Semantische Suche vs. Keyword-Matching: Warum klassische Ausschreibungsportale nicht mehr reichen

Sie suchen nach Ausschreibungen im Bereich „Gebäudesanierung". Sie geben das Wort in die Suchmaske ein, drücken Enter, und bekommen 47 Ergebnisse. Sie scrollen durch die ersten 10, finden 2–3 relevante Projekte, und das war's.

Was Sie nicht sehen: Es gab 120 weitere Ausschreibungen auf dem Portal, die auch für Sie relevant waren. Sie waren unter anderen Begriffen wie „Fassadenrenovierung", „Wärmeschutzmaßnahmen", „Bauwerkinstandsetzung", „Energetische Sanierung" oder „Außenfassadenerneuerung" eingelistet. Mit der klassischen Keyword-Suche finden Sie diese Ausschreibungen nicht.

Das ist kein Einzelfall. Es ist ein systemisches Problem der klassischen Suchmaschinen-Logik in Vergabeportalen. Und es kostet Sie Millionen an verlorenen Chancen.

Dieser Artikel zeigt Ihnen, warum klassische Keyword-Suche für öffentliche Ausschreibungen nicht ausreicht, wie semantische KI-Suche funktioniert, und wie sie Ihre Bieterquote um das 2–3fache erhöht.

Teil 1: Das Problem – Warum Keyword-Matching gescheitert ist

Das klassische Modell: String-Matching statt Verständnis

Vergabeportale nutzen zur Suche ein System, das im Kern nicht viel anders funktioniert als die Google-Suche von vor 15 Jahren. Ein Keyword-Matching-System funktioniert so:

Der Nutzer gibt ein Suchfeld ein: „Gebäudesanierung"
Die Suchmaschine sucht in der Datenbank nach exakten Übereinstimmungen oder Varianten
Das System findet Ausschreibungen mit genau diesen oder ähnlichen Wörtern
Alles andere wird ignoriert, egal wie relevant es ist

Das ist technisch einfach, aber praktisch nutzlos. Warum? Weil eine Ausschreibung nicht „Gebäudesanierung" enthält, sondern „Fassaderenovierung". Die Maschine sieht diese beiden Begriffe als unterschiedliche Konzepte an. Sie versteht nicht, dass beide das gleiche meinen.

Konkrete Beispiele, wo klassische Suche versagt:

Beispiel 1: Sie suchen nach „Wärmedämmung"

Sie finden Ausschreibungen mit genau diesem Begriff
Sie finden NICHT: „thermische Sanierung", „Wärmeschutzmaßnahmen", „Isolierungsarbeiten", „Thermische Instandsetzung", „Bauphysikalische Optimierung"
Verlust: 70–80% der relevanten Aufträge

Beispiel 2: Sie suchen nach „Straßenbau"

Sie finden Ausschreibungen mit genau diesem Begriff
Sie finden NICHT: „Fahrbahnertüchtigung", „Asphaltarbeiten", „Straßenherstellung", „Fahrbahnsanierung", „Verkehrsflächenerneuerung"
Verlust: 60–70% der relevanten Aufträge

Beispiel 3: Sie suchen nach „Elektroinstallation"

Sie finden Ausschreibungen mit genau diesem Begriff
Sie finden NICHT: „Elektrotechnik", „Elektroarbeiten", „Stromversorgungsanlage", „Elektrische Infrastruktur", „Elektrotechnische Ausstattung"
Verlust: 50–60% der relevanten Aufträge

Das Problem ist noch schlimmer, wenn Ausschreibungen mit CPV-Codes (Gemeinsamer Vokabular für öffentliche Aufträge) kategorisiert sind.

Das größere Problem: CPV-Codes sind zu starr

Öffentliche Ausschreibungen in der EU müssen mit sogenannten CPV-Codes kategorisiert werden. CPV steht für „Gemeinsamer Vokabular für öffentliche Aufträge" und ist im Prinzip ein standardisiertes Klassifikationssystem.

