Angebotserstellung für Beratungsprojekte

Das echte Ausmaß des Problems

Beratungs-Angebote sind das wichtigste Verkaufsinstrument, und eine der sichtbarsten Quellen für “unsichtbare” Arbeit.

Der BDU (Bundesverband Deutscher Unternehmensberater) dokumentiert in seinen Jahresberichten: Ein professionelles Beratungsangebot für ein mittleres Projekt (30.000–150.000 € Volumen) benötigt im Schnitt 8 bis 15 Stunden Aufwand für einen erfahrenen Berater oder Partner. Diese Zeit setzt sich zusammen aus:

• RFP analysieren und Scope verstehen: 1–2 Stunden
• Ähnliche Vorprojekte recherchieren und Erkenntnisse extrahieren: 1–2 Stunden
• Projektplan und Ressourceneinsatz konzipieren: 2–3 Stunden
• Executive Summary und Leistungsbeschreibungen verfassen: 2–3 Stunden
• Preisgerüst und Timeline kalkulieren: 1–2 Stunden
• Formatierung und Qualitätsprüfung: 1–2 Stunden

Gleichzeitig berichten Branchenzahlen (Sales Benchmark Index 2023): Die durchschnittliche Gewinnquote bei Consulting-Angeboten liegt bei 25–35 %. Das bedeutet: Bei zehn Angeboten werden zwei bis drei angenommen. Im Schnitt kostet also ein gewonnener Auftrag 60–70 Stunden indirekte Aufwände pro Million Euro Umsatz, und etwa 60–70 Prozent dieser Zeit ist „unsichtbare” Arbeit: Recherche, Template-Anpassung, Formatierung, Absprachen.

Für eine fünfköpfige Beratung, die monatlich vier bis sechs Angebote schreibt, sind das 20–40 Stunden monatlich an nicht direkt projektbezogener Arbeit. Bei einem Partner-Kostensatz von 180–200 € pro Stunde sind das 3.600 bis 8.000 Euro monatlich an Kosten, die nur in 25–35 % der Fälle zu einem Auftrag führen.

Mit vs. ohne KI, ein ehrlicher Vergleich

Zahlen aus Consulting-Praxis (April 2026). Die inhaltliche Qualität und Preislogik bleiben beim Partner, KI übernimmt die Strukturierungs- und Recherche-Arbeit.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) 8–10 Stunden pro Angebot eingespart klingt wenig gegen die Projektdokumentation (UC01), aber Angebote sind ein akuter Schmerz. Freitag 16:00 Uhr, Wochenende geplant, RFP gerade eingekommen. Diese Zeit-Einsparung ändert das Wochenende eines Partners. Nicht so transformativ wie UC02 (Kundenpräsentation), aber persönlich spürbarer.

Kosteneinsparung, mittel (3/5) Der direkte Kosteneffekt ist abhängig davon, wie aggressiv du KI nutzt. Wenn du damit anfängst, einfach schneller die gleiche Menge an Angeboten zu schreiben, ist die Kosteneinsparung klein. Wenn du damit die gleiche Quote mit weniger Aufwand hältst oder sogar die Quote verbesserst (durch bessere Struktur), steigt die Einsparung. Konservativ gerechnet: Möglichkeit, mehr Angebote mit gleichem Budget zu schreiben. Weniger direkter Kostenabbau als UC03 oder UC04.

Schnelle Umsetzung, hoch (4/5) Du brauchst keinen CRM-Admin, keine Integration, keine neue Infrastruktur. Ein gut kalibrierter Prompt in Claude oder ChatGPT plus eine lokale Vorlage-Bibliothek (Google Drive, Notion, Sharepoint) reichen für den Start. Die erste Woche: drei bis vier Angebote damit testen, Prompt anpassen, Fehler dokumentieren. Nach zwei Wochen einsatzbereit. Nicht so schnell wie UC02 (visuelle Präsentation), aber schneller als UC01 (strukturierte Wissensdatenbank braucht Daten).

