KI-gestützte Angebotskalkulation

Das echte Ausmaß des Problems

In einem typischen Lohnfertigungsbetrieb kommen täglich 5–20 Anfragen rein. Jede braucht individuelle Kalkulation. Das Grundproblem: Kalkulatoren basieren auf Erfahrung, Daumenregeln und Vergleichsprojekten, die sie sich mühsam heraussuchen. Der Prozess ist langsam, personenabhängig und fehleranfällig.

Die Konsequenzen sind konkret. Wenn man zu hoch kalkuliert, verliert man Aufträge — oft ohne Feedback. Wenn man zu niedrig kalkuliert, nimmt man Aufträge an und macht damit Verlust oder vernichtet Marge. Laut einer Studie der Fraunhofer-Gesellschaft zur Angebotskalkulation in mittelständischen Fertigungsunternehmen verlieren 40 % der befragten Betriebe regelmäßig Aufträge durch zu hohe Preise — obwohl ihre eigentlichen Herstellkosten wettbewerbsfähig wären, sie es nur nicht wussten.

Das zweite Problem ist die Abhängigkeit von Einzelpersonen. Wer der beste Kalkulator in einem Betrieb ist, hat oft 15 Jahre Erfahrung mit spezifischen Teiletypen. Wenn er krank ist, stockt die Angebotspipeline. Wenn er geht, ist das kumulierte Wissen weg.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Eine Kalkulationszeit von 4–8 Stunden auf 30–60 Minuten zu reduzieren ist ein massiver direkter Zeitgewinn. Das betrifft einen der teuersten Mitarbeiter im Betrieb — der Kalkulator ist qualifiziertes Personal. Im Produktions-Branchenvergleich ist das der stärkste reine Zeitgewinn neben Schichtplanung und Dokumentation.

Kosteneinsparung — minimal (1/5) Der Kalkulator wird nicht ersetzt — er kalkuliert schneller. Der wirtschaftliche Effekt ist Margenverbesserung durch bessere Preisgenauigkeit und mehr Aufträge durch schnellere Reaktionszeit. Das ist real, aber kein direkter Kosteneinsparungshebel im klassischen Sinne. Kein Budgetposten wird reduziert.

Schnelle Umsetzung — maximal (5/5) Kein anderer Fertigungs-Use-Case ist schneller startbar. Erster Test mit ChatGPT und einem Excel-Export aus dem ERP ist heute möglich. Kein Sensor, kein API, keine Integration nötig für den Einstieg. Das ist der schnellste Weg zu ersten messbaren Ergebnissen im Produktionsbereich.

ROI-Sicherheit — mittel (3/5) Schnellere Kalkulation = mehr Angebote = mehr Aufträge? Logisch plausibel. Aber den kausalen Zusammenhang sauber zu messen, ist schwierig — andere Faktoren (Preisentwicklung, Wettbewerb, Konjunktur) beeinflussen den Auftragseingang genauso stark. Kein schwacher Business Case, aber kein wasserdichter.

Skalierbarkeit — mittel (3/5) Mehr Anfragen können bearbeitet werden — aber der Kalkulator ist immer noch der Engpass. Das System beschleunigt seine Arbeit, aber verdoppelt sie nicht automatisch ohne ihn. Wirklich unbegrenzte Skalierung würde einen vollautomatischen Kalkulations-Bot erfordern, der ohne Bestätigung Angebote abschickt — was die meisten Betriebe (zu Recht) nicht wollen.

Richtwerte — abhängig von ERP-Datenbasis und Teiletypen-Homogenität.

Was das KI-System konkret macht

Historische Datenbasis aufbauen: Grundlage sind abgeschlossene Projekte mit: Artikel-/Zeichnungsbeschreibung, Material, Bearbeitungsschritte, Stückzahl, Ist-Herstellkosten und Verkaufspreis. Je ähnlicher die historischen Projekte zur aktuellen Anfrage, desto besser die Schätzung. Minimum: 50 vergleichbare Projekte je Teilegruppe.

Similarity-Matching: Das Modell sucht unter den historischen Projekten nach den 3–5 ähnlichsten auf Basis von Geometrie-Beschreibung, Material und Bearbeitungsmerkmalen. Gewichtete Ähnlichkeit gibt einen Basiskostenbereich.

Anpassungslogik: Auf den Basisbereich werden Korrekturfaktoren angewendet: aktuelle Materialpreise, Maschinenauslastung, Werkzeugverschleiß-Zuschlag, Stückzahl-Degression. Das ergibt eine Kostenspanne mit Konfidenzbereich.

