Kaum eine Entscheidung wird in KI-Projekten so emotional diskutiert wie die Technologiewahl: selbst entwickeln oder einkaufen? Viele Mittelständler behandeln die Frage wie einen einmaligen Beschaffungsvorgang – so, als würde man eine ERP-Suite für die nächsten fünfzehn Jahre auswählen. Genau das ist der erste Denkfehler. Der KI-Markt bewegt sich schneller als jeder Technologiemarkt zuvor: Modellgenerationen wechseln im Halbjahresrhythmus, und die Inferenzpreise für vergleichbare Leistung sind laut Stanford AI Index innerhalb von zwei Jahren um mehr als das 200-Fache gefallen. Die Werkzeugfrage ist deshalb Portfolio-Management: revidierbare Entscheidungen je Anwendungsfall, offene Wechseloptionen, Überprüfung in festen Abständen.

Vier Ebenen, vier Entscheidungen

„Make or Buy“ ist bei KI keine einzelne Entscheidung, sondern vier. Der KI-Stack eines Unternehmens besteht aus vier Ebenen, und auf jeder fällt die Antwort anders aus:

  1. Modell: Welches Sprach- oder Spezialmodell liefert die Intelligenz? Typische Antwort: immer „Buy“ oder „Open“ – eigenes Vortraining ist für den Mittelstand ökonomisch ausgeschlossen.
  2. Plattform: Wo laufen Modelle, Daten und Pipelines – Cloud, EU-Cloud oder eigenes Rechenzentrum? Typische Antwort: „Buy“, aber mit Souveränitäts- und Exit-Kriterien.
  3. Anwendung: Fertige KI-Software oder Eigenentwicklung? Typische Antwort: „Buy first“ – Standardprozesse einkaufen, Differenzierendes bauen.
  4. Integration: Wer verbindet KI mit Prozessen, Daten und Mitarbeitern? Immer „Make“, gegebenenfalls mit Partnern – diese Ebene ist nicht delegierbar.

Die eigentliche Wertschöpfung – und der eigentliche Engpass – liegt fast immer auf Ebene 4: Prozesse anpassen, Daten bereitstellen, Mitarbeiter befähigen. Wer die Make-or-Buy-Debatte nur über Modelle und Anwendungen führt, diskutiert am Engpass vorbei.

Was die Empirie sagt: Der Markt schwenkt auf „Buy first“

Drei unabhängige Beobachtungen aus den Jahren 2024 und 2025 zeigen in dieselbe Richtung. Erstens der Pendelschlag in der jährlichen Enterprise-Umfrage von Menlo Ventures (2025: rund 495 US-Entscheider): 2024 wurden noch 47 Prozent der produktiven Anwendungsfälle intern entwickelt, 2025 waren es nur noch 24 Prozent – rund 76 Prozent der Use Cases wurden eingekauft. Parallel verdreifachten sich die Enterprise-Ausgaben für generative KI auf 37 Mrd. USD. Wichtig zur Einordnung: Menlo Ventures ist ein Risikokapitalgeber mit eigenem Portfolio-Interesse; die absoluten Zahlen sind Marktindikation, keine neutrale Statistik. Die Richtung ist jedoch über mehrere Quellen konsistent.

Zweitens die MIT-Initiative NANDA (Juli 2025): Extern eingekaufte, anpassbare KI-Werkzeuge erreichen demnach etwa doppelt so häufig den Produktivbetrieb wie Eigenentwicklungen – rund 67 Prozent Deployment-Quote bei externen Partnerschaften gegenüber rund 33 Prozent bei intern gebauten Werkzeugen. Auch hier gilt ein Pflicht-Caveat: Der Bericht ist vorläufig, nicht peer-reviewt und basiert auf Selbstauskünften; wer intern baut, wählt zudem oft die schwierigeren Probleme.

Drittens die Analystensicht: Gartner empfiehlt seit 2024, vor jedem Eigenbau zunächst fertige, domänenspezifische Modelle zu prüfen, und prognostiziert, dass bis 2027 mehr als die Hälfte der unternehmensseitig genutzten GenAI-Modelle domänen- oder funktionsspezifisch sein wird – 2023 war es etwa 1 Prozent. Zugleich mahnt dieselbe Analystenfirma: Mindestens 30 Prozent aller GenAI-Projekte würden nach dem Proof of Concept abgebrochen. Die Leitplanken lauten also: nicht alles selbst bauen, und nicht alles Gekaufte überlebt.

