TL;DR: KI-Angebotserstellung liest Anfragedaten aus, gleicht sie mit deiner Preisliste oder deinem ERP ab und generiert ein Angebot, das ein Mensch vor dem Versand freigibt. Für Standardfälle spart das Stunden pro Woche. Ob fertige Software oder ein eigener n8n-Workflow besser passt, entscheiden drei Faktoren: Datenschutz, ERP-Anbindung und Anpassungsbedarf.
Wer eine Anfrage schneller beantwortet, gewinnt öfter den Auftrag. Trotzdem liegen Anfragen in vielen Betrieben tagelang im Posteingang. Das Angebotschreiben frisst Zeit, die niemand hat. Genau hier setzt KI-Angebotserstellung an - nicht als magischer Knopf, sondern als Prozesskette, die den mechanischen Teil der Arbeit übernimmt. Dieser Guide zeigt, wie der Prozess wirklich abläuft, wann fertige Software reicht und wann ein eigener Workflow die bessere Investition ist.
Was KI-Angebotserstellung 2026 wirklich bedeutet
Untergrenze und Obergrenze des wöchentlichen Verwaltungsaufwands laut Branchenangaben - nur ein Teil davon entfällt auf Angebote.
KI-Angebotserstellung bedeutet konkret: Ein System zieht sich die relevanten Daten aus einer Kundenanfrage, gleicht sie mit deinen hinterlegten Preisen ab und macht daraus einen fertigen Angebotsentwurf. Mehr als Textgenerierung. Wer ChatGPT eine Anfrage einfügt und um ein Angebot bittet, bekommt einen hübschen Text - ohne Verbindung zu echten Preisen, Artikelnummern oder Kundendaten.
Der Unterschied steckt darin, woran das Ganze angebunden ist. Ein KI-Agent für Angebote dockt an deine Datenquellen an: E-Mail-Postfach, CRM, Preisliste, ERP. Er triggert die einzelnen Schritte automatisch, sobald eine Anfrage eingeht, statt auf manuelle Eingaben zu warten. Ein reiner Textgenerator bleibt ein Werkzeug, das du bei jedem Angebot von Hand neu fütterst.
Warum das Thema gerade jetzt Fahrt aufnimmt: Der Fachkräftemangel verschärft sich, und die Verwaltungsarbeit wächst mit. Viele Betriebe verbringen 10 bis 15 Stunden pro Woche mit Verwaltungsaufwand. Angebotserstellung zählt zu den Bereichen, in denen Betriebe künstliche Intelligenz gewinnbringend einsetzen. Angebotserstellung ist dabei nur einer von mehreren Bereichen dieses Verwaltungsblocks - zurückholen lässt sich realistisch der Anteil, der auf Angebote entfällt, nicht die vollen 10 bis 15 Stunden. Gleichzeitig sind die Sprachmodelle 2026 gut genug, um brauchbare Entwürfe aus unstrukturierten Anfragen zu liefern - mit menschlicher Prüfung als Sicherheitsnetz.
Eine Klarstellung vorab, weil sie den ganzen Artikel prägt: KI ersetzt nicht die Freigabe. Sie beschleunigt die Vorarbeit. Das fertige Angebot prüft und verschickt ein Mensch - aus rechtlichen und aus kaufmännischen Gründen.
Der Prozess Schritt für Schritt
Zeitersparnis pro Angebot und wöchentlich bei fünf Angeboten - Orientierungsgröße aus Praxisberichten, keine Studie.
Darunter liegt derselbe Ablauf, den du vom manuellen Angebot schreiben kennst: Anfrage verstehen, kalkulieren, formulieren, versenden. Die KI-Automatisierung ändert nicht die Logik, sondern die Geschwindigkeit der ersten drei Schritte. Vier Kernschritte bilden die Prozesskette.
Schritt 1: Datenerfassung aus Anfrage, E-Mail und Leistungsverzeichnis
Am Anfang steht die Anfrage - und die kommt selten sauber strukturiert. Typische Eingangskanäle sind E-Mails in Fließtext, Kontaktformulare, PDF-Leistungsverzeichnisse, Aufmaße, manchmal sogar Fotos von der Baustelle. Ein Sprachmodell liest diese Eingänge und extrahiert daraus strukturierte Daten: gewünschte Positionen, Mengen, Fristen, Kundendaten, Lieferadresse.