Kalkulator-Arbeit: Der Kalkulator bekommt eine vorberechnete Schätzung mit Begründung und den ähnlichsten Vergleichsprojekten. Er prüft, ergänzt betriebsspezifisches Wissen und bestätigt oder korrigiert. Keine Entscheidung wird übernommen — das Modell beschleunigt, der Mensch entscheidet.

Konkrete Werkzeuge — was wann passt

ChatGPT oder Claude + ERP-Daten (Einstieg kostenlos): ERP-Exporttabelle der letzten 100–200 Projekte als CSV-Datei hochladen. “Finde die ähnlichsten Projekte zu dieser neuen Anfrage und schätze den Herstellkostenbereich.” Kein automatisches Modell, aber sofortige Erkenntnisse mit vorhandenen Daten und null Investition. Ab 0 €.

Julius AI — für strukturierte Ähnlichkeitsanalysen auf Projektdaten: Historische ERP-Daten als Tabelle einlesen, Kostenschätzungen auf Basis ähnlicher Projekte automatisch berechnen. Visuell und ohne Data-Science-Kenntnisse nutzbar. Ab 20 €/Monat.

SAP Production Planning KI-Modul — für Unternehmen, die bereits SAP ERP betreiben: KI-Erweiterungen für Angebotskalkulation mit direkter Integration in Stücklisten und Arbeitspläne. Teuer in der Einrichtung, aber vollständig in den bestehenden ERP-Workflow eingebettet. Preise auf Anfrage.

Costimator — spezialisierte Kalkulationssoftware für Lohnfertiger mit KI-unterstützter Kostenabschätzung aus Zeichnungsdaten und CAD-Integration. Sinnvoll für Betriebe mit hohem Anfrageaufkommen und ähnlichen Teiletypen. Preise auf Anfrage, typisch ab 500–1.500 €/Monat.

Microsoft 365 Copilot — wenn Kalkulation bereits in Excel-Vorlagen läuft: Copilot kann vergleichbare Projekte aus SharePoint vorschlagen und einfache Anpassungsrechnungen direkt in der Tabelle durchführen. Ab 30 €/Nutzer/Monat.

Datenschutz und Datenhaltung

Kalkulationsdaten sind interne Geschäftsdaten ohne personenbezogene Inhalte — datenschutzrechtlich unkritisch. Wenn historische Projekt- und Kundendaten in einem externen KI-Tool verarbeitet werden, sollten sie pseudonymisiert werden: Kundennamen durch IDs ersetzen, Projektbezeichnungen generalisieren. Wettbewerblich sensible Kalkulationsdaten nicht in öffentliche Cloud-Dienste hochladen — ChatGPT Enterprise und Claude für Teams bieten keine Trainings-Nutzung der eingegebenen Daten.

Was es kostet — realistisch gerechnet

Spezialisierte Kalkulationssoftware (z. B. Costimator):

• Einrichtung: 4–8 Wochen, 40–80 Stunden
• Laufend: 500–1.500 Euro/Monat
• Sinnvoll ab 1.000+ Anfragen/Jahr

ChatGPT/Claude + ERP-Export (Einstieg kostenlos bis minimal):

• Setup: 2–4 Stunden
• Laufend: 20–100 Euro/Monat (API-Kosten bei regelmäßiger Nutzung)
• Einschränkung: Manueller Prozess, kein ERP-integrierter Workflow

ROI: Wenn 5 Aufträge pro Monat durch bessere Angebotspräzision zusätzlich gewonnen werden bei 1.500 Euro Deckungsbeitrag je Auftrag = 7.500 Euro Mehr-DB monatlich. Aber: Diese Kausalität ist schwer belastbar. Realistischer ROI-Anker ist Zeitersparnis: 3 Stunden/Angebot × 20 Angebote/Monat × 60 Euro/Stunde = 3.600 Euro Zeitwert monatlich.

Typische Einstiegsfehler

Zu wenige historische Daten: Wenn ihr nur 20 abgeschlossene Projekte als Basis habt, ist das Modell zu dünn. Zuerst Daten aufbereiten — dann Modell trainieren.

Geometrie-Beschreibung fehlt: Wenn Anfragen nur als “Aluminium-Teil, 50 Stück” beschrieben sind ohne Maße und Bearbeitungsschritte, kann kein Ähnlichkeits-Matching funktionieren. Anfrage-Standardisierung ist Voraussetzung.

Kalkulator nicht eingebunden: Wenn das KI-System als Bedrohung für den Experten-Job wahrgenommen wird, gibt es keinen Adoptionseffekt. Das System muss als Assistenz-Werkzeug positioniert werden, nicht als Ersatz.