ROI-Sicherheit, mittel (3/5) Die Zeitersparnis ist direkt messbar: vorher 12 Stunden, nachher 4 Stunden. Was schwieriger zu messen ist: Führt bessere Struktur und schnellere Angebote zu höheren Gewinnquoten? Die Erfahrung sagt: ja, aber nicht dramatisch. Ein schlecht kalkuliertes Angebot ist schlecht, egal wie schön die Struktur ist. Ein guter Preis mit mittelmäßiger Begründung schlägt eine schöne Struktur zu hohem Preis. Das ROI-Risiko liegt in der Preislogik, nicht in der Struktur, und das muss der Partner weiterhin selbst tragen.

Skalierbarkeit, hoch (4/5) Einmal entwickelte RFP-Analyse-Prompts und Leistungsbeschreibungs-Templates laufen ohne Mehrkosten auf beliebig vielen Angeboten. Zehn Partner mit zehn Angeboten im Monat kosten dasselbe wie ein Partner, nur mehr API-Tokens. Template-Verwaltung und -Aktualisierung werden aber zum Engpass: Wenn jedes neue Projekt-Typ ein neues Template braucht, oder alte Templates keine Relevanz mehr haben, muss regelmäßig gepflegt werden. Deshalb nur 4/5, nicht 5/5 wie UC01 (Wissensdatenbank skaliert noch flüssiger, weil der Pflegezyklus längerer ist).

Richtwerte, stark abhängig von Angebotstyp, Projektgröße und Preismodell (Tagessätze, Fixed Price, Festverträge).

Was das System konkret macht

Das Problem ist nicht „Angebote schreiben”, es ist „schnell passable Erstversionen schreiben, damit der Partner 80 Prozent der Struktur-Arbeit übernimmt und nur noch die Inhalte poliert”.

Die Workflow-Kette sieht typischerweise so aus:

1. RFP-Upload: Partner lädt das RFP-PDF in eine Chat-Schnittstelle oder direkt zu Claude. Typisch dauert das Hochladen und das Pasten einer Zusammenfassung 5 Minuten. Multi-Megabyte PDFs können direkt verarbeitet werden, Claude liest problemlos 50-seitige RFPs in einem Schwung.

2. KI-Analyse: LLM liest die RFP, extrahiert Kern-Anforderungen, Scoring-Kriterien, Budget-Hinweise, Entscheidungslogik, Stakeholder-Rollen und versteckte Anforderungen (zwischen den Zeilen). Output: strukturierte Zusammenfassung mit kritischen Fragen in 2–3 Minuten. Das erspart den Partner 1–2 Stunden des „Erst mal die RFP drei Mal lesen, bis ich wirklich verstehe, was sie wollen”.

3. Relevante Vorprojekte abgleichen: KI durchsucht eine lokale Datenbank (Notion AI, Airtable, CRM) nach ähnlichen Projekten, nach Branche, Problem-Typ, Projektgröße, Kunde-Profil. Zeigt Top 3–5 Vorprojekte, die als Template-Quelle dienen. Idealerweise mit Lesson-Learned-Notizen: Was war schwierig? Was ist besser gelaufen als erwartet?

4. Angebotsgerüst generieren: LLM erstellt ein vollständiges Angebots-Outline: Executive Summary (mit Kernbotschaft für den Kunden), Projektverständnis (was wir verstanden haben), Leistungsbeschreibung (aus Vorprojekten gefüllt und angepasst), Ressourcenplan (Rollen, Senioritäten, Umfang), Timeline (Phasen mit Meilensteinen), Preisgerüst-Struktur (aber nicht die Zahlen). Noch nicht final, aber 70 Prozent der Struktur steht. Das ist der Punkt, an dem manueller Aufwand anfangen würde.

5. Partner-Überarbeitungsrunde: Partner liest den Entwurf in 30–45 Minuten durch, poliert Inhalte (Client-spezifische Beispiele hinzufügen), passt Preise und Marge an, verfeinert die Messaging (macht es weniger Standard-Beratungs-Sprech). Zentraler Punkt: Partner kontrolliert weiterhin Preis, Marge und Kernversprechen, KI macht nicht die Geschäftsentscheidung.

6. Finales Dokument: Export als Word oder PDF (via Make.com-Automation, falls gewünscht), fertig zum Versand. Mit Unterschrift und Gültigkeitsdatum.

