KI-generierte Angebote schwächen traditionelle Signale in der Beschaffung des Bundes

Google News hat eine deutliche Warnung zur KI-gestützten Beschaffung hervorgehoben: Bessere Angebotstexte können es heute erschweren, echte Leistungsfähigkeit zu erkennen. Der Kommentar von Federal News Network beschreibt diesen Konflikt als das „perfect proposal paradox“ und verknüpft ihn mit „Garcia’s law“. Die Begriffe sind provokant, doch das zugrunde liegende Problem ist praktisch. Auftragnehmer können schneller ausgefeilte, regelkonforme Antworten erstellen, während Behörden weiterhin feststellen müssen, wer die Arbeit tatsächlich leisten kann.

Das verändert den Charakter eines Wettbewerbs auf Bundesebene. Die Qualität eines Angebots spiegelte einst mehrere knappe Fähigkeiten wider, darunter institutionelles Wissen, disziplinierte Planung, technisches Urteilsvermögen und die Fähigkeit, Fachleute unter Druck zu koordinieren. Generative KI kann heute viele äußere Anzeichen dieser Fähigkeiten nachahmen. Sie kann Anforderungen strukturieren, Terminologie vereinheitlichen, schwache Passagen überarbeiten und fehlende Abschnitte innerhalb weniger Minuten erkennen.

Das Ergebnis ist nicht bloß ein Zuwachs an automatisiertem Schreiben. Es ist ein Wertverlust von Ausarbeitung als Signal. Wenn jeder Bieter verständliche Texte und perfekte Formatierung erzeugen kann, müssen Bewerter an anderer Stelle nach Belegen für Verständnis suchen. Der zentrale Wettbewerb wird zunehmend zu KI-gestützter Präsentation gegenüber unabhängig nachgewiesener Leistungsfähigkeit.

Google News ist hier lediglich der Entdeckungskanal, nicht die Quelle des Arguments. Die wichtige Geschichte betrifft öffentliche Auftraggeber, Auftragnehmer, Bewerter und die öffentlichen Aufgaben, die von ihren Entscheidungen betroffen sind. Die Regierung muss die Geschwindigkeit der KI nutzen, ohne zuzulassen, dass überzeugender Text Belege, Verantwortlichkeit oder menschliches Urteilsvermögen ersetzt.

Was die Google-News-Geschichte tatsächlich verändert

Das perfekte Angebot lässt sich leichter herstellen, sodass Angebotsperfektion weniger Informationen vermittelt als früher.

Generative KI passt bereits ganz natürlich in die Angebotsarbeit. Ein Modell kann eine Ausschreibung zusammenfassen, Anforderungen extrahieren, Compliance-Matrizen entwerfen, Themen vorschlagen und Abschnitte mit Bewertungskriterien vergleichen. Retrieval-Systeme können Ausgaben außerdem in den freigegebenen Projektunterlagen, Lebensläufen und Beschreibungen früherer Leistungen eines Auftragnehmers verankern.

Diese Funktionen reduzieren repetitive Arbeit. Sie helfen Teams, Auslassungen vor der Einreichung zu finden, und geben Fachexperten einen klareren Entwurf zur Prüfung. Kleinere Auftragnehmer können sie zudem nutzen, um mit Organisationen zu konkurrieren, die große Angebotsabteilungen unterhalten.

Die Spannung beginnt, wenn Unterstützung zur Ersetzung wird. Ein System kann eine glaubwürdige technische Darstellung erzeugen, ohne zu wissen, ob das vorgeschlagene Personal, der Zeitplan, die Architektur oder die Managementkontrollen funktionieren werden. Es sagt überzeugende Sprache aus dem verfügbaren Kontext voraus. Es übernimmt keine vertragliche Verantwortung für die Behauptungen, die es generiert.

Diese Unterscheidung ist wichtig, weil die öffentliche Auftragsvergabe auf Bundesebene kein Schreibwettbewerb ist. Nach FAR 15.305 bewertet die Angebotsprüfung sowohl die Einreichung als auch die Fähigkeit des Bieters, den vorgesehenen Vertrag erfolgreich zu erfüllen. Eine gut geschriebene Antwort hat nur dann Wert, wenn sie Ressourcen, Entscheidungen, Abhängigkeiten und Risiken zutreffend darstellt.

