KI-Angebotsentwurf im Bau
Ein Schweizer Bauunternehmen mit Schwerpunkt Sanierung wollte die Angebotsphase verkürzen, ohne dabei Qualität zu verlieren. Wir haben einen KI-Assistenten gebaut, der eingehende Ausschreibungen — PDFs und E-Mails — auswertet, den Umfang extrahiert, mit Referenzprojekten und Katalogpreisen abgleicht und einen strukturierten Angebotsentwurf erzeugt, der vom Projektleiter nur noch geprüft und finalisiert werden muss.
Ausgangslage
Das Unternehmen ist auf Sanierungen im Wohnungs- und Gewerbebereich spezialisiert, beschäftigt rund vierzig Mitarbeitende und arbeitet im Großraum Zürich und Zug. Die Auftragslage ist gut, aber die Angebotsphase wurde zum Engpass. Ausschreibungen kommen in sehr unterschiedlichen Formen — von strukturierten Leistungsverzeichnissen im NPK-Format bis hin zu freien Beschreibungen in E-Mails. Ein Projektleiter brauchte für ein durchschnittliches Sanierungsangebot zwei bis drei Tage: das Dokument lesen, die Leistungen zerlegen, mit ähnlichen Projekten der letzten Jahre abgleichen, Materialpreise aus dem Katalog ziehen, einen ersten Entwurf in Excel schreiben, dann mit dem Kalkulator besprechen. Bei steigender Anfragezahl bedeutete das, dass kleinere und mittlere Anfragen oft erst Wochen später ein Angebot bekamen — und manche Anfrage ganz unter den Tisch fiel.
Lösung
Wir haben eine Pipeline gebaut, die Ausschreibungen aus dem Posteingang abholt, mittels Claude Vision aus PDFs und E-Mail-Anhängen einen strukturierten Leistungsumfang extrahiert (Räume, Gewerke, Mengen, Bauteile) und diesen gegen drei Datenquellen abgleicht: eine PostgreSQL-Datenbank mit den abgeschlossenen Projekten der letzten fünf Jahre, den aktuellen Materialkatalog des Hauses und die hinterlegten Stundensätze pro Gewerk. Die Vergleichslogik nutzt eine Vektor-Suche in Qdrant über die Projekt-Historie, um ähnliche Sanierungen zu finden, und liefert sie als Referenzpunkte mit. Der Agent erstellt daraus einen Angebotsentwurf im hauseigenen Excel-Template, inklusive begründeter Positionen und expliziter Markierung der Unsicherheiten — also der Stellen, an denen er sich nicht sicher ist und der Projektleiter unbedingt prüfen muss. Die Orchestrierung läuft in Langflow, der Datentransfer in n8n, die Datenhaltung in PostgreSQL auf einer Hetzner-Maschine in Frankfurt. Schweizer Datenschutz-Anforderungen werden durch klare Datenresidenz in der EU plus SCCs erfüllt; eine Schweiz-On-Premise-Variante ist auf Wunsch verfügbar.
Ergebnis
Die Erstellungszeit für einen Angebotsentwurf ist von zwei bis drei Arbeitstagen auf rund vier Stunden gesunken — wobei diese vier Stunden ganz überwiegend Projektleiter-Prüfzeit sind, nicht Tipparbeit. Das Unternehmen kann heute fast jede Anfrage innerhalb einer Woche beantworten, statt nur zwei Drittel davon. Die Abschlussquote auf die Angebote hat sich im ersten halben Jahr leicht erhöht, was wir vorsichtig mit der schnelleren Reaktionszeit erklären — Kunden, die ihr Angebot zuerst bekommen, schließen häufiger ab. Wichtiger als die Quote ist aber, dass die Projektleiter weniger Zeit in Routineaufbereitung stecken und mehr in tatsächliche Projektplanung.
Was wir daraus gelernt haben
Zwei Dinge waren zentral. Erstens: Die Versuchung, einen "vollständigen" Angebotsentwurf liefern zu wollen, ist groß — und falsch. In der ersten Version produzierte der Agent Angebote, die optisch fertig wirkten, in denen aber die Unsicherheit unsichtbar verborgen war. Die Projektleiter prüften zu oberflächlich und unterzeichneten Angebote mit Fehlern. Wir mussten den Agenten umbauen: Er muss seine Unsicherheit explizit ausweisen — gelb markierte Positionen, ein expliziter Prüf-Block am Ende mit den Stellen, die er nicht selbstständig entscheiden konnte. Diese ehrliche Unschärfe hat das Vertrauen der Projektleiter erst aufgebaut. Zweitens: Die Vektor-Suche über Referenzprojekte war anfangs zu breit. Wir haben gelernt, dass ein Projektleiter nicht "irgendein ähnliches Projekt" sehen will, sondern eines, das in Volumen, Region und Bauteil-Mix wirklich vergleichbar ist. Wir haben eine Filterstufe vor der Vektor-Suche eingezogen, die mechanische Filter (PLZ-Region, Auftragsvolumen-Bereich) anwendet und erst dann semantische Ähnlichkeit sucht — danach wurden die Vorschläge brauchbar.
Ähnliches Problem?
Schreiben Sie uns kurz, wir antworten innerhalb eines Werktages.
Projekt anfragen