: Die KI muss 100 Prozent erreichen, bevor man sie einsetzt. In der Praxis zeigt sich das Gegenteil. Die Fachleute, die mit diesen Systemen arbeiten, sagen: "Wenn das Scoring nicht super perfekt ist, hätte ich kein Problem damit. Wichtig ist, dass die Vorselektion stimmt."
80 Prozent Genauigkeit bei der Vorselektion bedeutet: Von 100 relevanten Positionen findet die KI 80 korrekt. Die restlichen 20 werden vom Fachexperten manuell ergänzt. Das ist immer noch ein Bruchteil des Aufwands, der vorher für die komplette manuelle Bearbeitung nötig war.
Ob die KI gerade bei 80 oder bei 90 Prozent liegt, lässt sich objektiv messen. Für jeden Dokumententyp wird ein Referenzdatensatz angelegt, bei dem das richtige Ergebnis bekannt ist. Darauf wird die Genauigkeit gemessen und transparent kommuniziert. Keine Versprechen, sondern Messwerte.
Wo die Genauigkeit nicht ausreicht, liegt es erfahrungsgemäß selten an der KI selbst. In der überwiegenden Mehrheit der Fälle liegt es an den Quellen: schlechte Formatierung, fehlende Metadaten, kopiergeschützte PDFs, inkonsistente Dokumentstrukturen. Die Qualität der Eingabe bestimmt die Qualität des Ergebnisses.
Nicht nur einmalige Analyse: auch laufendes Monitoring
Neben der einmaligen Analyse einzelner Dokumente gibt es einen zweiten Anwendungsfall: die dauerhafte Überwachung von Dokumentenströmen.
Ein Unternehmen lässt täglich alle neuen öffentlichen Ausschreibungen automatisch herunterladen, bewerten und priorisieren. Die relevanten Ausschreibungen landen mit einer Kurzbewertung im Posteingang des Vertriebsteams. Statt zwei Wochen Bearbeitungszeit vergehen Minuten.
Ein anderes Unternehmen überwacht tausende Rechtsdokumente auf Änderungen: neue Gesetze, aufgehobene Verordnungen, nationale Umsetzungen von EU-Richtlinien. Monatliche Berichte zeigen, was sich geändert hat und was das für die eigenen Pflichten bedeutet.
Einmalige Analyse und laufendes Monitoring sind zwei parallele Angebote, keine Entweder-oder-Entscheidung. Derselbe Kunde kann beide Bedürfnisse haben.
Was die KI braucht, um zu funktionieren
Drei Voraussetzungen entscheiden über das Ergebnis:
Einen Fachexperten, der die Weichen stellt. Die KI kann nicht allein entscheiden, was "relevant" bedeutet. Ein Fachexperte definiert die Kriterien: Welche Ausschreibungen passen zu unserem Portfolio? Welche Anforderungen sind Pflicht, welche optional? Diese Weichenstellung passiert einmal am Anfang und wird dann von der KI auf tausende Dokumente angewandt.
Repräsentative Beispieldaten. Zehn bis zwanzig Dokumente, bei denen das richtige Ergebnis bekannt ist. Daraus entsteht der Referenzdatensatz, an dem die KI kalibriert und gemessen wird. Nicht hunderte, nicht tausende. Ein überschaubarer Satz, der die typischen Fälle abdeckt.
Zugriff auf die Dokumente. Die Dokumente müssen maschinell lesbar sein. Bei gut strukturierten digitalen Dokumenten ist das trivial. Bei eingescannten PDFs, kopiergeschützten Dateien oder handschriftlichen Notizen wird es aufwändiger, aber auch dafür gibt es Lösungen.
Wichtig: Wo Dokumente gut strukturiert sind (standardisierte Formulare, XML-Formate), setzen wir regelbasierte Extraktion ein, nicht KI. KI kommt dort zum Einsatz, wo die Dokumente unstrukturiert, inkonsistent oder fragmentiert sind. Die beiden Ansätze ergänzen sich.
Was das in der Praxis verändert
Die Zeitersparnis ist real, aber sie ist nur der offensichtlichste Effekt. Was sich darüber hinaus verändert:
Nichts wird mehr übersehen. Versteckte Anforderungen auf Seite 380, ein Appendix mit abweichenden Bedingungen, eine Frist im Fließtext statt in der Übersichtstabelle. Die KI sucht systematisch, nicht selektiv.
Entscheidungen werden schneller. Wenn ein Entscheider statt eines 400-Seiten-Dokuments eine zweiseitige strukturierte Bewertung mit einer klaren Empfehlung bekommt, sinkt die Durchlaufzeit von Tagen auf Stunden.
Kapazität wächst ohne Kopfzahl. Ob 10 oder 80 Ausschreibungen pro Woche eingehen: Der Aufwand skaliert nicht mehr linear mit der Menge. Das Team arbeitet an den relevanten Fällen, nicht an der Vorsortierung.