Mit KI den Millionen-Deal gewinnen

Willkommen zum Podcast! Ich bin Max Quantum, und an meiner Seite ist wie immer Eva Cortex. Und Eva, stell dir mal folgendes Szenario vor: Es ist 23:40 Uhr in einem Großraumbüro. Ein Bid-Team sitzt vor einem Stapel Papier — genauer gesagt einem 180-seitigen RFP, einem Request for Proposal, für einen öffentlichen Großauftrag. Ein einziger formaler Fehler, ein fehlender Nachweis oder eine unpräzise Formulierung im Kapitel zur IT-Sicherheit, und das gesamte Angebot fliegt in der ersten Runde raus. Das klingt nach purem Stress. Und ganz ehrlich, wer da um fast Mitternacht sitzt, korrigiert meistens keine strategischen Feinheiten mehr, sondern kämpft nur noch gegen die Formatierung und die Deadline. Aber warum ist dieser Prozess für die Firmen eigentlich so verdammt wichtig? Weil es um nackte Existenz geht. Bei diesen Ausschreibungen geht es nicht um ein paar tausend Euro. Wir reden von Bauaufträgen, IT-Infrastruktur für Ministerien oder Logistik-Konzessionen im Wert von zig Millionen. Wer hier verliert, verliert oft den Umsatz des nächsten Halbjahres. Und genau in diese Nische stößt ein britisches Startup namens AutogenAI. Die verkaufen aber keine einfache Schreibhilfe für die Marketingabteilung. Okay, warte mal — wenn ich das richtig verstehe, dann ist das also kein verkleidetes ChatGPT, das einfach nette Absätze formuliert? Was machen die stattdessen? Genau. Der Punkt ist ein anderer. Sie bauen für jeden Kunden eine eigene, geschlossene Sprach-Engine auf. Diese Engine wird mit den historischen Daten des Kunden gefüttert: frühere Gewinner-Angebote, zertifizierte Referenztexte, spezifische Projektbeschreibungen und das hauseigene Wording. Wenn eine neue Ausschreibung reinkommt, analysiert das System die Anforderungen und generiert einen ersten, maßgeschneiderten Entwurf im exakten Stil des Hauses, der bereits auf die spezifischen Bewertungskriterien der Ausschreibung optimiert ist. Das heißt konkret: Die Nutzer sind hier keine kreativen Texter, sondern hochspezialisierte Bid-Manager in Beratungen, Baukonzernen oder großen Dienstleistungsfirmen. Und bezahlt wird am Ende nicht für die Schönheit der Prosa, sondern schlicht für die Gewinnquote. [reflective][pauses] Aber hier ist mein Realitätscheck dazu: Der entscheidende Hebel ist doch nicht, ob die KI auf Knopfdruck ein perfektes, abgabebereites Dokument ausspuckt. Das wird sie bei einem 180-Seiten-RFP nie fehlerfrei tun. Es geht darum, wie schnell das Team von null auf einen soliden, strukturierten Entwurf kommt, den sie dann verfeinern können, ohne die Kontrolle über die rechtlich bindenden Details zu verlieren. Exakt. Es geht um die sogenannte "Time-to-First-Draft". Wenn du die Zeit für den ersten Entwurf von drei Tagen auf drei Stunden reduzierst, bleibt dem Team plötzlich die Zeit, die es wirklich braucht: für die strategische Preisgestaltung, die Feinabstimmung mit den Fachabteilungen und die Risikoanalyse. Der Hebel liegt in der Verteilung der menschlichen Arbeitszeit — weg vom repetitiven Formulieren, hin zum strategischen Feinschliff. Wenn man sich erfolgreiche B2B-Anwendungen anschaut, erkennt man ein klares Muster bei der Monetarisierung. Viele Tools in den Bereichen Buchhaltung oder Recruiting argumentieren primär über reine Effizienz — also über eingesparte Arbeitsstunden. Bei AutogenAI verschiebt sich die Argumentation komplett. Sie verkaufen nicht die