Generative KI macht Tender-Antworten messbar schneller, aber nicht in jedem Bereich. Sieben ehrliche Grenzen und drei Bereiche, in denen sie liefert.
Generative KI wirkt im Tender-Prozess. Teams, die sie diszipliniert einsetzen, berichten von 60 bis 70 Prozent kürzerer Erstentwurfszeit. Aber: KI scheitert dort, wo sie ohne Kontext arbeitet, wo sie ohne Quellennachweis antwortet, und wo sie ohne menschliche Freigabe in die Submission geht. Dieser Beitrag trennt die drei Bereiche, in denen KI wirklich liefert, von den sieben Aufgaben, bei denen sie überschätzt wird.
**1. Anforderungsextraktion aus Tender-Dokumenten.** Ein 80-seitiges Pflichtenheft auf 200 Anforderungen reduziert: das war früher ein halbes Bid-Manager-Tag. KI mit Domänen-Tuning erledigt das in 5 Minuten und macht 95 Prozent davon richtig. Die fehlenden 5 Prozent betreffen typischerweise implizite Anforderungen, die zwischen den Zeilen stehen. Hier braucht es Lesegenauigkeit, die nur ein Mensch hat.
**2. Erstentwürfe aus der Knowledge-Library.** Wenn die Antwort auf eine Anforderung in irgendeiner Form schon einmal geschrieben wurde, kann eine RAG-Pipeline (Retrieval-Augmented Generation) sie in Sekunden zusammenstellen, sprachlich anpassen und kontextualisieren. Effekt: 60 bis 70 Prozent der Antwortlänge ist als Erstentwurf da, bevor der Bid Manager den Cursor in das Editor-Feld setzt.
**3. Konsistenz-Check über lange Submissionen.** Bei 300 Antwortfeldern in einem grossen Tender weicht der Sprachton typischerweise zwischen Seite 1 und Seite 80 sichtbar ab. KI prüft Tonalität, Terminologie und Aussagenkonsistenz besser als ein müdes menschliches Auge. Effekt: weniger Korrekturschlaufen, kohärente Submission ohne stilistische Bruchstellen.
**1. Compliance-Antworten ohne Quellennachweis.** Ein generisches LLM erfindet plausibel klingende Aussagen über Ihre [revDSG](/ressourcen/leitfaeden/tender-compliance-schweiz-boeb-ivoeb-revdsg)-Compliance, das Verarbeitungsverzeichnis oder Ihre Zertifizierungen. Das ist Halluzination im Reinformat und im Audit gefährlich.
**2. Strategische Tender-Bewertung.** "Sollten wir auf diesen Tender bieten?" ist keine Frage, die ein Sprachmodell sinnvoll beantwortet. Sie braucht Kenntnis der Pipeline, der Konkurrenz, der internen Auslastung. Tools können aggregieren, aber nicht entscheiden.
**3. Differenzierte USP-Formulierung.** "Was macht uns einzigartig?" produziert in jedem generischen LLM den gleichen Brei aus "marktführend", "innovativ", "kundenzentriert". Was Sie wirklich differenziert, weiss nur Ihr Sales-Team.
**4. Beziehungsspezifische Anpassung.** Wenn Sie wissen, dass der Auftraggeber den letzten Tender mit Ihrer Konkurrenz hatte und unzufrieden war, ist das ein zentraler Hebel. Ein LLM weiss das nicht.
**5. Kommerzielle Argumentation.** Preisstrategien, Rabattlogik, Verhandlungsspielräume sind ein menschliches Spielfeld. KI kann Berechnungen prüfen, aber nicht "knapp dranbleiben" entscheiden.
**6. Kulturelle Nuancen.** Eine Schweizer Behörde liest Tender-Antworten anders als ein amerikanischer Konzern. Generische LLMs wurden überwiegend auf US-Daten trainiert. Sie produzieren oft einen Tonfall, der formal korrekt, aber für Schweizer Auftraggeber zu pushy klingt.
**7. Antworten zu nicht-existierenden Fähigkeiten.** Wenn Sie eine Fähigkeit nicht haben, kann KI sie nicht herbeischreiben, ohne zu lügen. Die Versuchung ist gross. Hier braucht es Disziplin, nicht Software.
