Build or Buy? Warum Unternehmen bei KI-Projekten die langfristigen Betriebskosten systematisch unterschätzen

Der schnelle KI-Prototyp ist nur der Anfang: Erst Wartung, Betrieb, Know-how und Compliance zeigen, ob sich Eigenentwicklung oder Standardsoftware langfristig rechnet.

Generative KI hat die Entwicklung eigener Anwendungen vereinfacht. Prototypen entstehen heute innerhalb weniger Tage, oft ohne großes Entwicklerteam. Diese Geschwindigkeit weckt Erwartungen. Viele Unternehmen fragen sich, ob sie KI-Anwendungen künftig selbst bauen oder weiterhin auf spezialisierte Softwareanbieter setzen. In einem Gastbeitrag erläutert Andreas Dangl, Entrepreneur und Geschäftsführer der Fabasoft Approve GmbH, warum Industrieunternehmen bei KI-Projekten nicht nur auf schnelle Entwicklungserfolge, sondern auch auf langfristige Betriebs-, Wartungs- und Compliance-Kosten achten sollten.

In der öffentlichen Diskussion dominieren Entwicklungsgeschwindigkeit und erste Erfolge. Für den langjährigen Erfolg eines KI-Projekts zählen auch Wartbarkeit, Weiterentwicklung, die Integration neuer Modelle, Sicherheit und Compliance. Und vor allem die Frage, wer das System in drei, fünf oder zehn Jahren betreibt und pflegt. Die reinen Entwicklungskosten bilden dabei oft nur einen Teil der tatsächlichen Gesamtinvestition.

Vom Prototyp zum dauerhaften Betrieb

Moderne KI-Modelle liefern beeindruckende Ergebnisse und die technischen Hürden für einen ersten Prototyp sind niedrig wie nie. Das kann dazu verleiten, ein KI-Projekt allein anhand der Frage zu bewerten, ob sich eine Anwendung bauen lässt. Die entscheidende Frage lautet jedoch, ob sich die Anwendung über Jahre hinweg betreiben, pflegen und an neue Anforderungen anpassen lässt.

Ein Prototyp zeigt, ob eine Idee unter den getesteten Bedingungen funktioniert. Ein produktives System in einem geschäftskritischen Prozess verlangt deutlich mehr: stabile Schnittstellen, Monitoring, Fehlerbehandlung, Skalierbarkeit und einen klaren Plan für den Fall, dass sich zugrunde liegende Modelle ändern oder abgekündigt werden. Der Übergang von der Demo zum dauerhaften Betrieb muss deshalb von Anfang an mitgeplant werden.

Hinzu kommt, dass ein Prototyp meist unter kontrollierten Bedingungen getestet wird. Im Alltag treffen KI-Anwendungen auf unvollständige oder widersprüchliche Daten, unvorhergesehene Eingaben und wechselnde Anforderungen der Fachabteilungen. Damit ein System diesen Belastungen standhält, braucht es kontinuierliche Pflege durch ein Team, das die Architektur versteht und langfristig weiterentwickelt. Diese Aufgabe unterscheidet sich grundlegend von der ursprünglichen Entwicklung und wird in frühen Projektphasen häufig unterschätzt.

Die Kosten über den gesamten Lebenszyklus

Die Entwicklungskosten einer KI-Anwendung stehen bei der Projektplanung häufig im Vordergrund. Ebenso berücksichtigt werden müssen die Folgekosten, die über die gesamte Nutzungsdauer anfallen. Dazu zählen Rechenleistung, Modellnutzung, laufende Wartung und Monitoring, regelmäßige Tests, die Anpassung an neue Modellversionen, Sicherheitsupdates, Dokumentation und der Aufbau von Wissen im Team.

Viele dieser Aufwände zeigen sich erst nach ein bis zwei Jahren im produktiven Einsatz. Neue regulatorische Anforderungen kommen hinzu, Mitarbeitende mit Spezialwissen wechseln die

Position, oder ein genutztes KI-Modell wird durch eine neue Version ersetzt und verhält sich anders als erwartet. Jede dieser Veränderungen verursacht Aufwand, der in der ursprünglichen Kalkulation nicht berücksichtigt wurde. Eine realistische Gesamtkostenbetrachtung reicht deshalb über die reine Entwicklungsphase hinaus und bezieht den kompletten Lebenszyklus der Anwendung mit ein.

Personengebundenes Know-how als Risiko

Viele Unternehmen kennen komplexe Excel-Dateien mit umfangreichen Makros. Diese Dateien sind über Jahre gewachsen und unterstützen einen wichtigen Geschäftsprozess. Oft versteht nur eine Person alle Zusammenhänge vollständig. Verlässt diese Person das Unternehmen, können Anpassungen länger dauern und Fehler schwerer nachvollziehbar werden.

