Ausschreibungstexte und Leistungsbeschreibungen automatisieren

Das echte Ausmaß des Problems

Die Erstellung von Leistungsverzeichnissen ist in deutschen Planungsbüros einer der zeitintensivsten und gleichzeitig ungeliebtesten Arbeitsschritte. Laut Branchenbeobachtungen fließen in kleinen und mittleren Architekturbüros 15–25 Prozent der Gesamtarbeitszeit in die Leistungsphasen 6 und 7 — Ausschreibung und Mitwirkung bei der Vergabe. Der Großteil davon ist Schreibarbeit: Leistungspositionen formulieren, Mengen ermitteln, Bieterhinweise verfassen, GAEB-Dateien erstellen.

Das Paradox: Diese Arbeit ist repetitiv und gleichzeitig haftungsrelevant. Eine schlecht formulierte Leistungsposition kann dazu führen, dass Bieter unterschiedliche Preise für dasselbe Bauteil kalkulieren — und der günstigste Anbieter im Nachhinein die Differenz als Nachtrag geltend macht. Nachrags-Streitigkeiten sind in deutschen Bauprojekten die häufigste Ursache für Honorarentzug und Rechtsstreitigkeiten zwischen Architekten und Bauherren.

Die STLB-Bau-Datenbank in Tools wie ORCA AVA hat dieses Problem teilweise entschärft — aber die Textdatenbank deckt Standardgewerke gut ab, während projektspezifische Besonderheiten (ungewöhnliche Konstruktionen, Sondermaterialien, besondere Ausführungsanforderungen) weiterhin individuell formuliert werden müssen. Genau hier setzt die KI an.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) 1–3 Stunden Einsparung pro Gewerk ist realistisch, wenn du bestehende Vorlagentexte als Kontext mitgibst. Bei 10–15 Gewerken pro Projekt summiert sich das auf 10–45 Stunden — das ist der größte messbare Zeitgewinn in LPH 6/7. Nicht der stärkste Use Case in dieser Kategorie (den hält die Entwurfsvisualisierung), aber der konsistenteste: Der Zeitgewinn tritt bei jedem Projekt auf.

Kosteneinsparung — mittel (3/5) Die Kostenersparnis ist indirekt: Das gleiche Team kann mehr Projekte bearbeiten, ohne dass mehr Personal eingestellt wird. Direkte Einsparungen entstehen durch vermiedene Nachträge — aber das ist schwer zu buchhalten, weil unklare Texte selten als Hauptursache eines Nachtrags dokumentiert werden. Reale Kosteneinsparung entsteht dort, wo ein Büro durch bessere Kapazität an mehr Aufträgen teilnehmen kann.

Schnelle Umsetzung — hoch (4/5) Einer der einfachsten Einstiege in dieser Kategorie. Du brauchst kein Setup, keine Integration — nur ChatGPT oder Claude und deine eigenen Vorlagentexte. In einer bis zwei Wochen entsteht eine Prompt-Bibliothek, die für deine häufigsten Gewerke funktioniert. Wer bereits ORCA AVA oder eine andere AVA-Software nutzt, kann KI als Ergänzung einsetzen, ohne etwas umzustellen.

ROI-Sicherheit — hoch (4/5) Der ROI ist direkt messbar: Stunden pro Gewerk vorher und nachher. Das ist selten in dieser Kategorie — die meisten Architektur-Use-Cases haben indirekte Nutzen. Wer drei Monate lang sauber Zeiten misst, hat klare Daten. Dieser Use Case eignet sich daher auch als Einstiegsprojekt für Teams, die KI beweisbar machen wollen.