Das Paradox entsteht, wenn Optimierung diese Verbindung schwächt. Je näher KI jede Antwort an eine ideale rhetorische Form bringt, desto weniger können Bewerter aus der Form selbst ableiten. Eine starke Struktur beweist nicht länger, dass ein Team die Arbeit organisiert hat. Detaillierte Risikosprache beweist nicht länger, dass jemand die tatsächlichen Risiken des Projekts erkannt hat.

Forschungen, die über das Beschaffungssymposium der Naval Postgraduate School vorgestellt wurden, beschreiben ein verwandtes Szenario. Die Industrie könnte KI zur Erstellung von Angeboten nutzen, während staatliche Systeme KI zu deren Bewertung einsetzen. Das daraus entstehende Problem menschlicher Handlungsmacht betrifft Verantwortlichkeit, Fairness, ethisches Urteilsvermögen und institutionelles Wissen.

Hier wird die zweite Bezeichnung des Kommentars nützlich. „Garcia’s law“ sollte nicht mit einem Gesetz, einer Verordnung oder einer maßgeblichen Beschaffungsdoktrin verwechselt werden. Sie fungiert als redaktionelles Prinzip innerhalb des berichteten Arguments. Wenn die Kosten für die Erzeugung plausibler Angebotsinhalte gegen null gehen, steigen die Kosten für deren Überprüfung.

Dieser Prüfungsaufwand verschwindet nicht, nur weil eine Antwort grammatikalisch sauber ist. Er verlagert sich auf Bewerter, Vergabebeauftragte, technische Teams, Sicherheitsprüfer und letztlich Programmmanager. Sie müssen prüfen, ob angeführte Erfahrungen relevant sind, vorgeschlagenes Personal verfügbar ist, Annahmen realistisch sind und Zusagen nachvollziehbar bleiben.

Die Geschichte markiert daher eine Veränderung des Beweiswerts. Schreiben bleibt notwendig, doch ausgefeiltes Schreiben wird zu einem schwächeren Stellvertreter für operative Kompetenz. Behörden, die es weiterhin als starken Ersatzindikator bewerten, riskieren, den Bieter mit dem besten Generierungsworkflow zu belohnen.

Schnelleres Erstellen schafft ein langsameres Überprüfungsproblem

KI spart vor der Einreichung Zeit, doch ungeprüfte Ergebnisse können nach der Einreichung mehr Arbeit und Risiko auf die Regierung übertragen.

Das stärkste Argument für KI in der Beschaffung ist Geschwindigkeit. Die öffentliche Beschaffung umfasst Marktforschung, Anforderungsentwicklung, Ausschreibungserstellung, Fragenmanagement, Angebotsanalyse, Dokumentation und Vertragsverwaltung. Viele dieser Tätigkeiten beinhalten das Auffinden und Abgleichen von Texten in großen Dokumentensammlungen.

Untersuchungen des Government Accountability Office bestätigen, dass Behörden KI bereits über unterschiedliche Vertragsansätze beschaffen. Seine Überprüfung vom April 2026 ergab, dass sich die gemeldete Nutzung von KI durch Bundesbehörden von 2023 auf 2024 mehr als verdoppelte. Die Beschaffungsüberprüfung stellte außerdem Schwierigkeiten fest, technische Experten für die Bewertung von Angeboten zu gewinnen und KI-bezogene Kosten zu verstehen. Unabhängig davon weist das Memorandum M-25-22 des Office of Management and Budget zur Beschaffung von KI durch Bundesbehörden Behörden an, wirksame und vertrauenswürdige KI zu beschaffen und dabei Wettbewerb, Datenportabilität, Anbieterbindung und Leistungsüberwachung zu berücksichtigen.

Diese Erkenntnisse legen den Kapazitätskonflikt hinter dem Paradox offen. KI ermöglicht Bietern, vollständigere und anspruchsvollere Einreichungen zu erstellen. Einer Behörde fehlen jedoch möglicherweise ausreichend Data Scientists, Beschaffungsspezialisten oder Fachexperten, um jede technische Aussage effizient zu validieren.

Längere Antworten können das Problem verschärfen. Ein Modell kann zu jeder Anforderung umfangreiche Umsetzungsdetails erzeugen, selbst wenn der Bieter nur wenig direkte Erfahrung besitzt. Bewerter stehen dann vor Hunderten von Behauptungen, die spezifisch klingen, aber auf allgemeinen Mustern, veralteten Unterlagen oder unbelegten Annahmen beruhen können.

