KI: Build vs. Buy – Betriebskosten über fünf Jahre vergleichen

Von DataTip · Veröffentlicht am 14. September 2026

Eine KI-Demo im ersten Jahr kann eine teure Entscheidung einfach erscheinen lassen. Für CIOs, CTOs oder Finanzverantwortliche lautet die eigentliche Frage: Was sollte das Unternehmen selbst besitzen, was sollte es beziehen, und wie wirken sich diese Entscheidungen über drei bis fünf Jahre aus?

Unternehmen sollten ausgereifte, standardisierte KI-Fähigkeiten zukaufen und die Ebenen selbst entwickeln, die von proprietären Daten, Workflows, Governance und operativem Wissen abhängen. Ein kombiniertes Modell bietet oft die meiste Kontrolle: kommerzielle oder Open-Weight-Foundation-Models nutzen und zugleich Routing, Retrieval, Agenten, Evaluation und Anwendungen selbst besitzen. Vergleichen Sie diese Optionen über drei bis fünf Jahre – einschließlich Nutzungs-, Wartungs-, Sicherheits- und Wechselkosten.

Die stärkste Antwort ist oft eine Kombination: standardisierte Intelligenz zukaufen und dann die Daten, Workflows, Governance und Anwendungen selbst aufbauen, die das Unternehmen differenzieren.

Sollte ein Unternehmen KI-Fähigkeiten selbst entwickeln, zukaufen oder kombinieren?

Unternehmen sollten in der Regel ausgereifte Fähigkeiten zukaufen, die keine nennenswerte Differenzierung schaffen, Ebenen selbst entwickeln, die von proprietären Daten oder Prozessen abhängen, und kommerzielle oder Open-Weight-Modelle mit intern kontrollierter Unternehmenstechnologie kombinieren. Die Wahl ist nicht binär, denn der Zugang zu Foundation Models und das Eigentum an Unternehmens-KI sind getrennte Entscheidungen.

Eine sinnvolle Sourcing-Entscheidung für Unternehmens-KI zerlegt die Fähigkeit in Ebenen:

• Foundation-Intelligenz: Zugang zu GPT, Claude, Gemini oder Open-Weight-Modellen.
• Unternehmensdaten und Retrieval: die Informationen, die dem System geschäftlichen Kontext geben.
• Agenten und Workflows: wie die Fähigkeit innerhalb der Organisation Arbeit verrichtet.
• Orchestrierung und Routing: wie Anfragen Modellen oder Diensten zugewiesen werden.
• Evaluation, Governance und Deployment: wie Qualität, Risiko und operative Kontrolle gesichert werden.
  Die Frage ist nicht einfach, ob das Team eine Fähigkeit bauen kann. Entscheidend ist, ob die Ebene genug strategischen Wert schafft, um ihre laufenden Kosten als Eigentümer zu rechtfertigen.

Wann ist der Zukauf von KI sinnvoller als die Eigenentwicklung?

Zukauf eignet sich in der Regel besser, wenn eine Fähigkeit ausgereift, breit verfügbar und kaum geeignet ist, eine nennenswerte Differenzierung im Wettbewerb zu schaffen. Coding-Assistenten, Meeting-Transkription, Dokumentenverarbeitung, Produktivitätstools und einfache Kundenservice-Anwendungen passen in dieses Muster.

Zukauf ist nicht automatisch günstiger. Eingekaufte Fähigkeiten können Abonnements, API-Gebühren, Token-Verbrauch, Enterprise-Lizenzen, Integrationsaufwand und Abhängigkeit von der Roadmap eines Anbieters mit sich bringen. Dennoch können sie die bessere Wahl sein, wenn interne Teams sonst eine Funktion betreiben müssten, die für den Wettbewerbsvorteil des Unternehmens nicht zentral ist.

Eigenentwicklung wird attraktiver, wenn die Leistung von proprietären Daten, geistigem Eigentum, spezialisiertem operativem Wissen oder einzigartigen Geschäftsprozessen abhängt. Sie bedeutet auch nicht zwangsläufig, ein Foundation Model von Grund auf zu trainieren. Ein Unternehmen kann Zugang zu kommerziellen oder Open-Weight-Modellen einkaufen und zugleich eigene Retrieval-Systeme, Datenpipelines, Agenten, Orchestrierung, Evaluationssysteme und Anwendungen entwickeln.

Diese umgebende Ebene liegt womöglich näher an der Quelle des Wettbewerbsvorteils als das Modell selbst.

Wie zeigen Unternehmensbeispiele den Wert kombinierter KI-Fähigkeiten?