Klingt gut, funktioniert aber nicht.

Die Probleme mit CPV-Codes sind vielfältig:

Sie sind zu granular: Es gibt über 10.000 verschiedene CPV-Codes. Das ist zu viel. Viele CPV-Codes sind so spezifisch, dass sie fast niemand nutzt.
Sie sind mehrdeutig: Der gleiche Auftrag kann unter mehreren CPV-Codes fallen. Ein Projekt zur Gebäudesanierung könnte unter „Bauarbeiten", „Architektur", „Ingenieurleistungen" oder mehreren anderen Codes gelistet sein – je nachdem, wie der Auftraggeber es eingeteilt hat.
Sie werden falsch angewendet: Viele Auftraggeber sind nicht geschult oder nehmen sich nicht die Zeit, den richtigen CPV-Code zu wählen. Das Ergebnis: Eine Ausschreibung ist unter dem falschen Code gelistet, und Sie finden sie nie.
Sie sind statisch: Die CPV-Codes ändern sich nur alle paar Jahre. Neue Technologien, neue Dienstleistungen – alles muss in ein System gepresst werden, das nicht dafür entwickelt wurde.
Sie ignorieren Kontext: Ein CPV-Code sagt nichts darüber aus, wo der Auftrag durchgeführt wird, wie dringend er ist, oder welche speziellen Anforderungen es gibt.

Das Ergebnis: Selbst wenn Sie alle CPV-Codes kennen, die für Ihr Unternehmen relevant sind, finden Sie wahrscheinlich nur 40–50% der Aufträge, die Sie tatsächlich hätten bearbeiten können.

Das Sprachproblem: Vokabular ist nicht standardisiert

Hinzu kommt ein linguistisches Problem, das vielen nicht bewusst ist:

Es gibt keine Standardisierung in der Sprache, die Auftraggeber verwenden. Ein Auftraggeber in Frankreich könnte „rénovation de façade" schreiben, ein anderer „ravalement de façade", ein dritter „restauration de facade". Das sind alle das gleiche, aber die klassische Suche sieht sie als unterschiedlich an.

In Deutschland: „Gebäudesanierung", „Hausmodernisierung", „Fassadenerneuerung", „Bauwerkinstandsetzung" – alles könnte das gleiche Projekt sein.

In Italien: „ristrutturazione edilizia", „manutenzione straordinaria", „rigenerazione urbana" – wer korrekt kategorisiert, ist oft Zufall.

Und das ist nur innerhalb einer Sprache. Wenn Sie bereit sind, über Grenzen hinaus zu arbeiten, kommen über 40 weitere Sprachen hinzu.

Die wirtschaftlichen Konsequenzen

Was bedeutet das in der Praxis?

Wenn Sie nur 40–50% der relevanten Ausschreibungen finden, haben Sie faktisch nur Zugang zu Bruchteilen des Marktes. Sie konkurrieren gegen andere Bieter in einem fragmentierten, verzerrten Markt.

Große Ausschreibungen (über mehrere Millionen Euro) sind relativ leicht zu finden. Die Konkurrenz ist hart, aber die Chancen sind bekannt. Das Problem sind die mittleren und kleineren Aufträge – zwischen 50.000 und 500.000 Euro – die oft weniger „entdeckt" werden und wo KMU ihre echte Stärke haben.

Die Statistiken zeigen das: Laut einer Analyse von McKinsey [1] suchen KMU durchschnittlich nur 3–5 Portale aktiv ab, was bedeutet, dass sie 85–90% des Marktes verpassen. Die Bieterquoten sinken kontinuierlich (von 5,7 auf 3,2 Bieter pro Ausschreibung [2]), teilweise weil relevante Bieter die Ausschreibung gar nicht erst sehen.

Das ist nicht nur schlecht für KMU – es ist auch schlecht für die Auftraggeber. Sie erhalten weniger Angebote, was zu höheren Preisen und niedrigerer Qualität führt.

