27 KI-Use-Cases für die öffentliche Verwaltung: Beispiele aus Ämtern und Kommunen

Kommunen und Behörden werden täglich mit denselben Standardfragen überflutet, Mitarbeitende verbringen einen großen Teil ihrer Zeit mit Antworten, die eigentlich automatisierbar sind.

Ein LLM-gestützter Chatbot mit RAG über die behördenspezifische Wissensbasis beantwortet Standardanfragen direkt, vermittelt bei komplexen Fällen an zuständige Mitarbeitende weiter.

Standardanfragen werden ohne Wartezeit und rund um die Uhr beantwortet, auch abends und am Wochenende. Wie groß der Entlastungseffekt ist, zeigt erst das Monitoring des eigenen Piloten, nicht eine geliehene Prozentzahl.

Einfacher FAQ-Chatbot (z. B. Tidio, kein Setup, aber US-Hosting)LLM-gestützter Assistent mit RAG über BehördendokumenteSouveräner Weg über den eigenen IT-Dienstleister / Azure auf EU-Infrastruktur

Antragsprüfung ist zeitintensiv und fehleranfällig, unvollständige Anträge müssen nachgefordert werden, was den gesamten Prozess verzögert und Bürger frustriert.

Ein NLP-basiertes Klassifikationsmodell prüft eingereichte Anträge automatisch auf Vollständigkeit, markiert fehlende Unterlagen und gibt Sachbearbeitenden eine strukturierte Vorprüfung für die finale Entscheidung.

Bearbeitungszeiten sinken um 20–40 Prozent, Nachforderungen werden früher erkannt und Sachbearbeitende können mehr Anträge pro Tag bearbeiten.

Analyse-Assistenz via Claude/ChatGPT (kein Setup)M365 Copilot + Power Automate (bei bestehender M365-Umgebung)Dediziertes Dokumentenanalyse-System mit behördenspezifischem Prüfkatalog

Täglich gehen Hunderte Schreiben, Anträge und Dokumente ein, die manuell gelesen, klassifiziert und weitergeleitet werden müssen, ein zeitintensiver, fehleranfälliger Prozess.

Ein Transformer-basiertes Klassifikationsmodell liest Dokumente, erkennt den Dokumenttyp und Inhalt und leitet automatisch an die zuständige Abteilung oder den richtigen Vorgang weiter.

Die Zuordnung eines Dokuments dauert Sekunden statt Handarbeit, Fristsachen bekommen ein Prioritätslabel, und Fehlweiterleitungen werden erstmals zählbar. Wie stark sie sinken, zeigt erst der Pilot gegen die eigene Ausgangsquote.

ChatGPT/Claude per Prompt (kein Setup, kein DMS)Azure AI Document Intelligence + Power AutomateOn-Premise OCR + KI-Klassifizierung im eigenen DMS

Bescheide müssen rechtssicher formuliert, vollständig begründet und bürgerverständlich sein, das kostet Sachbearbeitende erhebliche Zeit und ist fehleranfällig.

Ein LLM generiert Bescheidentwürfe auf Basis des Prüfergebnisses, des einschlägigen Rechts und behördenspezifischer Textbausteine, die Sachbearbeiterin prüft und gibt frei.

Sachbearbeitende prüfen und korrigieren einen fertigen Entwurf, statt jeden Bescheid von Null zu schreiben. Rechtsgrundlagen und Rechtsbehelfsbelehrung kommen aus einer gepflegten Textbausteinbibliothek und sind damit über alle Bescheide hinweg gleich.

ChatGPT/Claude manuell mit Textbaustein-PromptM365 Copilot in bestehender Microsoft-UmgebungDediziertes Bescheid-System mit DMS-Integration

Der Posteingang wächst täglich und dringende Anfragen gehen im Stapel unter, ohne Priorisierungssystem wird FIFO betrieben, unabhängig von der Dringlichkeit.

Ein Klassifikationsmodell auf LLM-Basis liest Anfragen, erkennt Dringlichkeitssignale und Fristen per NLP und priorisiert die Warteschlange automatisch für Sachbearbeitende.

Dringende Fälle stehen oben statt in der Reihenfolge des Eingangs, Fristsachen bekommen einen Kalendereintrag, und die tägliche Postsichtung schrumpft auf eine Dashboard-Prüfung. Wie viele Fristprobleme das verhindert, misst du im Pilot gegen die eigene Ausgangslage.