AT&T berichtet von einer etwa fünffachen Rendite seiner KI-Investitionen im selben Jahr und von Einsparungen von 80–90 Prozent bei bestimmten Anwendungen durch offene Modelle. Das sind vom Unternehmen gemeldete Ergebnisse, keine typischen Werte, die jedes Unternehmen erwarten sollte. Die übergreifende Lehre ist architektonischer Natur: AT&T muss nicht jedes Modell selbst entwickeln, weil das Unternehmen die Ebene besitzt, die Modellauswahl, Unternehmensdaten und Deployment steuert.

Goldman Sachs zeigt eine weitere Variante des Build-and-Buy-Ansatzes. Die Bank beschäftigt weltweit mehr als 12.000 Ingenieure – rund ein Viertel ihrer Belegschaft – und verfügt damit über erhebliche Kapazitäten, KI an Finanz- und Engineering-Workflows anzupassen. Sie integriert kommerzielle Technologien wie Anthropic Claude und Devin von Cognition, statt zu versuchen, jedes Modell intern zu entwickeln.

Hunderte KI-Agenten haben bereits Seite an Seite mit der Engineering-Organisation von Goldman gearbeitet. Devin soll bei einigen agentischen Engineering-Aufgaben die drei- bis vierfache Produktivität früherer KI-Entwicklungstools erreicht haben. Goldman-CIO Marco Argenti argumentiert zudem, dass Unternehmen Open-Weight-Modelle nicht automatisch ablehnen sollten, wenn geeignete Cybersicherheitskontrollen verfügbar sind.

Das Modell von Goldman kombiniert externe Tools mit interner Engineering-, Integrations-, Governance- und Finanzexpertise. Diese Flexibilität muss durch dauerhaft vorhandene interne Kompetenz gestützt werden; der Kauf eines Tools erspart nicht die Arbeit, es nützlich und kontrollierbar zu machen.

Welche Ebenen der Unternehmens-KI lohnt es sich selbst zu entwickeln?

EY ist ein anschauliches Beispiel dafür, rund um das Modell zu bauen statt das Modell selbst. Gemeinsam mit dem KI-nativen Entwicklungsunternehmen 8090 hat EY den EY.ai PDLC geschaffen – einen KI-nativen Produktentwicklungszyklus, der Architektur, automatisierte Tests, Governance und menschliche Aufsicht verbindet.

Eine Analyse von TechTarget zu Build-versus-Buy-Strategien für Unternehmens-KI kam zu dem Schluss, dass solche Ansätze Softwareentwicklungsprozesse, die traditionell Monate dauerten, auf Tage oder Wochen verkürzen könnten. Die Aussage ist nicht, dass jedes Unternehmen dasselbe Ergebnis erwarten sollte. Sondern dass EY sich entschieden hat, selbst zu bestimmen, wie Anwendungen mit KI entworfen, getestet, gesteuert und ausgeliefert werden, statt ein Frontier-Foundation-Model zu entwickeln.

Athena Intelligence zeigt die andere Seite derselben Strategie. Das Unternehmen nutzt Claude von Anthropic für Wissens-Workflows in Unternehmen und konzentriert seine Entwicklungsressourcen auf Agenten, Workflows und User Experience. Laut einer Kundenfallstudie von Anthropic lassen sich mit diesem Ansatz KI-Workflows für Unternehmen innerhalb von vier bis acht Wochen in Produktion bringen – verglichen mit einem Branchenrichtwert von sechs bis zwölf Monaten.

Dieser Zeitrahmen stammt aus einer Fallstudie und ist kein unabhängig überprüfter Benchmark. Er veranschaulicht dennoch die Sourcing-Logik: Foundation-Intelligenz zukaufen und die interne Arbeit auf die geschäftsspezifische Ebene konzentrieren.

Wann sollte ein Unternehmen eine spezialisierte KI-Anwendung zukaufen?

Spezialisierte Anwendungen können vorzuziehen sein, wenn der zugrunde liegende Prozess nicht genug Differenzierung im Wettbewerb schafft, um interne Entwicklung und Wartung zu rechtfertigen. Die KI-Agenten von HyperVerge für die Kreditvergabe an KMU automatisieren Finanzanalysen, mehrsprachige Videogespräche und die Bonitätsprüfung.

In Pilotprojekten mit 10 mittelgroßen Kreditgebern sank die Dauer von Finanzprüfungen Berichten zufolge von zwei bis drei Stunden auf etwa fünf Minuten. Die Erstellung von Kreditbewertungsvermerken verkürzte sich von rund vier Stunden auf unter 10 Minuten, die Dokumentation persönlicher Gespräche von 45–60 Minuten auf fünf Minuten. Drei Kreditgeber haben den Agenten für Videogespräche in den Produktivbetrieb übernommen.

