Wer als Unternehmen KI-Software entwickeln lassen möchte, stößt schnell auf zwei Extreme: vollmundige Versprechen mit Festpreis-Etikett auf der einen Seite und völlig offene Stundensätze ohne Orientierung auf der anderen. Beides hilft bei der Budgetplanung wenig. Sinnvoller ist ein nüchterner Blick darauf, wie ein KI-Softwareprojekt tatsächlich abläuft – und welche Kostentreiber in welcher Phase entstehen. Dieser Ratgeber bricht das in vier Phasen herunter und nennt realistische Bandbreiten statt Scheingenauigkeit.
Onterion AI ist ein KI- und Custom-Software-Studio aus Essen, das bundesweit für Unternehmen in ganz Deutschland arbeitet. Wir bauen maßgeschneiderte KI-Tools und operative Web-Systeme – von der Schichtplanung bis zur datengetriebenen Entscheidungsunterstützung. Die folgenden Einschätzungen stammen aus dieser Projektpraxis und decken sich mit aktuellen Marktdaten für den deutschsprachigen Raum (Stand 2026).
Warum es keinen seriösen Fixpreis „für KI“ gibt
Eine KI-Software ist kein Standardprodukt aus dem Regal. Der Aufwand hängt weniger von der Technologie als vom konkreten Anwendungsfall ab: Wie sauber sind Ihre Daten? An wie viele Bestandssysteme muss angebunden werden? Wie kritisch ist die Genauigkeit, wie hoch der Automatisierungsgrad? Zwei Projekte mit identischem Schlagwort – etwa „Bedarfsprognose“ – können sich im Aufwand um den Faktor zehn unterscheiden.
Deshalb arbeiten seriöse Build-Partner mit Bandbreiten und Phasen, nicht mit einem Pauschalpreis vor der ersten Analyse. Jede Phase liefert ein eigenes Ergebnis und einen eigenen Entscheidungspunkt – Sie binden Budget also schrittweise und nicht blind für das Gesamtvorhaben.
Phase 1: Discovery – das Problem schärfen
Am Anfang steht nicht das Programmieren, sondern das Verstehen. In der Discovery-Phase werden der konkrete Geschäftsnutzen definiert, die vorhandene Datenlage geprüft, Integrationsanforderungen kartiert und die Frage „Bauen oder Kaufen“ ehrlich beantwortet. Häufig stellt sich hier heraus, dass ein klar umrissenes Werkzeug mehr Wert schafft als eine offene „KI-Plattform“.
Was in der Discovery passiert
- Use-Case-Definition mit messbaren Zielen (z. B. Reduktion manueller Planungszeit um X Prozent)
- Daten-Audit: Verfügbarkeit, Qualität, Rechtsgrundlage (DSGVO)
- Architekturskizze und Auswahl des technologischen Ansatzes
- Risiko- und Machbarkeitsbewertung sowie eine grobe Roadmap
Typische Bandbreite: etwa 5.000 bis 25.000 Euro, je nach Tiefe und Datenkomplexität. Der wichtigste Output ist nicht das Dokument, sondern die belastbare Entscheidungsgrundlage: Lohnt sich der nächste Schritt – und wie sieht er aus?
Phase 2: MVP – die Kernfunktion validieren
Statt monatelang im Verborgenen zu entwickeln, entsteht zunächst ein Minimum Viable Product: eine lauffähige Lösung, die den zentralen Anwendungsfall abdeckt und mit echten Daten getestet wird. So lässt sich früh prüfen, ob die KI-Ergebnisse im Arbeitsalltag tragen und ob die unterstellten Annahmen zum ROI stimmen.
Gerade bei operativen Web-Applikationen zahlt sich dieser Ansatz aus: Anwenderinnen und Anwender arbeiten früh mit einer realen Oberfläche, und Feedback fließt direkt in die Weiterentwicklung ein, bevor teure Festlegungen getroffen werden.
Was ein gutes MVP ausmacht
- Fokus auf einen Kern-Workflow, nicht auf Funktionsbreite
- Echte Datenintegration statt Demo-Attrappe
- Messbare Validierung gegen die in der Discovery definierten Ziele
- Klare Abbruch- oder Skalierungsentscheidung am Ende
Typische Bandbreite: rund 25.000 bis 80.000 Euro, mit einer Laufzeit von etwa zwei bis vier Monaten. Anspruchsvollere Proof-of-Concepts mit eigenem Modelltraining oder hohen Genauigkeitsanforderungen können darüber liegen.
Phase 3: Integration – aus dem Prototyp wird Betriebssoftware
Ein validiertes MVP ist noch keine produktive Lösung. In der Integrationsphase wird die Software in Ihre bestehende Systemlandschaft eingebettet, abgesichert und für den Echtbetrieb gehärtet. Hier liegt oft der unterschätzte Aufwand – weniger im KI-Modell selbst als in den Schnittstellen, Berechtigungskonzepten und Edge Cases.
Typische Integrationsaufgaben
- Anbindung an ERP, CRM, Personal- oder Planungssysteme über stabile Schnittstellen
- Rollen- und Rechtekonzept, Authentifizierung, Audit-Trails
- Datenschutz- und Compliance-Umsetzung (DSGVO, Hosting in Deutschland/EU)
- Last-, Fehler- und Sicherheitstests vor dem Rollout
Wie aufwändig dieser Schritt wird, hängt stark von der Heterogenität Ihrer IT ab. Wir beleuchten das Thema ausführlich unter Systemintegration. In der Praxis liegt die Integrationsphase häufig zwischen 30.000 und 120.000 Euro – bei stark regulierten oder verteilten Umgebungen auch mehr.
