Kommentar von Mandy Goram, pmOne Künstliche Intelligenz im Mittelstand – Kosten und Voraussetzungen

Anbieter zum Thema

pmOne AG

Fsas Technologies GmbH

INFOMOTION GmbH

QUNIS GmbH

Von der Beratung über den Proof of Concept bis zum dauerhaften Betrieb: Künstliche Intelligenz (KI) hat ihren Preis – und dieser spielt vor allem für mittelständische Unternehmen mit oftmals begrenzten Budgets eine zentrale Rolle. Doch was kosten KI-Initiativen tatsächlich und wie lassen sie sich wirtschaftlich betreiben? Und wie gelingt es, die Qualität der zugrunde liegenden Daten dauerhaft sicherzustellen?

Der tatsächliche Erfolg von KI-Projekten lässt sich am Ende nur durch eine sorgfältige Kosten-Nutzen-Rechnung ermitteln. Auf den ersten Blick mag dies selbstverständlich erscheinen, doch laut einer Horváth-Umfrage kann jedes zweite Unternehmen hierbei keine Angabe zum Break-even machen. Klar ist: Der Einstieg in KI erfolgt üblicherweise über einen Proof of Concept (PoC) und nicht direkt als umfassendes Transformationsprojekt. Er ist damit Lernschritt und Investition zugleich, um Folgeaufwände besser planbar zu machen. Hier liegen die durchschnittlichen Kosten laut Deloitte KI-Report 2024 für einfache PoCs meist bei 50.000 bis 250.000 Euro.

Kommentar von Sven Selle, Dataiku

Ohne einen modernen Tech-Stack bleibt KI ein teures Spielzeug

Starke Variation bei den Gesamtkosten

Während die PoC-Kosten meist recht gut kalkulierbar sind, ist die Einschätzung langfristiger Aufwände deutlich komplexer. Für die Umsetzung eines KI-Projekts nennt der Deloitte-Report als Faustregel das Fünf- bis Zwanzigfache der PoC-Kosten – also zwischen 250.000 und 5 Millionen Euro – abhängig von Einflussfaktoren wie Komplexität, Umfang der Datenintegration, erforderlicher Rechenleistung, Lizenz- oder Cloudgebühren sowie dem gewünschten Grad an Individualisierung. Die Projekterfahrungen bei pmOne zeigen, dass sich einige Projekte oftmals auch mit deutlich geringeren Budgets von etwa 50.000 Euro bestreiten lassen. Bei Anbindung an vorgefertigte Lösungen wie OpenAI liegen die Kosten sogar eher im niedrigen fünfstelligen Bereich.

Typische Kostenkomponenten im Überblick

Wichtig ist: Die Anschaffung oder Entwicklung einer KI-Lösung macht nur einen Teil der Gesamtkosten aus. Ebenso relevant sind indirekte Aufwände – etwa für interne Ressourcen, Prozessanpassungen oder temporäre Produktivitätseinbußen. Für eine realistische Budgetplanung empfiehlt sich ein genauer Blick auf die Kostenstruktur. Wer typische Aufwände kennt, kann bereits im Vorfeld grobe Richtwerte festlegen und so besser einschätzen, welchen finanziellen Rahmen ein konkretes Projekt voraussichtlich benötigt.

• Beratungskosten: Der erfolgreiche Start vieler KI-Projekte liegt in einer soliden Strategieentwicklung, die oftmals mit externer Unterstützung bestritten wird. Dies hilft, Potenziale zu erkennen und Anwendungsfälle zu priorisieren. Hier lohnt es sich, Dienstleister zu vergleichen, denn die Kosten variieren je nach Anbieter, Umfang und Spezialisierung stark.

• Entwicklungskosten: Hierbei hängt der Aufwand stark von der Use-Case-Komplexität ab und von den oftmals hohen Kosten für qualifiziertes Fachpersonal. Zudem erhöhen maßgeschneiderte Entwicklungen im Vergleich zum Einsatz vorgefertigter Modelle den Aufwand erheblich. Ein grober Richtwert: Die Kosten für maßgeschneiderte KI-Entwicklungen bewegen sich meist zwischen 50.000 und 500.000 Euro – je nach Projektumfang, technischer Komplexität und angestrebter Zielarchitektur.

• Datenbereitstellung: Ohne hochwertige und gut strukturierte Daten bleibt KI wirkungslos. Datenaufbereitung, Konsolidierung und rechtssichere Verarbeitung können zwar hohe Kosten verursachen, doch: Wer diesen Aspekt unterschätzt, riskiert erhebliche Folgekosten – beispielsweise durch falsche Modellentscheidungen, aufwendige Nachbesserungen oder ineffiziente Brüche im System. Ein solides Datenmanagement verhindert spätere Fehler und schafft die Basis für erfolgreiche Anwendungen.

• Infrastrukturkosten: KI-Anwendungen benötigen eine leistungsstarke Infrastruktur, etwa für das Training großer Modelle und zur Verarbeitung umfangreicher Datenmengen. Unternehmen müssen hierbei zwischen eigener Hardware und flexiblen Cloud-Lösungen abwägen. Letztere bieten oft bessere Skalierbarkeit bei geringeren Einstiegskosten.

• Integrationsaufwand: Der volle Nutzen von KI entfaltet sich erst bei nahtloser Einbindung in bestehende Systeme und Abläufe. Hierbei sind in der Regel Schnittstellen, Datenstrukturen und Prozesse anzupassen. Besonders hoch ist der Integrationsaufwand bei veralteter IT oder wenig automatisierten Abläufen. Hier ist mit Anpassungsprogrammierung, Testphasen oder betrieblichen Unterbrechungen zu rechnen.