Genau hier spielt moderne KI ihre Stärke aus. Ein klassisches Formular-Parsing scheitert an “Wir bräuchten so schnell wie möglich neue Fenster fürs Erdgeschoss, ungefähr fünf Stück, ähnlich wie beim letzten Mal”. Ein Sprachmodell erkennt die Positionen, die ungefähre Menge, die Dringlichkeit, den Verweis auf einen Bestandskunden.
Typische Fehlerquellen liegen in genau dieser Unschärfe: fehlende Mengenangaben, widersprüchliche Maße, umgangssprachliche Produktbezeichnungen, die nicht zum Artikelstamm passen. Ein sauber gebauter Workflow markiert solche Lücken, statt sie zu raten - er fragt nach oder legt den Fall zur manuellen Klärung beiseite.
Schritt 2: Kalkulation und Preisabgleich aus Preisliste oder ERP
Über die Qualität entscheidet Schritt zwei - hier ordnet das System den erkannten Positionen deine hinterlegten Preise zu. Die Quelle dafür ist deine Preisliste, dein Artikelstamm, dein ERP oder dein CRM - je nachdem, wo deine Preisdaten leben. Dazu kommen Stundensätze, Materialaufschläge und kundenspezifische Rabatte.
Der wichtigste Grundsatz dabei: Die KI darf hier nicht frei rechnen. Ein Sprachmodell, das Preise “aus dem Kopf” schätzt, halluziniert früher oder später einen Wert, der teuer wird. Der richtige Aufbau lautet: Das Modell matcht die Anfragepositionen gegen deine echten Preisquellen, und die eigentliche Rechnung - Menge mal Preis plus Aufschlag - läuft als deterministische Logik im Workflow, nicht im Modell. Interpretieren ist Sache des Modells, die Zahlen kommen aus der Preisliste.
Schritt 3: Angebotstext generieren
Erst jetzt kommt der Teil, den die meisten mit “KI-Angebot” verbinden: der Text. Das System baut aus deinen Vorlagen, den Kundendaten und den kalkulierten Positionen ein vollständiges Angebot - Positionsbeschreibungen, Anschreiben, Zahlungsbedingungen, Gültigkeitsdauer.
Auf zwei Dinge musst du dabei achten. Erstens Konsistenz zum Corporate Wording: Das Angebot soll klingen wie dein Betrieb, nicht wie ein generischer KI-Text. Das erreichst du über hinterlegte Textbausteine und Beispielangebote, an denen sich das Modell orientiert. Zweitens rechtliche Standardklauseln: Gewährleistung, Eigentumsvorbehalt, Preisbindungsfrist gehören als feste Bausteine in die Vorlage, nicht in die freie Generierung.
Beim Ausgabeformat richtest du dich nach deinem Prozess: PDF für den E-Mail-Versand, ein Angebotsdatensatz direkt im CRM oder - im Bauumfeld - eine GAEB-Datei, die du dem Auftraggeber zurückspielst.
Schritt 4: Menschliche Prüfung und Versand
Den letzten Schritt macht immer ein Mensch. Nicht als Notlösung, bis die KI besser wird, sondern bewusst so gebaut. Ein Angebot ist rechtlich bindend. Rutscht ein Kalkulationsfehler oder eine halluzinierte Position durch, haftet dein Betrieb - nicht das Modell. Deshalb prüft jemand mit Preisverantwortung jedes Angebot vor dem Versand.
Genau da liegt die realistische Zeitersparnis: Ein fertiges Angebot prüfst du in ein paar Minuten, statt es eine Stunde lang von Grund auf zu tippen. Praxisberichte beziffern die Ersparnis auf 25 bis 30 Minuten pro Angebot - bei fünf Angeboten pro Woche über zwei Stunden, und das bezieht sich noch auf einfache Text-Workflows ohne volle Automatisierung.
Eine Einordnung zu diesen Zahlen: Die genannten Werte stammen aus Praxisberichten und Ratgeber- bzw. Anbieterquellen, nicht aus unabhängigen Studien. Nimm sie als Orientierungsgröße, nicht als belastbaren Durchschnitt - deine tatsächliche Ersparnis misst du erst am eigenen Prozess, wenn der Pilot ein paar Wochen läuft.