Einsparung von Kosten, sondern die Erhöhung des Umsatzes. Sie verkaufen eine höhere Wahrscheinlichkeit, den Zuschlag zu bekommen. Heißt für mich: Psychologisch ist das ein völlig anderes Verkaufsgespräch. Wenn ich einem CFO sage: „Ich spare deinem Team zehn Stunden pro Woche“, dann rechnet er den Stundensatz dagegen und feilscht um die Lizenzgebühr. Wenn ich aber dem Vertriebsvorstand sage: „Mit diesem System erhöhen wir eure Chance, den 50-Millionen-Euro-Infrastruktur-Deal zu gewinnen, um schätzungsweise zehn Prozent“, dann guckt er nicht mehr auf die Softwarekosten. Genau darin liegt der eigentliche Hebel. Und diese Dynamik spiegelt sich auch in den Finanzierungsdaten wider. Das Unternehmen hat in einer Serie-B-Runde rund 39,5 Millionen US-Dollar eingesammelt, angeführt von namhaften Investoren wie Salesforce Ventures. Aus Branchenkreisen hört man zudem von einer Umsatzgröße in der Region von sage und schreibe 36 Millionen US-Dollar Annual Recurring Revenue, also jährlich wiederkehrendem Umsatz. Das zeigt uns: Hier wird kein Nice-to-have-Tool finanziert, sondern eine neue Kategorie im Enterprise-Vertrieb etabliert. 36 Millionen Dollar ARR sind für ein so hochspezialisiertes Thema tatsächlich eine Ansage. Aber ich versuche das gerade mal für mich runterzubrechen: Wer sitzt da am Ende auf Kundenseite und unterschreibt diese teuren Verträge? Ist das der Bid-Leiter, der einfach sein überarbeitetes Team entlasten will, oder entscheidet das die Geschäftsführung, weil sie die nackten Zahlen sieht? Der Impuls kommt meistens aus der operativen Bid-Unit, die unter dem permanenten Termindruck leidet. Aber die Kaufentscheidung wird auf C-Level getroffen. Für die Geschäftsführung spielen drei Faktoren zusammen: Erstens die Erhöhung des Durchsatzes — man kann sich auf mehr Ausschreibungen gleichzeitig bewerben. Zweitens die Risikoreduktion, weil keine Pflichtenhefte mehr übersehen werden. Und drittens eben die Gewinnwahrscheinlichkeit. Wenn ein einzelner zusätzlicher Großauftrag den Softwarevertrag für die nächsten fünf Jahre bezahlt, ist die Hürde für die Freigabe extrem niedrig. Okay, aber genau da müssen wir auch ein bisschen auf die Bremse treten. AutogenAI wirbt ja sehr offensiv mit beeindruckenden Kundendaten — da ist von signifikant höheren Gewinnquoten, massiven Kostensenkungen im Angebotsprozess und enormen Produktivitätsgewinnen die Rede. Aber das sind natürlich primär Angaben des Anbieters oder ausgewählte Fallstudien von Kunden. Unabhängig geprüfte, wissenschaftliche Zahlen, die das über hunderte Branchen hinweg belegen, gibt es logischerweise noch nicht. Das ist ein extrem wichtiger Einwand. Jedes Bid-Team ist nur so gut wie die Daten, die es einspeist. Wenn deine historische Datenbasis fehlerhaft ist oder du die KI nicht präzise führst, bekommst du nur schnelleren, aber eben nicht besseren Ausschuss. Die Technologie ersetzt nicht den Sachverstand des Experten im Raum, sondern beschleunigt ihn nur. Heißt als Learning für uns: Der wahre Wert entsteht nicht durch die pure KI-Generierung, sondern durch die tiefe Integration in die spezifischen Arbeitsprozesse und das exklusive Firmenwissen. Das ist es auch, was das Ganze am Ende schwer kopierbar macht — nicht der Algorithmus selbst, sondern das über Jahre trainierte, kundeneigene System. Ein spannendes Modell, das zeigt, dass der größte Hebel für KI oft in den scheinbar trockensten Prozessen liegt.