In jedem zweiten Gespräch über KI im Mittelstand taucht dieselbe Frage auf: Sollen wir das kaufen oder selbst entwickeln? Sie klingt wie eine IT-Frage. Sie ist eine Strategiefrage. Und die Art, wie Geschäftsführer diese Make-or-Buy-Entscheidung bei KI treffen, entscheidet darüber, ob Investitionen Wirkung zeigen – oder in einer teuren Sackgasse enden.

Dieser Artikel gibt Ihnen eine klare Antwort: wann kaufen richtig ist, wann selbst bauen Sinn ergibt, was realistisch eigenentwickelt werden kann – und welche Voraussetzungen dafür erfüllt sein müssen.

"Die richtige Frage ist nicht 'Können wir das selbst bauen?' – die richtige Frage ist: 'Lohnt es sich strategisch, es zu tun?'"

Warum 89 Prozent der Mittelständler kaufen – und das klug ist

Laut einer Erhebung der Hochschule Koblenz und des Mittelstand-Digital Zentrums Handwerk setzen 89 Prozent der mittelständischen Unternehmen auf externe KI-Lösungen. Nur 11 Prozent entwickeln eigene Anwendungen.

89%
der Mittelständler kaufen externe KI-Lösungen statt selbst zu entwickeln
Quelle: Hochschule Koblenz / Mittelstand-Digital Zentrum Handwerk, 2024/2025

Das ist kein Zeichen von Rückständigkeit. Es ist strategisch sinnvoll. Denn für die meisten Use Cases, die heute im Mittelstand in Angriff genommen werden – CRM-Assistenz, Dokumentenklassifikation, Meeting-Zusammenfassungen, Angebotserstellung, Rechnungs-OCR – gibt es ausgereifte Standardlösungen. Warum das Rad neu erfinden, wenn es bereits rollt?

Der Fehler liegt nicht darin, zu kaufen. Der Fehler liegt darin, zu kaufen ohne zu wissen, was man braucht – oder zu bauen ohne die nötigen Voraussetzungen. Beides kostet Geld. Beides lässt sich vermeiden.

Wann der Kauf die richtige Entscheidung ist

Kaufen ist die überlegene Wahl in den meisten Situation, die mittelständische Unternehmen heute beschäftigen. Ein paar klare Kriterien helfen bei der Einordnung.

Der Use Case ist standardisiert

CRM-Anreicherung, E-Mail-Klassifikation, Support-Chatbot, Content-Vorlagen, automatisierte Berichte – das alles gibt es als SaaS-Lösung. Kein Mittelständler sollte wertvolle Entwicklungskapazität in Standard-Use-Cases binden. Die Lösung ist bereits gebaut, getestet und von Tausenden Unternehmen validiert.

Zeit zählt mehr als Individualität

Eigenentwicklung dauert typischerweise 12 bis 24 Monate bis zum produktiven Betrieb. Wer in 3 bis 6 Monaten erste Ergebnisse braucht, kauft eine fertige Lösung, konfiguriert sie und startet. Der Pilot ist der Plan – nicht die Blaupause für eine Eigenentwicklung.

Das interne KI-Know-how fehlt oder ist im Aufbau

76 Prozent der mittelständischen Unternehmen kämpfen mit unzureichender Datenqualität (KI-Index Mittelstand 2025, DMB & Salesforce). Wer das Fundament noch nicht hat, riskiert mit Eigenentwicklung, auf wackeligem Boden zu bauen. Standardlösungen bieten hier mehr Stabilität und geringeres Risiko.

Kaufen – wenn…
Use Case ist in anderen Unternehmen Standard
Ergebnis wird in 3–6 Monaten gebraucht
Kein internes KI-Entwicklungsteam
Daten können DSGVO-konform extern verarbeitet werden
KI ist Effizienzhebel, kein Differenzierungsmerkmal
Selbst bauen – wenn…
Use Case ist strategisch einzigartig
Horizon beträgt 12–24+ Monate
Team mit ML-Expertise vorhanden oder geplant
Daten sind hochsensibel oder dürfen Haus nicht verlassen
KI ist Kern des Geschäftsmodells

Die sechs Voraussetzungen für KI-Eigenentwicklung

Wenn Sie zu den 11 Prozent gehören wollen, die selbst bauen, brauchen Sie sechs Voraussetzungen. Nicht eine. Alle sechs. Wer auch nur eine davon ignoriert, zahlt den Preis – in gescheiterten Projekten, explodierten Budgets oder monatelangem Stillstand.