Die Prüfung liefert außerdem den Verbesserungshebel: Jede Korrektur zeigt, wo Vorlagen, Prompts oder Preiszuordnungen nachschärfen müssen. Wer die Korrekturen konsequent in Vorlagen und Prompts zurückspielt, kann die Korrekturquote über die Zeit senken. Von allein passiert das nicht.
Build vs. Buy: Fertige Software oder eigener n8n-/Make-Workflow?
Die ehrliche Antwort vorweg: Es gibt keine pauschal richtige Wahl. Am Ende hängt die Entscheidung an drei Fragen: Wie individuell kalkulierst du, welche Systeme laufen bei dir schon, und wie viel Kontrolle über den Datenfluss brauchst du?
Fertige Angebotssoftware (SaaS) bietet den schnellsten Start. Du registrierst dich, lädst deine Preisliste hoch, erstellst nach wenigen Tagen erste Angebote. Der Preis dafür: Du übernimmst die Standardlogik des Anbieters. Weicht deine Kalkulation davon ab - Staffelpreise, projektabhängige Aufschläge, kundenindividuelle Konditionen - stößt du an Grenzen. Deine Angebots-, Preis- und Kundendaten fließen durch die Infrastruktur des Anbieters, und mit jedem Jahr Nutzung wächst die Lizenzbindung.
Ein eigener Workflow auf n8n oder Make dreht die Logik um: Statt deine Prozesse an ein Tool anzupassen, baust du den Workflow um deine bestehenden Systeme herum. Er dockt direkt an dein CRM oder ERP an, du bestimmst, welches Sprachmodell zum Einsatz kommt und welche Daten es sieht, und du passt Kalkulationslogik und Prompts an, wann immer sich dein Geschäft ändert. Dafür brauchst du mehr Setup-Aufwand und jemanden, der den Workflow baut und wartet.
| Kriterium | Fertige SaaS-Software | Eigener n8n-/Make-Workflow |
|---|---|---|
| Time-to-Value | Tage bis wenige Wochen | Mehrere Wochen inkl. Setup |
| Kostenstruktur | Laufende Lizenz pro Nutzer | Einmaliger Aufbau plus geringe laufende Kosten |
| Datenschutz/Datenfluss | Abhängig vom Anbieter, oft intransparent | Vollständig bekannt und steuerbar |
| Anpassbarkeit | Innerhalb der Tool-Grenzen | Frei - Logik, Prompts, Modellwahl |
| Wartung | Übernimmt der Anbieter | Liegt bei dir oder deinem Dienstleister |
| ERP-/CRM-Anbindung | Nur vorgesehene Integrationen | Jede API anbindbar |
Als Faustregel: Ein kleiner Betrieb mit standardisierten Angeboten und ohne ERP fährt mit SaaS meist gut. Sobald du individuell kalkulierst, ein bestehendes ERP oder CRM anbinden willst oder hohe Datenschutzanforderungen hast, lohnt der Eigenbau - in unserer Projekterfahrung ist die Anbindung an bestehende Systeme der häufigste Reibungspunkt, an dem Standardtools an ihre Grenzen stoßen.
Du musst den Eigenbau nicht selbst stemmen: Wir bei alloq bauen als Software-Unternehmen genau solche individuellen n8n- und Make-Workflows für KMU - vom Anfrage-Parsing über den ERP-Abgleich bis zur Freigabe-Logik, DSGVO-konform auf europäischer Infrastruktur.
DSGVO und Datenschutz: der eigentliche Entscheidungskern
Bei der Angebotserstellung fließen personenbezogene Daten - Namen, Adressen, E-Mail-Verläufe - und sensible Geschäftsdaten wie deine Kalkulation an ein Sprachmodell. Wo dieses Modell läuft und was mit den Daten passiert, ist keine Nebensache - daran hängt die ganze Build-vs-Buy-Entscheidung.
Vier Punkte musst du klären, egal für welchen Weg du dich entscheidest:
- Auftragsverarbeitungsvertrag (AVV): Sobald personenbezogene Daten an einen LLM- oder Tool-Anbieter gehen, brauchst du einen AVV mit diesem Anbieter. Das gilt für den SaaS-Anbieter genauso wie für den Modellanbieter hinter deinem eigenen Workflow. Ohne AVV verarbeitest du rechtswidrig.