Drei Architekturentscheidungen unterscheiden eine echte Tender-AI von einem ChatGPT-Wrapper:
**Mandantenisolierte Knowledge-Base.** Ihre Inhalte landen in keinem geteilten Modell, keinem Trainingsdatensatz, keiner Index-Suche, die andere Mandanten sehen. Tendaro speichert Knowledge in einem isolierten Tenant pro Kunde.
**Quellenzwang per Default.** Jede generierte Antwort referenziert mindestens einen Knowledge-Library-Eintrag als Quelle. Wenn die Library keinen passenden Eintrag enthält, schlägt die KI keine Antwort vor, sondern markiert die Anforderung für manuelle Bearbeitung. Halluzinationen werden so strukturell verhindert, nicht nur statistisch unwahrscheinlich gemacht.
**Audit-Trail für jede Generation.** Eingabe-Prompt, verwendetes Modell, Quellennachweis, Zeitstempel, freigebender Mensch. Im Compliance-Fragebogen ist das das Material, das die Frage "wie stellen Sie KI-Verantwortlichkeit sicher?" beantwortet.
Die [EU AI Act](https://digital-strategy.ec.europa.eu/de/policies/regulatory-framework-ai)-Klassifizierung kategorisiert KI-Systeme nach Risiko. Tender-Bearbeitung als interner Prozess landet typisch in der "limited risk"-Kategorie, was Transparenzpflichten auslöst. Was im Klartext heisst: Sie müssen dokumentieren, dass und wie Sie KI einsetzen.
Für Schweizer Tender, die nicht direkt unter EU AI Act fallen, gilt parallel die Praxis der [Eidgenössischen Datenschutzbehörde](https://www.edoeb.admin.ch/) zur revDSG-Compliance. Auftragsverarbeitungsverträge mit AI-Anbietern, Verarbeitungsverzeichnisse, Datenflussdokumentation: alles wirksam, alles überprüfbar.
Der oft zitierte "70 %"-Effekt bezieht sich auf den Erstentwurf, nicht auf den gesamten Tender-Prozess. Eine ehrliche Aufteilung über den vollständigen Bid-Lifecycle:
Gewichtet über den ganzen Lifecycle landen die meisten Teams bei 25 bis 35 % Gesamtzeitersparnis. Das ist immer noch erheblich. Es ist aber nicht "70 % schneller", was Verkaufs-Decks gerne suggerieren.
**KI ist kein Schreibassistent. Sie ist ein Knowledge-Retrieval-System mit Sprach-Interface.** Der Hebel liegt in Ihrer Knowledge-Library, nicht im Modell. Eine schlechte Library mit dem besten LLM produziert schöne Halluzinationen. Eine gute Library mit einem soliden Mittelklasse-Modell produziert Tender-Antworten, die der Bid Manager nur noch verfeinert. Wer in KI investiert, ohne in die Library zu investieren, kauft die teure Hälfte des Problems.
Nein. Kundendaten werden bei Tendaro nicht zum Training von Modellen verwendet. Jeder Mandant hat eine isolierte Knowledge-Base, die ausschliesslich für Retrieval-Augmented Generation (RAG) im Kontext dieses Mandanten genutzt wird.
Generische LLMs ja. Ein RAG-System mit Quellenzwang reduziert Halluzinationen drastisch, eliminiert sie aber nicht vollständig. Kritische Compliance-Antworten gehören immer durch den Human-in-the-loop, bevor sie im Tender landen.
Bei einem auditierbaren System ja. Jede AI-Antwort hinterlegt, welche Knowledge-Library-Einträge als Quelle gedient haben, welches Modell die Antwort generiert hat, und wer sie wann freigegeben hat. Tendaro führt diesen Audit-Trail standardmässig.
Custom GPTs greifen auf einzelne Dateien zu, ohne Versionshistorie, ohne Mandantenisolation und ohne strukturierten Audit-Trail. Eine Tender-AI baut auf einer kuratierten, versionierten Knowledge-Library mit Owner-Zuweisung und Reviewzyklen. Das ist der Unterschied zwischen Prototyp und Produktivsystem.