Teil 2: Die Lösung – Semantische Suche und KI-Verständnis

Wie semantische Suche funktioniert

Semantische Suche ist ein anderes Paradigma. Statt nach Wörtern zu suchen, versucht sie, Bedeutung zu verstehen.

Hier ist ein vereinfachtes Beispiel, wie es funktioniert:

Die KI liest einen Text und erstellt eine „semantische Repräsentation" – eine mathematische Darstellung der Bedeutung, nicht der Wörter.
„Gebäudesanierung", „Fassadenerneuerung" und „Bauwerkinstandsetzung" bekommen alle die gleiche semantische Repräsentation (oder eine sehr ähnliche).
Wenn Sie nach „Gebäudesanierung" suchen, sucht das System nach Ausschreibungen mit der gleichen oder ähnlichen semantischen Bedeutung.
Das System findet auch „Fassadenrenovierung", „Wärmeschutzmaßnahmen", „Außenflächenerneuerung" – weil sie die gleiche Bedeutung haben.

Die Technologie dahinter basiert auf sogenannten „Embeddings" – eine mathematische Repräsentation von Text im mehrdimensionalen Raum. Ähnliche Konzepte sind räumlich nah beieinander, unterschiedliche Konzepte sind weit entfernt.

Wenn Sie ein altes System mit Keyword-Matching nutzen, ist es wie die Suche mit einem Katalog aus dem Jahr 1985. Sie müssen das exakte Stichwort kennen. Mit semantischer Suche ist es wie die Suche mit Google: Sie beschreiben, was Sie suchen, und die Maschine versteht Sie.

Praktisches Beispiel: Wie BOND Tender Match semantisches Matching nutzt

Nehmen wir ein konkretes Beispiel: BOND Tender Match [3] nutzt semantische KI-Analyse, um Ausschreibungen zu verstehen.

Ein Angebot wird veröffentlicht mit dem Titel: „Fassadeninstandsetzung und Wärmeschutzoptimierung im Rathaus, Hamburg, 180.000 €"

Ein klassisches Keyword-Matching-System würde dies kategorisieren als:

Text: „Fassadeninstandsetzung", „Wärmeschutzoptimierung", „Rathaus", „Hamburg"
CPV-Code: Vielleicht „45000000-7 – Bauarbeiten"

Wenn Sie als KMU nach „Gebäudesanierung" suchen, würde das System sagen: „Keine exakte Übereinstimmung, 0 Ergebnisse."

Ein semantisches System würde hingegen:

Verstehen, dass „Fassadeninstandsetzung" ein Unterfall von „Gebäudesanierung" ist
Verstehen, dass „Wärmeschutzoptimierung" auch in den Kontext von Gebäudesanierung passt
Verstehen, dass Hamburg in Norddeutschland liegt (relevant, wenn Sie regional arbeiten)
Verstehen, dass 180.000 € in Ihrem typischen Projektbudget liegt (basierend auf Ihrem Profil)
Dieses Projekt als „sehr hohe Relevanz" einstufen

Das ist ein fundamentaler Unterschied.

Wie Kontext die Trefferquote erhöht

Wirklich gute semantische Systeme nutzen nicht nur die Ausschreibung selbst, sondern auch Kontext:

Ihr Unternehmensprofil: Was ist Ihre Branche, Größe, Erfahrung, bisherige Projekte? Das System nutzt diese Informationen, um zu bewerten, ob ein Projekt „passt".
Ihre Vergangenheit: Wenn Sie in den letzten 3 Jahren Fassadenprojekte gewonnen haben, versteht das System, dass solche Projekte für Sie relevant sind.
Geografischer Kontext: Wenn Sie in Bayern arbeiten, sind Projekte in Bayern relevanter als Projekte in Mecklenburg-Vorpommern.
Saisonalität: Das System kann die Suche an saisonale Muster anpassen.
Kapazität: Das System versteht, dass Sie gerade 3 große Projekte laufen haben und daher nur kleinere Projekte zu diesem Zeitpunkt relevant sind.