- EU-Hosting: Wähle Modell-Endpunkte mit Verarbeitung in der EU. Die großen Anbieter bieten inzwischen EU-Regionen an, und europäische Alternativen wachsen. Bei SaaS musst du nachfragen, welches Modell im Hintergrund läuft und wo.
- Kein Training mit deinen Daten: Lass dir vertraglich zusichern, dass der Anbieter deine Angebots- und Kundendaten nicht zum Training seiner Modelle nutzt. Bei Business- und API-Tarifen ist das üblich, bei Consumer-Tools oft nicht.
- Datensparsamkeit: Schicke nur die Felder ans Modell, die es für den jeweiligen Schritt braucht. Kundennamen kannst du vor der Übergabe pseudonymisieren und erst im fertigen Dokument wieder einsetzen - die Kalkulationslogik braucht keinen Klarnamen.
Genau hier spielt der eigene Workflow seinen Vorteil aus: Du kennst jeden Hop, den deine Daten nehmen, wählst Modell und Region selbst und legst pro Schritt fest, welche Daten das Modell überhaupt zu sehen bekommt. Bei SaaS vertraust du darauf, dass der Anbieter all das sauber löst. Prüfen kannst du es nur begrenzt.
Zum EU AI Act die nüchterne Einordnung: Angebotserstellung fällt nicht unter die Hochrisiko-Kategorien der Verordnung. Es gelten Transparenzpflichten und die ohnehin bestehenden DSGVO-Anforderungen. Panik ist unangebracht - saubere Verträge und dokumentierte Datenflüsse reichen für diesen Anwendungsfall aus.
KI-Angebotserstellung im Handwerk: GAEB, Materialpreise und Kostenvoranschlag
Ein konkretes Szenario macht den Nutzen greifbar: Ein SHK-Betrieb bekommt eine Anfrage für eine Badsanierung. Der Kunde schickt eine E-Mail mit Wünschen, ein paar Fotos, grobe Maße. Der Workflow extrahiert daraus die Gewerke-Positionen, matcht sie gegen den Artikelstamm mit aktuellen Materialpreisen, rechnet Arbeitszeit nach hinterlegten Erfahrungswerten und legt einen Kostenvoranschlag zur Prüfung vor. Aus Praxisberichten stammt das Beispiel eines Kölner Sanitärbetriebs, der die Zeit für ein Badezimmer-Angebot von 90 auf 12 Minuten reduzierte. Ein berichteter Einzelfall, nicht repräsentativ; nimm ihn als Illustration, nicht als typische Größenordnung.
Im Bau- und Ausbaugewerbe kommt GAEB dazu, der Standard für den Austausch von Leistungsverzeichnissen. Öffentliche und größere private Auftraggeber schicken LVs als GAEB-Datei. Ein Workflow importiert diese Datei, ordnet die standardisierten Positionen deinem Artikelstamm und deinen Kalkulationsansätzen zu und spielt das bepreiste Angebot im selben Format zurück. Genau diese Positionszuordnung ist der Schritt, der manuell am längsten dauert - und den KI-gestütztes Matching am stärksten beschleunigt.
Rund wird der Handwerks-Workflow erst mit zwei weiteren Bausteinen. Erstens die Anbindung aktueller Materialpreise: Lieferantenpreislisten ändern sich laufend, ein automatischer Abgleich verhindert, dass du mit veralteten Einkaufspreisen kalkulierst. Zweitens das Aufmaß als Eingang: Der Monteur diktiert nach der Besichtigung eine Sprachnachricht oder fotografiert das Aufmaßblatt, und der Workflow macht daraus strukturierte Positionen.
Die Grenze bleibt klar: Individuelle Baustellen brauchen die Ortsbegehung, und die Einschätzung “hier steckt mehr Aufwand drin, als der Kunde beschreibt” bleibt Erfahrungswissen. KI beschleunigt den Weg vom Aufmaß zum Kostenvoranschlag - das Aufmaß selbst und die fachliche Einschätzung liefert weiterhin der Mensch.
