Materialbestellung und -planung mit KI

Das echte Ausmaß des Problems

Eine falsch bestellte Lieferung klingt nach einem kleinen Fehler — ist aber ein Baustellenstopp von einem halben Tag. Der Elektriker kann nicht weiter, weil die falschen Kabelquerschnitte geliefert wurden. Der Fliesenleger hat 20 Quadratmeter zu wenig Material bestellt. Der Heizungstechniker merkt am Montagetag, dass ein Bauteil fehlt, das er hätte mitbestellen müssen. Wer einmal erlebt hat, wie eine komplette Montagekolonne mit fünf Mann einen Tag wartet, rechnet schnell: Das sind 1.500 bis 2.500 Euro verbrannte Kosten für einen einzigen Planungsfehler.

Laut einer Analyse des Instituts für Bauwirtschaft und Bautechnik wurden in kleinen und mittleren Handwerksbetrieben bei 15 bis 25 Prozent aller Projekte Nachlieferungen notwendig — durch falsche Mengen, fehlende Artikel oder Missverständnisse bei der Spezifikation. Jede Nachlieferung kostet durchschnittlich vier bis acht Stunden Verzögerung plus Expresslieferungsaufschläge von 20 bis 40 Prozent.

Das dritte Problem ist Überbestellung. Um Engpässe zu vermeiden, bestellt mancher Betrieb pauschal 15 Prozent mehr Material als geplant. Das bindet Kapital, schafft Lagerchaos und führt zu Materialresten, die nie verwendet werden. Gerade bei Sondermaterialien mit begrenzter Haltbarkeit oder spezifischer Verwendung ist das eine stille Kostenposition, die selten ausgewertet wird.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Pro Projekt werden 20 bis 30 Minuten gespart — das ist real, aber kein täglicher Hebel. Materialbestellung passiert nicht täglich, sondern projektbezogen. Im Vergleich zur Angebotserstellung oder täglichen Baudokumentation ist die kumulierte Zeitersparnis deutlich geringer. Platz 2 in dieser Branche.

Kosteneinsparung — hoch (4/5) Die Einsparung kommt weniger aus dem Zeitgewinn als aus vermiedenen Fehlkosten: Ein einziger vermiedener Baustellenstopp übertrifft oft die Monatskosten des Systems. Dazu kommen reduzierte Überbestellungen, die Kapital freisetzen. Der Effekt ist real und direkt messbar — deshalb Platz 4.

Schnelle Umsetzung — mittel (3/5) Der Einstieg ist nicht so einfach wie Kundenkommunikation oder Angebotserstellung, weil die KI zunächst deine Lieferantenlisten und Materialstandards kennenlernen muss. Das dauert zwei bis vier Wochen für einen stabilen Pilotbetrieb. Nicht komplex, aber auch nicht sofort fertig.

ROI-Sicherheit — hoch (4/5) Fehlbestellungskosten sind in den meisten Betrieben bekannt oder rekonstruierbar. Wenn du weißt, dass du durchschnittlich zwei Nachlieferungen pro Monat hast, kannst du den Nutzen des Systems direkt gegenrechnen. Die Kausalität ist klarer als bei Kundenkommunikation.

Skalierbarkeit — mittel (3/5) Das System wächst mit dem Projektvolumen, aber jede neue Materialkategorie oder jeder neue Lieferant muss initial eingebunden werden. Mittelfeld — nicht so selbstlaufend wie ein Chatbot, aber auch nicht so aufwendig wie komplexe ERP-Integrationen.

Richtwerte — stark abhängig von Gewerk, Projektvolumen und Lieferantenstruktur.

Was KI-gestützte Materialplanung konkret macht

Schritt 1 — Angebot als Quelle nutzen Das fertige Angebot enthält bereits alle Positionen, Mengen und Leistungsbeschreibungen. Eine KI liest das Dokument und extrahiert daraus automatisch eine strukturierte Materialliste — mit Artikelbezeichnung, Menge, Einheit und Puffer. Was früher manuelles Übersetzen war, ist jetzt ein 5-Minuten-Schritt.

Schritt 2 — Lieferantendaten einbeziehen Du hast Preislisten und Artikelnummern deiner Stammlieferanten? Diese gibst du der KI als Kontext. Das System ordnet jede Position auf der Materialliste einem konkreten Artikel aus deinem Lieferantensortiment zu und erstellt einen fertigen Bestellvorschlag — inklusive Alternativen, wenn ein Artikel nicht verfügbar ist.

Schritt 3 — Plausibilitätsprüfung Vor dem Absenden prüft das System Mengen gegen historische Referenzprojekte: „Für ein Bad dieser Größe wurden in vergleichbaren Projekten zwischen 28 und 35 Quadratmeter Fliesen bestellt — dein Vorschlag liegt bei 22.” Das fängt Fehler auf, bevor sie zur Bestellung werden.