LLM-Prompt direkt (kein Setup, manuelle Klassifizierung)Workflow-Automatisierung via Make/Power AutomateIntegriertes Triage-System mit DMS-Anbindung

Protokollführung ist zeitaufwendig und oft unvollständig, Sachbearbeitende können nicht gleichzeitig aktiv teilnehmen und lückenlos mitschreiben.

Ein Spracherkennungsmodell (Whisper/ASR) transkribiert aufgezeichnete Sitzungen; ein LLM strukturiert das Transkript zu Protokollen mit Tagesordnungspunkten, Beschlüssen, Verantwortlichkeiten und Fristen.

Protokollarbeit sinkt von 2–4 Stunden auf 20–45 Minuten pro Sitzung; Sitzungsteilnehmende können sich auf Inhalte konzentrieren und Beschlüsse sind vollständig dokumentiert.

Whisper lokal + LLM-Prompt (kein SaaS)Teams/Zoom + Copilot oder Otter.ai (Cloud)On-Premise-Transkription + Custom LLM-Pipeline

Wissen in Behörden steckt in den Köpfen langjähriger Mitarbeitender oder in unsortierten Aktenbergen, beim Ausscheiden von Schlüsselpersonen geht wertvolles Erfahrungswissen verloren.

Eine RAG-Architektur (Retrieval-Augmented Generation) indexiert interne Dokumente; ein LLM beantwortet per NLP-Suche Fragen zu Gesetzen, Verwaltungsvorschriften, Präzedenzfällen und internen Richtlinien mit direkten Quellenangaben.

Neue Mitarbeitende finden Standardwissen selbst, statt es zu erfragen, Wissenstransfer wird systematisch dokumentiert statt mündlich übergeben.

NotebookLM (kostenlos, kein Setup)nele.ai (DSGVO-SaaS, Serverstandort Deutschland, RAG ohne Setup)Custom RAG mit Claude API (volle Kontrolle)

Verwaltungsformulare sind oft komplex und bürokratisch, viele Bürger füllen sie falsch aus, was Nachforderungen und Verzögerungen verursacht.

Ein Large-Language-Model-Assistent (LLM) begleitet Bürger kontextbezogen beim Ausfüllen, erklärt jeden Abschnitt in einfacher Sprache, beantwortet Rückfragen und prüft Eingaben per Echtzeit-Plausibilitätsanalyse auf Vollständigkeit und Konsistenz.

Fehleingaben werden an der Stelle abgefangen, an der sie entstehen, statt drei Wochen später per Nachforderung. Wie stark die Vollständigkeitsquote dadurch steigt, zeigt ein A/B-Test über vier Wochen, und nur der.

Chat-Widget auf Formularseite (No-Code, kein DMS nötig)KI-Assistent mit Formularkontext via API-IntegrationVollständige OZG-Integration mit On-Premise-Hosting

Bürger mit Migrationshintergrund haben oft Schwierigkeiten, Verwaltungsdokumente zu verstehen, professionelle Übersetzungen sind teuer und dauern lange.

Neuronale Maschinenübersetzung (NMT) übersetzt Behördenkommunikation in häufig gesprochene Sprachen; ergänzend erstellen Large-Language-Models (LLM) vereinfachte Versionen in einfacher Sprache.

Die maschinelle Übersetzung einer Normseite kostet über die API wenige Cent statt eines Übersetzerhonorars von rund 55 Euro nach JVEG. Der eigentliche Aufwand ist die muttersprachliche Prüfung, und die bleibt Pflicht, wo Rechtsfolgen hängen. Wie stark Rückfragen sinken, zeigt erst der Pilot.

DeepL API direkt (kein Custom-Setup)LLM-Prompt mit Glossar (ChatGPT/Claude)Integrierte Verwaltungsplattform mit KI-Modul

Amtsdeutsch ist notorisch schwer verständlich, viele Bürger, besonders ältere Menschen oder Menschen mit Lernschwierigkeiten, verstehen Bescheide und Formulare nicht.

Generative Large-Language-Models (LLM) übersetzen Verwaltungstexte regelwerkgesteuert in Leichte Sprache oder einfache Sprache, analysieren digitale Inhalte per Lesbarkeitsmetrik auf WCAG-Konformität und unterstützen bei der barrierefreien Gestaltung.