Bei selbst entwickelten KI-Anwendungen entsteht ein vergleichbares Risiko. Individuell entwickelter Code, individuelle Integrationen und projektspezifische Entscheidungen bündeln sich häufig im Wissen weniger Personen. Fällt dieses Wissen weg, sinkt die Handlungsfähigkeit des Unternehmens spürbar. Eine spezialisierte Standardsoftware verteilt dieses Risiko dagegen auf ein Hersteller-Team, das die Anwendung dauerhaft und unabhängig von einzelnen Personen weiterentwickelt.

Governance, Compliance und Nachvollziehbarkeit als Erfolgsfaktoren

Sobald KI-Systeme in produktiven, geschäftskritischen Prozessen laufen, rücken Themen wie Governance, Compliance und Nachvollziehbarkeit stärker in den Vordergrund. Regulierte Branchen wie der Maschinen- und Anlagenbau stellen hohe Anforderungen an Dokumentation, Auditfähigkeit und die Nachvollziehbarkeit von Entscheidungen, die ein KI-System trifft oder vorbereitet.

Bei einer Eigenentwicklung muss das Unternehmen sicherstellen, dass diese Anforderungen technisch und organisatorisch abgebildet werden. Das betrifft Zugriffsrechte, Protokollierung, Nachweisführung gegenüber Auditoren und die Anpassung an sich ändernde regulatorische Rahmenbedingungen wie den EU AI Act. Spezialisierte Anbieter bringen entsprechende Mechanismen häufig bereits mit, da sie sie über viele Kundenprojekte hinweg kontinuierlich weiterentwickeln und an neue gesetzliche Vorgaben anpassen. Für Unternehmen bedeutet das einen erheblichen Vorsprung bei Themen, die im laufenden Betrieb schnell zum Flaschenhals werden.

Auch die Nachvollziehbarkeit von KI-Entscheidungen gewinnt an Bedeutung. Prüfer und Auditoren verlangen zunehmend Transparenz darüber, auf welcher Datengrundlage ein System zu einer Empfehlung gelangt. Eine Eigenentwicklung muss diese Nachweisführung von Anfang an mitdenken und über Jahre pflegen, während spezialisierte Lösungen entsprechende Mechanismen oft standardmäßig mitbringen und regelmäßig an neue Prüfanforderungen anpassen.

Wann lohnt sich welcher Weg?

Eigenentwicklungen behalten ihre Berechtigung. Für klar abgegrenzte, individuelle Anwendungsfälle mit überschaubarer Komplexität bietet eine selbst entwickelte Anwendungen Flexibilität und

weitreichende Kontrolle. Besonders dort, wo ein Unternehmen über fundiertes internes Know-how und Kapazitäten für langfristige Pflege verfügt, kann sich dieser Weg auszahlen.

Sobald eine KI-Anwendung jedoch Teil eines geschäftskritischen, regulierten Prozesses wird, etwa im Dokumenten- oder Qualitätsmanagement, gewinnen die Anforderungen an den dauerhaften Betrieb zusätzliches Gewicht. Hier zählen nicht nur die Kosten des ersten Prototyps, sondern langfristige Nutzbarkeit, Wartbarkeit, tiefes Fachwissen zu Prozessen und Regularien sowie kontinuierliche Weiterentwicklung. Spezialisierte Standardsoftware verteilt diese Investitionen auf viele Kunden und profitiert von gebündeltem Wissen aus zahlreichen Projekten.

Für einen belastbaren Vergleich gehören auch Lizenz- oder Abonnementkosten, Integration, individuelle Anpassungen und ein möglicher Anbieterwechsel in die Kalkulation. Ebenso kann eine Kombination sinnvoll sein: Standardsoftware für gemeinsame Grundfunktionen und eigene Erweiterungen für spezifische Anforderungen.

Fazit

Die Frage „Build or Buy“ lässt sich nicht allein anhand der Entwicklungsgeschwindigkeit beantworten. Wer die tatsächlichen Kosten eines KI-Projekts realistisch bewertet, blickt über den ersten Prototyp hinaus auf den gesamten Lebenszyklus der Anwendung. Wartung, Weiterentwicklung, personengebundenes Wissen und regulatorische Anforderungen entscheiden langfristig über den wirtschaftlichen Erfolg. Unternehmen, die diese Faktoren früh einplanen, treffen eine fundiertere Entscheidung zwischen Eigenentwicklung und spezialisierter Software, und verringern das Risiko unerwarteter Folgekosten, wenn aus dem vielversprechenden Prototyp ein dauerhaft betriebenes System werden soll.

Über den Autor: Andreas Dangl ist Entrepreneur und Geschäftsführer der Fabasoft Approve GmbH; in dieser Funktion unterstützt er Industrieunternehmen bei der Einführung von KI-gestütztem Dokumenten- und Qualitätsmanagement.