Agentic AI wird Ihre Ausschreibungen nicht gewinnen

Rund 40 % der Arzneimittel in Europa werden inzwischen über öffentliche Beschaffungsverfahren eingekauft. Im Krankenhausbereich greifen 22 von 30 Ländern auf Ausschreibungen zurück. Wenn diese Verträge vergeben werden, entscheidet sich dies in 62 % der Fälle in erster Linie über den Preis, gegenüber nur 24 %, bei denen die Kriterien des wirtschaftlich günstigsten Angebots zum Einsatz kommen. In Produktklassen wie antineoplastischen Wirkstoffen liegt der Anteil der ausschließlich preisbestimmten Vergaben sogar bei 84 %.

Für einen wachsenden Teil des Portfolios ist die Ausschreibung kein Vertriebskanal. Sie ist der kommerzielle Moment. Mehrere Jahre Umsatz und der größte Teil der damit verbundenen Marge werden durch eine Zahl festgelegt, die ein Team unter Zeitdruck einreicht, oft ohne systematisch darauf Bezug zu nehmen, welche vergleichbaren Verträge tatsächlich zu welchen Konditionen abgeschlossen wurden.

Genau an diesem Punkt muss sich die aktuelle KI-Investitionswelle messen lassen. Der Großteil beantwortet jedoch eine andere Frage.

Der KI-Markt für Life Sciences ist in die Ära des Agentenzählens eingetreten. Plattform-Launches werden mit entsprechenden Agenten-Übersichten präsentiert. Der Einsatz wird anhand der Anzahl eingesetzter Agenten und der Anzahl abgedeckter Anwendungsfälle berichtet. Die Zahlen steigen von Quartal zu Quartal, und zwar schnell.

Der zugrunde liegende Wandel ist real. Agentic AI hat das Labor verlassen und ist in Unternehmens-Workflows eingezogen, während Infrastruktur- und Domänenebene schneller zusammenwachsen, als die meisten Commercial-Funktionen dies aufnehmen können. Das Risiko ist enger gefasst als der Hype und zugleich kostspieliger: dass Führungskräfte im Commercial-Bereich die Verfügbarkeit von Agenten mit kommerzieller Umsetzung gleichsetzen.

Der Markt lernt bereits, wohin diese Verwechslung führt. Gartner erwartet, dass bis Ende 2027 mehr als 40 % der Agentic-AI-Projekte eingestellt werden, und nennt steigende Kosten, unklaren Geschäftswert und unzureichende Risikokontrollen als Gründe. Zudem schätzt Gartner, dass von den Tausenden Anbietern, die Agentic AI vermarkten, tatsächlich nur rund 130 entsprechende Lösungen entwickeln. Gartner bezeichnet diese Lücke als „Agent Washing“: die Umbenennung von Assistenten, Robotic Process Automation und Chatbots, ohne wesentliche agentische Fähigkeiten. Im Mai 2026 wandte Gartner den Begriff auf Technologien für die Supply-Chain-Planung an und ergänzte eine noch deutlichere Warnung: Jeder Anbieter, der vor 2027 End-to-End-Autonomie verspricht, überschätzt das derzeit Machbare.

Betrachtet man, worauf kommerzielle Agenten tatsächlich ausgerichtet werden, wird die Lücke konkret. Die derzeit am Markt verfügbaren Portfolios kommerzieller Agenten konzentrieren sich auf Market Insights, Field-Force-Targeting, Commercial Planning, Literaturrecherche und Datenkatalogisierung: Markenstrategie, Market Intelligence, HCP-Engagement, Data Governance. Das sind nützliche Aufgaben, und sie liegen unmittelbar neben der Ausschreibung. Keines davon ist eine Engine für die Ausschreibungsbearbeitung. Dies ist keine Kritik an einer bestimmten Plattform. Es ist eine Feststellung darüber, wie viel des kommerziellen P&L derzeit außerhalb der Bereiche liegt, auf die Agenten ausgerichtet werden.