Halluzinationen sind nur ein Risiko. Ein Angebot benötigt keine spektakuläre Falschbehauptung, um einen Bewerter in die Irre zu führen. Kleinere Verzerrungen können sich durch ausgeschmückte frühere Leistungen, unvereinbare Personalzusagen, optimistische Übergangspläne oder aus einer anderen Umgebung kopierte Sicherheitskontrollen summieren.

Retrieval-augmented generation reduziert einige Fehler, indem sie einem Modell freigegebenes Quellmaterial bereitstellt. Sie beseitigt jedoch nicht den Bedarf an Überprüfung. Ein abgerufenes Dokument kann veraltet, für die Ausschreibung irrelevant oder von Einschränkungen bereinigt sein, die seine Bedeutung verändern.

Die Gefahr wächst, wenn KI-Ausgaben rekursiv werden. Ein Modell erstellt aus einer internen Bibliothek einen technischen Ansatz. Ein anderes bewertet diesen Ansatz anhand der Ausschreibung. Ein drittes formuliert die Feststellungen des Bewerters. Wenn alle drei Systeme ähnliche Sprachmuster oder Modellfamilien teilen, kann die scheinbare Übereinstimmung eher korreliertes Verhalten als unabhängige Bestätigung widerspiegeln.

Automatisierungsbias fügt eine weitere Ebene hinzu. Menschen neigen dazu, sich einem strukturierten Ergebnis anzuschließen, wenn es mit Zuversicht, Detailtiefe und numerischer Bewertung präsentiert wird. Ein stark ausgelasteter Prüfer könnte die Schlussfolgerung des Modells untersuchen, statt die zugrunde liegenden Belege nachzuvollziehen.

Die American Bar Association hat untersucht, wie diese Risiken die Integrität der Beschaffung erreichen können. Ihre Analyse des Risikos automatisierter Beschaffung behandelt Datenvergiftung, Umgehung, Prompt Injection und Automatisierungsbias. Ein Szenario beinhaltet versteckten Text, der ein Bewertungssystem anweist, ein Angebot positiv zu bewerten.

Dieses Beispiel zeigt, weshalb die herkömmliche Dokumentenprüfung nicht ausreicht. Ein Angebot kann Inhalte enthalten, die für einen Menschen unsichtbar, für eine Maschine jedoch lesbar sind. Umgekehrt kann ein automatisierter Extraktor Diagramme, Einschränkungen oder Formatierungen auslassen, die ein menschlicher Bewerter für wichtig hält.

Behörden benötigen deshalb Kontrollen an beiden Grenzen. Eingehende Dokumente müssen vor der automatisierten Verarbeitung bereinigt und geprüft werden. Modellausgaben benötigen Quellenangaben, Protokolle, reproduzierbare Bewertungskriterien und namentlich benannte menschliche Verantwortliche.

Die Regierung muss zudem zwischen administrativer Unterstützung und sachlichem Urteil unterscheiden. KI kann helfen, eine Anforderung zu finden oder widersprüchliche Terminologie zu identifizieren. Die Entscheidung, ob ein Ansatz ein unvertretbares Risiko für die Auftragserfüllung schafft, ist eine andere Funktion. Diese Entscheidung sollte einer bevollmächtigten Person zurechenbar bleiben.

Nichts davon hebt die Zeitersparnis auf. Es verändert, wo Führungskräfte sie messen sollten. Stunden, die beim Entwurf eingespart werden, stellen keinen Nettovorteil dar, wenn sie später zu größeren Prüfungswarteschlangen, schwächeren Unterlagen oder Leistungsstreitigkeiten führen.

KI-gestützte Angebote setzen Bewerter unter Druck

Bewerter auf Bundesebene müssen stilistische Signale durch Belege ersetzen, die schwer zu erzeugen und leicht zu überprüfen sind.

Der unmittelbare Druck lastet auf den Beschaffungsteams. Sie verfügen über begrenzte Bewertungszeiträume, ungleichen Zugang zu technischen Spezialisten und die Pflicht, Wettbewerber fair zu behandeln. Sie benötigen außerdem eine klare Dokumentation, die erklärt, warum die Regierung einen Bieter einem anderen vorgezogen hat.

