Das Problem: Angebote dauern ewig
Ein Kunde von mir, Mittelständler aus der Industrie. Solide Firma, gute Leute. Aber jedes Mal wenn ein Angebot raus musste, war das ein halber Arbeitstag. Der Projektleiter sammelt Anforderungen, recherchiert Preise, tippt alles in Word, formatiert, rechnet nach, liest quer. Zwei bis drei Stunden, je nach Komplexität.
Klingt nicht dramatisch? Rechne mal: Ein Projektleiter kostet die Firma 60 Euro die Stunde. Fünf Angebote die Woche. Das sind 600 Euro nur fürs Angeboteschreiben. Dazu kommen Fehler. Mal stimmt die Kalkulation nicht, mal fehlt eine Position, mal passt der Ton nicht zum Kunden. Ein klassischer Fall für KI.
Die Idee: Ein KI-Agent der mitdenkt
Mein Ansatz war nicht "lass die KI ein Template ausfüllen". Das kann jedes Textprogramm. Ich wollte einen Agenten bauen, der wirklich versteht was gebraucht wird. Der die Anforderungen liest, Ungereimtheiten erkennt, Rückfragen stellt und dann ein sauberes Angebot zusammenbaut.
Wichtig war mir: Kein Black-Box-Verhalten. Der Mensch muss sehen was passiert. Also transparente Schritte. Anforderungen analysieren, unklare Punkte klären, technische Lösung skizzieren, Kosten kalkulieren, Angebot formatieren. Jeder Schritt hat einen Output, jeder Schritt kann kontrolliert werden.
So funktioniert das Ganze
Technisch läuft das Ganze über n8n. Der Workflow sieht so aus: Der Nutzer gibt die Anforderungen in ein einfaches Formular ein. Das geht an ein LLM (wir nutzen Mistral), das die Anforderungen analysiert und die wichtigsten Parameter extrahiert. Wenn was unklar ist, kommen Rückfragen.
Aus den geklärten Anforderungen wird dann eine technische Gliederung erzeugt. Parallel rechnet der Agent die Kalkulation hoch, basierend auf einer internen Stundenmatrix und historischen Projektdaten. Alles landet am Ende in einem Word-Template, weil der Kunde damit weiterarbeiten will. Zwei Minuten später liegt das fertige Angebot im Shared Drive.
Das entscheidende Stück war die Anbindung an die bestehende Infrastruktur. Der Kunde hat sein CRM, die Kostendatenbank und das Projektmanagement alles über APIs angebunden. So arbeitet der Agent nicht nur intelligent, sondern auch kontextuell korrekt. Er kennt die Fehlerquoten des Teams, die durchschnittlichen Budgets, die Standard-Hardware.
Das Ergebnis: 2 Minuten statt 2 Stunden
Nach zwei Wochen Livebetrieb: Die durchschnittliche Zeit pro Angebot ist von 120 Minuten auf 18 Minuten runter. Zwei Minuten für die Generation, der Rest für Review und kleine Anpassungen. Das sind 85 Prozent weniger Zeitaufwand.
Noch besser: Die Fehlerquote ist gesunken. Der Agent macht immer die gleichen Checks. Keine vergessenen Positionen, keine falschen Preise. Das Team kann sich jetzt auf echte Kundenberatung konzentrieren statt auf Copy-Paste-Arbeit.
Ein Nebeneffekt: Die Angebote lesen sich besser. Weil sie vom LLM formuliert werden statt aus alten Textbausteinen zusammengestückelt. Der Ton ist konsistenter, die Struktur nachvollziehbar. Mehrere Kunden haben angemerkt, dass die Angebote professioneller geworden sind.
Was ich dabei gelernt habe
Erstens: LLMs mögen Struktur. Je klarer du der KI die Aufgabe in einzelne Schritte zerlegst, desto besser wird das Ergebnis. Ein monolithisches "schreib mir ein Angebot" funktioniert nicht. Aber "analysiere die Anforderungen, dann klär die offenen Punkte, dann kalkuliere, dann schreib" funktioniert hervorragend.
Zweitens: Die Integration in echte Systeme ist 70 Prozent der Arbeit. Den KI-Teil zu bauen war der einfachere Part. Was den echten Unterschied macht: dem Agent echte Daten geben. Kosten, Fehlerraten, vergangene Projekte. Das trennt "nettes Spielzeug" von "echter Produktivitätsgewinn".
Drittens: Nicht zu viel Magie. Mein erster Entwurf war viel ausgefeilter. Am Ende habe ich bewusst zurückgefahren. Menschen müssen nachvollziehen können, woher die Zahlen kommen. Vertrauen ist wichtig wenn es um Angebote geht, die die Firma an echte Kunden schickt.
Und viertens: Konkrete Zahlen messen. Nicht "der Agent ist toll", sondern "18 Minuten statt 120". Das sind die Sachen die zählen. Nächste Woche starten wir schon das Folgeprojekt: die gleiche Logik für interne Kalkulationen.