Die harten Zahlen: Wie viel besser ist semantische Suche?

Szenario: Ein KMU der Elektrotechnik sucht nach Elektroinstallationsprojekten in Deutschland.

Mit klassischem Keyword-Matching:

Suche: „Elektroinstallation"
Ergebnisse: 240 Ausschreibungen
Tatsächlich relevant: ca. 120
Nicht gefunden: 280 weitere Ausschreibungen (unter „Elektrotechnik", „Stromversorgung", „Elektroarbeiten" etc.)
Gesamt-Recall: ca. 30%

Mit semantischer Suche:

Suche: „Elektroinstallation"
Ergebnisse: 620 Ausschreibungen + automatische Filterung auf Kontext
Tatsächlich relevant: ca. 280 (deutlich mehr, besser gefiltert)
Nicht gefunden: ca. 30 weitere, sehr nischige Ausschreibungen
Gesamt-Recall: ca. 90%

Das ist eine 3-fache Verbesserung in der Abdeckung. Und was noch wichtiger ist: Die Qualität der Ergebnisse ist viel höher. Statt 240 Ergebnisse mit 50% Relevanz bekommen Sie 280 Ergebnisse mit 90% Relevanz. Das spart nicht nur Zeit bei der Recherche, sondern erhöht auch die Chancen auf erfolgreiche Bewerbungen.

Teil 3: Semantische Suche in der Praxis

Wie moderne Systeme das technisch lösen

Moderne KI-Systeme nutzen sogenannte „Large Language Models" (LLMs) und spezialisierte NLP-Technologien (Natural Language Processing):

Tokenisierung: Der Text wird in kleinere Einheiten zerlegt und in eine numerische Form konvertiert.
Embedding: Jede Einheit wird in einen mehrdimensionalen Raum konvertiert (typischerweise 500–4000 Dimensionen), wobei semantisch ähnliche Konzepte räumlich nah beieinander liegen.
Kontext-Verarbeitung: Das System analysiert nicht nur einzelne Wörter, sondern auch den Kontext.
Matching: Die Suchquery wird in die gleiche Form konvertiert, und das System berechnet die „Entfernung" zwischen der Query und jeder Ausschreibung im Datensatz.
Ranking: Ergebnisse werden nach Relevanz sortiert (nicht einfach nach Häufigkeit von Keyword-Übereinstimmungen).

Das Sprachproblem gelöst: Mehrsprachigkeit und automatische Übersetzung

Ein großer Vorteil von semantischen Systemen ist, dass sie natürlich mehrsprachig funktionieren. Wenn Sie als deutscher Unternehmer auch an italienischen, spanischen oder französischen Ausschreibungen interessiert sind, hat ein klassisches System ein großes Problem: Sie müssen auf Italienisch, Spanisch oder Französisch suchen können.

Ein semantisches System hat dieses Problem nicht. Das System kann:

Ausschreibungen automatisch übersetzen (mit hoher Genauigkeit, wenn moderne LLMs verwendet werden)
Suchen über mehrere Sprachen hinweg durchführen
Semantische Unterschiede zwischen Sprachen verstehen

BOND [3] unterstützt automatische Übersetzung aus über 40 Sprachen. Das bedeutet, dass Sie praktisch auf alle europäischen Ausschreibungen zugreifen können, ohne selbst Fremdsprachen zu sprechen.

CPV-Codes werden optional: Das Ende der starren Kategorisierung

Semantische Systeme sind nicht auf CPV-Codes angewiesen. Das klingt einfach, hat aber massive Implikationen:

Sie sind nicht frustriert, wenn ein Auftrag unter dem „falschen" CPV-Code gelistet ist
Sie finden Aufträge, die flexibel zwischen mehreren CPV-Codes passen
Das System kann selbst entscheiden, welche CPV-Kategorien tatsächlich relevant sind
Sie können auf neue Auftragstypen reagieren, ohne auf CPV-Updates zu warten

CPV-Codes sind seit Jahren ein Bottleneck bei der Ausschreibungssuche. Semantische Systeme umgehen dieses Problem elegant.

