Angebote für Sondermaschinen schneller kalkulieren

Das echte Ausmaß des Problems

Angebotserstellung in der Sondermaschinenfertigung ist ein Engpass. Eine Studie des Mittelstand-Digitalzentrums Saarbrücken zeigt: Die durchschnittliche Angebotsbearbeitungszeit liegt je nach Komplexität bei 3–10 Arbeitstagen. Für einfache Anfragen (Standardkonfigurationen) reichen 1–2 Tage, für echte Spezialmaschinen werden es leicht zwei Wochen.

Das Problem ist mehrdimensional:

• Zeitverschwendung in der Recherche: Kalkulatoren müssen alte Projekte nach ähnlichen Anforderungen durchsuchen. Das ist manuell, unvollständig und zeitaufwendig.
• Kaum Skalierbarkeit: Jede Anfrage bindet einen Konstrukteur oder Kalkulator für Tage. Wenn die Anfragen schneller reinkommen, als die Kapazität mithält, werden Angebote zurückgestellt — und der Vertrieb verliert Kunden an schnellere Wettbewerber.
• Konsistenz-Defizite: Zwei Kalkulatoren rechnen dieselbe Anfrage oft unterschiedlich. Der eine veranschlagt 150 Stunden Konstruktion, der andere 180. Das führt zu Preisunterschieden, die dem Verkauf im Kundengespräch um die Ohren fliegen.
• Nachkalkulations-Schmerzen: Nach dem Projekt zeigt sich oft, dass die Kalkulation zu optimistisch war. Die Konstruktion hat 220 statt 150 Stunden gekostet. Der Gewinn ist weg.

Das Ergebnis: Viele Maschinenbauer geben weniger Angebote ab, als sie könnten, weil die Kapazität nicht da ist — und verlieren Auftragsvolumen, ohne dass es der Geschäftsführung auffällt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen sind eigene Beobachtung aus Implementierungsprojekten bei KMU-Maschinenbauern im Süden und Osten Deutschlands (2024).

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (4/5)
Der direkte Hebel: Eine Angebotserstellung von 5 Tagen auf 1–2 Tage verkürzen — das ist messbar und sofort erlebbar. Kalkulatoren und Konstrukteure sparen real 20–30 Stunden pro Woche Recherche- und Zusammenstellungsarbeit. Das ist der größte Nutzen dieser Anwendung.

Kosteneinsparung — mittel (3/5)
Die Kosten sinken, aber indirekt. Du zahlst nicht weniger Lohn für deine Kalkulatoren, sondern nutzt ihre gewonnene Kapazität, um mehr Angebote zu schreiben — die zu mehr Umsatz führen sollen. Wenn die Gewinnquote (Angebote → Aufträge) gleich bleibt, steigt der Umsatz und damit der Gewinn. Wenn die Quote aber sinkt, weil du viel mehr Angebote machst, kann der Gesamteffekt auch negativ sein. Deshalb 3 statt höher.

Schnelle Umsetzung — niedrig (2/5)
Das ist die größte Hürde. Um ein KI-System für Angebotserstellung zu bauen, brauchst du:

1. Einen historischen Datensatz von 100+ Projekten mit: Kundenvorgaben, kalkulierte Kosten, tatsächliche Kosten, BOM (Stückliste), Konstruktionszeit
2. ERP-Anbindung (meist individuell): Das System muss auf deine Material- und Lieferantendatenbank zugreifen, damit es aktuelle Preise nutzt
3. Feinabstimmung des LLM auf deine spezifische Kalkulationslogik
4. Einen Prüfprozess: Wer kontrolliert die KI-Vorschläge, wer korrigiert sie?

Das dauert 3–5 Monate und erfordert Aufräumen in deinen Altdaten, weil alte Projekte oft chaotisch dokumentiert sind.

ROI-Sicherheit — mittel (3/5)
Der ROI ist logisch: Wenn du dreimal mehr Angebote schreiben kannst und diese die gleiche Konversionsrate haben wie früher, steigen Umsatz und Gewinn. Aber: Die Realität ist unsauberer. Vielleicht sinkt die Qualität der Angebote, weil Kalkulatoren weniger sorgfältig prüfen. Vielleicht ist die KI zu optimistisch und macht einzelne Projekte unrentabel. Vielleicht steigt die Anzahl der Angebote, aber nicht die Auftragsquote. Der Effekt ist real, aber schwer isoliert zu messen.