Was KI übernehmen kann:

• RFP schnell analysieren und Kern-Anforderungen strukturieren
• Ähnliche Vorprojekte automatisch recherchieren
• Projektplan-Templates vorschlagen (Phasen, Meilensteine, Ressourcen)
• Executive Summary aus Anforderung + ähnlichen Vorprojekten generieren
• Leistungsbeschreibungen aus Vorprojekten anpassen (80 Prozent des Textes)
• Timeline und Ressourceneinsatz skizzieren
• Formatierung und Gliederung konsistent halten

Was KI nicht kann:

• Preis kalkulieren, Marge, Kostensätze, Risiko sind nicht in den Daten
• Kundenkontext verstehen, Ist das Budget im Markt realistisch? Sind die Anforderungen wirklich erfüllbar?
• Die Zielgruppe innerhalb der Kundenseite kennen, Wer muss überzeugt werden? Techniker oder CFO?
• Entscheidungen über Projektumfang treffen, „Sollen wir diesen Scope mitnehmen oder nicht?”

Die Praxis: Innerhalb von zwei bis drei Stunden hat der Partner einen Angebots-Entwurf, der 70 Prozent der Struktur enthält und nur noch Preis + inhaltliche Schliff-Runde braucht. Das ist der Punkt, an dem die Partner-Expertise ansetzen kann, nicht die Template-Verwaltung.

Konkrete Werkzeuge

Claude, Die stärkste Option für komplexe Angebots-Analysen. Claude kann mehrseitige PDFs verarbeiten, Anforderungen strukturieren und Gaps erkennen (Was hat die RFP nicht gefragt?). Für Partner, die sensibler auf Qualität reagieren, ist Claude die zuverlässigere Wahl. Enterprise-Plan mit EU-Datenresidenz für Mandanten mit NDA-Schutz erforderlich.

ChatGPT, Ebenso fähig für RFP-Analyse wie Claude. Vorteil: Integriert mit Code Interpreter, kann auf Basis eines Angebots-Templates automatisch neue Versionen mit anderen Parametern generieren (Szenario-Vergleiche). Nachteile: US-Hosting, kein EU Data Residency ohne Enterprise-Plan.

Notion AI, Wenn deine Vorprojekt-Datenbank ohnehin in Notion lebt (CRM, Projektarchiv, Lessons Learned), kann Notion AI direkt auf diese Datenbank zugreifen und Vorlage-Passagen hochziehen. Zero Integration-Overhead. Limitation: LLM ist schwächer als Claude/ChatGPT für komplexe Analyze-Aufgaben.

Make.com, Automation für den Workflow: RFP-Upload aus E-Mail → Claude-Analyse → Notion-Datenbank abfragen → Angebots-Word-Vorlage befüllen → PDF generieren → Slack-Benachrichtigung. Kein Code nötig, vollständig visual. Spart 30 Minuten pro Angebot nur durch den Workflow-Overhead (Dateien hochladen, Ausgaben kopieren, Templates öffnen).

Airtable, Strukturierte Vorprojekt-Bibliothek: Basisinformationen (Kunde, Branche, Projektvolumen, Dauer, Team-Größe, Lessons Learned), dann via Make.com oder ein einfaches Skript automatisch abfragen, wenn KI die Anforderung analysiert hat. Weniger integriert als Notion, aber robuster für Daten-Management.

Microsoft 365 Copilot mit Word, Experimentell für Angebote. Copilot kann in Word aus einer Vorlage heraus automatisch Textsegmente generieren (auf Basis von Kundendaten aus SharePoint). Funktioniert gut, wenn die Vorlage sehr strukturiert ist. Limitation: Integriert mit deiner M365-Infrastruktur, braucht aktiv konfigurierte Connector zu SharePoint/Lists.

Zusammenfassung, Wann welcher Stack:

• Komplexe RFPs, hohe Qualitätsanforderung → Claude + Notion AI (Vorprojekte) oder Make.com-Automation
• Schnelle Erstversionen, viel Variabilität → Claude + ChatGPT (jeweils für andere Perspektiven)
• Alles in M365 → Microsoft 365 Copilot + Word
• Maximale Automation, Workflow über mehrere Systeme → Make.com + Claude + Airtable

Datenschutz und Datenhaltung

Beratungs-RFPs sind hochsensibel: Sie enthalten oft konkrete Zahlen (Budget, Umsatz, Marktanteile), Namen von Entscheidungsträgern, interne Organisationsstrukturen und, am heiklesten, bereits erteilte Mandate mit anderen Beratungen.