Grenzen und Risiken: warum KI nicht allein kalkulieren darf
Sprachmodelle halluzinieren - auch bei Zahlen, und da wird es richtig teuer. Die zwei häufigsten Fehlerbilder in Angebots-Workflows: Das Modell erfindet einen plausibel klingenden Preis für eine Position, die es in der Preisliste nicht gefunden hat. Oder es ordnet eine Anfrageposition dem falschen Artikel zu - “Fenster, 3-fach verglast” landet auf der 2-fach-Position, und die Marge ist weg.
Die Rechtslage ist klar: Ein rausgeschicktes Angebot bindet deinen Betrieb. Kalkulierst du durch einen KI-Fehler 30 Prozent zu niedrig und der Kunde nimmt an, trägst du den Schaden. Die Verantwortung lässt sich nicht an ein Modell delegieren.
Abgesichert wird das über drei Ebenen, die in keinem seriösen Workflow fehlen:
- Feste Preisquellen statt freier Berechnung: Das Modell darf Positionen zuordnen, aber keine Preise erzeugen. Findet es keinen Match, markiert es die Position als offen - es rät nicht.
- Plausibilitätsregeln: Automatische Checks fangen Ausreißer ab, etwa Angebotssummen weit außerhalb des üblichen Rahmens oder Mengen, die nicht zur Objektgröße passen.
- Pflicht-Freigabe: Kein Versand ohne menschliche Prüfung. Technisch heißt das: Der Workflow endet in einem Entwurf, nie in einer ausgehenden E-Mail.
Ehrlich benannt gehören auch die Bereiche dazu, in denen KI heute schlicht nicht ersetzt: komplexe Sonderfälle mit unklarem Leistungsumfang, die Preisverhandlung nach dem Angebot, der Vertrauensaufbau, über den viele Aufträge tatsächlich entschieden werden.
Was kostet KI-Angebotserstellung?
Bei SaaS-Lösungen bewegst du dich je nach Funktionsumfang grob zwischen einem niedrigen zweistelligen und einem niedrigen dreistelligen Euro-Betrag pro Nutzer und Monat. Einfache KI-Textwerkzeuge liegen darunter, spezialisierte Angebotsplattformen mit ERP-Anbindung darüber. Rechne die Lizenz über drei Jahre hoch, bevor du vergleichst - da summieren sich auch moderate Monatsbeträge.
Beim Eigenbau verschiebt sich die Struktur: Der Hauptposten ist der einmalige Entwicklungsaufwand für den Workflow - Anfrage-Parsing, Preisabgleich, Vorlagen, Freigabe-Logik. Danach fallen laufend nur API- bzw. Token-Kosten für die Modellaufrufe und Hosting an, und beides ist für Angebots-Volumina eines KMU überschaubar: Ein einzelner Angebotsdurchlauf kostet an Modell-Tokens typischerweise Cent-Beträge.
In beiden Fällen unterschätzen die meisten die versteckten Kosten: die Aufbereitung der Preisliste, die ERP-Schnittstelle, die laufende Pflege der Vorlagen, die Schulung des Teams. Diese Posten fallen unabhängig von Build oder Buy an - und sie sind oft größer als die Tool-Kosten selbst.
Die Rechenlogik für deine Entscheidung ist simpel: Zeitersparnis pro Angebot mal Anzahl Angebote mal Stundensatz der Person, die bisher kalkuliert. Spart der Workflow 45 Minuten pro Angebot bei zehn Angeboten pro Woche, sind das rund 7,5 Stunden - pro Woche. Gegen diese Zahl rechnest du Setup und laufende Kosten, und du siehst deinen Break-even. Für individuelle Umsetzungen wie unsere gilt: Der Aufwand hängt vom Einzelfall ab - von der Zahl der Eingangskanäle, der ERP-Landschaft und der Kalkulationslogik. Deshalb kalkulieren wir projektbezogen statt mit Listenpreisen.
Voraussetzungen: Welche Daten und Systeme du brauchst
Der wichtigste Erfolgsfaktor hat mit KI gar nichts zu tun: Ohne gepflegte Preisliste oder Artikelstamm läuft kein Workflow, egal wie gut die KI ist. Wenn deine Preise in Excel-Dateien mit drei Versionsständen leben, ist die Datenaufbereitung der erste Arbeitsschritt - und meist der größte.