Skalierbarkeit — mittel (3/5)
Mehr Anfragen zu bearbeiten gelingt jetzt leicht. Aber: Jeder neue Produkttyp braucht sein eigenes Training. Eine Sortieranlage wird anders kalkuliert als eine Verpackungsmaschine oder ein Spezialgetriebe. Der Assistent skaliert innerhalb einer Produktkategorie gut, bei neuen Kategorien muss nachtrainiert werden.

Richtwerte — stark abhängig von Datenqualität, ERP-Infrastruktur und Komplexität deiner Produkte.

Was ein Angebots-KI-System konkret macht

Ein KI-Angebotsassistent ersetzt nicht den Kalkulator, sondern arbeitet ihm zu — mit diesen Funktionen:

1. Ähnliche Projekte schnell finden — Der Kalkulator fragt: „Was kostet eine Sortieranlage für 50.000 Teile pro Stunde Durchsatz?” Das System durchsucht die Projekthistorie (nicht nach exakten Treffern, sondern semantisch ähnlich) und präsentiert drei bis fünf frühere Projekte mit ähnlichem Umfang. Das spart dem Kalkulator eine Stunde Handrecherche.

2. Kostenpositionen automatisch schätzen — Basierend auf den Vergleichsprojekten schlägt das System vor:

• Konstruktionszeit: 180 Stunden (Basis: ähnliche Projekte brauchten 160–200 h)
• Materialkosten: 12.000 Euro (Basis: letzte drei Projekte dieser Größe)
• Lieferzeit: 12 Wochen (Basis: Lieferantenhistorie + aktuelle Bestände)

Der Kalkulator sieht diese Vorschläge und kann sie per Klick übernehmen oder anpassen (z. B. „Nein, die Konstruktion ist komplexer, rechne 220 Stunden”).

3. Automatische Stücklistenerzeugung — Das System kennt die Standardkomponenten aus früheren Projekten und erzeugt eine erste Stückliste (BOM), mit aktuellen Lieferantenpreisen aus dem ERP. Fehler und Spezialkomponenten zu identifizieren geht dann schneller, als eine Stückliste von Grund auf zu schreiben.

4. Nachkalkulationsvergleich — Nach dem Projekt kann das System die tatsächlichen Kosten mit der ursprünglichen Kalkulation vergleichen: geplant 180 h Konstruktion, tatsächlich 210 h. Das ist ein Signal: Diese Art Projekte brauchen in Zukunft eher 210 h als 180 h. Das System lernt mit.

Konkrete Werkzeuge — was wann passt

ChatGPT Plus oder Claude mit Wissens-Upload — Der einfache Einstieg. Du lädst deine letzten 50 Projekte hoch (PDF-Kalkulationstabellen, Projektprotokolle) und stellst dem LLM Fragen wie „Basierend auf meinen früheren Projekten — was sollte diese Sortieranlage kosten?” Sehr günstig, aber nicht automatisiert: Ein Kalkulator muss das Modell für jedes Angebot manuell befragen.

Make.com + OpenAI API + ERP-Anbindung — Der praktische Mittelweg. Eine Make-Automation lädt neue Kundenanfragen aus deinem CRM, schickt sie an ChatGPT oder Claude, bekommt Kostenvorschläge zurück und legt sie in einer Tabelle ab. Der Kalkulator loggt sich ein, sieht die Vorschläge und passt sie fürs finale Angebot an. 3–4 Wochen Einrichtung, 50–100 Euro/Monat Laufkosten.

Unternehmenslösung mit eigenem LLM + ERP-Anbindung — Die professionelle Variante. Ein Berater trainiert ein feinabgestimmtes LLM auf deinen Daten, baut eine API zwischen deinem ERP (SAP, proALPHA) und dem Modell und integriert alles in deinen Angebotsprozess. Kostet 20.000–50.000 Euro Einrichtung, liefert dafür volle Automatisierung: Anfrage kommt rein, Angebot wird erzeugt, Kalkulator prüft nur noch. 4–5 Monate, danach sehr gut skalierbar.

Spezialtools (Angebotsmeister, KIAS-Demonstrator) — Es gibt einzelne Tools, die auf KI-gestützte Angebotserstellung im Maschinenbau spezialisiert sind. Zum Beispiel das KIAS-Projekt („KI-gestützte Angebotskalkulation im Sondermaschinenbau”) des Mittelstand-Digitalzentrums Saarbrücken. Die meisten sind noch nicht produktiv am Markt, aber den Blick darauf lohnt sich.

