Im Juni 2025 aktualisierte die OECD ihre Leitlinien zur Bekaempfung von Angebotsabsprachen im oeffentlichen Beschaffungswesen. Das Dokument enthaelt eine Erkennungscheckliste -- eine Liste von Mustern, die bei jedem, der Vergabedaten prueft, rote Flaggen ausloesen sollten.
Die Lektuere ist unbequem. Nicht weil die Muster exotisch waeren, sondern weil sie vertraut sind. Wer lang genug im Vergabewesen gearbeitet hat, hat zumindest einige davon gesehen und vermutlich als Zufall abgetan.
Die vier Formen der Angebotsabsprache
Bevor wir zur Erkennung kommen, hilft es zu verstehen, wonach man sucht. Angebotsabsprachen treten grundsaetzlich in vier Formen auf:
Schutzangebote. Unternehmen geben Angebote ab, die zum Verlieren bestimmt sind. Sie bieten zu hoch oder fuegen Bedingungen bei, von denen sie wissen, dass sie zur Disqualifikation fuehren. Zweck ist es, den Anschein von Wettbewerb zu erzeugen, waehrend ein bestimmter Gewinner feststeht. Das ist die haeufigste Form, weil sie am schwersten zu beweisen ist -- die Angebote sind real, sie sollten nur nicht gewinnen.
Angebotsrotation. Unternehmen gewinnen abwechselnd. Firma A gewinnt die erste Ausschreibung, Firma B die zweite, Firma C die dritte. Ueber einen Mehrjahreszeitraum erhaelt jedes Unternehmen ungefaehr den gleichen Anteil. Das Muster wird erst sichtbar, wenn man ueber viele Ausschreibungen hinwegschaut.
Angebotsunterdrueckung. Eine oder mehrere Firmen vereinbaren, nicht zu bieten oder ihr Angebot nach Einreichung zurueckzuziehen. Das reduziert den Wettbewerb fuer den vorab bestimmten Gewinner. Wenn eine Firma, die regelmaessig auf bestimmte Arbeiten bietet, ploetzlich nicht mehr erscheint, koennte es eine Geschaeftsentscheidung sein. Oder eine Vereinbarung.
Marktaufteilung. Wettbewerber teilen den Markt geografisch oder nach Sektoren auf und vereinbaren, nicht in das Gebiet des anderen einzudringen. "Du nimmst Riga, ich nehme Liepaja, er nimmt Daugavpils." Jede Firma erscheint als lokaler Spezialist. In Wahrheit haben sie die Karte aufgeteilt.
Die roten Flaggen, die niemand sehen will
Die OECD-Checkliste identifiziert spezifische Muster. Hier die, die wir fuer am wichtigsten halten:
Preismuster, die keinen Sinn ergeben. Wenn alle Angebote verdaechtig nah beieinander liegen, oder wenn verlierende Angebote immer genau 5-10 % ueber dem Gewinner liegen. In wettbewerbsmaessigen Maerkten sollte die Preisgestaltung unterschiedliche Kostenstrukturen, unterschiedliche Ansaetze und unterschiedliche Margen widerspiegeln. Einheitliche Preisabstaende deuten auf Koordination hin.
Dieselbe Firma gewinnt immer in einer bestimmten Kategorie oder Region. Wettbewerb sollte Vielfalt hervorbringen. Wenn dasselbe Unternehmen fuenf Jahre lang jede IT-Ausschreibung in einer bestimmten Stadt gewinnt und andere faehige Firmen auf dem Markt existieren, stellt sich die Frage nach dem Warum.
Ungewoehnliche Subunternehmer-Muster. Der unterlegene Bieter wird Subunternehmer des Gewinners. Das kann legitim sein -- das Vergabewesen ist eine kleine Welt. Aber wenn es sich ueber mehrere Ausschreibungen wiederholt, sieht es nach Kompensation fuer absichtliches Verlieren aus.
Identische Fehler oder Formatierung. Wenn mehrere Angebote dieselbe ungewoehnliche Formatierung, dieselben Tippfehler oder Verweise auf dieselben internen Dokumentennummern enthalten, deutet das darauf hin, dass sie zusammen oder von derselben Person erstellt wurden. Wir haben das in Dokumenten gesehen, die wir analysieren -- aehnliche Formulierungsmuster, die ueber branchenueberliche Standardsprache hinausgehen.
Angebotsrueckzuege, die einem bestimmten Wettbewerber nuetzen. Eine Firma bietet, zieht dann im letzten Moment zurueck. Der verbleibende Wettbewerber gewinnt per Default. Einmal ist Umstand. Zweimal ist Muster.
Was gerade in der Erkennung passiert
Mehrere Laender setzen KI speziell zur Erkennung von Angebotsabsprachen ein, und die Ergebnisse sind bemerkenswert.
Spaniens Wettbewerbsbehoerde startete 2024 BRAVA -- ein maschinelles Lernsystem, das Angebote anhand von Mustern in der nationalen Vergabedatenbank als potenziell abgestimmt oder wettbewerbsmaessig klassifiziert. Es verarbeitet Tausende von Ausschreibungen und kennzeichnet statistische Anomalien, die kein menschlicher Analyst in diesem Volumen erkennen koennte.