Teil 4: Die Business-Auswirkungen

Konkrete Zahlen aus Branchenstudien

Eine Studie von BCG [4] aus dem Jahr 2025 zu generativer KI im Procurement zeigt:

Unternehmen, die semantische KI für die Supplier-Suche einsetzen, finden 2,5x mehr relevante Lieferanten
Die Kostenersparnis durch bessere Matching-Qualität liegt bei 8–12% der Beschaffungsbudgets
Die Zeit für Recherche und Supplier-Onboarding sinkt um 60–70%

In der öffentlichen Beschaffung sind die Zahlen ähnlich. Eine McKinsey-Studie [5] zeigt:

KI-gestützte Beschaffungssysteme erhöhen die Quote der erfolgreichen Bid-Submissions um 40–50%
Die Zeit, die Procurement-Teams mit Recherche verbringen, sinkt um 70%

Übertragen auf ein KMU mit einem Jahresumsatz von 10 Millionen Euro und einer Procurement-Quote (Anteil öffentlicher Aufträge) von 30%:

Potenzial: 3 Millionen Euro Auftragsvolumen
Mit klassischer Suche: Wahrscheinlich 30–40% des Marktes genutzt = 900.000–1.200.000 Euro realisiert
Mit semantischer Suche: Wahrscheinlich 80–90% des Marktes genutzt = 2.400.000–2.700.000 Euro realisiert
Zusätzliches Umsatzpotenzial: 1.200.000–1.800.000 Euro pro Jahr

Das ist kein marginaler Gewinn. Das ist ein transformativer Effekt.

ROI-Berechnung

Wenn Sie BOND Tender Match ab 300 €/Monat nutzen:

Kosten pro Jahr: 3.600 €
Zusätzliches Auftragsvolumen (konservativ): 500.000–1.000.000 € pro Jahr
Geschätzter Gewinn bei 10% Marge: 50.000–100.000 € pro Jahr
ROI: 1.300%–2.700%

Die Amortisierung passiert in den ersten 2–4 Wochen.

Ein praktisches Beispiel: Vom Chaos zur Struktur

Sie leiten ein KMU in der Elektrotechnik mit 25 Mitarbeitern. Ihre durchschnittliche Projektgröße liegt bei 150.000 €. Sie arbeiten hauptsächlich in Bayern und Baden-Württemberg.

Situation heute (klassisches Keyword-Matching):

Sie durchsuchen 2 Portale
Sie verbringen 3 Stunden pro Woche mit Recherche
Sie finden etwa 2–3 relevante Projekte pro Woche
Sie bieten auf etwa 1 Projekt pro Woche
Ihre Quote: 25% erfolgreiche Angebote
Neukunden pro Jahr: 13

Mit BOND Tender Match (semantische Suche):

Das System monitort 2.000+ europäische Portale
Sie erhalten täglich Benachrichtigungen mit den 5–10 besten Matches für Ihr Profil
Sie finden etwa 10–15 relevante Projekte pro Woche
Sie bieten strategisch auf etwa 2–3 Projekte pro Woche
Ihre Quote: 35% erfolgreiche Angebote (bessere Qualität der Angebote)
Neukunden pro Jahr: 39–46

Das ist eine 3-fache Steigerung bei der Kundenakquisition. Gleichzeitig sparen Sie 3 Stunden pro Woche ein.

Teil 5: Warum klassische Portale nicht nachziehen

Eine berechtigte Frage: Warum bieten die großen Vergabeportale nicht einfach semantische Suche an?