Zusammenfassung: Wann welcher Ansatz

• Sehr kleiner Maschinenbauer (5–10 Angebote/Monat) → ChatGPT Plus mit manuellen Prompts
• Kleine bis mittlere Hersteller (20–50 Angebote/Monat) → Make.com + OpenAI-Integration
• Große Hersteller mit komplexem ERP → eigenentwickelte Unternehmenslösung oder KIAS-ähnliche Speziallösung
• Technisch versiert und Pilotprojekt → intern mit Azure ML oder AWS SageMaker trainieren

Datenschutz und Datenhaltung

Historische Projektdaten enthalten oft sensible Informationen: Kundennamen, Projektpreise, interne Kostenkalkulationen, Lieferantendaten. Das fällt unter DSGVO.

Wenn du ChatGPT oder Claude als Cloud-Dienst nutzt:

• Deine Projektdaten werden an OpenAI/Anthropic übertragen (USA)
• Ein Auftragsverarbeitungsvertrag (AVV) ist verfügbar, aber deine internen Kostenkalkulationen liegen auf US-Servern
• Für echte Geheimhaltung: Sensible Daten (z. B. tatsächliche Projektpreise) anonymisieren, bevor sie ins LLM gehen

Wenn du Make.com + OpenAI nutzt:

• Make.com ist ein Automatisierungsdienst (in der EU gehostet), aber die Daten gehen über Make an OpenAI
• Gleiches Problem wie oben: Kosteninformationen landen am Ende bei OpenAI
• Besser: Nur Anfragen (Spezifikationen, Vorgaben) an OpenAI schicken, interne Kostendaten lokal halten

Wenn du eine eigene On-Premise-Lösung baust:

• Daten bleiben auf deinem Server
• Volle DSGVO-Konformität, dafür mehr technische Wartung
• Der sicherste Weg, aber auch der teuerste

Empfehlung: Für einen Pilotversuch oder die erste Umsetzung: Anonymisiere Kundennamen und externe Projektpreise, bevor du Daten ins Cloud-LLM lädst. Die technischen Angaben (Konstruktionszeit, Materialtypen) sind unkritisch.

Was es kostet — realistisch gerechnet

Einmalige Kosten

Make.com + ChatGPT (günstige Variante):

• Make.com einrichten + ChatGPT-Anbindung: 2.000–4.000 Euro (Berater oder intern, wenn technisch versiert)
• Datenbereinigung (historische Projekte strukturieren): 40–80 Stunden intern

Eigenentwickelte Unternehmenslösung:

• Feinabstimmung + ERP-Anbindung + Prüfprozess: 20.000–50.000 Euro
• Datenbereinigung und historisches Projekt-Audit: 100–200 Stunden intern

Laufende Kosten (monatlich)

• ChatGPT Plus: 20 Euro (pro Nutzer) oder OpenAI API: ca. 0,5–2 Euro pro Angebot (je nach Tokens)
• Make.com: 10–25 Euro (Standard-/Plus-Plan)
• Wartung und Monitoring: 5 Stunden/Monat intern (Nachjustierung, Fehlerbehebung)

ROI-Szenario (konservativ)

Nehmen wir einen Maschinenbauer mit:

• 30 Angebote pro Monat heute (Engpass: könnten 50 sein, wenn Kapazität da ist)
• 4,5 Tage durchschnittliche Angebotsbearbeitungszeit
• 2,5 Kalkulatoren à 60.000 Euro/Jahr = 150.000 Euro Personalkosten für Angebotserstellung

Mit KI-Assistent:

• 2,5 Tage Bearbeitungszeit (40 % weniger) → Kapazität für 50 Angebote/Monat
• Dieselben 2,5 Kalkulatoren, aber jetzt 50 statt 30 Angebote = 67 % mehr Durchsatz
• Konversionsrate bleibt gleich: 30 Angebote/Monat × 25 % Quote = 7,5 Aufträge → 50 Angebote × 25 % = 12,5 Aufträge

Das sind 5 zusätzliche Aufträge pro Monat = 60 Aufträge/Jahr. Durchschnittlicher Auftragswert: ca. 100.000 Euro (typisch für Sondermaschinenbau). Zusätzlicher Umsatz: 60 × 100.000 = 6.000.000 Euro/Jahr.

Bei 15 % Gewinnmarge (üblich im Maschinenbau): 900.000 Euro zusätzlicher Gewinn/Jahr. Kosten für das KI-System: 50.000 Euro Einrichtung + 2.000 Euro/Jahr Betrieb = rund 50.000 Euro im ersten Jahr.

Die Investition amortisiert sich rechnerisch nach drei Wochen.

Aber: Bleibt die Konversionsrate wirklich gleich? Sind die neuen Angebote gleich gut? Das ist die brüchige Annahme. In der Realität muss das System gut trainiert sein, sonst liefert es schlechte Vorschläge, Kalkulatoren verlieren das Vertrauen und der Vorteil verfliegt.

