Multi-Agent-Ausschreibungsfinder: Wann ein Universalprofil nicht reicht

Stand: August 2026 | Lesezeit: ca. 11 Min.

Ein IT-Dienstleister bietet SAP-Migrationen, Managed Cloud und Penetrationstests an. Im Ausschreibungsfinder landen deshalb alle CPV-Codes, Fachbegriffe, Referenzen und Ausschlusskriterien in einem großen Suchprofil. Das klingt effizient. In der Praxis muss dieses Profil jedoch drei unterschiedliche Fragen gleichzeitig beantworten: Passt der Auftrag fachlich? Kann das Unternehmen die Eignung nachweisen? Und welche Rückmeldung soll die nächste Suche verbessern?

Genau dort stößt ein Universalprofil an Grenzen. Nicht weil ein einzelner KI-Agent grundsätzlich zu schwach wäre, sondern weil drei verschiedene Leistungsbilder keine einheitliche Relevanzklasse bilden. Ein Multi-Agent-Ausschreibungsfinder trennt diese Leistungsbilder in spezialisierte Agenten. Jeder Agent sucht, bewertet und lernt innerhalb eines klaren fachlichen Kontexts.

Was bedeutet Multi-Agent bei einem Ausschreibungsfinder?

Der Begriff „Multi-Agent-System“ wird häufig für KI-Systeme verwendet, in denen mehrere autonome Agenten Aufgaben untereinander verteilen. Bei der Ausschreibungssuche ist eine nüchternere Definition hilfreicher:

Ein Agent kann zum Beispiel auf SAP-Transformationen spezialisiert sein. Ein zweiter sucht Managed-Cloud- und Betriebsleistungen. Ein dritter bewertet Ausschreibungen für Penetrationstests. Jeder besitzt dafür eigene:

• Leistungsbeschreibungen und Synonyme,
• CPV-Codes und fachliche Suchsignale,
• Positiv- und Ausschlusskriterien,
• Ideal-Ausschreibungen pro Leistung,
• Entscheidungen und daraus abgeleitete Learnings.

Firmendaten, Zertifizierungen und Referenzen bleiben gemeinsamer Unternehmenskontext. Der einzelne Agent legt fest, für welche Leistung und in welchem fachlichen Rahmen diese Informationen bewertet werden. Die Agenten müssen nicht miteinander kommunizieren. Ihr Vorteil entsteht durch fachliche Trennung. Die Ergebnisse fließen anschließend in eine gemeinsame Ausschreibungsliste, damit Vertrieb und Bid Management weiterhin den gesamten Marktüberblick behalten.

Warum wird ein einzelnes Suchprofil mit jeder Dienstleistung unpräziser?

Ein Universalprofil hat kein Problem mit der Anzahl seiner Begriffe. Es hat ein Problem mit deren Bedeutung.

Nehmen wir drei Leistungsbereiche eines mittelständischen IT-Dienstleisters:

Im gemeinsamen Profil tauchen Begriffe wie „Migration“, „Betrieb“, „Security“ und „Beratung“ nebeneinander auf. Sie sind jeweils sinnvoll, aber nicht im selben Kontext. Vier Probleme entstehen.

1. Breite Signale werden mehrdeutig. „Security“ kann einen Penetrationstest, eine Firewall-Lieferung, einen SOC-Betrieb oder physische Sicherheitsleistungen bezeichnen. Ohne klaren Leistungsrahmen steigt die Zahl der Kandidaten, die später aussortiert werden müssen.

2. Ein gemeinsamer Schwellenwert wird zum Kompromiss. Ein enger Filter schützt vor Rauschen, kann aber Ausschreibungen aus einem sprachlich vielfältigen Leistungsbereich übersehen. Ein weiter Filter erhöht die Abdeckung, belastet jedoch alle anderen Bereiche mit zusätzlichen Fehlalarmen.