Modell nie aktualisiert: Materialpreise ändern sich. Ein Modell, das auf 2022-Preisen kalibriert ist, kalkuliert 2025 systematisch falsch. Regelmäßige Rekalibrierung — mindestens quartalsweise bei volatilen Rohstoffen — ist keine Option, sondern Pflicht. Wer das vergisst, merkt es erst, wenn der erste Auftrag mit negativer Marge abgerechnet wird.

Was mit der Einführung wirklich passiert — und was nicht

Erfahrene Kalkulatoren reagieren häufig skeptisch: “Das System kennt nicht alle Feinheiten — beim letzten ähnlichen Auftrag hat der Rohling eine besondere Spannvorrichtung gebraucht, die muss ich immer manuell aufschlagen.” Das ist berechtigt. Das System schlägt vor — der Kalkulator entscheidet. Dieser Workflow funktioniert, wenn er von Anfang an so kommuniziert wird: KI liefert die Ausgangsbasis in fünf Minuten statt in zwei Stunden. Der Rest bleibt beim Menschen.

Was oft überrascht: Die ersten Analysen zeigen manchmal systematische Verzerrungen in der bisherigen Kalkulation — bestimmte Teiletypen werden immer zu günstig bewertet, andere immer zu teuer. Das Modell macht die Inkonsistenz sichtbar, nicht weil die Kalkulatoren schlecht sind, sondern weil historische Daumenregeln nie gemeinsam überprüft wurden.

Was nicht passiert: Das Modell verhandelt Preise oder trifft Auftragsentscheidungen. Es ist ein Analysetool, kein Entscheidungsautomaten.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Jedes Teil ist bei uns individuell — das kann kein KI-Modell lernen.” Das stimmt für echte Einzelstücke ohne Vergleich. Es stimmt nicht für Betriebe, die regelmäßig ähnliche Teile aus ähnlichen Materialien für ähnliche Anwendungen fertigen. Der Test: Schau in eure letzten 100 Aufträge. Wenn du dort Cluster findest (viele ähnliche Aluminiumgehäuse, viele ähnliche Stahlwellen), dann hat das Modell etwas zu lernen.

„Was ist mit Sonderkonditionen für Stammkunden?” Die kommen als Korrekturfaktor obendrauf — nach der Modellschätzung. Das Modell liefert den Baseline-Kostenbereich, der Kalkulator wendet die Kundenkonditionen an. Dieser Schritt bleibt beim Menschen.

„Unsere Kalkulation ist Geschäftsgeheimnis — wir wollen keine Daten extern.” Beim LLM-Einstieg (CSV in ChatGPT) ist Pseudonymisierung ausreichend. Für ein dauerhaftes System kann das Modell auch On-Premise betrieben werden — dann verlässt kein Datenpunkt das Unternehmen.

Woran du merkst, dass das zu dir passt

• Ihr bekommt mehr als 50 Anfragen pro Monat und der Kalkulator ist der Flaschenhals.
• Ihr habt mehr als 50 abgeschlossene Projekte mit Ist-Herstellkosten im ERP.
• Kalkulationsqualität schwankt je nachdem, wer gerade am Schreibtisch sitzt.
• Ihr habt Anfragen verloren, bei denen ihr im Nachhinein erfahren habt, dass ihr teurer wart als nötig.

Wer noch nicht bereit ist:

• Unter 20 Anfragen monatlich — Aufwand für Setup lohnt sich kaum.
• Hochindividuelle Prototypen ohne vergleichbare historische Basis — kein Similarity-Matching möglich.
• Keine Ist-Kosten in ERP dokumentiert — ohne Kostendaten kein Modell.
• Kalkulator ist ausgelastet und die Anfragemenge übersteigt die Kapazität nicht — kein Engpass, kein Hebel.

Das kannst du heute noch tun

Exportiere aus eurem ERP die letzten 50–100 abgeschlossenen Projekte mit Material, Bearbeitungsmerkmalen, Stückzahl und Ist-Herstellkosten. Lade die Datei in ChatGPT oder Claude und stelle einem echten aktuellen Angebot gegenüber:

Quellen & Methodik

• Fraunhofer IAO — „Kalkulation in der Auftragsfertigung — Benchmarks und Best Practices”, 2023
• VDMA — Kalkulationsstudie mittelständischer Maschinenbau, 2022
• MTI Systems — „Angebotskalkulation mit KI — Praxisberichte”, 2023
• Eigene Beratungserfahrungen — Kalkulationsoptimierungen in deutschen Lohnfertigungsbetrieben 2022–2025; Stand April 2026