Leichte-Sprache-Erstellung sinkt von 150–300 € auf unter 20 € pro Normseite, Rückrufvolumen durch unverstandene Bescheide geht messbar zurück und die BITV-Compliance-Lücke schließt sich skalierbar.

ChatGPT / Claude direkt mit Regelwerk-PromptHalbautomatischer Workflow mit Make/n8nBehördensouveräne Lösung via govdigital

Prüfbehörden können nur einen Bruchteil der relevanten Fälle kontrollieren, die Auswahl erfolgt nach starren Stichprobenregeln statt nach echtem Risikoprofil.

Supervised-Learning-Risikomodell auf Behördendaten identifiziert Hochrisiko-Fälle mit erklärbaren Faktoren (XAI) für rechtssichere und transparente Priorisierungsentscheidungen.

Datenbasierte, begründbare Prüfauswahl mit erklärbaren Faktoren statt Rotationsplan. Ob die Trefferquote steigt und um wie viel, zeigt erst ein Vergleich mit einer Zufallsstichprobe, belastbare Zahlen aus deutschen Prüfbehörden haben wir nicht gefunden.

LLM-Analyse (ChatGPT/Claude, kein Setup)Open-Source-ML via KNIME (eigene IT nötig)Custom Risikomodell mit XAI (Dienstleister)

Ein großer Teil des Arbeitstags geht für Textarbeit drauf: Bescheide formulieren, Vorlagen anpassen, Gesetze nachschlagen. Repetitiv, zeitaufwändig und schwer messbar, solange es niemand misst.

Ein behördlich betriebener LLM-Assistent unterstützt bei Textentwürfen, Zusammenfassungen und Recherche in Verwaltungsvorschriften. Wie viel Kontrolle über die Datenverarbeitung bleibt, hängt vollständig vom gewählten Betriebsmodell ab.

Entwürfe und Fundstellen statt leerem Blatt und Ordnersuche. Eine belastbare veröffentlichte Messung der Zeitersparnis für deutsche Behördenassistenten gibt es nicht, den Ausgangswert misst nur der eigene Pilot.

nele.ai (DSGVO-SaaS, Serverstandort Deutschland, Behördenreferenzen)Microsoft 365 Copilot (SaaS, kein Server-Invest)LLMoin über Dataport oder eigenes On-Premise-LLM mit RAG-Wissensbasis

Förderbehörden bearbeiten tausende Anträge mit komplexen Förderbedingungen, Fehler, Rückfragen und lange Bearbeitungszeiten frustrieren Antragsteller und belasten Personal.

NLP-Modelle prüfen Anträge auf Vollständigkeit und Förderfähigkeit, generieren automatische Rückfragen und priorisieren die Bearbeitungsqueue.

Fehlende Unterlagen fallen beim Eingang auf statt nach Wochen, Rückfragebriefe liegen als Entwurf vor, und Antragsteller bekommen Statusmeldungen. Wie viel Bearbeitungszeit das spart, ist nicht belegt, die Rechnung unten arbeitet mit einer offengelegten Annahme.

Make.com-Checkliste (kein KI-Modell nötig)Microsoft 365 Copilot + Power AutomateNLP-Vollständigkeitsprüfung + Eigenentwicklung

Öffentliche Arbeitgeber verlieren Fachkräfte an die Privatwirtschaft, weil Stellenanzeigen unattraktiv sind, Bewerbungsprozesse monatelang dauern und Kandidaten inzwischen woanders zugesagt haben.

Ein LLM erstellt zielgruppengerechte Stellenanzeigen, die Stärken des öffentlichen Dienstes authentisch kommunizieren, und beschleunigt die Sichtungsphase durch NLP-gestütztes KI-Screening, ohne Bestenauslese-Grundsatz oder Personalrats-Rechte zu umgehen.

Stellenanzeigen in Minuten statt Stunden entworfen, Bewerbungen strukturierter gesichtet, schnellere Rückmeldungen an Kandidaten. Ob die Vakanzzeit sinkt und um wie viel, zeigt nur die eigene Messung, belastbare Vergleichszahlen haben wir nicht gefunden.

LLM für Stellenanzeigen-Entwürfe (kein Setup)KI-Bewerbungsscreening mit Personalrats-AbstimmungVollständige Recruiting-Plattform (ATS + KI-Modul)

Viele Behörden führen noch Papierakten oder schlecht strukturierte Digitaldokumente. Aktenabruf dauert Stunden, Informationen werden doppelt erfasst, und bei Personalwechsel geht Kontextwissen verloren.

