KI kaufen oder selbst bauen? Ein Entscheidungs-Framework für europäische KMU

Die richtige Frage lautet nicht „Kaufen oder bauen" — sondern „Kaufen, integrieren oder bauen"

„Make or Buy" klingt so schön nach einer Entscheidung, die man bei einem Kaffee klären kann. In der Realität liegen fast alle erfolgreichen KI-Projekte im europäischen Mittelstand auf einer dritten Spur, die diese Dichotomie verdeckt: Integrieren. Sie kaufen ein Fundament — ein gehostetes Modell, ein Orchestrierungs-Framework, eine Vektor-Datenbank, eine Embedding-API — und bauen drumherum die Workflows, die zu Ihrem Unternehmen passen. Sie trainieren kein Modell von null auf, und Sie lizenzieren auch kein fertiges Produkt. Sie bauen den Workflow, der die Bausteine verbindet.

Wenn man diese mittlere Spur einmal akzeptiert hat, wird das Gespräch deutlich klarer. SaaS zu kaufen ergibt Sinn, wenn der Bedarf generisch ist und die Daten nicht sensibel sind. Wirklich von Grund auf bauen — eigene Modelle trainieren, eigene Infrastruktur Ende zu Ende betreiben — ergibt für ein KMU 2026 fast nie Sinn. Der Abstand zu einem Frontier-Lab ist zu groß, die Kosten sind unwirtschaftlich. Die spannende Entscheidung, die darüber entscheidet, ob sich Ihre KI-Investition rechnet, ist: Wie viel der Integrationsarbeit übernehmen Sie selbst, und wie viel delegieren Sie?

Die meisten gescheiterten Projekte, die wir bei psquared sehen, kommen von Unternehmen, die reflexartig eine Spur gewählt haben. Sie haben eine generische SaaS-Lösung für ein Problem gekauft, das eigentlich einzigartig war — und sich dann beschwert, dass die KI ihren Fachbereich „nicht versteht". Oder sie haben angefangen, etwas Eigenes zu bauen für ein Problem, das ein Standardprodukt sauber löst — und zwölf Monate Engineering-Zeit verbrannt, um etwas nachzubauen, das sie für 99 Euro im Monat hätten lizenzieren können.

Die vier Dimensionen, auf die es wirklich ankommt

Bevor Sie entscheiden können, in welcher Spur Sie sich befinden, müssen Sie ehrlich auf vier Dimensionen schauen. Keine davon ist eine technische Frage — es sind alles betriebswirtschaftliche Fragen, aus denen die technische Antwort dann folgt.

1. Daten-Sensibilität. Wie viel Wettbewerbsvorteil steckt in den Daten, mit denen die KI arbeitet? Wenn die KI nur öffentliche Inhalte verarbeitet — FAQ-Antworten, News-Zusammenfassungen, Marketing-Texte — ist die Sensibilität niedrig und SaaS ist okay. Sobald die KI vertrauliche Kundendaten, interne Preise, F&E-Dokumente oder M&A-Unterlagen verarbeitet, ist sie hoch. Je höher die Sensibilität, desto wichtiger ist es zu wissen, wo das Modell läuft und wer Zugriff auf die Datenflüsse hat.

2. Workflow-Spezifität. Wie standardisiert ist der Workflow, den die KI unterstützen soll? Kunden-Chat, Meeting-Mitschrift, E-Mail-Entwurf — das sind klar definierte, vielfach wiederholte Muster, die in Tausenden Unternehmen ähnlich aussehen. Hier ist Kaufen die richtige Antwort. Aber wenn Ihr Workflow eigentümliche Randbedingungen hat — eine spezielle Freigabekette, eine vom Regulator vorgeschriebene Audit-Spur, eine domänenspezifische Terminologie, die fertige Tools nicht kennen — verbringen Sie mehr Zeit damit, eine SaaS zu verbiegen, als Sie für die Integration eigener Bausteine bräuchten.

3. Volumen und Frequenz. Ein Workflow, der zehnmal am Tag läuft, hat eine völlig andere Wirtschaftlichkeit als einer, der zehntausendmal läuft. SaaS-Preise skalieren in der Regel linear mit der Nutzung. Eine eigene Integration hat Fix-Infrastrukturkosten, die pro Aufruf umso günstiger werden, je höher das Volumen ist. Der Schwellenwert liegt selten bei den siebenstelligen Umsatzgrößen, die Berater zitieren — bei mehreren zehntausend Operationen pro Monat ist die Integrationsspur oft schon günstiger als die Enterprise-Tarife der SaaS, und bei höheren Volumina wird der Abstand drastisch.

4. Strategische Eigentümerschaft. Wer muss das geistige Eigentum besitzen? Wenn der KI-Workflow ein zentrales Produktmerkmal oder ein echter Differentiator ist (der Assistent, mit dem Ihre Kunden sprechen; das interne Modell, das Preise empfiehlt), wollen Sie ihn Ende zu Ende besitzen. Sonst kann ein Anbieter ihn morgen abschalten, die Preise hochsetzen oder das Verhalten verändern. Wenn der KI-Workflow eine Back-Office-Effizienz ist (HR-Vorauswahl, Spesen-Klassifizierung), spielt strategische Eigentümerschaft eine kleinere Rolle, und ein Anbieter-Ausfall ist ärgerlich, aber nicht existenziell.