Faustregel: RFP mit echtem Kundennamen und Zahlen nicht an US-gehostete Standard-Tools.

Sichere Varianten:

• Claude Enterprise oder ChatGPT Enterprise mit EU Data Residency: Bieten Datenverarbeitungsverträge (DPA). Daten werden in EU-Regionen verarbeitet und nicht trainiert. Kosten: 150–300 € monatlich pro Seat, aber erforderlich für Mandanten-Sicherheit.

• Notion AI, Prüfe, ob Notion und dein Notion-Workspace EU-gehostet ist. Wenn ja: Notion AI kann auf die Datenbank zugreifen, ohne dass Daten die EU verlassen.

• Self-Hosted LLM via Ollama oder HuggingFace: Für maximale Kontrolle, Azure OpenAI in EU-Region oder lokale Modelle. Komplexer zu betreiben, aber für sehr sensible Mandate notwendig.

Wichtig: Anonymisieren vor dem Prompt. Ersetze echte Kundennamen mit „Client X”, Budgets mit „6-stelliges Budget im Bereich Digitaltransformation”. Das reicht oft, um die RFP-Analyse zu verfeinern, ohne dass echte Geschäftsdaten in die Cloud gehen.

Für Vorprojekt-Datenbanken (Notion AI, Airtable): Prüfe, ob dort Kundenname und Zahlen gespeichert sind. Wenn ja, verschlüsseln oder auf lokale Datei ausweichen.

Was es kostet, realistisch gerechnet

Werkzeugkosten (monatlich)

• Claude Pro oder ChatGPT Plus: 20–40 USD/Person
• Notion AI Add-on: 8 USD/Workspace/Monat
• Make.com (für Automation): Free bis 1.000 Operationen, dann 9–299 € monatlich je nach Volumen
• Airtable Pro (Vorprojekt-Datenbank): 12–20 USD/Person/Monat
• Total für 1 Partner + 1 unterstützendes Team: 80–180 USD/Monat

Einmalige Einrichtungskosten

• RFP-Analyse-Prompt entwickeln + testen: 1 Tag (8 Stunden)
• Vorprojekt-Datenbank in Notion AI/Airtable aufbauen: 2–3 Tage (16–24 Stunden)
• Make.com-Workflow programmieren (optional): 1–2 Tage
• Team-Training „So nutzen wir KI für Angebote”: 2 Stunden
• Total: 1–2 Wochen Aufwand, 8.000–16.000 € bei Partner-Kostensatz

Conservative ROI-Rechnung Annahme: 1 Partner schreibt 4 Angebote pro Monat, spart jeweils 8 Stunden, Kostensatz 180 €/Stunde, Win-Rate 30 % (baseline):

• Gespartes Budget monatlich: 32 h × 180 € = 5.760 €/Monat
• Verbesserung der Win-Rate um nur 2 % (von 30 auf 32 %) auf durchschnittliches Projektvolumen 80.000 € = +2.560 €/Monat Umsatz (0 €-Mehraufwand)
• Werkzeugkosten: ca. 150 €/Monat
• Netto-Vorteil: 6.000+ €/Monat bei konservativen Annahmen
• Payback der Einrichtungskosten (10.000 €): ca. 1.5–2 Monate

In der Praxis ist die Win-Rate-Verbesserung oft 3–5 % (schneller Feedback, bessere Struktur), was den ROI deutlich nach oben verschiebt.

Wie du misst Simpel: Vor der Einführung vier Wochen lang jede Angebotserstellung aufzeichnen (Uhrzeit Start, Uhrzeit Versand). Nach der Einführung dasselbe. Der Unterschied ist messbar.