Drei typische Einstiegsfehler

1. Zu viele zu komplexe Projekte auf einmal trainieren. Der Impuls: Wenn wir das System haben, nutzen wir es für ALLE Produkttypen. Das Ergebnis: Das LLM wird überfordert, seine Vorschläge sind generisch und wenig hilfreich. Ein Kalkulator prüft eine KI-Vorlage, die komplett daneben liegt, sagt „Das Teil ist Müll” — und nutzt es nicht mehr.

Was hilft: Mit einer Produktkategorie starten (z. B. nur Sortieranlagen). Mit mindestens 30 historischen Projekten trainieren. Erst wenn diese Kategorie stabil läuft, weitere Typen hinzufügen.

2. Keine Rückkopplungsschleife für kontinuierliches Lernen. Das Angebot wird erstellt, der Kalkulator passt es an (erhöht z. B. die Konstruktionszeit von 180 auf 200 Stunden), gibt die Korrektur aber nicht ins System zurück. Nach einem Jahr hat das LLM immer noch dieselben alten Trainingsdaten — und lernt nicht aus realen Abweichungen.

Was hilft: Einen Review-Prozess einführen (z. B. monatlich): „Wo lagen die KI-Schätzungen daneben? Was sollten wir in der nächsten Trainingsrunde ändern?” Zwei Stunden pro Monat reichen.

3. Zu schnell Vertrauen in KI-Vorschläge. Wenn das System drei Wochen nach Produktivstart etwas vorschlägt, das sich später als weit daneben herausstellt — und das zum Verlustprojekt führt — ist das Vertrauen weg. Kalkulatoren werden misstrauisch, prüfen jede Zahl wieder manuell, und der Zeitvorteil ist dahin.

Was hilft: In den ersten zwei Monaten nach Produktivstart prüft der Kalkulator alle KI-Vorschläge sehr kritisch. Bei 5–10 % Fehlerquote wird nachtrainiert. Erst unter 5 % Fehlerquote kann man die Prüftiefe schrittweise reduzieren.

Was mit der Einführung wirklich passiert — und was nicht

Die Skeptiker-Fraktion. Erfahrene Kalkulatoren haben oft die Befürchtung: „Das KI-System macht mir Konkurrenz” oder „Das ersetzt meinen Job”. Wichtig: Explizit kommunizieren, dass die KI Routineaufgaben übernimmt, der Mensch aber weiterhin die Verantwortung trägt und die komplexen Entscheidungen fällt. Kalkulatoren, die vorher 8 Angebote/Monat gemacht haben, können jetzt (theoretisch) 15 machen — das ist kein Stellenabbau, das ist Produktivitätsgewinn.

Die „Das System ist zu dumm”-Phase. In Woche 2–3 produziert die KI erste Fehler. Dann wird kritisiert: „Sehen wir doch, das brauchen wir nicht.” Das ist die kritische Phase — und es hilft, das vorher erwartbar zu kommunizieren: „Ja, das System wird anfangs Fehler machen. Das ist normal. In den nächsten Wochen wird es besser.”

Die Realitäts-Drift. Das System trainiert auf historischen Daten, aber der Markt ändert sich. Materialpreise steigen, neue Lieferanten werden relevant, neue Regulierungen verändern Kalkulationen. Wenn das System nicht regelmäßig nachtrainiert wird, werden seine Vorschläge langsam falsch — ohne dass es offensichtlich ist.

Was konkret hilft:

• Klare Aussage zur Jobsicherheit: „Das ist Produktivitätsgewinn, kein Stellenabbau”
• Pilot mit einer Person starten (nicht dem ganzen Team auf einmal)
• Erwartungen setzen: „Erste zwei Wochen Fehlerbehebung, Woche 3–8 Optimierung, ab Woche 9 stabiler Betrieb”
• Monatliche Rückmelderunden einrichten: Was funktioniert, was nicht?

Realistischer Zeitplan mit Risikohinweisen

Gesamtdauer bis zum stabilen Betrieb: 3–5 Monate für die Make.com-Variante, 4–6 Monate für die Unternehmenslösung.

Häufige Einwände — und was dahintersteckt

„Unsere Angebote sind zu individuell — da kann KI nicht helfen.” Stimmt teilweise. Wenn wirklich jedes Projekt komplett einzigartig ist (gilt nicht für 95 % der Maschinenbauer), dann hilft KI weniger. Aber: Selbst bei hoher Individualität gibt es Muster. Ähnliche Komponenten, ähnliche Montageaufwände, ähnliche Materialbezüge. Die KI findet diese Muster in 30+ Projekten — zuverlässiger als ein Mensch, der 30 Projekte im Kopf haben soll.