Diese Dokumentation ist über die anfängliche Vergabe hinaus wichtig. Sie unterstützt Nachbesprechungen, interne Überprüfungen, Audits und Klagen bei Vergabeprotesten. Wenn eine Behörde ein undurchsichtiges Modell nutzt, um zu einer wesentlichen Schlussfolgerung zu gelangen, wird es schwierig, die Entscheidung nachzuvollziehen.

Die öffentliche Beschaffung auf Bundesebene verfügt bereits über eine Struktur menschlicher Verantwortlichkeit. Bewertungsgremien prüfen Angebote, Vergabebeauftragte steuern die Beschaffung, und Auswahlbehörden treffen dokumentierte Entscheidungen. KI passt nicht automatisch in diese Rollen, da ein Modell keine delegierte Befugnis innehaben oder seine Argumentation wie ein verantwortlicher Amtsträger erläutern kann.

Eine hilfreiche Trennlinie ist, ob ein Werkzeug den Inhalt einer Bewertung verändert. Suche, Indexierung, Formatierung und Anforderungsnachverfolgung können Prüfer unterstützen. Die Zuweisung von Stärken, Schwächen, Risiken oder Vergleichswert beeinflusst die Vergabeentscheidung und erfordert daher strengere Kontrolle.

Dieselbe Unterscheidung gilt für Auftragnehmer. KI zur Formatierung eines genehmigten Personalplans einzusetzen, unterscheidet sich davon, sie einen solchen Plan erfinden zu lassen. Die Zusammenfassung verifizierter früherer Leistungen unterscheidet sich von der Generierung einer idealisierten Projekthistorie. Angebotsverantwortliche benötigen Freigabeschritte, die diese Unterschiede widerspiegeln.

Behörden können auch neu gestalten, welche Unterlagen sie von Bietern verlangen. Lange narrative Abschnitte sind in hohem Maße mit Textgenerierung kompatibel. Arbeitsproben, technische Herausforderungen, strukturierte Daten, mündliche Präsentationen und Szenarioantworten können mehr über die Personen offenlegen, die die Leistung voraussichtlich erbringen werden.

Live-Demonstrationen sind nicht immun gegen Coaching oder Automatisierung. Sie ermöglichen es Prüfern jedoch, Annahmen zu testen und Rückfragen zu stellen. Ein Team, das sein Design versteht, sollte Abwägungen, Fehlermodi, Abhängigkeiten und Alternativen erläutern können, ohne sich auf eine vorformulierte Antwort zu stützen.

Auch bisherige Leistungen gewinnen an Wert, wenn sie sorgfältig verifiziert werden. Statt weitreichende Behauptungen zu akzeptieren, können Prüfer untersuchen, ob die angeführte Arbeit eine vergleichbare Mission, Einsatzumgebung, Sicherheitsgrenze und Komplexität aufwies. Referenzen sollten die tatsächliche Rolle des Auftragnehmers bestätigen.

Auch Personalnachweise erfordern eine ähnliche Prüfung. KI kann eine überzeugende Managementerzählung um Lebensläufe erzeugen, die diese nicht stützen. Behörden können Verfügbarkeit, Zuordnung zu Personalkategorien, Zusagen von Schlüsselpersonen und die Verbindung zwischen vorgeschlagenem Personal und dem technischen Ansatz prüfen.

Die Plausibilität der Kosten bleibt entscheidend. Ein ansprechend generierter Plan kann ambitionierte Zeitpläne, umfangreiche Tests und kontinuierliche Aufsicht versprechen, ohne die dafür erforderliche Arbeitsleistung einzukalkulieren. Der Abgleich narrativer Zusagen mit Personalplanung und Preisgestaltung kann Widersprüche aufdecken.

Der Druck betrifft auch kleinere Behörden. Große Ressorts können sichere Bewertungsumgebungen aufbauen und multidisziplinäre Prüfungsteams zusammenstellen. Kleinere Beschaffer sind möglicherweise auf kommerzielle Tools angewiesen, ohne über vergleichbare rechtliche, technische und sicherheitsbezogene Unterstützung zu verfügen.