Skalierbarkeit — sehr hoch (5/5) Das ist der höchste Wert im gesamten Architektur-Toolset für diesen Anwendungsfall: Jedes weitere Projekt profitiert gleich stark. Die Prompt-Bibliothek wächst mit jedem Gewerk, das du einmal gut formuliert hast. Und weil LV-Texte naturgemäß repetitiv sind — Mauerwerk nach DIN 1053 ist in Wohngebäuden immer ähnlich — steigt die Qualität des Outputs mit der Größe der Vorlagenbibliothek. Bei 20 Projekten pro Jahr reduziert sich der Aufwand für Standard-LVs nach einem Jahr auf die Hälfte des heutigen.

Richtwerte — stark abhängig von Bürogröße, Projekttypen und Qualität der vorhandenen Vorlagenbibliothek.

Was KI bei Ausschreibungstexten konkret macht

KI kann in der LV-Erstellung in zwei klar unterschiedlichen Bereichen helfen.

Bereich 1: Textentwürfe für Standardpositionen

Du gibst an, welches Bauteil du beschreiben willst, und lädst einen ähnlichen Text aus einem früheren Projekt als Referenz hoch. Die KI generiert einen angepassten Entwurf. Zum Beispiel:

“Erstelle eine Leistungsbeschreibung für die Position ‘Gipskarton-Trennwand, 2-lagig beplankt, Schallschutzwert Rw ≥ 47 dB, Wandhöhe 3,20 m’. Nutze als Referenz die beigefügte Position aus unserem Trockenbau-LV vom Projekt [X].”

Das Ergebnis ist ein präzis formulierter Textentwurf, den du auf Vollständigkeit und Projektspezifik prüfst. Dieser Schritt spart nicht das Fachurteil — er spart das Formulieren des Rohtextes.

Bereich 2: Bieterhinweise und Vertragstexte

Vorbemerkungen für Leistungsverzeichnisse, Bieterhinweise und allgemeine Vertragsbedingungen sind hochgradig standardisiert. Hier ist KI am stärksten: Du gibst Projekttyp, Auftraggeber (öffentlich/privat), VOB-Geltung und besondere Anforderungen an — und erhältst einen strukturierten Textentwurf, der die üblichen VOB/B-Klauseln einschließt.

Was KI bei LV-Texten definitiv nicht kann:

Mengenermittlung: KI kann keine Pläne lesen und keine Mengen ermitteln. Das bleibt ein manueller oder AVA-gesteuerter Schritt. Ohne Mengenangabe ist kein LV vollständig.

GAEB-Dateierstellung: KI-generierte Texte müssen in dein AVA-System (ORCA AVA, RIB iTWO oder vergleichbar) manuell übertragen werden. Eine direkte GAEB-Ausgabe aus ChatGPT gibt es nicht.

Rechtssichere VOB-Prüfung: KI kann VOB-Standardformulierungen kennen — aber ob eine spezifische Vertragsklausel für deinen Auftraggeber rechtlich standhält, ist kein LLM-Urteil. Für juristisch heikle Positionen braucht es Fachprüfung.

Konkrete Werkzeuge — was wann passt

ChatGPT (GPT-4o) oder Claude (ab 20–25 €/Monat) Für die meisten LV-Schreibaufgaben reicht ein generisches LLM mit längem Kontextfenster. Du lädst deine Referenztexte und Pläne (als PDF, soweit textuell) hoch und arbeitest mit strukturierten Prompts. Claude hat ein etwas größeres Kontextfenster und eignet sich besser für lange Dokumente; ChatGPT hat ein breiteres Ökosystem für Plugins und Bild-Upload. Beide kosten 20–25 €/Monat.

ORCA AVA (ab ca. 1.200 €/Jahr) als Basis LV-Erstellung mit KI funktioniert am besten als Ergänzung zu einer AVA-Software, nicht als Ersatz. ORCA AVA bleibt das System, in dem Positionen strukturiert und exportiert werden. KI übernimmt das Formulieren von Textentwürfen, die dann in ORCA übertragen werden. Die STLB-Bau-Datenbank in ORCA deckt Standardpositionen ab — KI hilft bei den Sonderformulierungen.

