Automatische Angebotserstellung im Großhandel: So erstellt KI eure Angebote in Sekunden
Montag, 8:14 Uhr. Der Innendienst öffnet Outlook. 23 neue E-Mails. Davon 11 Angebotsanfragen. Dazu kommen drei Anrufe und ein Fax (ja, Fax gibt es noch). Jetzt geht es los — und der Prozess, der folgt, kostet euer Team jeden Tag Stunden.
Dieser Artikel zeigt euch Schritt für Schritt, wie ein KI-Workflow aus einer Kundenanfrage automatisch ein Angebot macht. Anfrage rein, Angebot raus — in Sekunden statt Stunden.
Ein Kunde schreibt: "Brauchen wir nochmal, wie letztes Mal. Aber diesmal 200 Stück statt 150. Und das andere Teil auch, ihr wisst schon."
Der Innendienst-Mitarbeiter weiß natürlich nicht. Also beginnt der Prozess:
Schritt 1: Anfrage lesen und verstehen. E-Mail öffnen, durchlesen, interpretieren. Was meint der Kunde mit "das andere Teil"? Letzte Bestellung raussuchen. Aha, Artikel 4711 und 4712.
Schritt 2: Kundenhistorie prüfen. CRM öffnen (oder die Excel-Tabelle, die Sabine pflegt). Welche Konditionen hat der Kunde? Gibt es einen Rahmenvertrag? Sonderrabatte?
Schritt 3: Artikel im ERP suchen. Artikelnummer eingeben. Variante prüfen. Stimmt die Bezeichnung noch? Gibt es den Artikel überhaupt noch oder wurde der umgestellt?
Schritt 4: Verfügbarkeit checken. Lagerbestand anschauen. 200 Stück gewünscht, 140 auf Lager. Lieferant anrufen. Wann kommt die nächste Charge? KW 16? Oder doch KW 17?
Schritt 5: Preis kalkulieren. Listenpreis nachschlagen. Kundenrabatt abziehen. Staffelpreis beachten. Marge prüfen. In Excel die Formeln anpassen. Hoffen, dass niemand die Zelle mit der Rabattformel überschrieben hat.
Schritt 6: Angebot erstellen. Word-Vorlage öffnen. Positionen eintragen. Preise übertragen. Formatieren. Nochmal prüfen. PDF exportieren.
Schritt 7: Versenden. E-Mail schreiben. PDF anhängen. Absenden.
Schritt 8: Warten. Drei Tage später ruft der Kunde an: "Könnt ihr beim Preis noch was machen?" Zurück zu Schritt 5.
Ein durchschnittliches Angebot im Großhandel braucht rund 30 Minuten. Manuell in Excel, mit Nachschlagen in verschiedenen Systemen. Bei komplexen Anfragen mit vielen Positionen oder Sonderkonditionen deutlich mehr.
Nehmen wir einen typischen Großhändler mit 40 Angebotsanfragen pro Woche. Das sind 20 Stunden pro Woche nur für Angebote. Eine halbe Stelle, die nichts anderes tut als Positionen in Templates tippen.
Excel-Kalkulationen und manuelle Preisübertragung haben eine Fehlerquote von rund 8 Prozent. Bei jedem zwölften Angebot stimmt etwas nicht. Falscher Rabatt angewendet. Alte Preisliste benutzt. Staffelgrenze übersehen.
Preisfehler kosten B2B-Unternehmen 2 bis 5 Prozent des EBIT. Bei einem Großhändler mit 200 Millionen Umsatz sind das 4 bis 10 Millionen Euro, die jedes Jahr liegen bleiben.
78 Prozent der Kunden kaufen beim Anbieter, der zuerst antwortet. Wer innerhalb von 5 Minuten reagiert, hat eine 21-mal höhere Chance auf den Abschluss als jemand, der 30 Minuten braucht.
Die durchschnittliche Antwortzeit im B2B? 42 Stunden. Nur 1 Prozent aller B2B-Unternehmen schaffen es, innerhalb von 5 Minuten zu antworten.
Im Großhandel heißt das: Der Kunde schickt seine Anfrage an drei Lieferanten. Wer als Erster ein vernünftiges Angebot liefert, bekommt den Auftrag.
Vertriebsmitarbeiter verbringen nur 30 Prozent ihrer Arbeitszeit mit dem, wofür sie eigentlich da sind: verkaufen. Der Rest? Admin, Dateneingabe, Meetings, Genehmigungen.