„Wir trauen KI nicht — die macht Fehler.” Stimmt. Aber: Ein Kalkulator macht auch Fehler. Die Rate ist erfahrungsgemäß ähnlich (5–15 %). Der Unterschied: Bei der KI ist nachvollziehbar, woher der Fehler kommt (Datenbasis, Training). Ein menschlicher Fehler ist oft undurchsichtig. Und: KI-Fehler sind systematisch — also lernbar. Menschliche Fehler sind zufällig.

„Das kostet zu viel — 50.000 Euro für eine Software?” Ein fairer Einwand. Aber: Die Rechnung oben zeigt, dass ein einziger zusätzlicher Auftrag die Investition amortisiert. Wenn du monatlich 30 Angebote schreibst und aus 50 % mehr Angeboten zwei bis drei zusätzliche Aufträge/Monat werden, rechnet es sich. Wenn nicht, muss man den Nutzen sorgfältiger prüfen.

Woran du merkst, dass das zu dir passt

• Du machst regelmäßig Sondermaschinen-Angebote (keine Standardprodukte, sondern konfigurierte oder angepasste Lösungen)
• Dein Team ist mit der Angebotserstellung überlastet — Anfragen stapeln sich, die Kalkulatoren sind ein Engpass
• Du hast einen großen Fundus historischer Projekte (50+ abgeschlossene Projekte mit dokumentierten Daten)
• Dein ERP-System ist gepflegt und aktuell — Materialpreise darin sind auf Stand
• Dein Vertrieb verliert Aufträge, weil Angebote zu spät kommen — die Angebotszeit ist ein echtes Geschäftsproblem
• Derselbe Kalkulator rechnet immer wieder ähnliche Anfragen — da gibt es Potenzial zur Automatisierung

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

1. Unter 15 Sondermaschinen-Angebote pro Monat. Der Aufwand der Einrichtung ist nicht gerechtfertigt. Manuelle Kalkulationen reichen aus.

2. Historische Projekte sind nicht oder nur chaotisch dokumentiert. Das LLM braucht saubere Trainingsdaten. Wenn du Altprojekte erst aufräumen musst (100+ Stunden), wird das Projekt schnell unbezahlbar.

3. Dein ERP-System ist nicht automatisiert zugänglich (z. B. alte Excel-Listen für Materialpreise statt SAP). Dann kann die KI keine aktuellen Kostenvorschläge machen — der Kalkulator muss weiter alles manuell anpassen, der Zeitvorteil schrumpft.

Das kannst du heute noch tun

Öffne ChatGPT Plus oder Claude und lade deine letzten fünf Angebotskalkulationen hoch (als PDF oder Dokument). Stell dann die Frage: „Wenn ich dir jetzt eine neue Anfrage für eine ähnliche Sortieranlage gebe — wie würdest du sie auf Basis meiner Beispielprojekte kalkulieren?”

Das dauert 15 Minuten. Danach weißt du: Wie gut versteht ein LLM deine Kalkulationslogik aus Beispielen? Ist das eine brauchbare Basis für ein Projekt oder zu generisch?

Danach: Sprich mit einer Person, die sich mit Automatisierung auskennt (z. B. ein Make.com-Partner oder jemand intern mit technischem Gespür). Geh die Schritte deines Angebotsprozesses durch: von der Kundenanfrage bis zum Versand. Wo könnte Automatisierung Zeit sparen?

Quellen & Methodik

• Angebotsbearbeitungszeit 3–10 Tage: Mittelstand Digitalzentrum Saarbrücken, Projekt KIAS „KI-gestützte Angebotskalkulation im Sondermaschinenbau” (2024)
• Zeitersparnisse 40–60%: Eigene Beobachtung aus Implementierungsprojekten bei süddeutschen Maschinenbauern (2023–2024); externe Referenzen: Turian.ai Case Study, Softstorm Automatisierung Handwerk
• BOM-Fehlerquote Reduktion 8–15% auf 1–3%: Digibull.ai, „How AI Improves BOM Accuracy in Manufacturing” (2024)
• Nachkalkulationsfehler 15–20% auf 3–5%: Eigene Daten; exakte externe Quellen begrenzt, weil dies eine interne Kennzahl ist
• Konversionsquoten-Effekt: IDC Manufacturing Intelligence Report 2025 — höhere Angebotsmenge führt in 60 % der Fälle nicht zu einer proportional höheren Auftragsquote, weil Kunden aus der Flut heraus nicht mehr alles seriös prüfen