NotebookLM (kostenlos / ca. 22 €/Monat) Wenn du eine wachsende Bibliothek eigener LV-Referenztexte aufbauen willst, eignet sich NotebookLM als suchbares Archiv: Du lädst alle früheren LVs hoch und kannst gezielt fragen, wie du eine ähnliche Position in Projekt X formuliert hast. Das ist kein LV-Generator, sondern ein RAG-basiertes Nachschlagewerk für eigene Texte.

Datenschutz und Datenhaltung

Ausschreibungsunterlagen enthalten in der Regel keine personenbezogenen Daten im DSGVO-Sinne — Planungsinhalte, Bauteil-Spezifikationen und Mengentabellen sind keine Personendaten. Trotzdem gibt es relevante Punkte:

Wettbewerbsschutz: Ausschreibungsunterlagen sind häufig vertraulich bis zur Angebotsöffnung. Wenn du Leistungsverzeichnis-Inhalte in US-amerikanische Cloud-Tools (ChatGPT, Claude) hochlädst, überträgst du Projektinhalte an US-Server. Das ist kein DSGVO-Problem — aber es kann vertragliche Klauseln mit Auftraggebern berühren, die Datenweitergabe an Dritte einschränken.

Öffentliche Auftraggeber: Bei öffentlichen Ausschreibungen (VOB/A) sind die Unterlagen nach Angebotsöffnung ohnehin öffentlich. Vor der Öffnung gilt Vertraulichkeit — prüfe deine Vertragssituation.

API-Betrieb für sensible Projekte: Für Projekte mit strengen Vertraulichkeitsklauseln: Nutze die API-Version von OpenAI oder Anthropic mit aktivem AVV. In der API werden Eingabedaten nicht für das Modelltraining verwendet.

Empfehlung: Ersetze in Prompts Projektnamen, Auftraggeber und Adressen durch Platzhalter (“Auftraggeber A”, “Standort X”). Die inhaltliche Formulierungsaufgabe funktioniert auch mit anonymisierten Eingaben.

Was es kostet — realistisch gerechnet

Setup-Aufwand (einmalig):

• Prompt-Bibliothek für 5–8 häufigste Gewerke entwickeln: 8–12 Stunden
• Referenz-LVs aus Bestandsprojekten aufbereiten und verschlagworten: 4–6 Stunden
• Tool-Abonnements: 0 € Startkosten bei vorhandenem ChatGPT/Claude-Abo

Laufende Kosten (monatlich):

• ChatGPT Plus oder Claude Pro: 20–25 €/Monat
• Keine Zusatzkosten, wenn ORCA AVA oder vergleichbare AVA-Software ohnehin vorhanden

Konservative ROI-Rechnung:

• 3 Projekte pro Monat, je 5 Gewerke mit je 2 Stunden KI-Unterstützung: 30 Stunden Zeitersparnis/Monat
• Interner Stundensatz Architekt: 80–120 €/Stunde
• Monatliche Zeitersparnis: 2.400–3.600 €
• Dazu: mindestens ein vermiedener Nachtrag pro Quartal (konservativ 1.000–3.000 €)
• Mehrkosten: faktisch 0 € bei vorhandenem ChatGPT/Claude-Abo

Das ist einer der klarsten ROI-Fälle im Architektur-Toolset — weil der Zeitaufwand für LV-Erstellung in jedem Büro systematisch und messbar ist.

Drei typische Einstiegsfehler

1. KI-generierte Texte ungeprüft in das LV übernehmen. KI-Texte klingen präzise — sind es aber nicht immer. Ein generierter Text kann technisch korrekt klingen und trotzdem eine Ausführungsanforderung weglassen, die für dein spezifisches Bauteil entscheidend ist. Jede KI-generierte Position muss von einem Fachmann gegen den tatsächlichen Planungsstand geprüft werden. Das ist kein Misstrauen gegenüber dem Tool — es ist Sorgfaltspflicht nach HOAI.