Gemeinsame Beschaffungsdienste können helfen, doch Standardisierung bringt eine weitere Sorge mit sich. Wenn viele Behörden dasselbe Bewertungsmodell nutzen, werden Auftragnehmer dessen Präferenzen kennenlernen. Die Optimierung von Angeboten kann sich dann auf den Prüfer statt auf die Mission richten.

Dies ist die Beschaffungsversion der Suchmaschinenoptimierung. Google News ordnet und bewertet Informationen für ihre Auffindbarkeit, während Publisher ihre Inhalte an dessen Signale anpassen. Ein automatisierter Prüfer schafft eine Feedbackschleife mit höheren Einsätzen. Auftragnehmer werden Formulierungen, Struktur und Nachweise anpassen, an das, was das System belohnt.

Die Lösung ist nicht allein Geheimhaltung. Ein verborgenes Bewertungsverfahren kann die Fairness untergraben und Fehler schwerer anfechtbar machen. Behörden benötigen transparente Kriterien, müssen jedoch Systemanweisungen schützen und Manipulationsversuche überwachen.

Ein gutes Bewertungsdesign macht Manipulation weniger lohnend. Es belohnt belegte Fakten, messbare Zusagen, relevante Erfahrung und stimmige Abwägungen. Außerdem nutzt es mehrere Formen von Nachweisen, statt einen einzelnen narrativen Wert über das Ergebnis entscheiden zu lassen.

Der eigentliche Wettbewerb lautet Überzeugungskraft gegen Beweise

KI kann die Überzeugungskraft auf beiden Seiten eines Wettbewerbs verbessern, aber sie kann keine Beweise dafür ersetzen, dass ein Auftragnehmer liefern kann.

Das ist die zentrale Umkehrung des Artikels. Generative KI scheint die Qualität von Angeboten wichtiger zu machen, weil jede Einreichung klarer und responsiver werden kann. In der Praxis macht sie die herkömmliche Ausarbeitung eines Angebots weniger ausschlaggebend.

Die alten Signale verschwinden nicht sofort. Ein verwirrendes Angebot kann weiterhin auf schlechte Koordination hindeuten, und eine unvollständige Antwort kann weiterhin die Anforderungen der Ausschreibung verfehlen. Die Schwelle für eine akzeptable Darstellung steigt lediglich, während die Differenzierung an anderer Stelle stattfindet.

Beweise beginnen mit Nachverfolgbarkeit. Jede wesentliche Behauptung sollte mit einer genehmigten Quelle, einem benannten Verantwortlichen, einer messbaren Zusage oder einer dokumentierten Annahme verknüpft sein. Auftragnehmer müssen wissen, welche Aussagen von einem Modell stammen und wer sie vor der Einreichung validiert hat.

Ein praktisches internes Verzeichnis kann jede Behauptung mit der Anforderung aus der Ausschreibung, dem Quelldokument, dem fachlichen Prüfer und der endgültigen Freigabe verknüpfen. Dies ähnelt einer durchsuchbaren Wissensdatenbank, dient jedoch eher der vertraglichen Disziplin als der Bequemlichkeit.

Nachverfolgbarkeit hilft auch nach der Auftragsvergabe. Programmteams können erkennen, welche Angebotszusagen zu vertraglichen Verpflichtungen wurden und welche Annahmen bestätigt werden müssen. Ohne diese Kontinuität bleibt das Angebot ein überzeugendes Artefakt, das von der Leistungserbringung entkoppelt ist.

Behörden sollten Nachweise in wiederverwendbaren Formaten verlangen. Strukturierte Personaldaten, Meilensteindefinitionen, Testkriterien, Sicherheitsverantwortlichkeiten und Abhängigkeitslisten lassen sich leichter vergleichen als uneingeschränkter Fließtext. Narrative bleiben nützlich, um Bewertungen zu erläutern, sollten die zugrunde liegenden Zusagen jedoch nicht verschleiern.

Technische Demonstrationen bieten eine weitere Ebene der Beweisführung. Ein Bieter kann zeigen, wie seine vorgeschlagene Architektur auf einen Ausfall reagiert, Regierungsdaten schützt oder Portabilität unterstützt. Prüfer können dann das beobachtete Verhalten mit den schriftlichen Behauptungen vergleichen.

Bei KI-Systemen sollten Tests unvollständige Daten, adversariale Eingaben, Drift und betriebliche Einschränkungen einschließen. Ein Modell, das bei einer kuratierten Demonstration gut abschneidet, kann versagen, wenn Nutzer mehrdeutige Anfragen oder sensible Informationen einbringen.

