Case Study · Bauwesen · 75 MA

    Generalunternehmer halbiert Kalkulations-Zeit — durch KI-LV-Analyse und Mengen-Vorbefüllung

    Wie ein mittelständischer Generalunternehmer mit 75 Mitarbeitern in NRW seine Kalkulations-Zeit pro Ausschreibung von 28 auf 16 Stunden gesenkt und gleichzeitig die Trefferquote um 12 Prozentpunkte gesteigert hat — durch KI-gestützte Leistungs­verzeichnis-Analyse und automatisierte Mengen-Vorbefüllung aus historischen Projekten.

    30 Tage
    zum ersten Pilot
    Ø 40 %
    weniger manuelle Arbeit
    100 %
    Hosting in Deutschland
    DSGVO + EU AI Act
    konform implementiert

    Ausgangslage

    Der Mandant ist ein in zweiter Generation geführter Generalunternehmer im Bereich Wohnungsbau, Gewerbebau und sanierende Komplettleistungen. Auftragsvolumen rund 28 Mio €/Jahr, 75 Festangestellte plus regionale Subunternehmer-Netzwerke. Die Kalkulations-Abteilung mit 4 Senior-Kalkulatoren und 2 Junior-Kalkulatoren bearbeitete 220 Ausschreibungen pro Jahr — bei einer Trefferquote von 24 %.

    Druck-Punkte: Kalkulations-Zeit pro mittlerer Ausschreibung 28 Stunden, was bei 220 Vorgängen rund 6.200 Personen-Stunden pro Jahr bedeutete — gleichbedeutend mit knapp 4 Vollzeit-Stellen, faktisch der gesamte Kalkulations-Output. Eine Erhöhung der Anzahl bearbeiteter Ausschreibungen war ohne weitere Einstellungen nicht möglich, der Kalkulator-Markt war faktisch leer.

    Ziele & KPIs

    • Kalkulations-Zeit pro mittlerer Ausschreibung ≤ 18 Stunden.
    • Trefferquote ≥ 32 % (Vor-Niveau 24 %).
    • Anzahl bearbeiteter Ausschreibungen ≥ 280/Jahr (vorher 220).
    • Akzeptanz im Kalkulator-Team ≥ 70 % nach 90 Tagen Live-Betrieb.

    Die Lösung

    Komponente 1: LV-Analyse & Strukturierung

    Eingangs-Pipeline für GAEB-XML, GAEB-PDF und freie PDF-LVs. GAEB-XML wird strukturiert eingelesen, PDFs gehen durch OCR (Tesseract + manuelle Fallback-Regeln) und LLM-basierte Strukturierung. Output: normalisierter Daten-Satz mit Positionen, Mengen, Einheiten, Beschreibungstext, Hinweisen.

    Komponente 2: Mengen- und Preis-Vorbefüllung

    Je Position: Vektor-Suche in der historischen Projekt-DB nach den ähnlichsten 5–10 Vor-Positionen, gewichtet nach Bauleistungs-Typ, Volumen, Region, Jahr. Inflations-Adjustierung über DESTATIS-Indizes. Output: Vorschlags-Einheitspreis (Median + 25-/75-Perzentil), Material-/Lohn-Anteil, Risiko-Hinweise (z. B. „Position selten in unseren Projekten — manuell prüfen“).

    Komponente 3: Risiko- und Kontext-Schicht

    Externe Daten-Feeds (Stahl-/Beton-/Holz-Indizes, Energie-Preise) plus interne Subunternehmer-Verfügbarkeits-DB. Hinweis-System mit Eskalations-Logik bei strukturellen Abweichungen vom historischen Median.

    Vorgehen & Zeitplan

    Vom Kick-off bis zum Live-Betrieb

    1. 1Woche 1–3

      Discovery + Datenaufbereitung

      Use-Case, historische Projekt-DB normieren, GAEB-Konvertierungs-Tests.

      • Daten-DB
      • Pilot-Scope
    2. 2Woche 4–10

      Pilot LV-Analyse + Vorbefüllung

      Pilot auf 12 echten Ausschreibungen, Schatten-Modus parallel zur klassischen Kalkulation.

      • MVP
      • Eval auf 12 Fällen
    3. 3Woche 11–18

      Roll-out auf alle Ausschreibungen

      Live-Schaltung mit 2 Senior-Kalkulatoren als Co-Entwickler, schrittweiser Vertrauens-Aufbau.

      • Live-System
      • Schulung
      • Hyper-Care 6 Wochen

    Ergebnisse nach 12 Monaten Live-Betrieb

    Gemessen über 12 Monate Live-Betrieb

    44 %
    kürzere Kalkulations-Zeit
    12 %p
    höhere Trefferquote
    285 Ausschreibungen
    vs. 220 vorher
    215 k €
    Net Benefit Jahr 1

    Die Kalkulations-Zeit pro mittlerer Ausschreibung ist von 28 auf 16 Stunden gefallen. Die Trefferquote ist von 24 % auf 36 % gestiegen — Hauptursachen: präzisere Mengen-Vorbefüllung (weniger Über-/Unter-Mengen) und schnellere Antwortzeit gegenüber Bauherren. Die Anzahl bearbeiteter Ausschreibungen ist auf 285 gestiegen, ohne dass eine Stelle erweitert werden musste.