Die fünf Entscheidungskriterien

Für den einzelnen Anwendungsfall lässt sich die Frage auf fünf Kriterien verdichten:

  • Differenzierungsgrad: Unterscheidet der Use Case Sie im Wettbewerb – oder ist er Standard wie E-Mail-Entwürfe, Protokolle, Übersetzungen? Nur Differenzierendes rechtfertigt Eigenbau.
  • Time-to-Value: Eine gekaufte Lösung liefert in Wochen, ein Eigenbau in Monaten. Wie viel ist der Zeitvorsprung wert?
  • Kompetenz: Haben Sie die Ingenieure, um nicht nur zu bauen, sondern dauerhaft zu betreiben und nachzuziehen? Eigenbau ist ein Abo, kein Projekt.
  • Total Cost of Ownership: Lizenzkosten sind sichtbar, Eigenbau-Kosten für Betrieb, Wartung und Modell-Updates werden chronisch unterschätzt.
  • Risiko und Kontrolle: Regulatorik, Datenschutz und Abhängigkeitsrisiken können den Ausschlag geben – in beide Richtungen.

Blend: der Normalfall im Mittelstand

In der Praxis führt das selten zu reinem „Make“ oder reinem „Buy“, sondern zu „Blend“: eingekaufte Modelle und Plattformen, ergänzt um eigene Daten und eigene Integration. Als Praxisregel hat sich laut dem Whitepaper eine 80/20-Aufteilung bewährt: Rund 80 Prozent der KI-Anwendungsfälle eines Mittelständlers sind Standard – Dokumente, E-Mails, Recherche, Protokolle – und werden eingekauft und konfiguriert. Die restlichen rund 20 Prozent berühren das Kerngeschäft; hier lohnt „Blend“: gekaufte Modelle, verbunden mit eigenen Daten und Prozessen durch ein kleines, fokussiertes Team. Reiner Eigenbau bleibt die begründungspflichtige Ausnahme – nur mit Team, Evaluationssuite und Betriebsplan.

Professionell einkaufen: Verträge, Scorecard, Pilot

Wer „Buy first“ ernst nimmt, braucht Einkaufsdisziplin. Drei Werkzeuge helfen. Erstens Vertragsvorlagen: Die EU-Community of Practice für die öffentliche KI-Beschaffung hat am 5. März 2025 aktualisierte Mustervertragsklauseln (MCC-AI) veröffentlicht – eine Variante für Hochrisiko-Systeme im Sinne des AI Act, eine schlanke Fassung für sonstige Systeme. Die Klauseln sind unverbindlich, aber ausdrücklich auch für private Auftraggeber als Checkliste und Verhandlungsgrundlage nutzbar. Ergänzend liefert der Bitkom-Leitfaden „Generative KI im Unternehmen“ praxisnahe Hinweise von der Anbieterauswahl bis zu internen Richtlinien.

Zweitens eine strukturierte Scorecard: Das Whitepaper empfiehlt zehn Kriterien, entlang derer jeder ernsthafte Anbieter bewertet wird – darunter Aufgaben-Leistung anhand eigener Testfälle statt Anbieter-Demos, Datenresidenz und Auftragsverarbeitung, Sicherheitstestate, Exit und Portabilität nach Data-Act-Standard, Preismodell-Transparenz, AI-Act-Konformität, Modell-Flexibilität, Integrationsfähigkeit über offene APIs, Anbieterstabilität sowie Support. Wichtig: Kriterien vor der Anbietersichtung gewichten, nicht danach.

Drittens der Realtest: Bewährt hat sich ein 4-Wochen-Pilot im Microteam – ein konkreter Use Case, zwei bis drei Anbieter parallel, dieselbe Evaluationssuite für alle, am Ende ein Zahlenvergleich statt eines Bauchgefühls. Der Pilot beantwortet, was keine Ausschreibung beantwortet: Wie gut ist das Werkzeug an Ihren Dokumenten, in Ihren Prozessen, mit Ihren Mitarbeitern? Angesichts der hohen Abbruchquoten nach Proof of Concept ist diese kleine, kontrollierte Investition die billigste Fehlervermeidung im gesamten Einkaufsprozess.

Fazit: Portfolio statt Einmal-Entscheidung

Die knappe Ressource ist 2026 nicht mehr die Technologie, sondern die Entscheidungsdisziplin. Wer je Anwendungsfall bewusst zwischen Make, Buy und Blend wählt, Standardfähigkeiten einkauft und nur dort selbst baut, wo KI das Kerngeschäft differenziert, kann sich jede Marktbewegung zunutze machen. Kein Werkzeug ist für die Ewigkeit gewählt: Das Portfolio wird alle sechs bis zwölf Monate überprüft, und eigene Evaluationssuiten entscheiden, was bleibt.

Die vollständige Entscheidungslogik – inklusive Entscheidungsbaum, 10-Kriterien-Scorecard und Entscheidungs-Checkliste – finden Sie im Whitepaper „Der KI-Werkzeugkasten“ von Nicholas Krimmel.