Ohne Automatisierung brauchen Sales-Reps 73 Prozent mehr Zeit für ein typisches Angebot. Das ist keine Optimierungsfrage mehr. Das ist ein strukturelles Problem.
Der deutsche Großhandel beschäftigt 1,7 Millionen Menschen und macht 1,8 Billionen Euro Umsatz im Jahr. Gleichzeitig stehen über 387.000 qualifizierte Stellen offen.
66 Prozent der Unternehmen wollen durch Digitalisierung ihre Arbeitsprozesse effizienter machen. Aber der eigene Digitalisierungsgrad? Note 2,8. Befriedigend. Seit Jahren auf der Stelle.
Es geht nicht darum, dass der Innendienst zu langsam arbeitet. Die Leute sind gut. Das Problem ist der Prozess.
Ein Mensch, der acht verschiedene Systeme bedienen muss, um ein Angebot zu schreiben, wird nie schneller sein als 30 Minuten. Der Engpass ist nicht der Mensch. Der Engpass ist der manuelle Prozess.
Und genau hier setzt automatische Angebotserstellung an.
Kurz gesagt: Ein Workflow, der aus einer Kundenanfrage automatisch ein Angebot macht. Anfrage rein, Angebot raus.
Kein neues ERP. Kein halbjähriges IT-Projekt. Sondern ein KI-Workflow, der eure bestehenden Systeme verbindet: E-Mail-Postfach, ERP, Preislisten, Kundendaten. Die Systeme bleiben, nur der manuelle Prozess dazwischen fällt weg.
Konkret passiert Folgendes:
Das war's. Der Innendienst-Mitarbeiter, der vorher 30 Minuten pro Angebot gebraucht hat, gibt jetzt nur noch eine Freigabe — oder das System schickt direkt raus.
Wenn ihr "automatische Angebotserstellung" googelt, landet ihr schnell bei CPQ-Software (Configure, Price, Quote). Salesforce CPQ, SAP CPQ, Oracle CPQ. Enterprise-Tools mit Enterprise-Preisen und Enterprise-Implementierungszeiten.
CPQ ist gebaut für konfigurierbare Produkte: Maschinen mit 200 Optionen, Anlagen mit Kompatibilitätsregeln. Wenn eine falsche Konfiguration bedeutet, dass eine Anlage nicht funktioniert, braucht ihr CPQ.
Im Großhandel sieht die Realität anders aus. Ihr habt einen Katalog mit 5.000 bis 500.000 Artikeln. Bekannte Produkte, bekannte Preise. Euer Problem ist nicht die Konfigurationstiefe, sondern die Geschwindigkeit, mit der Angebote rausgehen.
| CPQ | KI-Workflow | |
|---|---|---|
| Gebaut für | Konfigurierbare Produkte mit Varianten | Standardkataloge mit festen Preisen |
| Implementierung | Monate, oft 6+ | Tage bis Wochen |
| Kosten | Zehntausende bis Hunderttausende Euro | Ein Bruchteil davon |
| Sinnvoll wenn | Falsche Konfiguration = teuer/gefährlich | Langsame Antwortzeit = verlorene Aufträge |
Merke: "Don't buy a harbor when you need a speedboat."
Das Ganze lässt sich auf sechs Schritte herunterbrechen. Jeder einzelne davon ersetzt etwas, das heute ein Mensch manuell macht. Zusammen ergibt sich ein Ablauf, der in 30 Sekunden schafft, wofür euer Innendienst bisher eine halbe Stunde braucht.
Alles startet damit, dass eine Anfrage reinkommt. In den meisten Großhandelsunternehmen ist das eine E-Mail. Manchmal mit Freitext im Body, manchmal mit einer PDF im Anhang, manchmal beides.
Der Workflow überwacht den Eingangskanal automatisch. Kommt eine neue Anfrage rein, startet der Prozess sofort. Kein Mensch muss ein Postfach öffnen, keine Anfrage bleibt liegen, weil gerade Mittagspause ist.
Hier passiert die eigentliche Magie. Ein Sprachmodell liest den Freitext der Anfrage und macht daraus strukturierte Daten: Welche Artikel will der Kunde? Welche Mengen? Gibt es einen Wunschliefertermin?
Das funktioniert auch dann, wenn der Kunde seine Anfrage so formuliert, wie echte Menschen das eben tun. Keine Artikelnummern, keine einheitlichen Formate, vielleicht sogar ein paar Tippfehler. Die KI versteht den Kontext und gibt ein sauberes JSON-Objekt zurück.
