Gefragt. Geklärt.
Brauchen wir eine eigene KI oder reicht, was wir schon haben?
Für die meisten Anforderungen reicht, was bereits lizenziert ist. Eine eigene Entwicklung lohnt erst, wenn ein Ablauf so spezifisch ist, dass ihn kein Standardwerkzeug abbildet. Die Datenlage stützt das deutlich. In einer MIT-Untersuchung von 2025 erreichten eingekaufte Lösungen etwa in zwei von drei Fällen eine messbare Wirkung, intern gebaute nur in etwa einem von drei.
Hinter der Frage stecken meist drei verschiedene Dinge, die im Gespräch durcheinandergeraten. Ein eigenes Sprachmodell trainieren, eine eigene Anwendung um ein bestehendes Modell bauen, oder ein vorhandenes Werkzeug für den eigenen Zweck einrichten.
Der Aufwand unterscheidet sich zwischen diesen drei um mehrere Größenordnungen. Die Klärung, was gemeint ist, spart deshalb meist die halbe Diskussion.
Was die Datenlage sagt
Die MIT-Untersuchung „The GenAI Divide: State of AI in Business 2025” hat 150 Führungskräfte befragt, 350 Beschäftigte einbezogen und 300 öffentlich dokumentierte KI-Einsätze ausgewertet.
Das bekannteste Ergebnis daraus ist, dass rund 95 Prozent der Pilotvorhaben keine messbare Wirkung auf das Geschäftsergebnis erzielten. Für diese Frage ist ein anderes Ergebnis wichtiger. Eingekaufte Lösungen erreichten etwa in zwei von drei Fällen einen belegbaren Effekt, intern entwickelte nur in etwa einem von drei.
Das Verhältnis ist bemerkenswert, weil die Eigenentwicklung in der Regel deutlich teurer ist. Mehr Geld führte hier also zu geringerer Trefferquote.
Die übliche Reihenfolge
In der Praxis hat sich eine Stufenfolge bewährt, die von unten nach oben durchgegangen wird. Abgebrochen wird, sobald eine Stufe die Anforderung erfüllt.
Erstens, vorhandene Lizenzen ausschöpfen. In vielen Unternehmen ist bereits ein Werkzeug lizenziert, dessen Funktionsumfang nicht bekannt ist. Diese Prüfung kostet nichts außer Zeit.
Zweitens, Standardwerkzeuge einrichten. Eigene Anweisungen, hinterlegte Vorlagen, ein eigener Assistent für eine wiederkehrende Aufgabe. Das ist ohne Programmierung möglich und deckt einen großen Teil der Anforderungen ab.
Drittens, eigene Anwendung auf Standardmodellen. Hier wird programmiert, aber das Modell kommt weiter vom Anbieter. Sinnvoll, wenn KI in einen bestehenden Ablauf oder ein vorhandenes System eingebunden werden soll.
Viertens, eigenes Modell. Für kleine und mittlere Unternehmen praktisch nie die richtige Antwort. Der Aufwand für Training, Betrieb und laufende Pflege steht in keinem Verhältnis zum Nutzen, und die Ergebnisse liegen in der Regel unter dem, was Standardmodelle liefern.
Wo die meisten tatsächlich landen
Die Erfahrung aus Beratungsprojekten und die MIT-Zahlen zeigen in dieselbe Richtung. Der weitaus größte Teil der Anforderungen wird auf den Stufen eins und zwei erfüllt.
Der häufigste Fehler besteht darin, Stufe drei zu beginnen, bevor Stufe eins geprüft wurde. Dann entsteht eine Eigenentwicklung für eine Funktion, die im vorhandenen Werkzeug bereits enthalten ist.
Wann eine Entwicklung sich lohnt
Drei Merkmale sprechen dafür.
Der Ablauf ist spezifisch für das Unternehmen und wird von keinem Standardwerkzeug abgebildet. Nicht „wir machen das anders”, sondern nachweislich anders.
Der Ablauf läuft in hoher Stückzahl. Bei zwanzig Vorgängen im Jahr rechnet sich keine Entwicklung, bei zwanzig am Tag verändert sich die Rechnung.
Es gibt eine Anbindung, die technisch zwingend ist, etwa an eine Warenwirtschaft oder ein Fachverfahren, in dem die Daten liegen.
Fehlt eines dieser drei Merkmale, ist eine Prüfung der unteren Stufen die günstigere Reihenfolge.
Was bei der Eigenentwicklung unterschätzt wird
Nicht die Erstellung, sondern der Betrieb.
Ein selbst gebautes System braucht Pflege, Aktualisierung bei Modellwechseln, eine Zuständigkeit im Haus und eine Regelung für den Fall, dass die Person das Unternehmen verlässt. Diese Punkte fallen bei einem eingekauften Werkzeug beim Anbieter an.
Das ist eine plausible Erklärung für den Abstand in den MIT-Zahlen, auch wenn die Untersuchung diesen Zusammenhang nicht ausdrücklich prüft.
Quelle: „The GenAI Divide: State of AI in Business 2025”, MIT. Grundlage sind 150 Interviews mit Führungskräften, eine Befragung von 350 Beschäftigten und die Auswertung von 300 öffentlich dokumentierten KI-Einsätzen.
Stand: