KI-gestützter Angebotsgenerator
Eine explorative Studie wie mit einer mehrstufigen KI-Pipeline der Weg von der Kundenanfrage zum versandfertigen Angebot auf Sekunden verkürzt werden kann — ohne die Kontrolle abzugeben
Die Herausforderung
Der Vertrieb vieler Unternehmen steckt in einem Engpass, der mit wachsendem Anfragevolumen immer schmerzhafter wird: die Angebotserstellung. Täglich gehen dutzende Anfragen per E-Mail, PDF, Chat, Anruf oder Webformular ein. Jede ist anders strukturiert und reicht von der knappen Drei-Zeilen-Mail bis zum mehrseitigen Lastenheft mit technischen Spezifikationen und Sonderwünschen.
Die Bearbeitung ist heute vollständig manuell: Anfrage lesen, verstehen was der Kunde will, Positionen identifizieren, im Katalog nachschlagen, Preise kalkulieren, Angebotstext formulieren, formatieren, versenden. Pro Angebot kann ein Mitarbeiter je nach Umfang bis zu 60 Minuten oder länger brauchen. Bei dutzenden Anfragen am Tag summiert sich das nur für die Angebotserstellung schnell auf einen enormen Personalaufwand. Das Team kommt nicht hinterher, Anfragen bleiben liegen, Antwortzeiten steigen, und Aufträge gehen an schnellere Wettbewerber verloren.
Die Kernherausforderung liegt aber nicht in der Geschwindigkeit allein, sondern in der Verantwortung, die ein Angebot trägt:
- Preise dürfen niemals halluziniert werden: ein Angebot ist rechtlich bindend. Wenn die KI einen falschen Preis einsetzt, haftet das Unternehmen.
- Produktzuordnung muss verlässlich sein: ein falsches Produkt im Angebot ist ein Reputationsschaden. Die Zuordnung zum eigenen Katalog muss in der überwältigenden Mehrheit der Fälle korrekt sein.
- Das System muss seine Unsicherheit kennen: „Diese Position konnte ich nicht zuordnen, bitte manuell prüfen" ist wertvoller als eine falsche Zuordnung mit hoher Konfidenz.
- DSGVO-Konformität: Kundenanfragen enthalten personenbezogene Daten und Geschäftsgeheimnisse. Diese müssen geschützt werden, bevor sie durch externe (amerikanische) KI-Modelle verarbeitet werden.
- Sonderfälle sind die Regel: kaum eine Anfrage passt exakt ins Standardraster. Das System muss erkennen, was automatisierbar ist und was menschliches Urteil braucht.
Die Lösung
Eine mehrstufige Pipeline aus KI-gestützten und deterministischen Verarbeitungsschritten, bei der jede Stufe überprüfbar und kontrollierbar bleibt. Das Grundprinzip: Der Mensch bleibt immer die finale Instanz während die KI beschleunigt und vorbereitet, aber nicht allein entscheidet.
Von der Anfrage zum strukturierten Datensatz
Am Anfang steht ein Service, der Anfragen aus verschiedenen Kanälen entgegennimmt: E-Mail-Forward, PDF-Upload, Webformular oder perspektivisch ein KI-Assistent. Ein Extractor analysiert die Anfrage multimodal und zerlegt sie in strukturierte Daten: welche Produkte oder Leistungen angefragt werden, Mengen, Spezifikationen, Liefertermine, Sonderwünsche. Noch bevor diese Daten weiterverarbeitet werden, filtert ein PII Guard personenbezogene Daten heraus. Kundenanfragen enthalten oft sensible Informationen, die nicht unkontrolliert durch externe KI-APIs fließen dürfen.
Katalogabgleich, Preiskalkulation und Validierung
Ein Catalog Matcher ordnet die extrahierten Positionen dem unternehmenseigenen Produktkatalog zu. Dabei greift das System direkt und ausschließlich lesend auf die Unternehmensdaten zu, d.h. Preise werden nie von einer KI „geschätzt", sondern deterministisch aus den realen Katalogdaten gezogen. Für jeden Match wird ein Confidence Score berechnet: Das System weiß, wann es sich sicher ist und wann nicht. Positionen mit niedrigem Score werden dem Vertriebsmitarbeiter explizit zur manuellen Prüfung vorgelegt.
Angebotserstellung mit Human in the Loop
Ein schlussendlicher Offer Generator setzt aus den validierten Daten ein editierbares Angebot zusammen inklusive passgenauer Positionen, kalkulierter Preise und einem professionell formulierten Angebotstext. Das fertige Angebot wird dem Vertriebsmitarbeiter zur Prüfung vorgelegt. Er kann nachjustieren, per KI-Assistenz überarbeiten oder direkt bearbeiten, bevor es formatiert und versendet wird. Bei ungeklärten Punkten leitet das System die Anfrage automatisch an einen Mitarbeiter weiter, statt eine unsichere Antwort zu raten.
Robustheit und Skalierung
Hinter der KI-Pipeline stehen infrastrukturelle Herausforderungen, die wir aktiv durchdenken: Was passiert, wenn eine LLM-API ausfällt oder überlastet ist? Wie stellen wir Rate Limits sicher? Wie skaliert das System, wenn hunderte Vertriebsmitarbeiter gleichzeitig Anfragen verarbeiten? Mögliche Lösungen wären Observer Patterns für Monitoring, granulares Metrics-Tracking über jeden Pipeline-Schritt und Fallback-Strategien für API-Ausfälle.
Designerprinzipien zusammgefasst
- Keine halluzinierten Preise, niemals. Preise kommen ausschließlich aus der Datenbank: deterministisch, nicht generativ. Die KI ordnet zu, sie erfindet keine Zahlen.
- Konfidenz vor Korrektheit. Ein System, das sagt „Ich bin mir nicht sicher" ist wertvoller als eines, das falsch rät. Jeder Schritt liefert Confidence Scores.
- Jeder Schritt überprüfbar. Die Pipeline ist so gebaut, dass man an jedem Punkt nachvollziehen kann, was die KI getan hat und warum.
- Human in the Loop ist kein Notbehelf, sondern Architekturprinzip. Der Vertriebsmitarbeiter prüft und ergänzt. Die KI nimmt ihm die Fleißarbeit ab, nicht die Verantwortung.
- DSGVO von Anfang an mitgedacht. Personenbezogene Daten werden gefiltert, bevor sie externe APIs erreichen.
Ähnliche Case Studies
INSIGHT — INtelligent Synthesis and Generation of High-quality Test data
Realistische Testdaten ohne reale Daten
Synthetische Testdaten auf Knopfdruck. Regelbasiert, statistisch, KI-gestützt.
Case Study ansehen
AKARA Launchpad
Schnelle Erstellung von echten Prototypen - AI gestütztes Rapid Prototyping
Wie eine KI-gestützte Plattform Requirements Engineering von einer Woche Workshop auf 10 Minuten verkürzt und dabei bessere Ergebnisse liefert als klassische Beratung.
Case Study ansehen
Intelligentes Dokumentenmanagement mit KI
Von der manuellen Ablage zur KI-gestützten Dokumentenautomatisierung – ohne teure Lizenzen
Rechnungen suchen, Fristen überwachen, Belege sortieren – das frisst in vielen KMU Stunden pro Woche. Diese Case Study zeigt, wie sich mit Open-Source-Software und künstlicher Intelligenz ein vollständiges Dokumentenmanagementsystem aufbauen lässt, das Dokumente automatisch erkennt und kategorisiert
Case Study ansehen