Die von der GSA vorgeschlagene Regelung für Large-Language-Model-Systeme verdeutlicht den wachsenden Fokus auf operative Schutzmaßnahmen. Die Entwurfsklausel für LLMs vom Juni 2026 behandelt Regierungsdaten, geistiges Eigentum, Datenschutz, Portabilität, Änderungsbenachrichtigungen, Bewertung und Abhilfe.

Der Entwurf zeigt auch, warum starre Kontrollen eigene Probleme schaffen können. Anforderungen, die stark von kommerziellen Praktiken abweichen, können Anbieter abschrecken oder sich nur schwer über Modellanbieter und Unterauftragnehmer weitergeben lassen. Behörden müssen staatliche Interessen schützen, ohne Verpflichtungen festzulegen, die kein glaubwürdiger Lieferant akzeptieren kann.

Das ist eine Abwägung, sollte jedoch unterstützender Kontext bleiben. Der primäre Konflikt lautet weiterhin Überzeugungskraft gegen Beweise. Offenlegung und Datenschutzmaßnahmen sind wichtig, weil sie bestimmen, ob Behörden den beteiligten Systemen vertrauen und sie überprüfen können.

Unabhängige Prüfung ist ein weiterer Mechanismus der Beweisführung. Eine Person, die die Antwort nicht verfasst hat, sollte wesentliche Behauptungen anhand von Quelldokumenten prüfen. Abschnitte mit hohem Risiko, darunter Sicherheit, Personal, Kosten, Übergang und bisherige Leistungen, verdienen eine strengere Prüfung als Formatierungen mit geringem Risiko.

KI kann diese Kontrollfunktion unterstützen, sollte ihre eigene Arbeit jedoch nicht bewerten. Ein separater Retrieval-Korpus, ein anderes Modell, ein anderer Prompt oder ein separates Prüfungsteam kann korrelierte Fehler reduzieren. Menschliche Spezialisten müssen wesentliche Konflikte klären.

Auftragnehmer benötigen außerdem klare Regeln zu vertraulichen und kontrollierten Informationen. Das Hochladen von Ausschreibungsdaten, Preisen, Lebensläufen oder technischen Entwürfen in einen nicht genehmigten Dienst kann Risiken für Datenschutz, Sicherheit und geistiges Eigentum schaffen.

Behördliche Prüfer stehen vor einer gleichwertigen Pflicht. Angebotsinformationen sind sensibel, und ihre Eingabe in ein öffentliches Modell kann die Integrität des Beschaffungsverfahrens beeinträchtigen. Genehmigte Umgebungen sollten Aufbewahrung, Trainingsnutzung, Zugriffskontrolle, Protokollierung und Reaktion auf Vorfälle definieren.

Die erfolgreiche Organisation wird nicht zwangsläufig diejenige sein, die KI vermeidet. Es wird diejenige sein, die Automatisierung nutzt und zugleich eine vertrauenswürdige Kette von den Quellnachweisen bis zur endgültigen Zusage bewahrt.

Was Garcia’s Law uns noch nicht sagen kann

Die Warnung ist glaubwürdig, doch weder das Paradox des perfekten Angebots noch Garcia’s Law sind als formelle Beschaffungsregel etabliert.

Die Terminologie erfordert Vorsicht. Der zugrunde liegende Google-News-Beitrag verweist auf einen Kommentar von Federal News Network, nicht auf eine Verordnung, Gerichtsentscheidung oder eine behördenübergreifende Richtlinie. Leser sollten die benannten Konzepte als analytische Kurzform verstehen.

Es gibt keine öffentlichen Belege dafür, dass jedes KI-gestützte Angebot unzuverlässig ist. Viele Auftragnehmer nutzen bereits kontrollierte Arbeitsabläufe, die Modelle auf genehmigte Inhalte beschränken und eine fachliche Prüfung verlangen. KI kann die Genauigkeit verbessern, indem sie Auslassungen, widersprüchliche Zahlen oder unbelegte Aussagen findet.