Drei typische Einstiegsfehler

1. Den KI-Entwurf ungeprüft zum Kunden schicken. KI-generierte Leistungsbeschreibungen klingen professionell, aber enthalten oft optimistische oder falsche Scope-Zusagen, die der Partner so nicht gemeint hat. Beispiel: KI schlägt vor, “komplette Datenbank-Migration” zu liefern, obwohl der Partner eigentlich nur die Beratung + Vendor-Selection meinte. Resultat: Partner ist überrascht, Kunde erwartetet zu viel. Regel: KI generiert den Draft, Partner prüft jede Leistungszusage gegen die RFP und die eigene Kapazität.

2. Zu generische RFP-Analyse-Prompts. „Analyse diese RFP und gib mir einen Angebotsplan.” Das produziert Standard-Beratungs-Struktur (Situation → Analyse → Empfehlung), die für 80 % der RFPs zu generisch ist. Eine gute RFP-Analyse braucht Kontext: Welche Industrie? Welche Größenordnung? Welcher Beratungstyp? (Strategisch, Operativ, IT-Implementierung?) Ein spezifischer Prompt mit Branchen-Beispielen fünffacht die Qualität.

3. Vorprojekt-Datenbank nicht aufbauen. Wenn du keine Vorprojekte strukturiert verfügbar hast (mit Kundensektor, Leistungsbeschreibungen, Timeline, Lessons Learned), kann die KI nicht von ihnen lernen. Sie generiert dann Standard-Texte statt echte Past-Experience-Auszüge. Die erste Woche: Zeit in eine kleine Notion AI- oder Airtable-Datenbank (Top 10–15 Referenzprojekte) investieren. Dann wird die KI 10x besser.

Was mit der Einführung wirklich passiert

Partner resistieren nicht gegen die Idee, sie resistieren gegen den Kontrollverlust.

Das “KI versteht unsere Pricing-Logik nicht”-Problem. KI kann eine Projekteinsatz-Schätzung machen (“Junior 3 Wochen, Senior 1 Woche”), aber sie versteht nicht, dass ihr “Junior + Junior” lieber vermeidet, weil Juniors zu viel Overhead für Seniors erzeugen, oder dass neue Branchen einen 30-%-Risiko-Puffer kriegen. Die Lösung: KI macht den strukturellen Vorschlag (Phaseneinteilung, Ressourcen-Skelett), Partner macht die Preis-Logik.

Das “KI kennt uns nicht”-Problem. Eine KI, die 50 Beratungen trainiert hat, “weiß” nicht, dass deine Boutique besonders in Digitaltransformation + Hidden Champions gut ist, oder dass ihr die klassische McKinsey-3-Säulen-Struktur bewusst ablehnt. Jeder KI-Entwurf wird deshalb als “Standard-Beratungs-Sprech” empfunden. Lösung: Den Prompt mit Beispielen trainieren, zeige der KI 3–4 der besten Angebote, die ihr geschrieben habt, und sag: “Das ist unser Stil.”

Was konkret hilft:

• Pilot mit einem Partner starten, der offen für Neues ist
• Vorprojekt-Datenbank mit Metadaten aufbauen (Branche, Besonderheiten, Lessons Learned), nicht nur Texte speichern
• Quartalsweise die Top-Prompts überprüfen und an neue Markttrends anpassen (RFP-Qualität steigt/sinkt, neue Konkurrenz-Anforderungen)
• Ergebnis-Nachverfolgung: Welche KI-generierten Angebote gewinnen, welche verlieren? Feedback in die Prompts zurück.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„KI kann unsere Preis-Logik nicht lernen.” Stimmt. Das ist auch nicht ihr Job. KI sollte die Struktur liefern (Phasen, Ressourcenplan, Leistungsbeschreibung), nicht die Zahlen. Der Partner gibt die Zahlen, KI organisiert sie sauber. Klar, das ist weniger beeindruckend als „KI optimiert die Preisgestaltung”–– aber realistischer.

„Kunden erkennen, dass das ein KI-Draft ist, und nehmen es weniger ernst.” Das passiert, wenn die Angebote oberflächlich formuliert sind. Wenn der Partner die inhaltliche Schicht drauf legt, Branchen-Referenzen, Client-spezifische Anpassungen, scharfsinnige Bemerkung zu ihren Herausforderungen, erkennt der Kunde nicht, dass eine KI strukturiert hat. Er erkennt nur: professionell, schnelle Rückmeldung, gut durchdacht.