Ein NLP-Klassifikationsmodell automatisiert die Verschlagwortung und Klassifizierung eingescannter oder digitaler Dokumente, erstellt automatische Inhaltsverzeichnisse und ermöglicht semantische Suche über den gesamten Aktenbestand via Vektordatenbank.

Aktenabrufzeit von 15 auf 2 Minuten reduzieren, Doppelerfassungen eliminieren, OZG-konforme volldigitale Aktenführung ermöglichen.

OCR-Texterkennung für NeueingangOCR + NLP-Klassifizierung mit AktenplanVollintegration mit semantischer Suche

Bürgerinnen und Bürger wissen oft nicht, welche Leistungen ihnen zustehen oder welche Fristen relevant sind. Das Bürgerportal ist ein statisches Angebot, das nur auf Suche reagiert, nicht auf Bedarf.

KI analysiert Lebensereignisse (Umzug, Geburt, Ruhestand) und verknüpft sie mit relevanten Verwaltungsleistungen und Fristen, und kommuniziert proaktiv per E-Mail oder Portal-Benachrichtigung.

Bürgerinnen und Bürger erfahren nach Umzug, Geburt oder Rentenbeginn, welche Leistungen und Fristen jetzt anstehen, bevor sie anrufen müssen. Wie stark Anrufe und versäumte Fristen sinken, ist nicht belegt und muss gemessen werden. Geld spart das System der Kommune nach unserer Rechnung nicht.

Regelbasierte Lebenslagen-Hinweise per E-MailLLM-formulierte Empfehlungen mit FristerinnerungVollintegration mit EWM und Portal-Backend

Vergabeverfahren und Vertragsprüfungen binden erhebliche Kapazitäten in Rechts- und Vergabeabteilungen. Fehler bei der Vergabe führen zu Nachprüfungsverfahren, Schadensersatz und bei grober Fahrlässigkeit zum Regress gegen die Verantwortlichen.

Ein LLM prüft Vergabeunterlagen per NLP-gestütztem Klauselabgleich auf formale Vollständigkeit und vergaberechtliche Anforderungen (GWB, VgV, UVgO), vergleicht Vertragsentwürfe gegen Musterklauseln (EVB-IT, AVV nach DSGVO) und erstellt Entwürfe für Vergabevermerke als Entscheidungsvorlage.

Standardklauseln werden in Minuten gegen das eigene Musterwerk abgeglichen, Abweichungen mit Fundstelle markiert, Vergabevermerke als Entwurf vorbereitet. Wie viel Prüfzeit das spart, misst du im Pilot. Die Entscheidungsverantwortung bleibt beim zuständigen Personal.

LLM-Prompt-Abgleich gegen MusterklauselnSpezialisiertes Vergabe-Tool mit Klausel-PlaybookVollintegration mit Vergabevermerk-Workflow

Fortbildungsplanung in Behörden ist meist reaktiv und standardisiert, alle bekommen dasselbe Angebot, unabhängig von individuellem Bedarf und strategischen Kompetenzlücken der Organisation.

KI analysiert Tätigkeitsprofile, Beurteilungsergebnisse und strategische Anforderungen (z.B. Digitalisierungskompetenzen) und gleicht sie mit verfügbaren Fortbildungsangeboten (BAköV, Kommunale Hochschule, E-Learning) ab.

Planungsaufwand für die Jahresfortbildung von 3–6 Wochen auf 1–2 Wochen halbieren, Fortbildungsbudget gezielter einsetzen und Verfallquote von 20–30 Prozent senken, Digitalisierungskompetenzen systematisch aufbauen.

LLM-Empfehlungen aus Stellenprofil und BedarfSoll-Ist-Abgleich gegen StrategiezieleAutomatische Fortbildungsplanerstellung

Quartals- und Jahresberichte binden 2–3 Arbeitstage pro Zyklus: Daten aus mehreren Fachverfahren manuell exportieren, in Excel-Vorlagen zusammenführen, Abweichungen kommentieren, in das Landesbehörden-Template übertragen.

Automatisierte Datenaggregation aus Fachverfahren, LLM-gestützte Textgenerierung für Abweichungskommentare nach festgelegten Regeln, Ausgabe in das vorgeschriebene Landesbehörden-Format (Word/Excel).

