Von Keyword zu Kontext: Wie KI die Ausschreibungssuche verändert
Sie suchen nach "Objektplanung Schule" und verpassen die Ausschreibung für "Entwurfsplanung Bildungseinrichtung". Inhaltlich identisch, sprachlich verschieden. Diese Diskrepanz kostet Architektur und Ingenieurbüros täglich lukrative Aufträge. Der Grund: Klassische Suchsysteme verstehen Worte, aber nicht deren Bedeutung.
Das fundamentale Problem: Keyword Blindheit
Traditionelle Ausschreibungsportale arbeiten mit exaktem Textabgleich. Sie durchsuchen Metadaten wie:
- CPV Codes (Klassifizierung öffentlicher Aufträge)
- Ausschreibungstitel
- Schlagwörter der Vergabestelle
Was sie nicht durchsuchen: den eigentlichen Inhalt der Vergabeunterlagen. Die GAEB Dateien, die technischen Spezifikationen, die Leistungsbeschreibungen, all das bleibt eine Black Box.
Eine Ausschreibung für "Sanierung kommunaler Verwaltungsgebäude" erscheint daher nicht bei der Suche nach "Modernisierung Rathaus", obwohl beides dasselbe Projekt beschreiben könnte.
Der Unterschied: Semantische Suche
Künstliche Intelligenz arbeitet anders. Statt Zeichenketten zu vergleichen, analysiert sie Bedeutungen. Der technische Begriff dafür ist "semantische Suche" oder "Natural Language Processing" (NLP).
So funktioniert es
Im ersten Schritt, dem sogenannten Embedding, wandelt die KI jeden Text in einen Vektor um. Das ist eine Zahlenreihe, die die Bedeutung repräsentiert. "Schule" und "Bildungseinrichtung" haben ähnliche Vektoren, obwohl die Buchstaben völlig verschieden sind.
Anschließend folgt die Vector Search: Bei einer Suchanfrage wird diese ebenfalls vektorisiert. Das System findet alle Dokumente mit ähnlichen Bedeutungsvektoren, unabhängig vom exakten Wortlaut.
Zuletzt werden die Ergebnisse nach semantischer Nähe sortiert. Je ähnlicher die Bedeutung, desto höher das Ranking.
Deep Content Analysis: Was wirklich durchsucht wird
Der Unterschied liegt nicht nur in der Suchtechnologie, sondern vor allem darin, was durchsucht wird. Klassische Portale scannen nur Metadaten. KI Plattformen wie Tender Zen gehen tiefer.
GAEB Dateien aufbrechen
Das Leistungsverzeichnis enthält die technischen Details eines Projekts. Hier steht, welche Materialien verbaut, welche Normen eingehalten werden müssen. Eine KI, die GAEB analysiert, erkennt etwa: "Diese Ausschreibung enthält Positionen für Wärmedämmverbundsysteme" – relevant für Fassadenbauer, auch wenn das Wort "Fassade" nirgends auftaucht.
PDF Dokumente indexieren
Anlagen, technische Spezifikationen, Planunterlagen – all das wird extrahiert und durchsuchbar gemacht.
Kontextverständnis
Die KI erkennt Zusammenhänge. Wenn im Titel "Erweiterung Grundschule" steht und im GAEB LV "Brandschutztüren T30" auftaucht, versteht sie: Hier braucht jemand einen Spezialisten für Brandschutz in Schulgebäuden.
Praxisbeispiel: Suche nach versteckten Chancen
Ein Ingenieurbüro für Tragwerksplanung sucht nach neuen Projekten. Die klassische Suche:
"Tragwerksplanung" → 47 Treffer
Die semantische Suche mit Deep Content Analysis:
"Tragwerksplanung" → 128 Treffer
Der Unterschied: 81 Ausschreibungen, die nicht explizit "Tragwerksplanung" im Titel tragen, aber im Leistungsverzeichnis entsprechende Positionen enthalten. Darunter:
- "Neubau Sporthalle" (mit LP 1 bis 4 Tragwerk im LV)
- "Sanierung Brückenbauwerk" (strukturell relevant)
- "Erweiterung Produktionshalle" (Stahlbau Positionen)
In diesem Beispiel aus unserer Plattform: fast 3x mehr relevante Ausschreibungen, ohne dass das Büro seine Suchbegriffe ändern musste.
Warum GAEB Analyse wichtig ist
Der GAEB Standard ist das zentrale Austauschformat im deutschen Bauwesen. Er enthält, was tatsächlich gebaut werden soll – nicht nur, was der Ausschreibungstitel suggeriert.
Für KI Systeme bietet GAEB strukturierte Daten:
| Information | Nutzen für Bieter |
|---|---|
| Positionstexte | Welche Leistungen werden gefordert? |
| Mengen und Einheiten | Wie groß ist das Projekt? |
| Vorbemerkungen | Welche besonderen Anforderungen gelten? |
| Ordnungszahlen | Wie ist das Projekt gegliedert? |
Eine semantische Suche, die GAEB analysiert, kann Fragen beantworten wie:
- "Zeige mir alle Ausschreibungen mit Positionen für KNX Verkabelung"
- "Finde Projekte, die WDVS mit mineralischer Dämmung fordern"
- "Welche aktuellen Ausschreibungen enthalten HOAI Leistungsphasen 5 bis 8?"
Zeitersparnis in der Praxis
In mittelgroßen Planungsbüros fließen erfahrungsgemäß 15 bis 20 Stunden pro Woche in die Ausschreibungssuche und Erstqualifizierung. Der Großteil dieser Zeit geht für drei Tätigkeiten drauf:
- Dutzende Portale einzeln durchsuchen
- Irrelevante Treffer aussortieren
- PDFs und GAEB Dateien manuell sichten
KI gestützte Plattformen mit Deep Content Analysis können diesen Aufwand um 60 bis 70 Prozent reduzieren – eine Größenordnung, die auch Branchenstudien zur KI-Automatisierung im Procurement bestätigen. Statt 20 Stunden: 7 Stunden. Die gewonnene Zeit fließt in die eigentliche Angebotsbearbeitung.
Semantische Suche im Vergleich
| Merkmal | Klassisches Portal | KI mit Deep Content |
|---|---|---|
| Durchsuchte Daten | Metadaten, Titel | Volltext inkl. GAEB |
| Suchlogik | Exakter Textabgleich | Bedeutungsbasiert |
| Synonyme | Nicht erkannt | Automatisch erkannt |
| Versteckte Kriterien | Übersehen | Extrahiert |
| Zeitaufwand | Hoch (manuell sichten) | Niedrig (vorqualifiziert) |
Fazit
In einem Markt, in dem 20 Büros um denselben Auftrag konkurrieren, entscheidet die Informationsqualität. Büros, die nur Titel und CPV Codes durchsuchen, sehen einen erheblichen Teil der relevanten Ausschreibungen nicht. Sie konkurrieren nicht, weil sie nicht wissen, dass eine Chance existiert.
Plattformen wie Tender Zen indexieren den vollständigen Inhalt der Vergabeunterlagen, inklusive GAEB Positionen. Das bedeutet: mehr relevante Treffer bei weniger Zeitaufwand.
Erleben Sie den Unterschied selbst: Tender Zen durchsucht nicht nur Metadaten, sondern den vollständigen Inhalt Ihrer Zielausschreibungen, inklusive GAEB Dateien.