Irgendwann kommt in jedem KI-Projekt der Moment, in dem jemand sagt: "Das können wir auch selbst bauen." Der Satz klingt nach Kontrolle, nach Unabhängigkeit, nach einer Lösung, die exakt zu den eigenen Prozessen passt. Und manchmal stimmt er sogar. Aber die Zahlen aus zwei Jahren Enterprise-KI erzählen überwiegend eine andere Geschichte - eine, in der der Eigenbau deutlich öfter im Regal landet als in der Produktion. Schauen wir uns an, was die Daten zur Make-or-Buy-Frage sagen und wie du sie für dein Unternehmen sauber beantwortest.
Warum wollen so viele Unternehmen selbst bauen?
Die Motive sind nachvollziehbar: Niemand will sensible Daten an einen Anbieter geben, niemand will sich von einem Tool abhängig machen, das nächstes Jahr den Preis verdoppelt. Und die Bausteine wirken ja greifbar - ein Sprachmodell per API anbinden, ein bisschen Prompt-Engineering, die eigenen Dokumente per RAG anzapfen, fertig ist der eigene Assistent. Der Prototyp entsteht tatsächlich oft in Tagen. Genau das ist die Falle: Ein Prototyp, der im Demo-Call funktioniert, ist von einem System, das jeden Tag zuverlässig arbeitet, ungefähr so weit entfernt wie ein Messeauto von der Serienfertigung.
Was sagen die Daten zum Eigenbau?
Die härteste Zahl kommt vom MIT: Der Report "The GenAI Divide: State of AI in Business 2025" des MIT-Projekts NANDA (Interviews in 52 Organisationen, 153 befragte Führungskräfte, über 300 ausgewertete KI-Initiativen) kommt zum Ergebnis, dass 95 Prozent der Organisationen keinen messbaren Ergebnisbeitrag aus GenAI ziehen - bei 30 bis 40 Milliarden US-Dollar Enterprise-Investment. Nur rund 5 Prozent der maßgeschneiderten Unternehmens-Tools erreichen überhaupt die Produktion, intern gebaute wie vom Anbieter gelieferte. Und der für die Make-or-Buy-Frage entscheidende Satz steht wörtlich im Report: Externe Partnerschaften erreichen doppelt so oft den Erfolg wie interne Eigenbauten, in der Stichprobe rund 67 gegen rund 33 Prozent.
Der Markt hat diese Lektion bereits eingepreist. Menlo Ventures hat im Dezember 2025 veröffentlicht (495 US-Enterprise-Entscheider, befragt im November 2025): 2024 waren noch 47 Prozent der KI-Lösungen Eigenbauten, 2025 nur noch 24 Prozent - drei Viertel werden inzwischen eingekauft. Gleichzeitig haben sich die Ausgaben mehr als verdreifacht, von 11,5 auf 37 Milliarden US-Dollar. Die Unternehmen geben also mehr Geld für KI aus denn je, aber sie stecken es zunehmend in fertige Lösungen. Bemerkenswert ist auch die Begründung im selben Report: KI-Deals schaffen es mit 47 Prozent fast doppelt so oft in die Produktion wie klassische SaaS-Käufe mit 25 Prozent - gekaufte KI ist keine Wette mehr, sondern die verlässlichere Route.
Woran scheitern Eigenbauten wirklich?
Selten an der Technik allein. Gartner hat schon im Juli 2024 prognostiziert, dass mindestens 30 Prozent aller GenAI-Projekte nach dem Proof of Concept abgebrochen werden - und vier Gründe genannt, die sich seitdem bestätigt haben: schlechte Datenqualität, unzureichende Risikokontrollen, eskalierende Kosten und unklarer Geschäftswert. Eigene Modell-Vorhaben beziffert Gartner dabei auf 5 bis 20 Millionen US-Dollar - eine Liga, in der der Mittelstand gar nicht mitspielen will. Aber auch die kleinere Variante, der intern zusammengebaute Assistent, hat laufende Kosten, die im Prototyp unsichtbar sind: Modell-Updates, die Prompts brechen. Halluzinations-Checks. Rechteverwaltung. Monitoring. Ein KI-Agent ist kein Skript, das man einmal schreibt - er ist ein Produkt, das gepflegt werden will, und zwar von Leuten, die das können.
Und genau da wird es für den deutschsprachigen Mittelstand konkret. Der Bitkom-Studienbericht "Künstliche Intelligenz in Deutschland" (604 Unternehmen ab 20 Beschäftigten, befragt 2025) zeigt: 36 Prozent der Unternehmen setzen inzwischen KI ein, fast doppelt so viele wie im Vorjahr mit 20 Prozent. Gleichzeitig nennen 53 Prozent fehlendes technisches Know-how und 51 Prozent fehlende personelle Ressourcen als größte Hemmnisse, gleichauf mit der Verunsicherung durch rechtliche Hürden mit ebenfalls 53 Prozent - und nur 5 Prozent stellen gezielt Fachkräfte mit KI-Kenntnissen ein. Wer kein KI-Team hat und keins aufbaut, hat beim Eigenbau keine schlechteren Karten - er hat gar keine. Die ehrliche Frage ist dann nicht "make or buy", sondern "buy or nothing".