Die britische Wettbewerbs- und Marktaufsichtsbehoerde (CMA) begann im Januar 2025 mit dem Pilotversuch eines KI-Werkzeugs zur Absprachenerkennung. Bereits der Pilotversuch mit einer einzigen Regierungsabteilung lieferte verwertbare Ergebnisse.
Brasiliens ALICE-System hat R$9,7 Milliarden an verdaechtigen Vergabetransaktionen ausgesetzt. Die Ukraine's Dozorro -- unter Kriegsbedingungen betrieben -- erzielte eine 298-prozentige Steigerung der Absprachenerkennung ueber 3.000+ taegliche Ausschreibungen.
Und im September 2024 startete die OECD ein EU-finanziertes Projekt zur Unterstuetzung von sechs Mitgliedstaaten bei der Verbesserung der Erkennung von Angebotsabsprachen. 2025 wurde ein zweites Projekt fuer sechs weitere Laender gestartet -- darunter Lettland. Dass Lettland in dieser Gruppe ist, signalisiert sowohl ein Eingestaendnis des Problems als auch die Bereitschaft, es anzugehen.
Die Daten liegen vor
Was ich an diesem Bereich interessant finde: Die Daten zur Erkennung von Angebotsabsprachen existieren bereits. Nationale Vergabedatenbanken enthalten Jahre an Bieterhistorie -- wer geboten hat, zu welchem Preis, wer gewonnen hat, wer an wen unterbeauftragt hat.
Die Muster sind in den Daten. Das Problem war immer die Analysekapazitaet. Ein menschlicher Analyst, der einzelne Ausschreibungen betrachtet, sieht einzelne Ausschreibungen. Ein System, das Tausende von Ausschreibungen gleichzeitig analysiert, sieht die Muster, die erst im grossen Massstab erkennbar werden -- die Rotationszyklen, die geografischen Aufteilungen, die verdaechtig konsistenten Preisdifferenzen.
Hier geht es nicht darum, einzelne korrupte Beamte zu fassen (obwohl das vorkommt). Es geht darum, strukturelle Muster zu identifizieren, die den Wettbewerb verzerren und oeffentliche Gelder verschwenden.
Wo Bewertung auf Erkennung trifft
Unser Fokus liegt auf der Angebotsbewertung, nicht auf Betrugserkennung. Anderes Problem, andere Werkzeuge. Aber es gibt eine Ueberschneidung, die erwaehnenswert ist.
Wenn ein KI-Agent jedes Angebot gruendlich liest und jede Feststellung mit Belegen dokumentiert, entsteht eine Datenspur, die die Bewertung transparenter macht. Angebotsabsprachen funktionieren im Dunkeln -- in der Luecke zwischen dem, was in den Dokumenten steht, und dem, was tatsaechlich geprueft wird. Wenn nichts ungelesen bleibt, schrumpft diese Luecke.
Ein Schutzangebot -- absichtlich nicht wettbewerbsfaehig -- enthaelt noch immer Signale. Vage Formulierungen, wo andere Angebote konkret sind. Fehlende Details, die ein ernsthafter Bieter einschliessen wuerde. Preise, die nicht zum vorgeschlagenen Umfang passen. Eine KI, die alle Angebote gleichmaessig liest und vergleicht, wird diese Diskrepanzen feststellen, auch wenn sie nicht weiss, dass sie beabsichtigt sind.
Wir behaupten nicht, dass unser Werkzeug Angebotsabsprachen erkennt. Wir sagen, dass gruendliche, gleichmaessige, dokumentierte Bewertung aller Angebote eine Transparenzschicht schafft, die Absprachen schwerer zu verbergen macht.
Die unbequeme Rechnung
Angebotsabsprachen machten 2023 44 % aller Kartellrechtsentscheidungen in der EU aus. Die geschaetzten Kosten des Korruptionsrisikos in der EU-Vergabe zwischen 2016 und 2021 betrugen 29,6 Milliarden EUR.
Zur Einordnung: 29,6 Milliarden EUR entsprechen ungefaehr den kombinierten jaehrlichen Vergabeausgaben aller drei baltischen Staaten. Das reicht fuer mehrere neue Krankenhaeuser oder die Finanzierung des gesamten lettischen Bildungssystems ueber Jahre.
Jeder Euro, der durch Angebotsabsprachen verloren geht, ist ein Euro, der nicht fuer oeffentliche Dienstleistungen ausgegeben wird. Die Erkennungswerkzeuge existieren. Die Daten existieren. Die Frage ist, ob der politische Wille existiert, sie systematisch einzusetzen.
Nach dem, was wir sehen -- mit OECD-Projekten, nationalen KI-Werkzeugen und EU-Aufmerksamkeit fuer Vergabeintegritaet -- bewegt sich die Antwort in Richtung Ja. Langsam, aber messbar.