01
Strategischer Differenzierungsfaktor
KI muss Kern des Geschäftsmodells oder ein messbarer Wettbewerbsvorteil sein, den keine Standardlösung bietet. Nicht: "Wir wollen innovativer wirken." Sondern: "Diese KI ist der Grund, warum Kunden uns gegenüber dem Wettbewerb wählen."
02
Internes Team oder verbindlicher Aufbauplan
Eigenentwicklung braucht Data Scientists, ML-Ingenieure, DevOps-Experten. In Deutschland fehlen aktuell über 100.000 IT-Fachkräfte. Wer kein Team hat und keinen konkreten Plan für den Aufbau – oder einen langfristigen Technologiepartner – baut auf Sand.
03
Saubere, ausreichende Daten
KI lernt aus Daten. Wenn die Daten in Silos stecken, unstrukturiert oder qualitativ mangelhaft sind, wird auch die beste Eigenentwicklung nichts leisten. Datenqualität ist die Grundlage – kein Problem, das man "nach dem Launch löst."
04
Budget für Total Cost of Ownership
Die Entwicklungskosten sind der kleinste Teil. Nach dem Go-Live entstehen typischerweise 70 bis 90 Prozent der Gesamtkosten: Wartung, Monitoring, Retraining der Modelle, Sicherheitsupdates, Weiterentwicklung. Ein Business Case, der nur die Entwicklungsphase kalkuliert, ist kein Business Case.
05
Langfristiger Zeithorizont
Eigenentwicklung ist keine Quartals-Initiative. Wer einen klar definierten Horizont von 12 bis 24 Monaten hat und KI als dauerhaften Kompetenzaufbau versteht, kann bauen. Wer "mal schauen" sagt, kauft besser – und spart sich viel Frustration.
06
Prozessreife und klare Governance
KI kann nur automatisieren, was definiert und wiederholbar ist. Chaotische Prozesse werden durch KI nicht geordnet – sie werden schneller chaotisch. Das Fundament muss stimmen, bevor man skaliert. Wer diesen Schritt überspringt, verstärkt das Problem statt es zu lösen.

"Nur 31 Prozent aller Softwareprojekte gelten als vollständig erfolgreich – bei KI-Eigenentwicklungen ohne diese sechs Voraussetzungen liegt die Quote noch darunter."

Was Sie selbst bauen können – und was nicht

Selbst bauen bedeutet nicht, ein eigenes Sprachmodell zu trainieren. Die meisten sinnvollen mittelständischen Eigenentwicklungen sind Integrations- und Konfigurationsleistungen auf Basis bestehender KI-Plattformen. Das ist keine Vereinfachung – das ist die Realität des pragmatischen KI-Einsatzes im Mittelstand.

"89 Prozent kaufen. Nicht weil sie zu klein sind – sondern weil die meisten Use Cases keine Eigenentwicklung brauchen und Eigenentwicklung ohne alle sechs Voraussetzungen scheitert."

Was realistisch selbst gebaut werden kann

  • RAG-Systeme: Eigene Dokumente, Wissensdatenbanken oder Produktinformationen per API an ein bestehendes Sprachmodell anbinden – und damit einen Chatbot oder Assistenten schaffen, der einzigartiges Unternehmenswissen nutzt.
  • Fine-Tuning auf eigenen Daten: Mit Cloud-Plattformen wie Azure OpenAI oder AWS Bedrock können Unternehmen bestehende Modelle auf branchenspezifische Sprache, Ton und Inhalte anpassen – ohne eigene Modellarchitektur.
  • Workflow-Automatisierungen: KI-APIs in bestehende Prozesse einbinden – Angebotserstellung, Lead-Scoring, Dokumentenverarbeitung – mit klaren Übergabepunkten und menschlicher Kontrolle.
  • KI-Agenten für scharf definierte Aufgaben: Wer wissen will, wie das in der Praxis für Marketing und Vertrieb aussieht: KI-Agenten im Vertrieb beschreibt konkrete Einsatzszenarien und die Voraussetzungen, die dafür nötig sind.
  • Eigene Integrations-Layer: Middleware, die KI-Tools mit internen Systemen (CRM, ERP, Datenbankenn) verbindet und Datenflüsse steuert.