Berichtserstellungszeit von 2–3 Arbeitstagen auf 2–4 Stunden reduzieren, Vorlagen-Fehler durch maschinengestützte Validierung eliminieren, Kapazität für inhaltliche Bewertung statt mechanische Datentransfer-Arbeit.

LLM-Textentwürfe für AbweichungskommentareAggregation und PlausibilitätsprüfungPipeline aus Fachverfahren ins Behördenformat

Viele Kommunen wissen, dass sie auf Social Media präsenter sein sollten, aber die Content-Erstellung bindet Zeit, die im Tagesgeschäft fehlt. Posts werden unregelmäßig, qualitativ unterschiedlich und ohne Strategie veröffentlicht.

Ein LLM erstellt Social-Media-Posts aus strukturierten Informationseingaben (Pressemitteilung, Veranstaltungsdaten, Amtsblatttext) in verschiedenen Formaten für verschiedene Kanäle, mit behördenkonformer Sprache und Barrierefreiheits-Hinweisen.

Posting-Frequenz von 2–3 auf 5–8 Posts pro Woche steigern ohne Personalmehreinsatz, 15–25 Minuten Zeitersparnis je Post, konsistente Kommunikationsqualität auch bei wechselnden Zuständigen sicherstellen.

LLM-Textentwürfe je Kanal (ChatGPT, Claude)Redaktionsplan plus Freigabe (Swat.io)Alt-Texte und Leichte Sprache automatisiert

Bearbeitungsrückstände entstehen unsichtbar, Engpässe werden erst erkannt wenn der Stau kritisch und politisch sichtbar ist.

Process-Mining-Analyse der digitalen Vorgangsdaten macht sichtbar, an welchem Schritt, welcher Gruppe und welchem Dokumententyp welcher Anteil der Gesamtdurchlaufzeit entsteht.

Gezielte Ressourcenverstärkung an der tatsächlichen Engpassstelle statt Gießkannenmaßnahmen, verhindert Fehlinvestitionen von 65.000–85.000 € pro Personalstelle im falschen Sachgebiet.

ChatGPT/Claude als Hypothesen-Generator (kein Datenzugang nötig)Power Automate Process Mining (im M365-Bundle)Apromore / Celonis auf eigenem Event Log

Inkonsistente Angaben in Sozialleistungsanträgen werden manuell kaum erkannt.

ML-Modell erkennt Inkonsistenzen über Sachbereiche hinweg und gibt Hinweise an Sachbearbeiter.

Widersprüche zwischen Leistungsarten fallen systematisch auf statt zufällig, ohne automatische Ablehnung, die Sachbearbeitung behält die Entscheidungshoheit. Wie viele Inkonsistenzen mehr erkannt werden, ist für Deutschland nicht belegt, und jeder Hinweis kostet Prüfzeit.

KNIME on-premise (kein Cloud-Zwang)scikit-learn / Python-EigenentwicklungSouveräne Cloud via govdigital + eigenem Modell

Verkehrsplanung basiert auf manuell ausgewerteten Zähldaten aus wenigen Wochen im Jahr, Muster bleiben unsichtbar, Empfehlungen kommen zu spät.

Machine-Learning-Modelle analysieren kontinuierliche Sensordaten, erkennen Engpassmuster und leiten konkrete Optimierungsempfehlungen für Signalschaltungen ab.

Nach unserer Annahme 3–6 Stunden weniger manuelle Auswertungsarbeit pro Woche je Planerin und eine Planungsbasis aus zwölf Monaten statt zwei Messwochen. Haltezeiten lassen sich vor und nach einer Schaltungsänderung messen, die Ursache ist schwer zuzuordnen.

Datenanalyse auf Bestandssensoren (kein neues Tooling)Kamera-Analyse-Plattform (z.B. Isarsoft Perception)Adaptive Echtzeit-Signalsteuerung (z.B. Yunex Traffic)

Der Sanierungsbedarf übersteigt das Budget um ein Vielfaches. Ohne Priorisierungsmodell entscheiden politischer Druck oder wer am lautesten klagt, nicht sachlich abwägendes Risikomanagement.

ML-Modelle kombinieren Zustandsdaten aus Befahrungen, Inspektionsberichten, Alter und Nutzungsintensität zu einer transparenten, verteidigbaren Prioritätsliste.