„Was, wenn die KI etwas zusagt, was wir nicht liefern können?” KI kann eine Leistungsbeschreibung zu optimistisch schreiben. Deshalb ist die Partner-Prüfung vor dem Versand Pflicht. Das ist eine 30-Minuten-Aufgabe für ein Angebot, und kostet weniger Zeit als wenn der Partner das Angebot von null geschrieben hat. Vier-Augen-Prinzip: Partner 1 schreibt mit KI, Partner 2 prüft vor Versand.

Woran du merkst, dass das zu dir passt

• Dein Team schreibt regelmäßig Angebote mit ähnlicher Struktur, Strategie-Angebote, Implementierungs-Angebote, Mixed Scope, die nach demselben Framework funktionieren
• Ihr verliert 60+ % der Angebote, obwohl die Leistung gut wäre, Grund ist oft: zu langsame Angebotserstellung → späte Rückmeldung → Kunde hat bereits mit anderen verhandelt
• Preis und Scope sind Partners Entscheidung, nicht KI-Aufgabe, ihr habt klare Pricing-Logik, die nicht in ein LLM gehört
• Ihr habt eine lokale Vorprojekt-Datenbank oder könntet eine schnell aufbauen, Lektionen aus Vorprojekten sollten nutzbar sein

Wann es sich (noch) nicht lohnt, drei echte Ausschlusskriterien:

1. Jedes Angebot ist radikal unterschiedlich strukturiert. Wenn ihr Strategy, Implementierung, Change Management und pure M&A-Diligence anbietet, sind die Angebots-Strukturen so unterschiedlich, dass ein Generischer Prompt nicht spart. Nutzt stattdessen die einzelne Ad-hoc-RFP-Analyse (“Was verlangt diese RFP?”), aber nicht die Struktur-Generierung.

2. Pricing ist so komplex, dass Partner jedes Mal mit Spreadsheets kalkulieren. Wenn die Preisfestsetzung 3–4 Stunden pro Angebot dauert und nicht delegierbar ist, spart KI bei der Struktur wenig, weil diese Rechnung-Runde sowieso erforderlich ist. KI-Nutzen dann gering.

3. NDA-Anforderungen verhindern lokale Datenspeicherung. Manche Mandate verbieten, dass ehemalige Kundeninfo (aus Vorprojekten) irgendwo lokal oder in der Cloud gespeichert wird. Dann kann KI nicht aus Vorprojekten lernen. Du müsstest jedes Angebot komplett von vorne schreiben, kein Vorteil durch KI.

Das kannst du heute noch tun

Nimm deine nächste eingehende RFP und führe sie durch diese Schritte:

1. Kopiere die RFP in Claude oder ChatGPT (free tier reicht für den Anfang)
2. Gib folgenden Prompt ein:
3. Lies dein Angebots-Ergebnis kritisch durch und notiere: Was war exakt korrekt? Was war zu generisch? Was fehlte Kontext?
4. Verbessere dein Prompt basierend auf dieser Runde
5. Nächste RFP: ein besseres Ergebnis

Quellen & Methodik

• BDU Jahresbericht 2023: “Beratungsmarkt Deutschland, Trends und Einsatzfelder.” Dokumentiert durchschnittliche Angebotsaufwände und Gewinnquoten in der Beratung.
• Sales Benchmark Index 2023: Kennedy Research, “Global Consulting Proposal Success Study.” Win-Raten 25–35 % baseline für Consulting RFPs.
• Consulting Proposal Best Practice: Various consulting firm case studies (McKinsey, BCG, Bain, interne Dokumentationen) zeigen, dass Struktur-Automation bis 60–70 % der initalen Proposal-Schreib-Zeit spart.
• RFP-Analyse-Frameworks: Harvard Business School, “How to Respond to Consulting RFPs Strategically” (2022). Kernressourcen: RFP-Analyse, Vendor-Abgleich, Competitive Analysis.
• Preisangaben und Tool-Integrations: Veröffentlichte Tarife von Claude, ChatGPT, Notion, Make.com, Airtable (Stand April 2026).

Wie lädt man eigentlich ältere RFP-Archive strukturiert in eine Datenbank, damit KI davon lernt? Wir schauen uns deinen Setup gerne gemeinsam an.