Was Mittelständler nicht selbst bauen sollten

Diese Eigenentwicklungen übersteigen den realistischen Rahmen
  • Foundation Models oder eigene LLMs: Entwicklungskosten liegen im dreistelligen Millionenbereich, GPU-Infrastruktur ist massiv. Das ist kein mittelständisches Thema.
  • Vollautonome Multi-Agenten-Systeme ohne Governance: Wer komplexe Agenten-Netzwerke ohne klare Ownership, Eskalationspfade und Audit-Trail baut, schafft Risiken – keine Lösungen.
  • Kritische Entscheidungssysteme ohne menschliche Kontrolle: HR-Entscheidungen, Kreditvergabe, Sicherheitskritisches – hier ist menschliche Übersteuerung Pflicht, nicht Option. Der EU AI Act macht das rechtlich verbindlich.
  • KI-Infrastruktur ohne MLOps-Kompetenz: Das Monitoring eines produktiven KI-Systems ist genauso komplex wie dessen Entwicklung. Wer keinen MLOps-Engineer hat, sollte nicht mit vollständiger Eigeninfrastruktur starten.

Make-or-Buy als Führungsentscheidung

Was ich in jedem Strategiegespräch erlebe: Die Make-or-Buy-Frage wird im IT-Meeting entschieden – oft ohne Beteiligung der Geschäftsführung oder der Fachbereiche. Das ist der erste und folgenreichste Fehler.

Diese Entscheidung berührt alle sechs Hebel des MASAKI-Frameworks – Marketing, Alignment, Sales, Automation & KI, KPIs, Investment. Und sie lässt sich ohne diese Perspektive nicht seriös treffen.

Der MASAKI-Hebel Investment fragt: Wohin fließt Budget mit der größten Hebelwirkung? Wer in Eigenentwicklung investiert, ohne den ROI über 12 bis 24 Monate zu rechnen, trifft eine Bauchgefühl-Entscheidung – keine Strategieentscheidung. Eine belastbare Antwort auf die Frage, wie KI-Investitionen gemessen werden sollten, gibt dieser Artikel zur KI-ROI-Messung im Mittelstand.

Der MASAKI-Hebel CORE fragt: Ist das Fundament bereit? Datenqualität, Prozessklarheit, Governance – ohne diese drei Säulen scheitert Eigenentwicklung genauso wie schlecht implementierte Standardsoftware. KI verstärkt, was da ist. Sie repariert nicht, was fehlt.

Der Hebel Automation & KI fragt: Ist die KI-Entscheidung in die Revenue-Logik eingebettet? Kaufen oder bauen – beides ist nur so gut wie der Kontext, in dem es betrieben wird. Eine Einzelentscheidung ohne strategischen Rahmen bleibt ein Experiment. Mit MASAKI wird es ein System.

Meine Überzeugung nach über 20 Jahren in Marketing, Sales und Transformation: Unternehmen, die Make-or-Buy als Führungsentscheidung treffen, wählen in 9 von 10 Fällen Standardlösungen für den Einstieg – und reservieren Eigenentwicklung für den Moment, in dem sie genau wissen, welchen Wettbewerbsvorteil sie damit schaffen wollen. Das ist kein Zeichen von Vorsicht. Es ist Strategiebewusstsein.

"Make-or-Buy ist keine technische Frage. Es ist die Frage, ob KI bei Ihnen Werkzeug bleibt oder Wettbewerbsvorteil wird."