Danach brauchst du:
- Ein CRM oder ERP mit auslesbarer Struktur oder zumindest einer Schnittstelle. Zur Not reicht auch eine sauber strukturierte Tabelle als Startpunkt - hübscher wird es später.
- Angebotsvorlagen und Standardtexte: deine besten drei bis fünf Angebote als Referenz, dazu die rechtlichen Standardklauseln als feste Bausteine.
- Einen definierten Freigabeprozess: Wer prüft, wer verschickt, was passiert bei offenen Positionen.
Zur Dauer eine ehrliche Zahl: Ein kleiner Betrieb mit gepflegten Preisdaten hat einen funktionierenden Piloten in wenigen Wochen stehen. Der Aufwand liegt fast nie beim KI-Modell, sondern in Datenaufbereitung und Schnittstellen.
Die wichtigste Empfehlung zum Schluss: Starte nicht mit “allen Angeboten”, sondern mit einem eng definierten Angebotstyp - etwa dem Standardfall, der 60 Prozent deiner Anfragen ausmacht. Dort lernst du am schnellsten, wo der Workflow nachschärfen muss, bevor du ihn auf komplexere Fälle ausweitest. Und wenn der Angebotsprozess läuft, liegt der nächste Hebel direkt daneben: Die gleiche Logik aus Extraktion, Abgleich und Freigabe funktioniert auch, wenn du den Rechnungseingang automatisieren willst.
FAQ
Ist KI-Angebotserstellung DSGVO-konform?
Ja, wenn du vier Punkte einhältst: einen AVV mit jedem beteiligten Anbieter, Verarbeitung personenbezogener Daten in der EU, die vertragliche Zusicherung, dass niemand mit deinen Daten trainiert, und Datensparsamkeit bei der Übergabe ans Modell. Ein eigener Workflow gibt dir dabei mehr Kontrolle, weil du Datenfluss und Modellwahl selbst bestimmst.
Kann KI verlässlich Preise kalkulieren oder halluziniert sie?
Frei rechnen darf sie nicht - dann halluziniert sie früher oder später Preise. Der richtige Aufbau: Das Modell ordnet Anfragepositionen deiner Preisliste oder deinem ERP zu, die eigentliche Rechnung läuft als feste Logik im Workflow. Ergänzt um Plausibilitätsregeln und Pflicht-Freigabe ist das Risiko beherrschbar.
Software kaufen oder eigenen n8n-Workflow bauen?
Fertige Software startet schneller und passt für kleine Betriebe mit standardisierten Angeboten ohne ERP. Ein eigener n8n-/Make-Workflow lohnt sich bei individueller Kalkulation, bestehendem ERP oder CRM und hohem Datenschutzanspruch - er dockt an deine Systeme an, statt dass du deine Prozesse ans Tool anpasst.
Funktioniert das im Handwerk mit GAEB und Leistungsverzeichnis?
Ja. GAEB-Dateien und standardisierte Leistungsverzeichnisse lassen sich importieren, die Positionen deinem Artikelstamm zuordnen und bepreist zurückspielen. Aktuelle Materialpreise bindest du über Lieferantenlisten an. Ortsbegehung, Aufmaß und die Einschätzung von Sonderfällen bleiben menschliche Arbeit.
Muss ich jedes KI-Angebot manuell freigeben?
Ja. Ein Angebot bindet deinen Betrieb rechtlich, und die Verantwortung für Fehler trägst du - nicht das Modell. Die Freigabe fängt Kalkulationsfehler und falsche Positionszuordnungen ab. Der Zeitgewinn bleibt trotzdem groß: Du prüfst in Minuten, statt in einer Stunde neu zu erstellen.
Wie lange dauert die Einführung in einem kleinen Betrieb?
Mit gepflegter Preisliste und einem eng definierten Angebotstyp ist ein Pilot in wenigen Wochen realistisch. Der Aufwand steckt vor allem in der Datenaufbereitung und der ERP- oder CRM-Schnittstelle, nicht im KI-Modell. Wer erst seine Preisdaten konsolidieren muss, plant dafür zusätzliche Zeit ein.
