Die Make-or-Buy-Frage
Spätestens wenn das erste KI-Pilotprojekt erfolgreich war, stellt sich die strategische Frage: Wer baut die nächsten Use Cases? Wer betreibt die produktiven Systeme im Alltag? Wer pflegt Modelle, Eval-Sets, Anbieter-Verträge? Drei Antworten sind möglich: weiter mit externer Beratung, eigenes Inhouse-KI-Team aufbauen, oder Hybrid-Modell mit Inhouse-Owner und externer Beratung als Backup. Diese Entscheidung prägt Investitions- und Personal-Strategie für Jahre.
Es gibt keine Standardantwort — die richtige Wahl hängt von Use-Case-Anzahl, Komplexität, Skill-Verfügbarkeit, Risikoneigung und finanziellem Spielraum ab. Was wir aus 17+ Mittelstands-Mandaten klar sagen können: Reine Inhouse-Strategien für die ersten 12–18 Monate sind fast immer ein Fehler, reine Berater-Abhängigkeit über 3+ Jahre ist häufig zu teuer.
Direktvergleich
Kosten-Rechnung über 3 Jahre
Mittelständler mit 200 Mitarbeitern, 3 priorisierte Use Cases, gestaffelter Roll-out. Realistische Hochrechnung über 36 Monate:
Bei 3 Use Cases ist reine Beratung über 3 Jahre günstiger als ein eigenes Team. Bei 5+ Use Cases beginnt sich das zu drehen — eigene Personalkosten sind dann auf mehr Use Cases verteilt. Die Hybrid-Variante ist im Mittelstand häufig die ehrlichste Antwort: Sie baut Inhouse-Kompetenz auf, bleibt aber kostenseitig kontrollierbar.
Time-to-Value
Recruiting eines erfahrenen KI-Engineers dauert im aktuellen Markt 3–9 Monate von Stellenanzeige bis Onboarding-Ende. Eine externe Beratung ist in 4 Wochen mit dem ersten Pilot live. Wer Time-to-Market priorisiert, beginnt fast immer mit Beratung — auch wenn langfristig Inhouse das Ziel ist. Parallel kann das Recruiting laufen, sodass der interne Owner bei Pilot-Abschluss verfügbar ist.
Skill-Profile
Ein vollwertiges Inhouse-KI-Team braucht typisch 3–5 Skill-Profile:
- KI-Architekt — entwirft Systeme, wählt LLMs, designt RAG-Pipelines, definiert Eval-Framework. Senior-Position, 110–145 k€ Vollkosten.
- ML-Engineer / GenAI-Engineer — implementiert Modelle, baut Daten-Pipelines, integriert Schnittstellen. 90–125 k€ Vollkosten.
- MLOps / Platform Engineer — Hosting, Monitoring, CI/CD, Sicherheit. Oft mit DevOps-Vorbildung. 95–130 k€ Vollkosten.
- Frontend / UX Engineer (anteilig) — wenn KI in eigene Anwendungen integriert wird. 0,2–0,5 FTE.
- KI-PM / Product Owner (anteilig) — Use-Case-Discovery, Stakeholder-Management. 0,3–0,5 FTE.
Im Mittelstand werden diese Rollen oft kombiniert (eine Person nimmt Architekt + ML-Engineer-Rolle wahr). Diese Kombination funktioniert für 1–2 produktive Systeme; ab 3+ Systemen wird die Trennung sinnvoll.
Risiko-Profile
Beide Wege haben strukturelle Risiken:
- Beratungs-Risiken: Vendor-Lock-in (über die Zeit wird Berater-Wissen unverzichtbar), Vakuum bei Vertragsbeendigung, hohe laufende Kosten bei vielen Use Cases.
- Inhouse-Risiken: Single-Person-Dependency (häufigstes Problem), lange Recruiting-Zeit, Kompetenz-Drift bei alleiniger interner Bearbeitung, fehlender Marktbenchmark, Onboarding-Risiko, Bewerbungsmarkt sehr enge Konkurrenz mit Tech-Companies und Konzernen.
- Hybrid-Risiken: Klare Rollenverteilung nötig (wer entscheidet was), Berater darf Inhouse-Kompetenz nicht überschatten, Wissens-Übergabe muss aktiv gemanagt werden.
Hybrid-Modelle — die häufigste Mittelstands-Antwort
In etwa 60 % unserer Mandate entwickelt sich nach 12 Monaten ein Hybrid-Modell: Ein interner KI-Owner (oft aus IT oder Process-Engineering rekrutiert oder umgeschult) übernimmt schrittweise Verantwortung. Die externe Beratung tritt zurück in eine Sparring-Rolle: Architektur-Reviews, Eval-Pflege, Anbieter-Auditierung, gelegentliche Implementierung neuer Use Cases. Operative Pflege liegt intern.
Drei Erfolgsfaktoren für gelungene Hybrid-Modelle:
- Owner-Position früh definieren — am besten beim Pilot-Start, nicht erst nach 12 Monaten.
- Aktive Wissens-Übergabe — wöchentliche Pair-Sessions, Code-Walkthroughs, Architektur-Diskussionen mit Owner.
- Schwellen-Definition — was bleibt extern, was wird intern? Standardmäßig: Operativer Betrieb intern, Architektur-Entscheidungen und neue Use Cases gemeinsam.
Wann was?
Reine externe Beratung, wenn…
- … Sie 1–3 Use Cases planen und keine größere Skalierung absehbar ist.
- … Sie keinen verfügbaren IT-Kopf für 50 % Owner-Zeit haben.
- … Sie schnell live gehen müssen und Recruiting nicht in der Zeit klappt.
- … Sie das Single-Person-Risiko vermeiden wollen.
Reines Inhouse-Team, wenn…
- … Sie 5+ produktive KI-Use-Cases planen mit hoher Update-Frequenz.
- … KI ein zentraler Bestandteil Ihrer Produkt-/Geschäftsstrategie ist.
- … Sie eine starke Tech-Marke haben, die KI-Engineer-Recruiting erleichtert.
- … Sie ein 12+ Monate Aufbau-Zeitfenster haben.
Hybrid, wenn…
- … Sie schnell starten wollen UND langfristig Inhouse-Kompetenz aufbauen wollen.
- … Sie 2–4 Use Cases planen.
- … Sie einen geeigneten internen Owner haben oder kurzfristig finden können.
Verteilung in 17 KBD-Mandaten 2025–2026
Wenn Sie konkret entscheiden wollen, hilft ein kostenfreies Erstgespräch meist mehr als ein weiterer Vergleichsartikel. Wir teilen unsere Erfahrungen aus Mandaten, die alle drei Modelle gewählt haben — und sind nicht emotional an „nur Beratung“ gebunden. Bei sehr großen Use-Case-Portfolios empfehlen wir aktiv den Inhouse-Aufbau und ziehen uns dann zurück.