Sachlich begründete Reihenfolge und eine nachvollziehbare Entscheidungsvorlage für den Gemeinderat. Jede vermiedene Notreparatur spart den Unterschied zur geplanten Maßnahme, wie viele es werden, ist nicht belegt und bei wenigen Fällen im Jahr schwer zu messen.

Prompt-basierte Erstpriorisierung (kein Setup)SaaS-Erfassungstool (vialytics / Pallon)IWMS-Plattform für Gebäude (Planon)

Saisonale Spitzen bei Reisepässen, gesetzliche Fristen und Lebensereignisse erzeugen vorhersehbare, aber schlecht geplante Überlastungen.

Zeitreihenmodelle (Prophet, ARIMA, Gradient Boosting) prognostizieren auf Buchungs- und Besuchsdaten die Nachfrage je Service-Typ vier bis acht Wochen im Voraus.

Planungsvorlauf von 4–8 Wochen statt 1–2 Wochen: Personal, Urlaub und Terminslots lassen sich vor der Spitze anpassen statt danach. Ob Überstunden und Wartezeiten sinken, hängt daran, ob die Behörde die zusätzliche Kapazität tatsächlich schafft, belastbare Zahlen dazu haben wir nicht gefunden.

Manuelle Saisonanalyse mit ChatGPT auf CSV-ExportPython + Prophet (Open Source, Digitalagentur)Azure Machine Learning (Cloud, AutoML)

Die Prüfung von Förderanträgen auf Förderfähigkeit ist zeitintensiv und komplex: Sachbearbeitende müssen Förderrichtlinien mit Antragsinhalten abgleichen, fehlende Unterlagen erkennen und Ermessensspielräume abwägen, bei steigendem Antragsvolumen und zunehmend komplexen Programmregeln.

Ein KI-System liest Förderrichtlinie und Antragsdokumente, prüft systematisch auf Vollständigkeit und Förderfähigkeitsmerkmale, markiert Konfliktpunkte und liefert Sachbearbeitenden eine strukturierte Prüfliste, die Entscheidung trifft immer der Mensch.

Statt 45 bis 90 Minuten Vorprüfung je Antrag 15 bis 30 Minuten Kontrolle einer Prüfliste, nach den Annahmen dieser Seite. Fehlende Unterlagen werden im ersten Durchgang vollständig nachgefordert statt in mehreren Runden, die Prüfung bleibt bei Vertretungen konsistent, Ermessen bleibt beim Menschen.

LLM-Assistent mit Förderrichtlinie als Kontext (sofort nutzbar)M365 Copilot + Power Automate (bei bestehender M365-Umgebung)Dediziertes Prüfsystem mit Azure Document Intelligence + Azure OpenAI

Am Ende der Förderperiode sind viele LEADER-Budgets gebunden, und wie es nach 2027 weitergeht, ist offen. Die Alternativen liegen verstreut bei Land, Bund, Stiftungen und Lotterien, jede mit eigener Antragsberechtigung, eigenen Ausschlüssen und eigenem Rhythmus. Auch dort wird das Geld knapp: Die Fernsehlotterie hat ihre Förderung für Bau und Erstausstattung ausgesetzt, die Postcode Lotterie nimmt derzeit keine Anträge an.

Ein KI-Assistent mit Websuche läuft als monatlicher Förderradar über die Herausforderungen der Region und liefert Kandidaten mit Link und Status. Für konkrete Vorhaben zerlegt ein Prompt das Projekt in Kostenblöcke und Trägermodelle, und aus Aufruf und Projektprofil entsteht ein Antragsrohtext. Jede Angabe läuft vorher durch eine Prüfkette gegen Richtlinie und Fördergeber.

Das Regionalmanagement erkennt Möglichkeitsfenster früher, gibt geprüfte Chancen gezielt ins Netzwerk weiter und berät bei Vorhaben wie dem Dorftreffpunkt mit einem Finanzierungsmix statt mit der Suche nach dem einen Topf. Ob daraus Geld wird, entscheiden die Fördergeber.

KI-Assistent mit Websuche und geplanten Aufgaben (ChatGPT, Gemini, Mistral)Förderdatenbank mit Benachrichtigung (Reflecta Fördermittelkompass, FördermittelNAVI)Dokumentgestützter Antragsrohtext (Gemini Notebook, Claude)