3. Feedback verliert seinen Kontext. Wird eine Hardware-lastige Ausschreibung für den Cloud-Agenten abgelehnt, kann dieselbe Hardware-Komponente für einen Infrastruktur-Agenten relevant sein. Ein globales „nicht passend“ ist deshalb kein sauberes Lernsignal.

4. Der Treffergrund wird schwerer erklärbar. Wenn ein Profil hunderte Begriffe und mehrere Leistungsbilder enthält, ist für das Bid-Team weniger klar, warum eine Ausschreibung priorisiert wurde und welche Referenzen tatsächlich passen.

Was haben CPV-Codes mit dem Multi-Agent-Problem zu tun?

Das Common Procurement Vocabulary der EU standardisiert die Beschreibung öffentlicher Aufträge in einer hierarchischen Klassifikation. Das ist eine wichtige Grundlage, aber kein vollständiges Abbild einer Leistung.

TED erlaubt deshalb nicht nur die Suche nach CPV-Codes. Die offizielle TED-Suchhilfe beschreibt auch Volltextsuche, Stemming, Wildcards und die Kombination mit weiteren strukturierten Feldern. Selbst das Publikationsamt der EU ergänzt veröffentlichte CPV-Codes inzwischen durch ein inhaltsbasiertes CPV-Enrichment, um Verfahren besser auffindbar zu machen. Dabei werden Titel, Beschreibungen und Losinformationen ausgewertet und zusätzliche Codes mit Konfidenzschwellen gefiltert.

Unsere eigene 90-Tage-Analyse deutscher TED-Bekanntmachungen zeigt denselben Mechanismus aus Sicht der Anbieter:

Die 70 Kandidaten beweisen weder falsche CPV-Codes noch eine bestimmte Verlustquote. Sie zeigen aber: Auffindbarkeit entsteht aus mehreren Signalarten. Ein belastbares Suchprofil verbindet CPV, Fachbegriffe, Produktsprache und inhaltliche Qualifizierung. Wie diese Ebenen zusammenspielen, erklären wir ausführlich im Beitrag zu CPV-Codes und Filterpräzision.

Sobald ein Unternehmen mehrere Leistungsbereiche anbietet, braucht jeder Bereich eine andere Kombination dieser Signale. Genau daraus entsteht der praktische Nutzen spezialisierter Agenten.

Wie verbessern spezialisierte Agenten Präzision und Abdeckung?

Bei einem Ausschreibungsfinder sind zwei Qualitätsziele relevant:

• Präzision: Wie viele angezeigte Ausschreibungen sind tatsächlich passend?
• Abdeckung: Wie viele der tatsächlich passenden Ausschreibungen werden gefunden?

Ein breiteres Universalprofil kann die Abdeckung erhöhen, gleichzeitig aber mehr irrelevante Treffer erzeugen. Ein zu enges Profil hält die Liste sauber, riskiert jedoch Blindspots. Multi-Agenten lösen diesen Zielkonflikt nicht automatisch. Sie machen ihn pro Leistungsbereich steuerbar.

Die Informationsretrieval-Forschung liefert dafür keine Tendit-spezifische Erfolgsgarantie, aber eine passende Mechanik. Eine Studie zu fachspezifischer Query Expansion verglich 16 disziplinspezifische Begriffssysteme mit einem allgemeinen System. Die spezialisierten Systeme erzielten in diesem Bibliothekskontext bessere Suchergebnisse. Die konkreten Werte lassen sich nicht auf Ausschreibungen übertragen. Belastbar ist die allgemeinere Erkenntnis: Unterschiedliche Fachgebiete profitieren von unterschiedlichen Begriffsräumen.

Warum muss auch das Feedback pro Agent getrennt bleiben?

Ein lernender Ausschreibungsfinder nutzt Entscheidungen wie „passend“, „nicht passend“ oder „später prüfen“, um künftige Treffer besser einzuordnen. Dieses Feedback ist nur wertvoll, wenn sein Kontext erhalten bleibt.