Falls ein PDF-Anhang dabei ist, wird der vorher per OCR in Text umgewandelt. Egal ob die Anfrage als E-Mail-Text, als PDF oder als beides kommt, das Ergebnis ist immer das gleiche: strukturierte Daten.
Die KI hat jetzt eine Liste von Artikelbezeichnungen, so wie der Kunde sie geschrieben hat. Nur stehen die im ERP natürlich anders drin. Der Kunde schreibt "Bosch Akkuschrauber 18V", im ERP steht "BOSCH GSR 18V-28 Professional".
Hier kommt ein mehrstufiges Matching zum Einsatz. Zuerst wird geprüft, ob der Kunde eine Artikelnummer genannt hat. Danach sucht das System per Fuzzy-Matching und semantischer Suche nach dem besten Treffer. Jeder Match bekommt einen Confidence-Score: Wie sicher ist sich das System?
Bei hoher Sicherheit geht es automatisch weiter. Bei niedriger Sicherheit wird ein Mensch einbezogen, der den Vorschlag kurz bestätigt oder korrigiert.
Der Workflow kennt jetzt die konkreten Artikelnummern und fragt beim ERP die relevanten Daten ab: Was kostet der Artikel für diesen Kunden? Staffelpreise, Rahmenverträge, Sonderkonditionen? Wie viel liegt auf Lager? Wann kann geliefert werden?
Das passiert per API-Abfrage an euer bestehendes System. Kein ERP-Wechsel nötig, keine neue Datenbank.
Alle Informationen liegen vor: Kunde, Positionen, Preise, Verfügbarkeit, Liefertermin. Der Workflow baut daraus ein professionelles Angebot als PDF mit eurem Firmenlogo und euren Konditionen.
Das Template definiert ihr einmal, danach läuft es für jedes Angebot automatisch.
Das fertige Angebot geht raus. Entweder vollautomatisch per E-Mail an den Kunden, oder es wird einem Mitarbeiter zur Freigabe vorgelegt.
Für Standardanfragen von bekannten Kunden kann das komplett ohne menschliches Zutun laufen. Bei Neukunden, hohen Beträgen oder unsicheren Matches greift ein Mitarbeiter ein, prüft kurz und gibt frei. Ein Klick, dann läuft der Rest automatisch.
Die sechs Schritte klingen einfach. Sind sie im Kern auch. Aber ein produktives System muss mehr können als den Happy Path. Was passiert, wenn der Kunde "das blaue Ding" bestellt? Wenn ein Artikel nicht verfügbar ist? Wenn der Kunde "einen Pool" will und eigentlich Pool, Pumpe, Filter, Abdeckung und Leiter braucht?
Wir haben den gesamten Workflow als n8n-System aufgebaut: ein Orchestrator-Workflow, der sechs spezialisierte Sub-Workflows steuert. Jeder Sub-Workflow löst eine abgegrenzte Aufgabe.
Konkretes Szenario: Ein Bestandskunde schickt eine E-Mail mit 15 Positionen. Das System erkennt den Kunden, extrahiert alle Artikel und Mengen, matched sie gegen die ERP-Stammdaten, holt kundenspezifische Preise und Verfügbarkeit, generiert ein PDF-Angebot und schickt es per E-Mail raus.
Dauer: 10 bis 22 Sekunden. Vorher: 45 Minuten.
Der Workflow besteht aus sechs Nodes:
Der schwierigste Schritt im ganzen Prozess. Kunden schreiben nicht in Artikelnummern. Sie schreiben "Kabelbinder schwarz", meinen aber "Kabelbinder PA6.6 3,6x200 sw". Oder sie schreiben "Tyraps", was im ERP nirgends vorkommt.
Die Lösung ist eine vierstufige Pipeline:
Stufe 1: Exakter Match. Hat der Kunde eine Artikelnummer genannt? Dann direkt im ERP nachschlagen. Trivial.
Stufe 2: Fuzzy Matching. Levenshtein-Distanz und Trigram-Ähnlichkeit gegen die Artikelbezeichnungen. Findet "Bosch GSR 18V" auch wenn der Kunde "Bosch Akkuschrauber 18V" geschrieben hat.
Stufe 3: Semantische Suche. Vector Embeddings über eine Datenbank wie Qdrant. Findet Zusammenhänge, die reine Textähnlichkeit nicht sieht. "Kabelbinder" findet "Tyraps" und "Bündelband".
Stufe 4: LLM Reranking. Wenn mehrere Kandidaten übrig bleiben, bewertet ein Sprachmodell die Ergebnisse im Kontext der Kundenanfrage und wählt den besten Treffer.