Ebenso gibt es keinen Grund anzunehmen, dass von Menschen verfasste Angebote grundsätzlich vertrauenswürdig sind. Herkömmliche Angebotsteams können Fähigkeiten übertreiben, irrelevante Inhalte wiederverwenden oder Zusagen machen, die Leistungsteams nicht einhalten können. Das Integritätsproblem besteht schon länger als generative KI.

KI verändert Umfang, Geschwindigkeit und Erkennbarkeit. Sie ermöglicht es Teams, mit geringerem Aufwand überzeugenderes Material zu erstellen. Zugleich kann sie die Herkunft einer Aussage schwer rekonstruierbar machen, sofern die Organisation keine Protokolle und Quellenangaben führt.

Offenlegungspflichten sind keine automatische Lösung. Eine einfache Checkbox, die nach der Nutzung von KI fragt, verrät wenig, weil der Begriff Rechtschreibprüfung, Retrieval, Entwurf, Bewertung und autonome Generierung umfasst. Eine zu weit gefasste Offenlegung kann zudem unbedenkliche Nutzung bestrafen, ohne riskante Praktiken offenzulegen.

Ein besserer Ansatz konzentriert sich auf Wesentlichkeit. Behörden sollten darauf achten, ob KI Behauptungen zu Kosten, Leistung, Sicherheit, Personal, Zeitplänen oder technischer Fähigkeit beeinflusst hat. Sie sollten außerdem fragen, welche Validierung und Freigabe erfolgt ist.

Modellerkennung wird kaum eine verlässliche Durchsetzung ermöglichen. Textdetektoren erzeugen Fehlalarme und lassen sich durch Bearbeitung umgehen. Prüfer sollten Nachweise und Konsistenz untersuchen, statt zu erraten, wer jeden Satz geschrieben hat.

Bias bleibt ein weiteres ungelöstes Problem. Historische Beschaffungsdaten können frühere Präferenzen, ungleichen Zugang oder inkonsistente Bewertungen widerspiegeln. Wird ein Bewertungssystem auf dieser Grundlage trainiert, kann es diese Muster reproduzieren und sie zugleich als objektiv darstellen.

Auch Transparenz hat Grenzen. Die Veröffentlichung jeder Modellanweisung könnte Auftragnehmern helfen, das System zu manipulieren. Ein vollständig geheimer Prozess könnte Bietern ein sinnvolles Verständnis dafür verwehren, wie die Behörde sie bewertet hat. Behörden benötigen genügend Offenlegung, um Fairness zu gewährleisten, ohne ausnutzbare Details preiszugeben.

Die Datenqualität könnte die schwierigste Einschränkung sein. Ein Prüfer kann Leistung nicht zuverlässig vergleichen, wenn frühere Aufzeichnungen unvollständig, inkonsistent oder über Systeme hinweg nicht miteinander verbunden sind. Bessere Modelle beheben schwache Beschaffungsdaten nicht von selbst.

Der Aufruf des GAO an Behörden, gewonnene Erkenntnisse zu erfassen und anzuwenden, ist hier relevant. Bundesbeschaffer benötigen Aufzeichnungen darüber, welche KI-Beschaffungsmethoden funktioniert haben, was während der Leistungserbringung fehlgeschlagen ist und wie gut Bewertungsergebnisse die tatsächlichen Resultate vorhergesagt haben.

Dadurch entsteht ein messbarer Test für das Paradox. Wenn zunehmend ausgefeilte Angebote weniger stark mit der Vertragsleistung korrelieren, sollten Behörden dem narrativen Erscheinungsbild weniger Gewicht geben. Wenn strukturierte Nachweise und Demonstrationen Ergebnisse besser vorhersagen, sollten Bewertungspläne sie bevorzugen.

Bis sich diese Belege ansammeln, sollten Behörden zwei Übertreibungen vermeiden. Sie sollten KI-Bewertung nicht als neutral darstellen, nur weil sie Software nutzt. Sie sollten nicht annehmen, jedes menschliche Urteil sei überlegen, nur weil es von einer Person getroffen wurde.

Die vertretbare Position ist enger gefasst. Wesentliche Entscheidungen erfordern verantwortliche Amtsträger, überprüfbare Nachweise und einen Prozess, der Fehler oder Manipulation erkennen kann. KI kann diesen Prozess unterstützen, erfüllt diese Bedingungen jedoch nicht automatisch.