Das Standardwerk Introduction to Information Retrieval erklärt für klassische Vektorraummodelle, dass Relevance Feedback besonders gut funktioniert, wenn relevante Dokumente sprachlich ähnlich sind und einen klaren Cluster bilden. Besteht die relevante Menge aus mehreren getrennten Clustern mit unterschiedlichem Vokabular, wird dieses gemeinsame Feedbackmodell schwieriger. Das ist eine hilfreiche Analogie, aber kein Beweis für jedes moderne LLM- oder Matching-System.

Übertragen auf Ausschreibungen bedeutet das:

• Die Ablehnung eines SAP-Betriebsvertrags sagt wenig über einen Penetrationstest aus.
• Eine gute Krankenhaus-Cloud-Ausschreibung liefert andere Lernbegriffe als ein kommunales ERP-Projekt.
• Fehlende SAP-Referenzen sind für den SAP-Agenten entscheidend, für den Cloud-Agenten möglicherweise irrelevant.
• Ein globales Negativsignal kann berechtigte Varianten eines anderen Leistungsbereichs verdrängen.

Bei Systemen, die Nutzerfeedback in spätere Bewertungen übernehmen, sollte die Rückmeldung deshalb an den Agenten geschrieben werden, der die Ausschreibung gefunden hat. Die aktuelle Auswahl in der Navigation darf dafür nicht maßgeblich sein. Sonst trainiert ein Nutzer beim Arbeiten in einer gemischten Ausschreibungsliste versehentlich das falsche Profil.

Wann reicht ein einzelner Ausschreibungsagent aus?

Mehr Agenten sind kein Selbstzweck. Ein einzelner Agent ist sinnvoll, wenn das Leistungsbild tatsächlich homogen ist.

Das ist typischerweise der Fall, wenn:

• dieselben Fachbegriffe und CPV-Bereiche alle relevanten Aufträge beschreiben,
• dieselben Referenzen und Zertifikate für die Eignung zählen,
• dieselben Ausschlussgründe gelten,
• dieselbe Person oder dasselbe Team die Treffer verantwortet,
• Feedback aus einem Projekt auf die übrigen Projekte übertragbar ist.

Ein reiner SAP-Beratungsanbieter mit mehreren eng verwandten Modulen braucht nicht automatisch einen Agenten pro Modul. Wenn Wortschatz, Referenzen und Go/No-Go-Logik weitgehend identisch sind, erhöht die Aufteilung nur den Pflegeaufwand.

Mehrere Agenten werden sinnvoll, sobald Leistungen unterschiedliche Kauf- und Eignungslogiken besitzen. Die richtige Einheit ist daher nicht „ein Agent pro Produkt“, sondern „ein Agent pro eigenständigem Ausschreibungstyp“.

Wie viele Ausschreibungsagenten braucht ein IT-Dienstleister?

Prüfen Sie jeden Leistungsbereich mit fünf Fragen:

1. Verwendet der öffentliche Auftraggeber dafür ein eigenes Fachvokabular?
2. Benötigt die Leistung andere CPV-Codes oder Suchsignale?
3. Gelten andere Referenzen, Zertifikate oder Mindestanforderungen?
4. Gibt es eigene Ausschlussgründe oder typische Fehlalarme?
5. Würde eine negative Entscheidung in diesem Bereich die Suche eines anderen Bereichs falsch beeinflussen?

Zählen Sie die Ja-Antworten nicht einfach zusammen. Die Fragen haben je nach Geschäftsmodell unterschiedliches Gewicht. Eine abweichende Ausschlusslogik kann allein schon entscheidender sein als mehrere kleine Unterschiede im Vokabular.

Sobald mindestens eine dieser Abweichungen die Go/No-Go-Entscheidung wesentlich verändert, lohnt sich ein kontrollierter Test mit getrennten Profilen. Nutzen Sie dafür denselben historischen Ausschreibungsbestand, legen Sie relevante und irrelevante Treffer vorab manuell fest und definieren Sie die Bewertungsgrößen vor dem Vergleich. Messen Sie nicht nur die Anzahl der Treffer, sondern auch Präzision, Abdeckung, Erklärbarkeit und den Aufwand pro qualifizierter Ausschreibung.