Wann ist der Eigenbau trotzdem richtig?
Es gibt gute Gründe zu bauen - immerhin entstehen auch 2025 noch ein Viertel aller Lösungen intern, und das sind nicht alles Irrtümer. Bauen lohnt sich, wenn drei Bedingungen zusammenkommen. Erstens: Der Anwendungsfall ist Kern deiner Wertschöpfung, nicht Verwaltung drumherum - ein Versicherer, der Schadensprüfung automatisiert, baut an seinem Produkt; ein Maschinenbauer, der Angebotstexte generiert, nicht. Zweitens: Deine Daten oder dein Prozess sind so speziell, dass kein Anbieter sie abbildet - echte Speziallogik, nicht "unsere E-Mails sind irgendwie anders". Drittens: Du hast Menschen, die das System nach dem Launch weiterentwickeln, nicht nur eine Agentur, die es einmal hinstellt. Fehlt eine der drei Bedingungen, kauf ein - oder lass bauen und betreiben, was der Sache nach ebenfalls Einkauf ist, nur mit Passform.
Das Lock-in-Argument gegen den Einkauf ist übrigens schwächer, als es klingt: Wer über offene Schnittstellen einkauft und darauf achtet, dass die eigenen Daten per API exportierbar bleiben und Ereignisse per Webhook auch andere Systeme erreichen, kann den Anbieter wechseln. Wer einen Eigenbau hat, dessen einziger Entwickler gegangen ist, kann das nicht.
Wie entscheidest du sauber?
Mit vier Fragen, in dieser Reihenfolge. Erstens: Ist das Kern oder Kontext? Alles, was nicht dein Produkt differenziert - Protokolle, Recherche, E-Mail-Entwürfe, Terminbuchung -, ist Kontext und wird gekauft. Zweitens: Was kostet die Lösung wirklich? Rechne die Total Cost of Ownership über drei Jahre, beim Eigenbau inklusive der Entwicklerstunden für Pflege, Modellwechsel und den Tag, an dem der Erbauer kündigt. Drittens: Wie schnell brauchst du den Effekt? Eine gekaufte Lösung liefert in Wochen, ein Eigenbau in Quartalen - und jedes Quartal ohne Automatisierung ist entgangener Nutzen. Viertens: Wer betreibt das in zwei Jahren? Wenn die Antwort ein Name ist statt ein Team, ist die Entscheidung gefallen. Erst wenn alle vier Antworten Richtung Eigenbau zeigen, ist er die richtige Wahl - und dann mit klaren Leitplanken, Human-in-the-Loop und einem Betriebskonzept vom ersten Tag.
Drei Hebel für deine Make-or-Buy-Entscheidung
Starte mit dem Prozess, nicht mit dem Werkzeug. Schreib auf, welcher Ablauf automatisiert werden soll, was er heute kostet und woran du den Erfolg misst - bevor irgendjemand über Modelle redet. Die Gartner-Abbruchgründe sind fast immer schon vor dem Projektstart sichtbar, wenn man ehrlich hinschaut: keine sauberen Daten, kein klarer Geschäftswert, kein Verantwortlicher.
Kauf den Standard, bau die Differenz. Die robuste Mischform ist selten "alles bauen" oder "alles kaufen": Gekaufte Bausteine für alles Austauschbare, eigene Logik nur dort, wo dein Wissen drinsteckt - verbunden über APIs und Webhooks statt in einem monolithischen Eigenbau, den keiner mehr anfassen mag. So bleibt jeder Baustein einzeln austauschbar.
Rechne den Eigenbau ehrlich zu Ende. Der Prototyp ist ein Zehntel der Wahrheit. Setz die Betriebskosten über drei Jahre an, inklusive Personalrisiko, und vergleich sie mit dem Abo-Preis der Kauf-Lösung. Gewinnt der Eigenbau dann immer noch, bau ihn - mit unserem Segen. In den meisten Fällen gewinnt er nicht.
Make-or-Buy ist bei KI keine Ideologie-Frage, sondern eine Rechenaufgabe mit vier Variablen: Kern oder Kontext, echte Kosten, Zeit bis zum Effekt, Betrieb. Wenn du die Rechnung für deinen konkreten Fall einmal gemeinsam durchgehen willst - wir machen das regelmäßig, auch mit dem Ergebnis "kauft woanders". Den Termin buchst du direkt online. 🧮