Schritt 4 — Direktbestellung oder Export Mit einem Klick geht die Bestellung an den Lieferanten — per E-Mail mit vorausgefüllten Tabellen oder direkt über eine API-Integration. Kein manuelles Eintippen, keine vergessenen Positionen.

Konkrete Werkzeuge — was wann passt

ChatGPT — für die Extraktion von Materiallisten aus Angeboten, Plänen und Leistungsverzeichnissen. Du lädst das Dokument hoch, gibst an, was du brauchst, und bekommst eine strukturierte Liste. Gut für den Einstieg ohne technisches Setup. Ab 0 Euro.

Claude — besonders stark bei der Analyse langer Dokumente wie Leistungsverzeichnissen oder technischen Spezifikationen. Kann größere Kontexte besser verarbeiten. Ab 0 Euro (Pro: 20 Euro/Monat).

Gemini — für Bildanalyse von Bauplänen und technischen Zeichnungen: Gemini kann Bilder verarbeiten und Maße aus Skizzen extrahieren, um Mengenermittlungen zu unterstützen. Ab 0 Euro.

Make — für vollautomatische Workflows: Neues Angebot wird fertiggestellt → Materialliste wird extrahiert → Bestellvorschlag wird generiert → Export an Lieferanten. Ab 9 Euro/Monat.

Microsoft 365 Copilot — wenn deine Angebote in Word oder Excel entstehen: Copilot kann Tabellen aus Dokumenten extrahieren und in Bestelllisten überführen. Ab 28,10 Euro/Nutzer/Monat.

Zapier — für die Verbindung mit Handwerkersoftware wie Lexware oder Sevdesk: Wenn das Angebot genehmigt wird, wird automatisch eine Materialliste erstellt und zur Prüfung weitergeleitet. Ab 20 Euro/Monat.

Datenschutz und Datenhaltung

Materiallisten und Bestellunterlagen enthalten in der Regel keine sensiblen personenbezogenen Daten — hauptsächlich Produkt-, Mengen- und Preisangaben. Das macht die DSGVO-Relevanz hier deutlich geringer als bei Kundenkommunikation oder Baudokumentation.

Wenn jedoch Auftragsinformationen mit Kundennamen und Projekten in der KI verarbeitet werden, gilt auch hier die AVV-Pflicht. Da die meisten Handwerksbetriebe ohnehin AVV-Verträge mit OpenAI oder Anthropic abschließen sollten, ist das kein Zusatzaufwand für diesen Anwendungsfall.

Wichtiger als DSGVO ist in diesem Kontext der Schutz von Geschäftsgeheimnissen: Lieferantenpreise und Einkaufskonditionen sind sensible Betriebsdaten. Wenn du diese in ein Cloud-KI-Tool eingibst, verlässt du dich darauf, dass der Anbieter sie nicht für das Training verwendet. OpenAI und Anthropic bieten dafür Business-/Team-Tarife mit entsprechenden Datenschutzoptionen.

Was es kostet — realistisch gerechnet

Einstieg (manuelle KI-Unterstützung)

• ChatGPT Plus: 20 Euro/Monat
• Zeitaufwand: 2–3 Stunden Einarbeitung, dann 20–30 Minuten pro Projekt gespart
• Kein technisches Setup nötig
• Ergebnis: strukturierte Materiallisten in Minuten statt Stunden

Automatisiert (workflow-integriert)

• Make + KI-API: ca. 30–60 Euro/Monat
• Integration in bestehende Software: 800–2.000 Euro Einrichtungsaufwand (einmalig)
• Ergebnis: vollautomatische Bestellvorbereitung nach Angebotsgenehmigung

ROI-Beispiel Betrieb mit 150 Projekten/Jahr, bisher 20 Nachlieferungen (entspricht 13 % Quote). Jede Nachlieferung kostet im Schnitt 300 Euro (Verzögerung, Express, Aufwand). Das sind 6.000 Euro Jahreskosten durch Planungsfehler. Wenn die KI-gestützte Materialplanung die Quote auf 5 % reduziert: Einsparung von 3.750 Euro/Jahr (20 − 7,5 vermiedene Nachlieferungen × 300 €). Tool-Kosten: unter 800 Euro/Jahr.

Typische Einstiegsfehler

1. Lieferantenlisten nicht aktuell halten. Wenn die KI Bestellvorschläge auf Basis veralteter Preislisten macht, stimmen die Kalkulationen nicht. Gib der KI immer die aktuellen Preislisten als Kontext — und pflege sie einmal pro Quartal. Das klingt nach Aufwand, ist aber 30 Minuten pro Quartal.

2. KI-Listen ohne Prüfung bestellen. Besonders am Anfang ist manuelles Prüfen Pflicht. Die KI kann Positionen falsch zuordnen, Einheiten verwechseln oder Sondermaterialien übersehen. Bis das System für dein Gewerk gut kalibriert ist (nach etwa zehn bis zwanzig Projekten), ist der Prüfschritt nicht optional.

