Die meisten KI-Projektbudgets sind um die falsche Zahl herum gebaut. Unternehmen fixieren sich auf Modell- oder API-Kosten, meist der kleinste Posten, und unterschätzen systematisch die drei, die dominieren: die Menschen, die das System bauen, die Datenarbeit, ohne die kein Modell nützlich ist, und die Betriebskosten, um das Ganze nach dem Launch am Leben zu halten. Ein realistisches KI-Budget ist im Kern ein Talentbudget mit Datenaufbereitungs-Zuschlag, und jede Kalkulation, die das nicht abbildet, irrt in die teure Richtung.
Die vier Kostenblöcke jedes KI-Projekts
- Talent, der dominante Block: Engineers, Datenspezialist:innen und Produktzeit, ob auf der Payroll, auf Tagessatz oder embedded. In typischen angewandten Projekten ist das die Mehrheit der Gesamtkosten, bei LLM-basierten Projekten oft noch mehr, weil Infrastruktur gemietet statt gebaut wird.
- Infrastruktur und Compute: Cloud, GPUs oder Modell-API-Nutzung, Vektor-Datenbanken, Umgebungen. Relevant, wachsend mit der Skalierung, aber auf Pilot- und Einzelfeature-Ebene meist klar hinter dem Talent.
- Datenaufbereitung, der chronisch unterschätzte Block: die Daten finden, erschließen, bereinigen und umstrukturieren, die das Projekt tatsächlich braucht. Praxiserfahrung verortet hier konsistent einen großen Teil des Gesamtaufwands, und er fällt als Engineering-Stunden an, landet also im Talentbudget.
- Betrieb nach dem Launch: Monitoring, Qualitätsdrift bewerten, Retraining oder Prompt-Anpassung, Reaktion auf Modell-Abkündigungen und API-Änderungen. Ein produktives KI-System ist eine laufende Verpflichtung, kein fertiges Liefergut.
Grobe Kostenspannen nach Projekttyp
Die folgenden Spannen sind indikative Größenordnungen für den DACH-Markt, bei Senior-Besetzung zu Marktkonditionen; einzelne Projekte weichen mit Scope, Datenlage und Integrationstiefe stark ab. Sie sollen Erwartungen kalibrieren, keine gescopte Schätzung ersetzen.
| Projekttyp | Typische Dauer | Typisches Team | Indikative Baukosten |
|---|---|---|---|
| Pilot / Proof of Value | 6-12 Wochen | 1-2 Personen | 30-100 Tsd. EUR |
| Produktionsfeature (z. B. RAG-Assistent, Prognose) | 3-6 Monate | 3-5 Personen | 150-500 Tsd. EUR |
| Plattform / mehrere Use Cases | 6-18 Monate | 6-10+ Personen | 0,5-2+ Mio. EUR |
| Laufender Betrieb (jeweils) | pro Jahr | fractional bis 2 FTE | häufig 15-30% der Baukosten/Jahr |
Die versteckten Posten, die Budgets sprengen
- Integration mit Legacy-Systemen: Das Modell funktioniert in Woche vier im Notebook, und dann vergehen Monate damit, es mit dem ERP, dem Identity-System und Prozessen von 2009 zu verbinden. In Mittelstandsprojekten ist das regelmäßig der größte ungeplante Posten.
- Change Management und Befähigung: die Menschen schulen, deren Arbeitsablauf sich ändert, den Prozess um das Werkzeug herum neu gestalten, die Produktivitätsdelle vor dem Gewinn aushalten. Wer das auslässt, verwandelt ein funktionierendes System in Regalware.
- Evaluation und Qualitätssicherung: Testdatensätze, Human-Review-Schleifen und Abnahmekriterien für probabilistische Systeme kosten echte Engineering-Zeit, die in Budgets für deterministische Software nie vorgesehen war.
- Compliance und Governance: DSGVO-Prüfungen, die Anforderungen des EU AI Act, wo sie greifen, Einbindung des Betriebsrats, Sicherheitsprüfung von Anbietern, Wochen an Kalenderzeit, selbst wenn die direkten Kosten überschaubar sind.
- Die Kosten der Vakanz: Jeden Monat, den eine KI-Schlüsselrolle unbesetzt bleibt, läuft der Burn weiter, während das Liefergut rutscht, langsame Besetzung ist ein realer Kostenfaktor, auch wenn keine Rechnung ihn je ausweist.
Wie das Besetzungsmodell die Rechnung verschiebt
Dasselbe Projekt kann je nach Besetzung sehr unterschiedliche Kostenkurven tragen. Festanstellungen haben die niedrigsten laufenden Monatskosten, aber die höchste Bindung: Recruiting dauert Monate, und die Kosten laufen weiter, wenn die Projektspitze vorbei ist. Freelancer kehren das um: Tagessätze für Senior-KI-Talent wirken gegen Gehälter teuer, aber Sie zahlen nur für die Phase, die Sie brauchen, ohne Abfindungsrisiko und ohne Leerlaufkosten, für einen sechsmonatigen Build mit ungewisser Fortsetzung gewinnt das flexible Modell auf Gesamtkosten häufig trotz des höheren Satzes. Embedded-Expert:innen liegen dazwischen: ein Aufpreis gegenüber der Payroll, im Tausch gegen sofortigen Start, vorgeprüfte Fähigkeit und, richtig gemacht, gezielten Wissenstransfer an Ihre eigenen Leute, der Teil, der nach Ende des Einsatzes weiter zahlt. Der ehrliche Vergleich ist nie Tagessatz gegen Monatsgehalt; er ist Gesamtkosten über die reale Projektdauer, inklusive Recruiting-Zeit, Leerlaufrisiko und dem, was danach im Haus bleibt.
Eine einfache Methode für ein belastbares Budget
- 1Einen Use Case scopen, nicht die KI-Vision: Ein Budget für „KI im Betrieb“ ist Fiktion, ein Budget für „automatisierte Triage von Eingangsdokumenten“ lässt sich schätzen.
- 2Zuerst das Team bepreisen: die Teamform je Phase definieren, dann Marktgehälter oder Tagessätze ansetzen, das verankert den dominanten Block vor allem anderen.
- 3Einen Daten-Ehrlichkeitspuffer einplanen: Vor Budgetfreigabe eine technische Person die tatsächlichen Quelldaten inspizieren lassen und den Datenaufbereitungs-Posten nach dem Befund dimensionieren, nicht nach Hoffnung.
- 4Betrieb ab Tag eins budgetieren: eine jährliche Betriebsposition, häufig 15-30% der Baukosten, vor der Freigabe in den Plan schreiben, ein KI-Feature ohne Betriebsbudget ist ein künftiger Ausfall.
- 5Mit den versteckten Posten stresstesten: Legacy-Integration, Change Management, Compliance-Vorlaufzeiten, wenn das Budget nur überlebt, wenn alle drei perfekt laufen, ist es kein Budget.