Bewerten Sie Ihre Situation auf jeder dieser Dimensionen. Die Kombination zeigt Ihnen die Spur.

Wann kaufen: Generisch, niedrige Sensibilität, niedriges Volumen

Wenn Ihre Situation auf den meisten Dimensionen niedrig liegt — generischer Workflow, öffentliche oder unkritische Daten, moderate Volumina, nicht strategisch zentral — ist Kaufen die richtige Antwort. Sie sind in Tagen statt Monaten live, der Anbieter kümmert sich um Updates und Modellverbesserungen, und Sie können neu verhandeln oder wechseln, wenn es nicht passt.

Die Fallen, die Sie vermeiden sollten: Kaufen Sie nichts „auf Vorrat". Kaufen Sie keine Enterprise-Features (SSO, erweiterte Analytics, Custom-Training), bevor Sie den Basis-Anwendungsfall validiert haben. Und unterschreiben Sie 2026 keine mehrjährigen Verträge bei KI-Produkten — der Markt bewegt sich schnell genug, dass Lock-in ein realer Kostenfaktor ist.

Ein sauberer Test: Wenn Sie den Workflow in zwei Sätzen beschreiben können und ein Mitbewerber dasselbe Problem mit einem ähnlichen Tool löst, sind Sie in der Kauf-Spur. Die Arbeit liegt in der Anbieterauswahl, nicht im Bauen.

Wann integrieren: Der Standardfall für den Mittelstand

Die Integrations-Spur ist dort, wo die meisten erfolgreichen KI-Projekte im europäischen Mittelstand liegen. Sie setzen zusammen: ein gehostetes Modell von einem Frontier-Lab (Anthropic, OpenAI, Mistral, oder eine EU-gehostete Alternative), eine Orchestrierungs-Schicht (LangChain, LlamaIndex oder eine schlanke Eigenbau-Lösung), einen Vektor-Speicher für Ihr Wissen, und ein bisschen Glue Code. Das Modell beherrscht Sprache. Ihre Wissensbasis bringt ihm Ihr Geschäft bei. Ihr Code definiert den Workflow.

Dieser Ansatz kombiniert das Beste aus Kaufen (Sie trainieren keine Modelle und betreiben keine GPUs) mit dem Besten aus Bauen (Sie besitzen den Workflow, die Daten bleiben unter Ihrer Kontrolle, und Sie können anpassen, ohne auf eine Anbieter-Roadmap zu warten). Das nötige Team ist klein — oft zwei bis drei Entwickler — aber es muss solide sein. Das ist Software-Engineering, nicht Data Science. Suchen Sie Leute, die zuverlässige Produktivsysteme ausliefern, nicht Leute, die Paper über Transformer schreiben.

Der zweite Grund, warum Integration für den Mittelstand funktioniert, ist regulatorisch. Der EU AI Act schafft Dokumentations- und Transparenzpflichten, die einfacher zu erfüllen sind, wenn Sie die Integration kontrollieren. Sie wissen genau, welches Modell läuft, welche Daten durchfließen und was das System tun darf. SaaS-Produkte abstrahieren diese Details häufig — bequem, bis ein Regulator nach Spezifika fragt.

Wann selbst bauen (Spoiler: Fast nie)

Wirklich bauen — eigene Modelle feintunen oder trainieren, eigene Inferenz-Infrastruktur betreiben — ist 2026 für ein KMU selten der richtige Weg. Die Frontier-Labs investieren Milliarden in Trainingsläufe, die Sie nicht matchen können. Eigene GPU-Infrastruktur ist operativ teuer, und die Abschreibungskurve auf Hardware ist brutal. Die Kosten pro Token bei einem Frontier-Modell via API sind heute niedriger als das, was die meisten Unternehmen mit selbst gehosteter Qualität auf vergleichbarem Niveau erreichen.

Es gibt Ausnahmen, und sie sind real: regulierte Branchen mit absoluten On-Premise-Anforderungen; Volumina, bei denen selbst API-Kosten unwirtschaftlich werden (zweistellige Millionenzahlen an Inferenzen pro Tag); Workflows mit Latenz-Anforderungen, die einen Netzwerk-Roundtrip ausschließen; wirklich proprietäre Aufgaben, für die kein Allzweck-Modell die nötigen Trainingsdaten hat. Wenn Sie in einer dieser Situationen sind, ist Bauen rational. Wenn nicht, ist Bauen meist ein Eitelkeits-Projekt im Strategie-Kostüm.

Ein guter Bauchtest: Wenn Ihr CFO Sie bittet, die Bau-Spur mit einem Fünf-Jahres-TCO-Modell und einer Sensitivitätsanalyse auf Modellqualität zu rechtfertigen — könnten Sie das mit Zahlen tun, nicht mit Geschichten? Wenn nicht, sind Sie wahrscheinlich nicht in einer Bau-Situation.