Die Gründe sind vielfältig:

Technische Komplexität: Semantische Systeme basieren auf modernen KI-Technologien, die vor 3–5 Jahren noch nicht reif waren. Viele Portalbetreiber sind Legacy-Organisationen mit Legacy-Infrastruktur.
Datenqualität: Semantische Systeme brauchen hochwertige Trainingsdaten. Wenn die Datenqualität in den Datensätzen schlecht ist, funktioniert KI nicht gut.
Liability und Kontrolle: Portalbetreiber möchten kontrollieren, wie Ergebnisse gerankt werden. Mit KI ist das eine „Black Box". Das schafft Unsicherheit.
Business Incentives: Viele Portalgebühren sind gestaffelt nach Anzahl der Bieter. Wenn semantische Suche die Anzahl der Bieter erhöht, könnte das die Gebühren senken.
Internationale Fragmentierung: Jedes Land hat seine eigenen Anforderungen, Regulierungen und Erwartungen.

Das Ergebnis: Die klassischen Portale haben wenig Anreiz, ihre Suche zu verbessern. Spezialisierte Anbieter wie BOND [3] füllen diese Lücke, indem sie eine Schicht über den klassischen Portalen aufbauen und intelligente Suche anbieten.

Teil 6: Best Practices – Wie Sie semantische Suche nutzen

1. Profil-Setup ist entscheidend: Seien Sie präzise bei der Beschreibung Ihrer Leistungen, geografischen Schwerpunkte, typischen Projektgrößen und Zertifikationen. Je detaillierter, desto besser die Matches.

2. Filter intelligent einsetzen: Nutzen Sie Mindestprojektgröße, maximale Entfernung vom Betriebssitz und auszuschließende CPV-Codes, um Rauschen zu reduzieren.

3. Benachrichtigungen richtig konfigurieren: Konfigurieren Sie Häufigkeit, minimale Relevanz-Schwelle und Aggregation nach Projekt-Typ oder Region.

4. Ständig Feedback geben: Je mehr Feedback Sie geben (auf welche Projekte Sie geboten haben, welche Sie gewonnen haben), desto besser wird das System.

5. Semantische Suche für Reverse Tendering nutzen: Viele moderne Systeme bieten auch „Reverse Tendering" – das System findet nicht nur für Sie relevante Ausschreibungen, sondern findet auch potenzielle Kunden, die Ihre Leistungen nachfragen.

Fazit: Der nächste Schritt in der Beschaffung

Klassisches Keyword-Matching in Vergabeportalen ist ein Überbleibsel aus dem Web 1.0. Es funktioniert nach dem Prinzip „Nutzer muss das exakte Stichwort kennen" – und das ist für moderne, komplexe Beschaffungsprozesse einfach nicht gut genug.

Semantische Suche, angetrieben durch moderne KI, stellt einen fundamentalen Paradigmenwechsel dar. Das System versteht Bedeutung, nicht nur Wörter. Es nutzt Kontext, nicht nur Keywords. Es arbeitet über Sprachen hinweg und oberhalb starrer Klassifizierungssysteme.

Für KMU bedeutet das konkret: Zugang zu 2–3x mehr relevanten Ausschreibungen, höhere Erfolgsquoten bei Bewerbungen, und signifikante Zeiteinsparungen in der Recherche.

Die Technologie ist da. Lösungen wie BOND Tender Match [3] zeigen, dass es funktioniert. Die Frage ist nicht mehr „Kann KI die Ausschreibungssuche revolutionieren?" sondern „Warum nutzen Sie es noch nicht?"

Quellen

[1] McKinsey & Company: The State of AI in Procurement – 2024 Global Study: https://www.mckinsey.com/

[2] Europäische Kommission: Public Procurement in the EU – Statistical Analysis 2024: https://ec.europa.eu/growth/tools-databases/public-procurement/

[3] BOND Tender Match – Semantische KI-Suche für 2.000+ europäische Vergabeportale: https://bondiq.eu/tender-match

[4] Boston Consulting Group: Generative AI in Procurement – A Strategic Imperative, 2025: https://www.bcg.com/

[5] McKinsey & Company: Procurement Automation with AI – ROI and Implementation Guide: https://www.mckinsey.com/