Ein Agent kann Daten abrufen. Er kann Ausschreibungsunterlagen zusammenfassen, einen Entwurf erstellen und Aufgaben an andere Agenten weiterleiten. Nichts davon beantwortet für sich genommen die Fragen, die darüber entscheiden, ob ein Angebot profitables Wachstum schafft:

• • Sollten wir diese Opportunity verfolgen?
  • Welches zugelassene Produkt erfüllt die Anforderungen der jeweiligen Position?
  • Können wir über die gesamte Vertragslaufzeit liefern?
  • Was ist der richtige Nettopreis nach Berücksichtigung von Rabatten, Indexierung, Logistik- und Serviceverpflichtungen?
  • Welche Aussagen werden durch aktuelle, freigegebene Evidenz gestützt?
  • Welche Ausnahmen erfordern eine Freigabe durch Commercial, Legal, Regulatory oder Quality?
  • Was sollte uns das Ergebnis für die nächste Ausschreibung lehren?

Solange KI diese Entscheidungen nicht durch einen gesteuerten Workflow führen und in die Systeme überführen kann, in denen die kommerzielle Arbeit tatsächlich stattfindet, unterstützt sie Aktivitäten, anstatt das kommerzielle Geschäft auszuführen.

Ein Angebot ist eine Kette kommerzieller Verpflichtungen

Eine Ausschreibungsantwort ist keine einzelne Aufgabe. Sie ist eine miteinander verknüpfte Reihe von Verpflichtungen, die Bedarf des Käufers, Produkteignung, regulatorische Evidenz, Lieferkapazität, Serviceverpflichtungen, Preis und Vertragsrisiken miteinander verbinden.

Ein einziges schwaches Glied kann dazu führen, dass die gesamte Einreichung nicht regelkonform, nicht wettbewerbsfähig oder nicht profitabel ist. Und das Problem zeigt sich nur selten bereits bei der Einreichung. Eine in Spalte D falsch zugeordnete Packungsgröße wird im zweiten Vertragsjahr zu einer nicht erfüllbaren Lieferverpflichtung. Eine abgelaufene Aussage, die in einem Anhang verborgen ist, wird zu einer Compliance-Feststellung. Ein Preis, der ohne eine Indexierungsregel eingegeben wurde, führt über vier Jahre zu einem schleichenden Margenverlust.

Angesichts des wachsenden Anteils des europäischen Portfolios, der inzwischen über Beschaffungsverfahren abgewickelt wird, ist dieses Risiko längst über den Bid Desk hinausgewachsen. Es ist ein P&L-Risiko, für das die gesamte Commercial-Organisation Verantwortung trägt, unabhängig davon, ob jemand dafür tatsächlich verantwortlich gemacht wurde.

Genau deshalb benötigt KI für die kommerzielle Umsetzung mehr als eine Sammlung von Agenten. Sie benötigt einen gemeinsamen kommerziellen Kontext, domänenspezifische Datenmodelle, deterministische Kontrollen, Systemintegrationen und ein revisionssicheres Verständnis darüber, wer was freigeben darf.

Die Buyer Guidance von Gartner, die für die Supply-Chain-Planung und nicht für Ausschreibungen verfasst wurde, sich jedoch problemlos übertragen lässt, fordert im Wesentlichen dasselbe: einheitliche Echtzeitdaten, eine robuste Integration über Planungs- und Ausführungssysteme hinweg sowie eine transparente Governance mit klaren Leitplanken, definierten Übergabepunkten an Menschen und Audit-Mechanismen. Der entscheidende Unterschied ist nicht der Agent. Es ist alles, worauf der Agent aufbauen muss.

In der Praxis muss sie fünf Dinge gut beherrschen.

1. Die richtige Opportunity finden, bevor die Uhr zu laufen beginnt

Generische KI kann Quellen überwachen und Ausschreibungsbekanntmachungen zusammenfassen. KI für die kommerzielle Umsetzung muss weitergehen: öffentliche und private Opportunities erfassen, Dokumente in mehreren Sprachen strukturieren, Fristen und Zulassungsregeln identifizieren und die Anforderungen des Käufers mit dem tatsächlichen Portfolio des Anbieters abgleichen.

Das Ergebnis sollte nicht noch eine weitere Benachrichtigung sein. Es sollte eine qualifizierte Opportunity sein, die bereits mit strategischer Passung, historischem Kontext, Lieferbeschränkungen, Risiken, Verantwortlichen und einer belastbaren Bid/No-Bid-Begründung versehen ist.

Die erste Margenentscheidung lautet oft, ob überhaupt geboten werden sollte.