Jeder Match bekommt einen Confidence-Score:
Das System lernt: Jede bestätigte Zuordnung wird gespeichert und verbessert zukünftige Matches. Nach 3 bis 6 Monaten liegt die Vollautomatisierungsquote typischerweise bei 90 bis 95 Prozent.
Hier wird es richtig spannend. Der einfache Fall — Kunde nennt Artikel, System schickt Preis — ist der Normalfall. Aber die Anfragen, die den Unterschied machen, sehen anders aus.
Kunde schreibt: "Wir brauchen einen Pool für den Außenbereich, ca. 4x8m."
Das ist kein Artikel. Das ist ein Bedürfnis. Ein gutes Angebot enthält:
Das System löst das über Produktbeziehungen:
Pflicht-Zubehör: Pool braucht Pumpe. Ohne geht es nicht. System ergänzt automatisch.
Kontextabhängig: "Außenbereich" → Winterabdeckung vorschlagen. "Innenbereich" → nicht nötig. Die KI erkennt den Kontext aus dem Anfragetext.
Größenabhängig: Poolgröße 4x8m = 32m³ → Pumpe mindestens 12m³/h, Filter passend dimensioniert. Wird aus Regeltabellen berechnet.
Optional (Cross-Sell): Heizung, Beleuchtung. Werden als optionale Positionen angeboten, mit separater Summe.
Das Ergebnis ist ein Angebot mit 8 bis 12 Positionen statt einer. Pflicht-Positionen als Hauptangebot, optionale als Zusatz. Mit Gesamtsumme und Alternativsumme.
Warum das den Unterschied macht: Kunde bekommt ein vollständiges Angebot statt nur "Pool: 3.200 €". Weniger Rückfragen, höherer Warenkorbwert, und ein klares Kompetenz-Signal: "Die wissen was ich brauche."
Das funktioniert genauso in anderen Branchen: Elektrogroßhandel (Schaltschrank → Sicherungen, Klemmen, Verdrahtung), Sanitär (Waschtisch → Armatur, Siphon, Anschlussset), Baustoffe (Dachsanierung → Ziegel, Lattung, Dampfsperre).
Genau das unterscheidet ein Demoprojekt von einem produktiven System.
Artikel nicht verfügbar: Lagerbestand = 0. System fragt Lieferzeit beim Lieferanten ab, schlägt Alternative vor oder bietet Teillieferung an: "150x sofort, 50x in KW 15."
Unvollständige Anfrage: Menge fehlt. System schickt automatische Rückfrage: "Welche Menge benötigen Sie für Artikel X?"
PDF-Anhang statt E-Mail-Text: OCR extrahiert den Text, KI verarbeitet ihn genauso. Funktioniert auch bei gescannten Dokumenten.
Deutsche Zahlenformate: 1.234,56 vs 1,234.56. Ein echter Praxisfehler, der Bestellungen um Faktor 1.000 verfälschen kann. Das System erkennt das Format automatisch.
ERP nicht erreichbar: Retry mit Exponential Backoff (3 Versuche). Wenn es trotzdem nicht geht: Anfrage in die Warteschlange, Kunde bekommt Eingangsbestätigung, IT wird benachrichtigt.
KI gibt unplausibles Ergebnis: Plausibilitäts-Checks vor und nach der ERP-Abfrage. Menge > 10.000? Preis = 0? Liefertermin in der Vergangenheit? Alles wird abgefangen.
Automatisierung heißt nicht "Mensch abschaffen". Es heißt: Mensch entscheidet nur noch wo es zählt.
Wann wird eskaliert?
Wie sieht die Freigabe aus? Der Mitarbeiter bekommt eine Benachrichtigung per Slack, Teams oder E-Mail. Darin: Kunde, Positionen, Preise, und warum die KI unsicher war. Drei Optionen: Freigeben (ein Klick), Korrigieren (Positionen anpassen), Ablehnen.
Timeout: Wenn nach 2 Stunden keine Reaktion kommt, geht eine Erinnerung raus. Nach 4 Stunden an den Backup-Approver. Nach 8 Stunden an die nächste Ebene. Nichts bleibt hängen.
Das System wird besser: Jede menschliche Korrektur fließt zurück. Am Anfang liegt die Review-Rate bei etwa 80 %. Nach 3 Monaten bei 20 bis 30 %. Nach 6 Monaten bei 10 bis 15 %. Plus 5 % Stichproben zur Qualitätssicherung.
Der Workflow endet nicht beim Versand des Angebots.