Das sind gemeldete Pilotergebnisse, keine universellen Benchmarks. Eine Bank könnte ähnliche Technologie intern entwickeln, doch ein spezialisiertes System zuzukaufen und die eigenen Kreditrichtlinien zu integrieren, kann sinnvoller sein, wenn automatisiertes Underwriting selbst kein nennenswertes Unterscheidungsmerkmal ist.

Was sollte ein Vergleich der KI-Gesamtkosten über fünf Jahre umfassen?

Die Total Cost of Ownership von KI reicht weit über ein Abonnement im ersten Jahr oder einen Vergleich von Anbietergebühren und Entwicklergehältern hinaus. Eigenentwicklung kann KI-Ingenieure, GPUs, Cloud-Infrastruktur, Datenpipelines, Inferenz, Sicherheit, Evaluation und Modellwartung erfordern. Beim Zukauf verlagern sich viele dieser Kosten auf Abonnements, API-Nutzung, Token-Verbrauch, Lizenzen, Integration und den Aufwand für das Anbietermanagement.

KI-GENERIERT

Die Kosten können sich stark verändern, sobald ein System Produktionsgröße erreicht. Eine Architektur, die es dem Unternehmen erlaubt, Modelle zu wechseln, kann finanziell wichtig werden, wenn sich Nutzungsökonomie oder Modellfähigkeiten verschieben. Umgekehrt kann die enge Kopplung von Hunderten Anwendungen an einen Anbieter erhebliche Wechselkosten verursachen, wenn sich Fähigkeiten, Token-Preise oder Vertragsbedingungen ändern.

Deshalb ist das am besten zu verteidigende intern entwickelte Asset möglicherweise gar kein KI-Modell. Es kann die Ebene aus Routing, proprietären Daten, Workflow-Design, Evaluation, Governance und Deployment rund um das Modell sein. Das Ausmaß der prognostizierten Ausgaben für KI-Infrastruktur erklärt zudem, warum der Nachbau von Frontier-Infrastruktur für die meisten Unternehmen unrealistisch bleibt.

Die praktische Entscheidung ist daher konkret: standardisierte Fähigkeiten zukaufen, dort selbst entwickeln, wo proprietäres Wissen und eigene Workflows Differenzierung schaffen, und beides kombinieren, wo Kontrolle über Daten, Architektur und Nutzungsökonomie zählt. Eine Demo beweist, dass eine Fähigkeit funktioniert. Eine Betrachtung über drei bis fünf Jahre zeigt, wer sie warten muss, wie leicht sie sich ändern lässt und ob das Unternehmen ein Asset aufbaut, das es kontrollieren kann.

Die wichtigsten Erkenntnisse

• Behandeln Sie den Zugang zu Foundation Models und das Eigentum an Unternehmens-KI als getrennte Entscheidungen; wer ein Modell einkauft, lagert damit nicht die differenzierende Ebene aus.
• Kaufen Sie ausgereifte Fähigkeiten wie Transkription, Dokumentenverarbeitung, Produktivitätstools und einfachen Kundenservice zu, wenn sie keine nennenswerte Differenzierung schaffen.
• Entwickeln Sie selbst, wo proprietäre Daten, geistiges Eigentum, Spezialwissen oder einzigartige Prozesse die Leistung bestimmen.
• Bewerten Sie die Betriebskosten über fünf Jahre für Infrastruktur, Inferenz, Datenpipelines, Sicherheit, Evaluation, Wartung, Lizenzen und Anbieterabhängigkeit.
• Nutzen Sie Routing und eine Multi-Modell-Architektur, um das Risiko zu verringern, jede Anwendung an einen einzigen Anbieter zu binden.

Praktische Tipps

• Trennen Sie den Business Case für das Foundation Model vom Business Case für Retrieval, Agenten, Workflows, Governance und Deployment-Kontrollen.
• Halten Sie fest, ob ein gemeldetes Leistungsergebnis aus einer Unternehmensaussage, einer Kundenfallstudie oder einem unabhängigen Benchmark stammt, bevor Sie es in einer Investitionsentscheidung verwenden.
• Modellieren Sie die Kosten eines Anbieterwechsels – einschließlich Anwendungsintegrationen und operativer Umschulung –, statt einen Anbieterwechsel als reibungslos zu betrachten.
• Prüfen Sie standardisierte Fähigkeiten getrennt von differenzierenden Unternehmensebenen; für beide sollte nicht dieselbe Build-versus-Buy-Annahme gelten.

Treffen Sie die Eigentumsentscheidung bewusst

Ordnen Sie jede KI-Fähigkeit den Ebenen Foundation-Intelligenz, Unternehmensdaten, Workflows, Orchestrierung und Governance zu. Vergleichen Sie dann, welche Folgen Eigenbetrieb oder Bezug jeder Ebene über drei bis fünf Jahre für Betriebskosten und Kontrolle haben.

KI-GENERIERT