2. Die Produktwahrheit Zeile für Zeile klären

Käuferdateien sprechen selten dieselbe Sprache wie Lieferantenkataloge. Sie kombinieren Freitextbeschreibungen, veraltete Identifikatoren, Wettbewerberreferenzen, Händlercodes, Packungsgrößen und Maßeinheiten. Eine einzige Ausschreibungsantwort kann Hunderte oder Tausende Entscheidungen auf Positionsebene erfordern.

KI für die kommerzielle Umsetzung muss diese Sprache normalisieren, sie mit zugelassenen SKUs und Ersatzprodukten abgleichen und für jeden Match die zugrunde liegende Evidenz und Konfidenz anzeigen. Matches mit hoher Konfidenz können schnell weiterverarbeitet werden. Uneindeutige oder folgenreiche Matches sollten an einen menschlichen Prüfer eskaliert werden.

Das ist Produktintelligenz, angewendet genau an dem Punkt, an dem Umsatz entweder realisiert oder nicht erzielt wird.

3. Die Marge in den Workflow integrieren

Ein Angebot kann regelkonform sein und trotzdem Wert vernichten.

Wenn der Preis, wie die europäischen Daten zeigen, einen ebenso großen Anteil an der Vergabeentscheidung trägt, wird das Margenergebnis weitgehend im Moment der Preisfestlegung entschieden und dabei weitgehend im Blindflug. Vergangene Vergabeergebnisse, Wettbewerbsverhalten und Cost-to-Serve liegen typischerweise in anderen Systemen als demjenigen, in dem das Angebot erstellt wird, sofern sie überhaupt erfasst werden.

KI für die kommerzielle Umsetzung muss Opportunity-Daten mit Vergabehistorie, Wettbewerbsverhalten, Cost-to-Serve, Lieferkettenrisiken, Rabatten, Mengenstaffeln, Währungsrisiken, Indexierung und Vertragslaufzeit verknüpfen. Sie sollte Szenarien modellieren, den Trade-off zwischen Gewinnwahrscheinlichkeit und Profitabilität bewerten sowie Preiskorridore, Preisuntergrenzen und Ausnahmeregeln durchsetzen.

Die Verantwortung für Commercial Strategy und Walk-away-Entscheidungen sollte beim Menschen bleiben. Die Rolle der KI besteht darin, die wirtschaftlichen Auswirkungen früh genug sichtbar zu machen, um das Angebot zu beeinflussen, und nicht darin, die Erosion zu melden, nachdem der Vertrag unterzeichnet wurde.

4. Die Antwort auf Basis belastbarer Nachweise aufbauen

Flüssig formulierte Texte sind einfach. Belastbare Verpflichtungen sind schwierig.

Ein echtes Execution-System sollte die Ausschreibungsunterlagen in eine strukturierte Compliance-Matrix überführen, freigegebene Antworten, Claims und Nachweise abrufen, Lücken oder veraltete Dokumente kennzeichnen, Aufgaben auf Commercial-, Legal-, Quality- und Regulatory-Teams verteilen und Versionskontrolle, Freigabeverlauf und Rückverfolgbarkeit zu den Quellen gewährleisten.

Es sollte erkennen, wann eine freigegebene Antwort wiederverwendet werden kann, wann ein Experte sie validieren muss und wann das System stoppen muss. In regulierten Märkten ist menschliche Aufsicht kein Zugeständnis an schwache KI. Sie ist der Weg, wie sich Verantwortlichkeit skalierbar gestalten lässt.

5. Aus dem kommerziellen Ergebnis lernen

Die meisten Bid-Tools enden mit der Einreichung. Dadurch verhindert das System, dass es aus dem entscheidenden Teil lernt, und dieser Teil ist messbar.

World Commerce & Contracting beziffert den durchschnittlichen Value Leakage bei Verträgen auf 5,4 % und stellte fest, dass 70 % der Befragten eine Diskrepanz zwischen der Verwaltung von Verträgen und der Überwachung der finanziellen Performance anerkennen. Bei einer vertraglich gebundenen Umsatzbasis von 500 Mio. € entspricht das 27 Mio. € pro Jahr, die an einer Stelle verloren gehen, für die niemand Verantwortung trägt.

KI für die kommerzielle Umsetzung sollte die Vergabeentscheidung, den Gewinnpreis, das Wettbewerbsverhalten, das Feedback des Käufers, die Vertragsperformance und nachfolgende Value Leakage erfassen. Diese Ergebnisse sollten dann das zukünftige Opportunity Matching, das Bid/No-Bid Scoring, Preisempfehlungen und die Antwortstrategie verbessern.