2. Den Aufwand für die Vorlagen-Aufbereitung unterschätzen. KI-Texte sind nur so gut wie die Referenztexte, die du mitgibst. Wer veraltete, halbfertige oder projektfremde Vorlagen hochlädt, bekommt mittelmäßige Ergebnisse. Investiere einmalig 4–6 Stunden, um deine besten Referenz-LVs aufzubereiten — strukturiert, vollständig, mit Anmerkungen zu häufigen Sonderfällen. Das ist der einmalige Aufwand, der die Qualität der KI-Ausgaben dauerhaft hebt.

3. KI als Ersatz für ORCA AVA oder die STLB-Bau-Datenbank betrachten. LLMs kennen keine aktuellen STLB-Bau-Texte und können keine GAEB-Dateien erstellen. KI ist Formulierungsassistent, kein AVA-System. Der richtige Einsatz: STLB-Bau für Standardpositionen, KI für Sonderformulierungen und Vorbemerkungen. Das eine ersetzt das andere nicht.

4. Die Wartungspflicht der Prompt-Bibliothek ignorieren. Eine Prompt-Bibliothek, die mit aktuellen Projekten entwickelt wurde, wird nach 12–18 Monaten lückenhaft — neue Normen (GEG-Änderungen, DIN-Updates), neue Materialien, neue Gewerksanforderungen. Plane eine jährliche Durchsicht der Vorlagentexte ein und prüfe, ob die Referenzprojekte noch dem aktuellen Stand entsprechen.

Was mit der Einführung wirklich passiert

Der technische Start ist einfach. Das Kulturproblem ist der Satz: “Das brauche ich nicht — ich kann das selbst schreiben.”

Das stimmt. Erfahrene Architekten können LV-Texte selbst schreiben — oft besser als eine KI. Das ist nicht das Problem. Das Problem ist der Zeitdruck: Wenn ein erfahrener Architekt zwischen Bauherrntermin, Baubeginn und LV-Erstellung wählen muss, ist das LV das, was abends unter Müdigkeit entsteht. Genau dann sind Fehler am wahrscheinlichsten.

KI ist kein Ersatz für Fachkenntnis. Es ist ein Puffer gegen Zeitdruckfehler.

Zwei typische Widerstandsmuster:

“Ich muss das sowieso nochmal prüfen — also spart es mir keine Zeit.” Das Gegenargument: Der Unterschied zwischen einem KI-Entwurf verbessern und einen Text von Null schreiben ist erheblich. Einen schlechten Entwurf verbessern dauert die Hälfte — das weiß jeder, der schon mal mit einer Vorlage gearbeitet hat.

“Unsere Texte sind zu projektspezifisch.” Das ist bei Sonderformulierungen berechtigt. Aber Vorbemerkungen, Bieterhinweise, allgemeine VOB-Klauseln und die Mehrzahl der Standardpositionen sind nicht projektspezifisch — und das sind auch 60–70 Prozent des LV-Volumens.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„KI kennt unsere spezifischen Konstruktionsdetails nicht.” Das stimmt — und deshalb musst du die Details als Kontext mitgeben. KI ist kein Allwisser, sondern ein Formulierungsassistent. Wer die Konstruktionsdetails in den Prompt gibt, bekommt präzise Texte. Wer vage fragt, bekommt vage Antworten. Das ist kein Werkzeugproblem, sondern ein Bedienungsproblem.

„Was passiert, wenn die KI einen technischen Fehler einbaut und der Auftragnehmer darauf besteht?” Das Haftungsrisiko liegt beim Architekten, nicht beim Tool — wie bei jedem anderen Formulierungshilfsmittel auch. Wer ein KI-generiertes LV ungeprüft herausgibt, handelt fahrlässig. Wer es prüft und dann herausgibt, hat den üblichen Sorgfaltsmaßstab eingehalten. Die Fachprüfung ist kein optionaler Schritt.