Woran erkennen Sie einen guten Multi-Agent-Ausschreibungsfinder?

Ein Tool ist nicht schon deshalb ein Multi-Agent-System, weil Nutzer mehrere Suchmasken speichern können. Für den operativen Einsatz sollten Sie auf sieben Eigenschaften achten:

1. Eigenes Leistungsbild pro Agent: Freitext, Leistungen, CPV-Codes und Ideal-Ausschreibungen bleiben getrennt.
2. Agentenspezifische Kalibrierung: Beispiele schärfen genau den ausgewählten Agenten.
3. Getrennte Lernhistorie: Feedback landet beim tatsächlich findenden Agenten.
4. Nachvollziehbarer Treffergrund: Nutzer sehen, welcher Agent eine Ausschreibung gefunden hat.
5. Accountweite Ausschreibungsliste: Alle Chancen sind zentral sichtbar und optional nach Agent filterbar.
6. Saubere Dublettenlogik: Findet mehr als ein Agent dasselbe Verfahren, darf daraus kein doppelter Vertriebsprozess entstehen.
7. Messbarkeit: Präzision, Abdeckung und Fehlalarme sollten pro Agent überprüfbar sein.

Eine allgemeine Übersicht der Tool-Kategorien finden Sie in unserem Vergleich von Ausschreibungssoftware. Wie KI-basierte Suche grundsätzlich aufgebaut sein kann, zeigt der Beitrag Ausschreibungen automatisch finden.

Welche Grenzen haben Multi-Agent-Systeme bei der Ausschreibungssuche?

Spezialisierung löst keine schlechte Konfiguration. Ein unklar beschriebener Cloud-Agent bleibt unklar. Falsche CPV-Codes, zu breite Begriffe oder ungeprüft übernommenes Feedback werden nicht dadurch besser, dass sie auf mehrere Profile verteilt sind.

Zusätzliche Agenten erzeugen außerdem eigene Risiken:

• Überschneidungen können dieselbe Ausschreibung mehrfach finden.
• Zu kleinteilige Agenten erhalten zu wenig Feedback, um stabile Muster zu erkennen.
• Änderungen am Leistungsportfolio müssen an mehreren Stellen gepflegt werden.
• Teams brauchen klare Zuständigkeiten für Kalibrierung und Qualitätskontrolle.
• Ohne gemeinsame Liste entstehen Informationssilos statt Spezialisierung.

Der richtige Vergleich lautet deshalb nicht „ein großer Agent gegen möglichst viele kleine Agenten“. Er lautet: ein heterogenes Universalprofil gegen wenige, fachlich klar abgegrenzte Agenten mit gemeinsamer Pipeline.

Fazit: Spezialisierung vor Agentenmenge

Ein Single Agent ist nicht grundsätzlich schlechter. Er wird dann zum Problem, wenn ein Unternehmen mehrere Leistungen mit unterschiedlichem Wortschatz, anderen Nachweisen und eigenen Ausschlussgründen in dasselbe Profil zwingt. Das Suchsystem soll anschließend aus widersprüchlichem Feedback eine einzige Vorstellung von „relevant“ lernen.

Multi-Agent-Ausschreibungsfinder setzen an dieser Stelle an. Sie trennen die fachlichen Kontexte, halten Learnings sauber und machen Treffergründe nachvollziehbarer. Gleichzeitig bleibt die Vertriebspipeline über alle Agenten hinweg sichtbar.

Die belastbare These ist deshalb enger als der übliche KI-Pitch: Bei klar getrennten Leistungsbereichen schaffen spezialisierte Ausschreibungsagenten bessere Voraussetzungen für präzise Suche und kontexttreues Lernen als ein Universalprofil. Ob der Vorteil im eigenen Portfolio messbar ist, sollte anhand historischer Ausschreibungen geprüft werden.