Ohne diesen Closed Loop können Agenten denselben intelligent aussehenden Fehler mit höherer Geschwindigkeit wiederholen..

Die Messlatte muss sich ändern

Die Anzahl eingesetzter Agenten ist eine Kennzahl für die Einführung. Generierte Dokumente, beantwortete Prompts und eingesparte Arbeitsstunden sind Produktivitätskennzahlen. Sie sind nützlich. Sie sind jedoch nicht das kommerzielle Ergebnis.

Für Bid- und Contracting-Teams sind die anspruchsvolleren Kennzahlen:

• • frühzeitig qualifizierte Opportunities, bei denen noch rechtzeitig gehandelt werden kann;
  • Abdeckung auf Positionsebene und Vollständigkeit der Antworten;
  • Durchlaufzeit von Entscheidung, Freigabe und Einreichung;
  • Gewinnquote und Deckungsbeitrag;
  • Value Leakage und Performance nach der Vergabe; und
  • ob die Teams dem System tatsächlich vertrauen und es nutzen.

Ein Datenpunkt, mit dem Hinweis, dass er aus unserer eigenen und selbst berichteten Auswertung stammt. Bei einem 12-monatigen Vamstar-Einsatz bei einem globalen Pharmaunternehmen aus den Top 10, anonymisiert unter NDA, mit Generika und Biosimilars und aktiv in 165 Märkten, wurde das Programm in 25 Märkten mit hoher Wirkung ausgerollt und erzielte eine Verbesserung der Effizienz des Contracting-Prozesses um 73 %, eine Steigerung der Gewinnquote um 17 % in den ausgerollten Märkten und eine Margensteigerung von 9 % auf den Vertragserlösen. Die Akzeptanz in den lokalen Teams erreichte innerhalb eines Jahres 86 %, was wichtiger ist, als es zunächst klingt: Dem ging ein internes Programm voraus, in das 6 Mio. US-Dollar und vier Jahre investiert worden waren, ohne eine Skalierung zu erreichen.

Diese Ergebnisse sollten nicht auf jedes Programm übertragen werden. Der Punkt ist enger gefasst und anspruchsvoller. Commercial AI sollte an Geschäftsergebnissen gemessen werden, nicht an der Größe seines Agentenkatalogs..

Die Infrastruktur ist die Ausgangslinie

Agentic AI wird Teil des Enterprise-Tech-Stacks werden. Horizontale Plattformen machen es einfacher, Agenten zu entwickeln und zu steuern. Domänenspezifische Plattformen zeigen den Wert von Branchenintelligenz über den gesamten Life-Sciences-Bereich hinweg. Beide sind wichtig und beide sind Voraussetzungen, nicht das eigentliche Ziel.

Der kommerzielle Vorteil wird eine Ebene tiefer entstehen, dort, wo KI die Ausschreibung, das Produkt, den Preis, die Evidenz, die Freigaberichtlinien und das Ergebnis als einen miteinander verbundenen Workflow versteht.

Commercial-Teams brauchen nicht die nächsten hundert Agenten. Die Zahl wird weiter steigen, und genau deshalb eignet sie sich schlecht als Messgröße. Was Teams brauchen, ist ein System, das ein Angebot von der Opportunity bis zur Vergabe kommerziell konsistent halten kann und weiß, wann es handeln, wann es nachfragen und wann es stoppen muss.

Die Gewinner werden nicht die Unternehmen mit den meisten Agenten sein. Es werden die Unternehmen mit weniger verpassten Opportunities, schnelleren Entscheidungen, belastbareren Verpflichtungen und qualitativ hochwertigerem Umsatz sein.

Agentic AI kann Aufgaben automatisieren. KI für die kommerzielle Umsetzung muss die P&L verändern.

Quellen: Medicines for Europe, Positionspapier zur EU-Richtlinie über die öffentliche Auftragsvergabe (10. Februar 2026); Gartner-Pressemitteilung „Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027“ (25. Juni 2025); Gartner-Pressemitteilung „Gartner Warns of Agent Washing Risks in Supply Chain Planning Technology Market“ (20. Mai 2026); World Commerce & Contracting, „Smarter Contracts, Better Margins“ (22. September 2025); Vamstar Case Study „Redefining Contracting Strategy: AI Enables Pharma Cost Optimization“ (abgerufen am 12. August 2026).