Die versteckten Kosten, die niemand erwähnt

Jede Spur hat ihre eigenen leisen Kosten, die nach sechs Monaten sichtbar werden.

Beim Kaufen: Anbieter-Lock-in, Integrationsarbeit, um die SaaS in Ihre bestehende IT zu hängen, die irgendwann unvermeidliche Erkenntnis, dass 60 % der Fragen Ihres Teams nicht beantwortet werden können, weil die SaaS das Modell-Verhalten abstrahiert — und Verlängerungs-Zyklen, in denen der Anbieter die Preise erhöht, weil Sie inzwischen abhängig sind.

Beim Integrieren: laufende Wartung, weil sich Modell-APIs weiterentwickeln; der operative Aufwand, ein LLM-System im Produktivbetrieb zu monitoren (schwerer als klassisches Monitoring, weil die Outputs nicht-deterministisch sind); und die Versuchung, ständig Features draufzulegen, statt das Projekt für fertig zu erklären.

Beim Bauen: alles aus der Integrations-Spur plus Trainings- und Tuning-Expertise, GPU-Operations und die laufende Engineering-Zeit, um State of the Art zu bleiben. Die Bau-Spur endet nicht, wenn das erste Modell live geht — sie endet, wenn Sie aufhören.

Der richtige Vergleich ist Total Cost of Ownership über drei Jahre, nicht der initiale Aufwand. SaaS sieht im ersten Jahr günstig aus und im dritten teuer. Integrieren sieht im ersten Jahr teuer aus und im dritten günstig. Bauen sieht in jedem Jahr teuer aus.

Eine 30-Minuten-Bewertungsübung

Wenn Sie gerade ein konkretes KI-Projekt vor sich haben, ist das die Übung, die wir mit Kunden durchgehen. Sie dauert eine halbe Stunde und ersetzt einen Stapel Folien.

Erstens: Schreiben Sie den Workflow in drei Sätzen auf. Wenn Sie das nicht können, ist das Projekt für eine KI-Investition noch nicht reif — es braucht zuerst mehr Produkt-Denken, dann erst Technologie.

Zweitens: Bewerten Sie jede der vier Dimensionen auf einer Skala von 1 bis 5 — Daten-Sensibilität, Workflow-Spezifität, Volumen, strategische Eigentümerschaft. Bleiben Sie ehrlich. Der typische Fehler ist, die Sensibilität aufzublähen (weil es wichtig klingt) oder das Volumen (weil man optimistisch über die Adoption ist). Eine realistische Einschätzung ist nützlicher als eine schmeichelhafte.

Drittens: Summieren Sie. Unter 8: tendenziell kaufen. Zwischen 8 und 14: tendenziell integrieren. Über 14: erst dann ernsthaft über Bauen nachdenken — und auch dann erwarten Sie, nach genauerem Hinsehen wieder beim Integrieren zu landen.

Viertens: Listen Sie für jede Option drei konkrete Fehlerszenarien für Ihre Situation auf. „Anbieter geht insolvent" beim Kaufen. „Engineering-Team verzettelt sich" beim Integrieren. „Wartungsaufwand frisst das Team" beim Bauen. Es geht nicht darum, sich zu Tode zu fürchten — es geht darum, sicherzustellen, dass Sie über den gewählten Weg nachgedacht haben.

Was die meisten europäischen Mittelständler tatsächlich tun sollten

Wenn Sie ein Unternehmen mit 50 bis 500 Mitarbeitern in der DACH-Region oder der breiteren EU sind, ist die unspektakulär-richtige Strategie für 2026: integrieren, mit ein bis zwei SaaS-Produkten an den Rändern, wo der Anwendungsfall wirklich generisch ist. Nutzen Sie ein Frontier-Modell via API (mit EU-Datenresidenz, wo es zählt). Bauen Sie eine schlanke Orchestrierungs-Schicht, die zu Ihrem Geschäft passt. Halten Sie Ihre Wissensbasis in einem System, das Sie kontrollieren. Legen Sie SaaS obendrauf für klar generische Workflows wie Meeting-Mitschriften oder Terminplanung.

Dieses Hybrid ist unglamourös und schafft es selten in die Keynote-Folien auf Konferenzen. Es ist auch zufällig die Konfiguration, die sich tatsächlich auszahlt. Sie liefert die Geschwindigkeit des Kaufens für die Teile, die nicht entscheidend sind, die Kontrolle des Bauens für die Teile, die entscheidend sind, und die Budget-Disziplin, die daraus entsteht, dass Sie keine Entwickler dafür bezahlen, Commodity-Infrastruktur nachzubauen.

Die Unternehmen, die das 2026 richtig machen, werden nicht die mit der lautesten KI-Strategie sein. Es werden die sein, deren KI im Hintergrund Margen, Reaktionszeiten und Entscheidungsqualität verbessert — ohne dass es jemand außerhalb des Unternehmens bemerkt, bis sich nach einem Jahr beim Blick auf die Zahlen herausstellt, dass sich etwas verschoben hat.