Grundlagen der KI-Architektur für Ausschreibungssysteme: Ein technischer Deep Dive für Entscheider

Der Markt für KI im öffentlichen Vergabewesen explodiert. Prognosen gehen von einem Anstieg der KI-Nutzung im Beschaffungswesen um 187 % bis 2025 aus. Doch während 60 % der Beschaffungsprofis bereits mit KI experimentieren, bleibt für viele Entscheider eine entscheidende Frage offen: Was passiert eigentlich in der "Black Box"?

Wenn du Software für dein Architektur- oder Ingenieurbüro evaluierst, reicht es nicht mehr, nur auf das Interface zu schauen. Um Risiken wie "Halluzinationen" (falsche Fakten) zu minimieren und Compliance (z.B. gemäß EU AI Act) zu garantieren, musst du verstehen, wie das System unter der Haube arbeitet.

Dieser Artikel ist kein oberflächlicher Marketing-Pitch. Wir zerlegen die technische Architektur moderner Ausschreibungssysteme in ihre Komponenten – von neuronalen Netzen bis zu Wissensgraphen – und zeigen dir, warum die Architektur über die Qualität deiner Matches entscheidet.

Das Architektur-Ökosystem: Mehr als nur Algorithmen

Ein robustes KI-System für das Vergabewesen ist wie ein gut geplantes Gebäude: Es braucht ein starkes Fundament (Infrastruktur), ein intelligentes statisches System (Logik/Semantik) und eine funktionale Fassade (Interface).

Wie du in der Grafik siehst, ist die bloße Datensammlung (Scraping) nur der erste Schritt. Die Magie – und der Wettbewerbsvorteil für dein Unternehmen – entsteht in der Verarbeitungsschicht. Gehen wir ins Detail.

1. Das Fundament der Intelligenz: Neuronale Netze in der VgV-Analyse

Wenn wir davon sprechen, dass Leto AI eine Ausschreibung "liest", meinen wir den Einsatz von Neuronalen Netzen, speziell Transformer-Modellen (ähnlich der Technologie hinter GPT).

Warum klassische Suche nicht mehr reicht

Frühere Systeme basierten auf Keywords. Wenn du nach "Schulsanierung" gesucht hast, aber der Text "Instandsetzung einer Bildungseinrichtung" enthielt, hast du den Auftrag verpasst.

Die Rolle der Transformer

Moderne neuronale Netze analysieren den Kontext. Sie verstehen Vektoren – mathematische Repräsentationen von Wortbedeutungen.

• Mustererkennung: Sie erkennen, dass „Frist: 12.10.“ und „Abgabe bis zum zwölften Oktober“ identische Informationen sind.
• Entitäten-Extraktion: Sie scannen unstrukturierte PDFs und extrahieren kritische Datenpunkte: CPV-Codes, Ausführungsorte, Eignungskriterien und Referenzanforderungen.

Der Knackpunkt: Neuronale Netze sind probabilistisch. Sie raten das nächste wahrscheinliche Wort. Für kreatives Schreiben ist das toll, für rechtssichere Vergabeunterlagen ein Risiko. Hier kommt die zweite Komponente ins Spiel.

2. Das Gedächtnis der KI: Wissensgraphen (Knowledge Graphs)

Das größte Risiko bei generativer KI im B2B-Bereich sind Halluzinationen. Stell dir vor, die KI erfindet eine Referenzanforderung, die gar nicht im Text steht. Um das zu verhindern, nutzen wir Wissensgraphen.

Ein Wissensgraph strukturiert Informationen als Netzwerk aus Knoten (Entities) und Kanten (Beziehungen).

• Knoten A: Vergabestelle (z.B. Stadt München)
• Kante: veröffentlicht
• Knoten B: Ausschreibung (z.B. Neubau Kita)
• Knoten C: Bedingung (z.B. VgV-Verfahren)

RAG: Die Kombination macht den Unterschied

Die modernste Architektur nutzt RAG (Retrieval-Augmented Generation). Dabei sucht das System zuerst die faktenbasierten Informationen im Wissensgraphen und "füttert" diese dann in das neuronale Netz.Das Ergebnis: Die KI antwortet in natürlicher Sprache, basiert ihre Aussagen aber auf harten, verifizierbaren Fakten aus den Originaldokumenten. Das sorgt für die im Vergaberecht notwendige Präzision und Nachvollziehbarkeit.

3. Semantik trifft Vergabe: VgV-Dokumente wirklich "verstehen"

Ein oft unterschätzter "Sub-Silo" in der Architektur ist die Anwendung von Semantic Web-Technologien auf die Vergabeverordnung (VgV).

Öffentliche Ausschreibungen sind voll von juristischem Fachjargon und impliziten Anforderungen. Eine einfache Volltextsuche scheitert hier an der Komplexität. Eine fortgeschrittene KI-Architektur nutzt Ontologien (formale Beschreibungen von Wissen), um VgV-Dokumente zu standardisieren.

• Mapping: Die KI übersetzt unstrukturierte PDF-Texte in strukturierte Datenformate (wie RDF oder OWL).
• Interoperabilität: Dadurch werden Daten aus über 200 verschiedenen Vergabeplattformen vergleichbar gemacht. Ob die Daten aus Bayern oder NRW kommen, spielt für die Analyse keine Rolle mehr – das semantische Modell normalisiert sie.