FAQ

Häufige Fragen

Was Entscheider am häufigsten fragen

Was spricht für den Kauf einer KI-Lösung?
Kurz gesagt: Standardisierbarkeit, Geschwindigkeit und fehlende Inhouse-Kompetenz sprechen für den Kauf. 89 Prozent der Mittelständler kaufen externe KI-Lösungen – und das ist in den meisten Fällen die richtige Entscheidung. Wer in 3 bis 6 Monaten Ergebnisse braucht, keinen ML-Ingenieur im Team hat und einen standardisierten Use Case lösen will (CRM-Assistenz, Dokumentenverarbeitung, Support-Chatbot), fährt mit einer konfigurierten Standardlösung besser als mit Eigenentwicklung. Time-to-Value schlägt in den meisten Szenarien die theoretische Flexibilität der Eigenentwicklung.
Wann lohnt sich KI-Eigenentwicklung im Mittelstand?
Kurz gesagt: Wenn KI strategisch differenziert und alle sechs Voraussetzungen erfüllt sind. Eigenentwicklung lohnt sich, wenn KI Kern des Geschäftsmodells ist oder einen messbaren Wettbewerbsvorteil schafft, den keine Standardlösung bietet – und wenn gleichzeitig ein erfahrenes Team, saubere Daten, ausreichendes Budget, ein langfristiger Horizont, Prozessreife und eine klare Governance vorhanden sind. Fehlt auch nur eine dieser Voraussetzungen, erhöht Eigenentwicklung das Risiko, ohne den erwarteten Mehrwert zu liefern.
Welche Voraussetzungen braucht erfolgreiche KI-Eigenentwicklung?
Kurz gesagt: Sechs Voraussetzungen, alle gleichzeitig. Strategischer Differenzierungsfaktor, internes KI-Team oder verbindlicher Aufbauplan, saubere und ausreichende Daten, Budget für die Total Cost of Ownership (nicht nur die Entwicklungsphase), ein Zeithorizont von 12 bis 24 Monaten sowie Prozessreife und Governance. Wer eine dieser Voraussetzungen ignoriert, zahlt den Preis später – in Form von gescheiterten Projekten, explodierten Budgets oder monatelangem Produktionsstillstand.
Was kann ein Mittelständler selbst mit KI bauen?
Kurz gesagt: RAG-Systeme, Fine-Tuning auf eigenen Daten, Workflow-Automatisierungen und KI-Agenten für scharf definierte Aufgaben. Selbst bauen bedeutet im Mittelstand nicht, ein eigenes Sprachmodell zu entwickeln. Sinnvolle Eigenentwicklungen nutzen bestehende KI-Plattformen (Azure OpenAI, AWS Bedrock) und verbinden diese mit internen Daten und Prozessen. Ein Produktionsunternehmen kann zum Beispiel sein proprietäres Produktwissen per RAG an ein bestehendes Modell anbinden und hat damit eine Eigenentwicklung, die echte Differenzierung schafft – zu einem Bruchteil der Kosten eines Foundation-Model-Trainings.
Wie lange dauert KI-Eigenentwicklung bis zum produktiven Einsatz?
Kurz gesagt: 12 bis 24 Monate für eine produktionsreife Eigenentwicklung, 3 bis 9 Monate für einen ersten Pilot. Ein Pilot auf Basis bestehender Cloud-Plattformen und APIs lässt sich schneller realisieren als eine vollständige Eigenentwicklung. Der kritische Moment ist der Übergang von der Pilotphase in den Produktivbetrieb – hier entstehen die meisten Verzögerungen und hier werden die sechs Voraussetzungen auf ihre Belastbarkeit getestet. Der Rollout in die gesamte Organisation dauert typischerweise 12 bis 24 Monate.
Was kostet KI-Eigenentwicklung wirklich?
Kurz gesagt: Mehrfaches der initalen Entwicklungskosten, wenn Wartung und Betrieb eingerechnet werden. Die Entwicklungskosten für eine professionelle KI-Anwendung liegen typischerweise im Bereich von Hunderttausenden Euro. Der entscheidende Punkt: Nach dem Go-Live entstehen 70 bis 90 Prozent der Gesamtkosten. Wartung, Monitoring, Modell-Retraining, Sicherheitsupdates und Weiterentwicklung müssen in den Business Case einkalkuliert werden. Wer nur die Entwicklungsphase budgetiert, hat kein Business Case – er hat eine Unterschätzung.
Nächster Schritt

Klingt das bekannt?

Dann lass uns sprechen.

Die Make-or-Buy-Entscheidung bei KI ist eine der folgenreichsten Weichenstellungen im Mittelstand. Wer sie ohne klare Analyse trifft, verschwendet entweder Entwicklungsbudget oder kauft Lösungen, die nicht zu den eigenen Prozessen passen. In einem Einordnungsgespräch klären wir, welche KI-Entscheidungen in Ihrer Situation wirklich anstehen – und welcher Weg für Sie der richtige ist.

Einordnungsgespräch buchen (20 Min.) →

Kein Pitch. Keine Vorbereitung. Direktes Feedback.