Sofort: Eingangsbestätigung an den Kunden ("Wir haben eure Anfrage erhalten, Angebot folgt in Kürze"). Dann das Angebot mit persönlicher Ansprache und PDF.
Tag 3: "Habt ihr unser Angebot erhalten? Fragen dazu?"
Tag 7: "Sollen wir die Konditionen nochmal besprechen?"
Tag 14: Letzter Touchpoint, dann archivieren.
Jeder Follow-up wird sofort gestoppt, sobald der Kunde antwortet. Antwortet der Kunde mit einer Zusage, startet automatisch der Auftrags-Workflow. Bei Rückfragen wird der Vertrieb benachrichtigt. Bei Absage wird der Grund erfasst und fließt ins CRM.
"Klingt ja alles gut, aber wir haben SAP Business One und das ist von 2014. Geht das trotzdem?"
Ja. Geht.
| Kanal | Anteil | Trend |
|---|---|---|
| 30–40 % | stabil | |
| Telefon / Außendienst | 20–30 % | rückläufig |
| EDI | 15–25 % | stabil bei Großkunden |
| Webshop / Online-Portal | 10–20 % | stark wachsend |
| Fax | 5–10 % | rückläufig, aber hartnäckig |
E-Mail ist der größte Hebel. IMAP-Trigger in n8n, Outlook, Gmail, jeder IMAP-fähige Server. Die meisten starten hier.
Telefon ist kein Hindernis mehr. Speech-to-Text-Services transkribieren Gespräche in Echtzeit, für unter 0,50 Cent pro Minute. Die Transkription wird ab da wie eine E-Mail verarbeitet.
WhatsApp hat noch unter 5 % Marktanteil, aber 98 % Öffnungsrate. Zum Vergleich: E-Mails liegen bei 20 bis 30 %.
SAP Business One / S/4HANA: Service Layer API auf OData-Basis. Für n8n gibt es einen dedizierten SAP-Connector.
Microsoft Dynamics 365: REST API v2.0 auf OData v4 Standard. OAuth 2.0, vollständige CRUD-Operationen.
Sage (100 / 200 / X3): Sage 200 und X3 haben REST-APIs. Sage 100 braucht eine Middleware-Schicht.
Legacy-Systeme ohne API? Auch das geht:
| Methode | Wann sinnvoll |
|---|---|
| Datenbank-Direktzugriff (JDBC/ODBC) | Schnellste Variante, wenn der DBA mitmacht |
| Datei-basiert (CSV/XML-Export) | Bewährt, kein Eingriff ins System nötig |
| RPA / Screen Scraping | Wenn es keinen anderen Weg gibt |
| Change Data Capture | Für nahezu Echtzeit ohne API |
E-Mail mit PDF ist der Standard. Template-basierte PDF-Generierung, Versand über SMTP oder SendGrid.
WhatsApp für maximale Öffnungsrate. Kundenportal für Self-Service (30 % weniger Support-Tickets, 40 % höhere Nachbestellrate). Telefon-Rückruf per TTS für persönlichen Touch bei wichtigen Kunden.
Der Workflow passt sich an die Systemlandschaft an, nicht umgekehrt.
Ziel: Das System erstellt das erste Angebot automatisch.
Wichtig: Plant 30-40 % der Zeit für Datenvorbereitung ein. Artikelstammdaten im ERP sind fast nie so sauber, wie man denkt.
Ziel: Der Workflow läuft im Parallelbetrieb.
Tipp: Holt 1-2 technikaffine Leute aus dem Innendienst als Champions ins Boot.
| Manuell | Automatisiert | |
|---|---|---|
| Zeit pro Angebot | 45 Minuten | unter 2 Minuten |
| Kosten pro Angebot | ~26 € | ~1 € |
| Fehlerquote | 5-10 % | unter 2 % |
| Reaktionszeit | Stunden bis Tage | Minuten |
Rechenbeispiel (40 Angebote/Woche):
| Position | Betrag |
|---|---|
| Zeitaufwand manuell: 40 x 45 min = 30 h/Woche | |
| Kosten bei 35 €/h (fully loaded) | 1.050 €/Woche |
| Kosten pro Jahr | 54.600 € |
| Einsparung bei 70 % Automatisierung | ~38.200 €/Jahr |
Dazu kommt, was sich nicht direkt in Euro messen lässt: Wenn eure Angebote in Minuten statt Stunden rausgehen, gewinnt ihr Aufträge, die vorher beim Wettbewerb gelandet wären. Unternehmen mit schnellen Reaktionszeiten berichten von bis zu 35 % höheren Win Rates.