Dein Vorteil: Du kannst Fragen stellen wie: "Zeige mir alle Ausschreibungen, bei denen die Referenzanforderungen ungewöhnlich hoch sind" – eine Abfrage, die ohne semantisches Verständnis unmöglich wäre.

4. Cloud-Infrastruktur & Digitale Souveränität

Studien zeigen, dass für über 50 % der europäischen Großunternehmen "Digitale Souveränität" bis 2026 ein entscheidendes Kriterium bei IT-Ausschreibungen sein wird. Die Architektur muss also nicht nur klug, sondern auch sicher sein.

Hochverfügbarkeit vs. Datenschutz

KI-Modelle benötigen enorme Rechenleistung (GPUs). Eine reine On-Premise-Lösung (lokale Server) ist für die Analyse von Millionen Dokumenten oft zu langsam und zu teuer.Die Lösung liegt in hybriden Cloud-Architekturen oder spezialisierten europäischen Cloud-Anbietern, die DSGVO-Konformität garantieren.

• Containerisierung (z.B. Docker/Kubernetes): Ermöglicht es, die KI-Dienste flexibel zu skalieren. Wenn an einem Montag 5.000 neue Bekanntmachungen erscheinen, fährt das System automatisch Ressourcen hoch, um die Analyse in Minuten – nicht Tagen – abzuschließen.
• Isolation: Kundendaten (deine Suchprofile, deine Analysen) müssen strikt von den Trainingsdaten der KI getrennt sein. Eine saubere Multi-Tenant-Architektur stellt sicher, dass deine Strategie nicht in das allgemeine Modell "leakt".

Entscheidungshilfe: Wie du Anbieter vergleichst

Wenn du vor der Wahl stehst – manuelle Recherche, einfache Datenbank oder KI-Plattform – hilft ein strukturierter Vergleich. Viele Anbieter nutzen das Label "KI", verwenden aber nur einfache Regelwerke.

Achte bei deiner Evaluation besonders auf die Datenqualität und die Erklärbarkeit (Explainability). Ein System, das dir nicht sagen kann, warum es eine Ausschreibung für relevant hält, ist im professionellen Umfeld nutzlos.

Roadmap zur Implementierung

Die Einführung einer KI-basierten Ausschreibungsanalyse ist weniger ein IT-Projekt als ein Prozess-Upgrade. Da die meisten modernen Lösungen (wie Leto AI) als SaaS (Software as a Service) bereitgestellt werden, entfällt die komplexe Installation. Der Fokus liegt auf der Datenstrategie.

1. Daten-Audit: Welche Kriterien sind für uns entscheidend? (Reisezeiten, Bausummen, Referenztypen).
2. Pilotphase: Parallelbetrieb von manueller Suche und KI, um Vertrauen in die Trefferquote zu aufzubauen.
3. Skalierung: Integration der KI-Ergebnisse in CRM- oder ERP-Systeme.

Warum Leto AI auf diese Architektur setzt

Bei Leto AI haben wir uns bewusst für eine Architektur entschieden, die Verstehen über bloßes Finden stellt.

Unsere Plattform aggregiert 100 % aller öffentlichen Ausschreibungen in Deutschland von über 200 Plattformen. Aber die Masse an Daten ist ohne intelligente Filterung wertlos. Unsere KI analysiert die Dokumente in unter fünf Minuten und beantwortet spezifische Fragen zu Fristen und Anforderungen.

Das erreichen wir durch die Kombination aus neuronalen Netzen (für das Sprachverständnis) und kuratierten Wissensgraphen (für die Faktenprüfung). Das Ergebnis: Du sparst bis zu 98 % deiner Recherchezeit und kannst dich darauf verlassen, dass du keine relevante Chance übersiehst.

FAQ: Häufige Fragen zur KI-Architektur

Ist meine Suche sicher vor Konkurrenten?Ja. Durch strikte Mandantentrennung in der Datenbankarchitektur sind deine Suchprofile und Analysen isoliert. Das KI-Modell lernt nicht aus deinen spezifischen Strategiedaten.

Wie geht die Architektur mit dem EU AI Act um?Wir setzen auf "Explainable AI". Das bedeutet, dass unsere Architektur so gebaut ist, dass Entscheidungen der KI (z.B. das Ranking einer Ausschreibung) transparent auf die zugrunde liegenden Textpassagen im Originaldokument zurückgeführt werden können.

Kann die KI auch "zwischen den Zeilen" lesen?Dank der semantischen Analyse erkennt das System implizite Anforderungen. Wenn eine Ausschreibung "Erfahrung im Denkmalschutz" fordert, ohne das Wort "Denkmal" im Titel zu haben, wird unser semantisches Modell den Kontext verstehen und den Treffer liefern.

Fazit: Die Architektur entscheidet über den Erfolg. Wer KI im Vergabewesen einsetzt, braucht mehr als einen Chatbot. Es braucht ein System, das die Komplexität der VgV versteht und in verlässliche Insights übersetzt. Nur so wird aus Daten ein Wettbewerbsvorteil.