    „Mit den Vorbefüllungen mache ich die ersten 60 % der Kalkulation in 3–4 Stunden. Dann schaue ich mir die Risiko-Positionen an und mache da, wo es darauf ankommt, die letzten 40 % manuell. Das System zwingt einen, sich zu fokussieren.“
    — Senior-Kalkulator, März 2026

    Wirtschaftlichkeit

    Total Cost of Ownership Jahr 1: ca. 180 k €. Realisierter Effekt: (1) Personal-Effizienz +44 % auf 6.200 Personen-Stunden bedeutet ca. 2.700 freigesetzte Stunden — ohne Stellen-Reduktion direkt wirtschaftlich nur dann, wenn die Stunden in zusätzliches Volumen umgewandelt werden, was hier durch +65 bearbeitete Ausschreibungen passiert. (2) Trefferquoten-Steigerung 24 → 36 % bringt bei rund 280 k € zusätzlichem Brutto-Margen-Effekt netto rund 195 k €. Net Benefit Jahr 1: 215 k €.

    Lessons Learned

    • Senior-Kalkulatoren als Co-Entwickler — Akzeptanz erzwingt man nicht.
    • GAEB strukturiert > freie PDFs: 99 % vs. 91 % Erfolgsquote — bei freien PDFs Puffer einplanen.
    • Inflations-Adjustierung ist kritisch — historische Preise ohne Adjustierung sind im aktuellen Markt wertlos.
    • Risiko-Markierungen wichtiger als Vorschlags-Preise — Kalkulatoren wollen wissen, wo sie aufpassen müssen.

    Mehr: Erstgespräch buchen.

    Häufig gestellte Fragen

    Welche LV-Formate werden unterstützt?
    GAEB DA XML 3.2 und 3.3 strukturiert (Hauptfall im öffentlichen Bau), GAEB-PDF-Exporte, ÖNORM-A-2063, freie LV-PDFs ohne strukturiertes Format. Strukturierte Quellen werden direkt eingelesen, freie PDFs gehen über OCR + LLM-Strukturierung. Erfolgsquote bei strukturierten Quellen 99 %, bei freien PDFs ca. 91 %.
    Trifft die KI eigenständig Preisentscheidungen?
    Nein. Die KI füllt LV-Positionen mit Vorschlags-Mengen und Vorschlags-Einheitspreisen aus historischen vergleichbaren Projekten und aus dem Mandanten-Stamm-LV. Der Kalkulator entscheidet jede Position selbst, sieht aber neben dem Vorschlag auch Kontext: ähnlichste 3 Vorprojekte, aktuelle Material-Indizes, Risiko-Hinweise (z. B. seltene Position, neuer Subunternehmer-Bedarf).
    Wie wird die historische Projekt-Datenbank genutzt?
    Die letzten 6 Jahre Projekt-Kalkulationen (insgesamt rund 1.100 Projekte) werden als Vektor-Datenbank vorgehalten. Bei einem neuen LV identifiziert die KI je Position die ähnlichsten 5–10 Vor-Positionen, gewichtet nach: Bauleistungs-Typ, Auftragsvolumen, Region, Jahr (Inflations-Adjustierung). Output: Median-Preis, Spannweite, Material-Anteil, Risiko-Score.
    Was ist mit Material-Preisschwankungen?
    Wir koppeln das System an die monatlichen statistischen Material-Indizes (DESTATIS für Stahl, Beton, Holz, Bitumen) und an einen externen Daten-Feed für Energie-Preise. Historische Preise werden vor Vergleich auf Heute-Preise normiert. Das System kann zusätzlich „was-wäre-wenn“-Szenarien rechnen (z. B. „Stahl +15 % bis Bauausführung“).
    Welche Einsparung kommt aus der Trefferquoten-Steigerung?
    Bei Vorhaben-Volumen rund 28 Mio €/Jahr und mittlerer Brutto-Marge 8,5 % bedeutet eine Trefferquoten-Steigerung von 24 % auf 36 % brutto rund 280 k € zusätzlichen Brutto-Margen-Beitrag. Davon gehen Akquise- und Kalkulations-Kosten ab — netto schätzen wir den Beitrag auf 195 k € im Jahr 1.
    Was hat das Projekt gekostet?
    Pilot 24 k €, Implementation 95 k €, Datenaufbereitung historische Projekte 18 k € einmalig, Managed Service 3.200 €/Monat, externe Daten-Feeds 4.800 €/Jahr. Total Cost of Ownership Jahr 1: ca. 180 k €. Net Benefit Jahr 1: ca. 215 k €.

    Kostenfreie KI-Potenzialanalyse

    30 Minuten Strategiegespräch mit einem KBD-Berater. Konkret, ehrlich, ohne Verkaufsdruck — wir sagen Ihnen offen, ob KI für Ihren Use Case lohnt.

    • Analyse Ihrer 3 wichtigsten Prozesse
    • Konkrete Roadmap mit Aufwandsschätzung
    • Indikative ROI-Rechnung für Ihren Case

    Ergänzend lesenswert