„Unsere Kunden erwarten, dass wir das selbst machen — nicht eine KI.” Das Ergebnis ist ein Leistungsverzeichnis, das von einem Architekten geprüft, verantwortet und unterschrieben wird. Welches Werkzeug beim Formulieren eingesetzt wurde, ist keine vertragsrelevante Information — genauso wenig wie die Frage, ob eine STLB-Bau-Textdatenbank oder eine selbst formulierte Position verwendet wurde.

Woran du merkst, dass das zu dir passt

• Du erstellst regelmäßig LVs für 5 oder mehr Gewerke pro Projekt — und du weißt, dass die Qualität der Texte unter Zeitdruck leidet
• Du hast eine Sammlung guter Referenz-LVs aus Bestandsprojekten — mindestens für die häufigsten 3–5 Gewerke deines Büros
• Du nutzt bereits AVA-Software (ORCA AVA, RIB iTWO oder vergleichbar) — KI ergänzt diesen Workflow, ersetzt ihn nicht
• Dein Team umfasst auch jüngere Mitarbeitende, die LV-Entwürfe erstellen, die dann geprüft werden — KI verbessert hier die Ausgangsbasis

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als 3 LV-pflichtige Projekte pro Jahr. Der Aufbau der Prompt-Bibliothek und Referenz-Aufbereitung lohnt sich nicht bei sehr geringem Volumen. Wer selten ausschreibt, braucht dieses System nicht.

2. Keine AVA-Software im Einsatz. Ohne AVA-System ist der LV-Prozess ohnehin nicht strukturiert genug, um KI sinnvoll zu integrieren. Dann ist die erste Investition eine AVA-Software — und erst danach KI als Ergänzung.

3. Ausschließlich hochspezialisierte Sonderprojekte ohne Vergleichsobjekte. Wer Museen, Industrieanlagen oder Sonderbauten mit ausschließlich individuellen Konstruktionen plant, profitiert wenig von Referenz-Vorlagen. Dann ist der KI-Anteil gering, weil Standardisierung fehlt.

Das kannst du heute noch tun

Wähle aus deiner Ablage ein gut dokumentiertes abgeschlossenes Projekt aus, das du gut kennst — eines mit mindestens drei Gewerken, für die du LVs erstellt hast. Kopiere die Texte einer Leistungsposition (z. B. das komplette Gewerk Trockenbau) und gib sie in Claude oder ChatGPT mit der Aufgabe ein, eine ähnliche Position für ein fiktives neues Projekt anzupassen.

Das dauert 20 Minuten. Was du danach weißt: Wie gut die KI mit deinen eigenen Texten als Referenz umgeht — und ob die Ausgabe direkt verwertbar ist oder ob du die Prompts weiterentwickeln musst.

Für eine vollständige Gewerk-Vorlage nutze dieses Prompt-Schema:

Quellen & Methodik

• Zeitanteil LPH 6/7 in Planungsbüros: Schätzwerte aus Branchengesprächen und HOAI-Honorarkalkulationen; keine repräsentative Studie verfügbar; Richtwert 15–25 % der Gesamtarbeitszeit in kleinen/mittleren Büros
• Nachtragsstatistik im Hochbau: Branchenberichte des Hauptverbands der Deutschen Bauindustrie; häufigste Ursache: unklare Leistungsbeschreibungen und fehlende Spezifikationen
• STLB-Bau-Datenbank: ORCA AVA Produktbeschreibung und Datenbankumfang, Stand April 2026
• ChatGPT Plus / Claude Pro Preise: Veröffentlichte Tarife der Anbieter, Stand April 2026
• Zeitersparnis LV-Erstellung mit KI: Phase0.com Praxisbericht “KI für Ausschreibungen”; 3xperts.com Erfahrungsbericht; Messung ergab >55 % Zeitersparnis bei Standardgewerken