3. Mit Sonderprojekten starten. Die KI lernt durch Muster. Wenn du mit deinen ausgefallensten Projekten beginnst, wird die Qualität enttäuschen. Starte mit den drei bis fünf häufigsten, standardisiertesten Projekttypen in deinem Betrieb — dort ist die KI sofort gut.

4. Die Plausibilitätsprüfung nicht ernst nehmen. Eine automatische Materialliste ist nur so gut wie die Plausibilitätskontrolle. Wenn das System meldet: „Diese Menge liegt außerhalb des üblichen Bereichs für diesen Projekttyp” — dann ist das ein Signal, kein Hinweis den man ignoriert. Diese Checks zu überspringen ist der häufigste Weg, wie die alten Fehler durch neue Fehler ersetzt werden.

Was mit der Einführung wirklich passiert — und was nicht

Der erste Monat ist eine Lernkurve. Die KI-Ausgaben sind gut, aber noch nicht perfekt auf das eigene Gewerk kalibriert. Es gibt Fehler — falsche Einheiten, fehlende Sonderpositionen, falsche Pufferwerte. Das ist normal.

Was ab Monat zwei passiert: Die Fehlerrate sinkt deutlich. Das System kennt jetzt die gängigen Projekttypen, die üblichen Mengenrelationen, die Stammlieferanten. Die Checks werden schneller und routinemäßiger.

Was nie vollständig automatisiert wird: Sonderbestellungen für unbekannte Materialien, Lieferantenverhandlungen, kurzfristige Alternativbeschaffung bei Lieferengpässen. Das bleibt Menschensache — und sollte es auch.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Die KI kennt unsere Lieferanten und Preise nicht.” Das stimmt für den Start — aber du kannst Preislisten und Artikellisten als Kontext übergeben. Einmaliger Aufwand von 2–4 Stunden, danach hat die KI denselben Informationsstand wie du. Und anders als ein neuer Mitarbeiter merkt sie sich alles zuverlässig.

„Wir haben immer besondere Projekte — da funktionieren keine Standardlisten.” Für Sonderanfertigungen und Spezialmaterialien bleibt der manuelle Anteil höher. Aber der Löwenanteil jedes Projekts — Kabel, Rohre, Fliesen, Schrauben, Dämmung — ist standardisiert. Wenn die KI 80 % der Materialliste übernimmt, bleibt dir mehr Kapazität für die restlichen 20 % Sonderpositionen.

„Was passiert, wenn die KI etwas vergisst?” Du prüfst die Materialliste vor der Bestellung — das ist Pflicht, egal ob KI oder Mensch erstellt hat. Der Unterschied: Wenn die KI eine Liste in fünf Minuten erstellt und du zehn Minuten prüfst, ist der Gesamtaufwand trotzdem geringer als eine Stunde manuelle Erstellung.

Woran du merkst, dass das zu dir passt

Nachlieferungen kommen in deinem Betrieb mehr als einmal pro Monat vor. Baustopps durch fehlendes Material haben deinen Betrieb in den letzten zwölf Monaten Geld gekostet. Die Materialliste wird manuell aus dem Angebot übertragen — dieser Schritt kostet Zeit und enthält Fehler.

Wann du es noch nicht brauchst:

• Wenn du weniger als zwanzig Projekte pro Jahr hast — zu wenig Volumen, um das System zu kalibrieren
• Wenn du ausschließlich Standardmaterialien bei zwei bis drei festen Lieferanten bestellst — eine gute Excel-Vorlage reicht hier vollständig
• Wenn dein Angebotsprozess noch nicht strukturiert ist — erst die Angebotserstellung digitalisieren, dann fließt die Materialliste automatisch

Das kannst du heute noch tun

Nimm das letzte abgeschlossene Projekt in deinem Betrieb und lade das Angebot in ChatGPT oder Claude hoch. Frag das Modell, eine strukturierte Materialliste daraus zu extrahieren. Vergleiche das Ergebnis mit dem, was tatsächlich bestellt wurde. Du wirst sofort sehen, wo die KI gut ist und wo du noch Anpassungen brauchst.

Quellen & Methodik

• Institut für Bauwirtschaft und Bautechnik — Fehleranalyse Handwerk 2022 — Erhebungsdaten zu Nachlieferungsquoten und Planungsfehlern in kleinen und mittleren Handwerksbetrieben
• ZDH — Digitalisierung im Handwerk 2023 — Daten zur Digitalisierungsrate bei Materialbeschaffung und Lagerverwaltung; Zentralverband des Deutschen Handwerks, Berlin
• KfW — Mittelstandspanel 2023 — Kalkulationsfehlerquoten im Bauhandwerk; KfW Bankengruppe, Frankfurt
• Eigene Praxisbeobachtungen — Nachlieferungsraten und Kostenangaben aus Betriebsberatungen; keine repräsentative Stichprobe