Drei Signale, die das Paradox testen werden

Die nächste Phase wird durch Beschaffungsdesign, Protestverfahren und Belege aus der Vertragsleistung bestimmt.

Das erste Signal ist eine Veränderung der Ausschreibungsstruktur. Beobachten Sie, ob Behörden lange narrative Anforderungen reduzieren und technische Herausforderungen, mündliche Präsentationen, strukturierte Zusagen oder Demonstrationen ergänzen. Diese Verschiebung würde das Argument stärken, dass herkömmlicher Fließtext als Differenzierungsmerkmal an Wert verloren hat.

Die Details werden entscheidend sein. Einen schriftlichen Aufsatz durch eine skriptierte Präsentation zu ersetzen, verändert wenig. Ein aussagekräftiger Test verlangt von vorgeschlagenem Personal, Entscheidungen zu erläutern, auf neue Fakten zu reagieren oder eine Fähigkeit unter realistischen Einschränkungen zu demonstrieren.

Das zweite Signal ist der erste sichtbare Streit über die wesentliche Nutzung von KI bei der Angebotsbewertung. Ein Protest, eine Prüfung oder eine Untersuchung durch einen Generalinspekteur könnte aufzeigen, ob eine Behörde sich auf automatisierte Feststellungen stützte und ob ihre zuständigen Amtsträger ein unabhängiges Urteil ausübten.

Die zentralen Fragen werden die Akte betreffen. Hat das Tool eine Bewertung erzeugt oder lediglich Belege organisiert? Konnten Prüfer seine Ergebnisse reproduzieren? Haben sie gegenteilige Informationen berücksichtigt? Wer übernahm die Verantwortung für die abschließende Beurteilung?

Ein gut dokumentierter Fall würde das Vertrauen in begrenzte KI-Unterstützung stärken. Ein undurchsichtiger Prozess, der eine wesentliche Bewertung nicht erklären kann, würde das Paradox verstärken und den Druck für behördenübergreifende Kontrollen erhöhen.

Das dritte Signal sind Leistungsdaten. Behörden sollten die Angaben in Angeboten nach der Vergabe mit Personalstabilität, Liefermeilensteinen, Kostensteigerungen, Sicherheitsvorfällen und Ergebnissen für Nutzer vergleichen. Diese Belege können zeigen, welche Bewertungssignale tatsächlich Erfolg vorhersagen.

Die Leistungsmessung wird auch die internen Kontrollen von Auftragnehmern prüfen. Organisationen, die generierte Inhalte mit verifizierten Unterlagen verknüpfen, sollten bei der Umsetzung weniger Widersprüche erleben. Jene, die ausschließlich auf die Einreichung optimieren, könnten Schwierigkeiten bekommen, wenn Programmteams unrealistische Zusagen übernehmen müssen.

Google News wird weiterhin Debatten über KI-Politik, Bundesaufträge und automatisierte Arbeit aufgreifen. Leser sollten über das Aggregationslabel hinausblicken und fragen, ob Behörden ändern, was sie belohnen.

Die beste Antwort ist weder ein KI-Verbot noch unkontrollierte Automatisierung. Bundesbeschaffer sollten geschliffene Sprache als Einstieg betrachten, nicht als Endpunkt. Sie sollten Nachweise verlangen, zentrale Behauptungen prüfen, sensible Daten schützen und nachvollziehbare menschliche Entscheidungen dokumentieren.

Für Auftragnehmer gilt derselbe Grundsatz vor der Einreichung. Erstellen Sie eine überprüfbare Kette von Quellunterlagen zu Angebotsaussagen und bewahren Sie sie für die Umsetzung auf. Teams, die große Belegsammlungen verwalten, können knowledge blending nutzen, um Kontext zu organisieren, doch verantwortliche Experten müssen weiterhin jede wesentliche Zusage genehmigen.

Woran ließe sich erkennen, dass dieser Ansatz funktioniert? Achten Sie auf kürzere Narrative, anspruchsvollere Demonstrationen, klarere Prüfpfade und bessere Verbindungen zwischen Bewertungsergebnissen und Vertragsergebnissen. Wenn diese Signale auftreten, wird das Paradox des perfekten Angebots eine nützliche Korrektur erzwungen haben. Andernfalls könnte KI die Erstellung von Bundesangeboten erleichtern, während eine erfolgreiche Beschaffung ebenso schwer erreichbar bleibt.