Phase 4: Betrieb – KI ist kein einmaliges Projekt
KI-Software lebt von Daten, und Daten verändern sich. Modelle müssen überwacht, nachjustiert und gegebenenfalls neu trainiert werden; Schnittstellen brauchen Pflege, wenn sich angebundene Systeme ändern. Der laufende Betrieb ist daher fester Bestandteil der Gesamtkosten, kein optionaler Nachgedanke.
- Monitoring & Modellpflege: Qualität der Ausgaben beobachten, Drift erkennen, nachtrainieren
- Infrastruktur & API-Nutzung: Hosting, Rechenleistung, ggf. Kosten für genutzte Modell-APIs
- Weiterentwicklung: neue Funktionen, zusätzliche Use Cases, Skalierung
- Support & Wartung: Fehlerbehebung, Updates, Sicherheits-Patches
Als grobe Faustregel kalkulieren viele Unternehmen jährlich 15 bis 25 Prozent der Entwicklungskosten für Betrieb und Weiterentwicklung ein. Wer das von Anfang an einplant, vermeidet, dass eine gut gebaute Lösung nach einem Jahr stillschweigend verfällt.
Kostenrahmen im Überblick
| Phase | Ergebnis | Typische Bandbreite |
|---|---|---|
| Discovery | Entscheidungsgrundlage, Roadmap | ca. 5.000 – 25.000 € |
| MVP | Validierte Kernlösung | ca. 25.000 – 80.000 € |
| Integration | Produktivreife Betriebssoftware | ca. 30.000 – 120.000 € |
| Betrieb (p. a.) | Monitoring, Pflege, Ausbau | ca. 15 – 25 % der Entwicklungskosten |
Kleine, klar abgegrenzte Automatisierungen können deutlich günstiger starten; komplexe, unternehmenskritische Plattformen liegen oberhalb dieser Spannen. Die Zahlen sind als Orientierung gedacht – nicht als Angebot.
Was die Kosten am stärksten treibt
- Datenqualität: Saubere, zugängliche Daten verkürzen jede Phase. Datenchaos ist der häufigste verdeckte Kostentreiber.
- Integrationstiefe: Je mehr Bestandssysteme angebunden werden, desto höher der Aufwand.
- Genauigkeitsanforderung: 80 Prozent Trefferquote sind oft schnell erreicht, die letzten Prozentpunkte kosten überproportional.
- Regulatorik: DSGVO, Branchenauflagen und EU-Hosting erhöhen Sorgfalt und Aufwand.
- Scope-Disziplin: Ein klar umrissener Use Case ist günstiger und schneller als eine offene „KI-für-alles“-Vision.
Checkliste vor dem ersten Gespräch
- Welches konkrete Problem soll die KI-Software lösen – und woran messen wir Erfolg?
- Welche Daten liegen vor, in welcher Qualität, und wer darf sie nutzen?
- Welche Systeme müssen angebunden werden?
- Wer sind die späteren Anwender im Tagesgeschäft?
- Gibt es einen Stichtag oder eine Budgetobergrenze?
Ein gutes Beispiel für einen klar umrissenen, hochwirksamen Use Case ist die KI-gestützte Schichtplanung: ein operatives Problem mit messbarem Nutzen, das sich in überschaubaren Phasen umsetzen lässt.
Häufige Fragen
Lohnt sich KI für kleine und mittlere Unternehmen überhaupt?
Ja, sofern der Use Case klar ist. Gerade im Mittelstand bringen eng zugeschnittene Lösungen – etwa für Planung, Disposition oder Angebotskalkulation – oft schneller messbaren Nutzen als große Plattformprojekte. Der Einstieg über Discovery und ein schlankes MVP hält das Anfangsrisiko gering.
Wie lange dauert es, bis die Software produktiv läuft?
Von Discovery bis zum produktiven Betrieb sind je nach Umfang typischerweise vier bis neun Monate realistisch. Ein erstes, testbares MVP steht häufig schon nach zwei bis vier Monaten zur Verfügung.
Fixpreis oder Abrechnung nach Aufwand?
Bewährt hat sich ein hybrides Modell: ein klar bepreister Discovery-Abschnitt, danach Phasen mit definiertem Umfang und Budgetrahmen. So behalten Sie Kostenkontrolle, ohne dass starre Fixpreise zu Qualitätsabstrichen führen.
Müssen unsere Daten in eine Cloud außerhalb der EU?
Nein. Wir setzen auf datenschutzkonforme Architekturen mit Hosting in Deutschland bzw. der EU und wählen Modelle und Dienste so aus, dass DSGVO-Anforderungen eingehalten werden.
Fazit
KI-Software entwickeln zu lassen ist gut planbar, wenn man in Phasen statt in einem einzigen Preis denkt. Discovery schafft Klarheit, das MVP validiert den Nutzen, die Integration macht aus dem Prototyp Betriebssoftware, und ein durchdachter Betrieb hält die Lösung dauerhaft wertvoll. Wer Datenqualität, Integrationstiefe und Scope realistisch einschätzt, vermeidet Überraschungen. Als bundesweit tätiges KI-Build-Studio aus Essen begleiten wir Unternehmen in ganz Deutschland von der ersten Analyse bis zum laufenden Betrieb. Im unverbindlichen Erstgespräch ordnen wir Ihren Anwendungsfall ein und nennen einen belastbaren Kostenrahmen. Weitere Beiträge finden Sie in unserem Ratgeber.