• Schulungskosten: Nur geschultes Personal kann KI sinnvoll nutzen und mitgestalten. Der konkrete Weiterbildungsbedarf variiert je nach Lösung und Zielgruppe. Kontinuierliche Schulungen für die unterschiedlichen Anwender sollten daher von Anfang an fest im Projektbudget veranschlagt sein. Vor allem der Umgang mit generativer KI bedarf bei Nutzern einer Sensibilisierung und Schulungen zum rechtskonformen Einsatz, um negative Folgen für das Unternehmen zu vermeiden.

• Betriebskosten: Auch nach dem Rollout verursacht KI fortlaufende Kosten. Lokale Systeme benötigen energieintensive Hardware, während bei Cloud-Varianten nutzungsabhängige Gebühren anfallen. Zudem sind die eingesetzten Modelle regelmäßig an neue Datenlagen oder Geschäftsprozesse anzupassen und Sicherheitslücken zu schließen. Erfahrungsgemäß unterschätzen Unternehmen diese Aufwände – dabei sind sie entscheidend für die langfristige Stabilität und Zuverlässigkeit der Lösungen.

• Regulatorischer Aufwand: Mit zunehmender Regulierung – etwa durch DSGVO, EU AI Act oder Data Act – steigen die Anforderungen an KI-Projekte. Unternehmen müssen Transparenz, Sicherheit sowie Unvoreingenommenheit gewährleisten – und einpreisen. Hierzu sind regelmäßige juristische Prüfungen, technische Audits und Maßnahmen sowie dokumentierte Prozesse erforderlich.

Dieser Überblick zeigt: Durch die Entwicklung und den Betrieb von KI entstehen vielfältige Kosten. Für Mittelständler stellt sich daher die Frage, wie sich diese Aufwände finanzieren lassen, ohne andere Innovationen zu blockieren. Eine Möglichkeit sind Förderprogramme wie das „Zentrale Innovationsprogramm Mittelstand (ZIM)“ des BMWK. Zudem gilt: Je besser Unternehmen sich auf die genannten Kostenpunkte einstellen, desto besser können sie die einzelnen Herausforderungen meistern – und durch eine smarte Herangehensweise (siehe Praxistipps in der Tabelle) – möglicherweise sogar Kosten sparen.

Weniger Emissionen und Kosten

„Green AI“ – so lässt sich der Energieverbrauch von KI messen und senken

Effizientes Datenmanagement als Grundstein

Für mittelständische Unternehmen ist es nicht nur wichtig, mögliche Aufwände für KI-Projekte frühzeitig und umfassend im Blick zu haben. Ein weiterer Erfolgsfaktor ist das Datenmanagement, das bereits oben als Kostenpunkt genannt ist. Wer hier sauber arbeitet, legt die Grundlage für zuverlässige KI-Anwendungen und vermeidet unnötige Folgekosten. Vier Handlungsfelder stehen im Fokus: Datenstrategie, Datenqualität, Integration sowie Sicherheit und Datenschutz.

Von der Datenstrategie zu dauerhafter Datenqualität

Eine unternehmensweite Datenstrategie bildet die Basis aller KI-Aktivitäten und klärt frühzeitig technologische, organisatorische und rechtliche Rahmenbedingungen. Dieser Prozess gibt Antworten auf Fragen zu verfügbaren Daten, Speichermodellen, Zugriffsrechten und Sicherheitsmaßnahmen. Zudem führen nur korrekte, vollständige und konsistente Daten zu verlässlichen KI-Ergebnissen. Für die erforderliche Datenqualität sind bestehende Quellen zu prüfen und kontinuierlich zu pflegen, da schon kleine Fehler massive Verzerrungen in Modellen auslösen können.

Daten integrieren und schützen

Isolierte IT-Systeme sind eine massive Bremse für datenbasierte Analysen. Durch den Einsatz von APIs, zentralen Datenspeichern und einheitlichen Formaten können Unternehmen Datenquellen vernetzen und so für KI-Anwendungen nutzbar machen. Last, but not least: Vor allem für mittelständische Unternehmen ist der Schutz sensibler Daten nicht nur Pflicht, sondern auch ein wesentlicher Vertrauensfaktor. Hierzu gehören beispielsweise Maßnahmen wie Backups, Verschlüsselung, Zugriffskontrollen und die Einhaltung der DSGVO.

Best Practices für erfolgreiches Datenmanagement

Viele Mittelständler fragen sich, wie sie beim Datenmanagement starten sollen. Die folgenden vier Best Practices bieten Orientierung und zeigen, wie ein strukturierter, wirtschaftlicher und zukunftsfähiger Aufbau gelingen kann.

Fazit: Mit Augenmaß zum KI-Erfolg

Erfolgreiche KI im Mittelstand erfordert keine Schnellschüsse, sondern strategische Klarheit, saubere Daten und realistische Schritte. Entscheidend sind hier nicht nur hohe Budgets oder Entwicklerzahlen, sondern ein strukturiertes Vorgehen, kluge Prioritäten und professionelles Datenmanagement. Wer früh, aber mit Augenmaß investiert, schafft die Grundlage für skalierbare, rechtssichere und wirtschaftlich tragfähige KI.

(ID:50576391)