Build vs. Buy: Eigenen KI-Agenten entwickeln oder bei der Agentur kaufen?
Entscheidungsleitfaden für Geschäftsführer und IT-Leiter im Mittelstand: SaaS kaufen, Agentur beauftragen, In-House entwickeln oder Hybrid? Mit TCO-Rechnung, Entscheidungs-Matrix und echten Erfahrungswerten.
TL;DR – Entscheidungs-Matrix auf einen Blick
Bevor Sie Wochen in Evaluierungen investieren: Die folgende Matrix beantwortet in 90 Sekunden, welcher Weg für Ihr Unternehmen wahrscheinlich der richtige ist.
| Kriterium | SaaS kaufen | Agentur (Custom) | In-House | Hybrid (Low-Code) |
|---|---|---|---|---|
| Zeitrahmen bis Go-Live | 1–14 Tage | 6–16 Wochen | 3–9 Monate | 2–6 Wochen |
| Initialer Aufwand | Gering | Mittel | Sehr hoch | Mittel |
| 3-Jahres-TCO (Beispiel) | ~65.000 € | ~210.000 € | ~450.000 € | ~130.000 € |
| Eigene KI/Dev-Kompetenz nötig? | Nein | Nein | Ja | Teilweise |
| Anpassbarkeit | Gering | Hoch | Maximal | Mittel-hoch |
| Datensouveränität | Niedrig–mittel | Mittel–hoch | Maximal | Hoch |
| Skalierbarkeit | Sofort | Mit Retainer | Abhängig vom Team | Gut |
| Vendor-Lock-in-Risiko | Hoch | Mittel | Niedrig | Niedrig–mittel |
| Empfohlen für… | Standard-Use-Cases, schnelles Testen | Komplexe, domainspezifische Prozesse | Strategische Kernkompetenz, Datenschutzsensitivität | Prozessreiche Unternehmen mit 1–2 Inhouse-Powerusern |
Schnellentscheidung:
- Sofortbedarf + Standardprozess → SaaS
- Komplex + kein Dev-Team + Budget vorhanden → Agentur
- Strategischer Differenziator + Dev-Kompetenz vorhanden → In-House
- Viele Workflows + 1–2 technikaffine Mitarbeiter → Hybrid
Warum diese Entscheidung 2026 schwieriger ist als je zuvor
Laut einer aktuellen Studie des Deutschen Mittelstandsbunds (DMB) und Salesforce nutzen bereits 33,1 % der mittelständischen Unternehmen KI aktiv – mit stark steigender Tendenz. Gleichzeitig fehlt 43 % der Mittelständler jede konkrete KI-Planung für 2025. Die größten Hemmnisse: fehlendes Hintergrundwissen (27,4 %), unklare Gesetzeslage (20,6 %) und mangelndes technisches Know-how (13,7 %).
Hinzu kommt ein Markt, der sich rasant verändert: Laut Gartner werden 2025 rund 80 % der KI-Budgets in kommerzielle Lösungen fließen – weg von ehrgeizigen In-House-Projekten, die häufig scheitern. Gleichzeitig zeigt McKinseys State of AI 2024, dass 65 % der Unternehmen generative KI aktiv nutzen und drei Archetypen herausdestilliert hat: Taker (Off-the-Shelf), Shaper (Anpassung) und Maker (Eigenentwicklung).
Für den Mittelstand bedeutet das: Die Entscheidung zwischen diesen Wegen ist keine technische, sondern eine strategische.
Die vier Optionen im Detail
Option 1: SaaS-Lösung kaufen
Was es ist: Sie abonnieren einen fertigen KI-Agenten eines Software-Anbieters und konfigurieren ihn mit Ihren Daten. Prominente Beispiele: Intercom Fin AI, Zendesk AI, HubSpot Breeze Agent, Freshdesk Freddy.
Kosten (Stand 2025/2026):
| Anbieter | Einstieg | Typische Kosten (10 Agenten, mittleres Volumen) | Modell |
|---|---|---|---|
| Intercom Fin | 0,99 €/Auflösung + 29 €/Seat | ~1.200–2.500 €/Monat | Per Resolution |
| Zendesk Suite Team | 55 €/Agent/Monat | ~1.100–2.200 €/Monat | Seat + AR-Pauschale |
| Zendesk Suite Professional | 115 €/Agent/Monat | ~2.000–4.500 €/Monat | Seat + AR-Pauschale |
| HubSpot Breeze Agent | ab 800 €/Monat (Plattform) + Credits | ~1.500–3.000 €/Monat | Plattform + Verbrauch |
| Freshdesk Freddy | ab 35 €/Agent/Monat | ~800–1.500 €/Monat | Seat-basiert |
Vorteile:
- Go-Live in Tagen, nicht Monaten
- Keine eigene Infrastruktur nötig
- Laufende Updates durch den Anbieter
- Bewährte Integrationen (CRM, Helpdesk, E-Commerce)
Nachteile:
- Begrenzte Anpassbarkeit an domainspezifische Prozesse
- Vendor-Lock-in: Datenmigration ist aufwendig
- Kosten können bei hohem Volumen stark steigen (besonders bei per-Resolution-Preisen)
- DSGVO-Konformität hängt vom Anbieter und dem gewählten Hosting-Standort ab
Geeignet für: Kundenservice-Chatbots, FAQ-Automatisierung, Standard-Ticketing, HR-Erstanfragen
Option 2: Bei einer Agentur bauen lassen
Was es ist: Eine externe KI-Agentur entwickelt einen maßgeschneiderten KI-Agenten auf Basis Ihrer Prozesse, Daten und Systemlandschaft – auf Festpreis oder im laufenden Retainer-Modell.
Kosten (Deutschland, DACH-Raum 2025/2026):
| Phase | Typische Kosten |
|---|---|
| Discovery & Konzeption | 3.000–8.000 € |
| MVP / Prototyp | 5.000–20.000 € |
| Maßgeschneiderte Lösung (Mid-Market) | 35.000–50.000 € (einmalig) |
| Enterprise-Komplexität | 100.000 € + |
| Laufender Retainer | 2.200–5.500 €/Monat |
| Stundensatz | 180–280 €/h |
| Freelance-Tagessatz KI-Berater | 800–1.500 €/Tag (Ø 1.150 €) |
Vorteile:
- Volle Individualisierung ohne eigenes Dev-Team
- Know-how-Transfer möglich
- Klare Verantwortlichkeiten und SLAs
- Schnellere Umsetzung als In-House (6–16 Wochen)
Nachteile:
- Abhängigkeit vom Agenturpartner (personelle Kontinuität)
- Kosten steigen bei häufigen Änderungen
- Qualität variiert stark – Screening ist aufwendig
- Wissen bleibt oft bei der Agentur, nicht im Unternehmen
Geeignet für: Unternehmen ohne eigenes Dev-Team, die schnell eine domainspezifische Lösung benötigen; komplexe Multi-System-Integrationen; DSGVO-kritische Umgebungen
Option 3: In-House entwickeln
Was es ist: Ihr eigenes Entwicklerteam baut den KI-Agenten von Grund auf – mit Frameworks wie LangChain, AutoGen, CrewAI oder direkten LLM-APIs (OpenAI, Anthropic, Azure AI).
Personalkosten Deutschland 2026 (Bruttojahresgehalt + ~25 % Arbeitgeberanteil):
| Rolle | Brutto/Jahr | Gesamtkosten (inkl. AG-Anteil) |
|---|---|---|
| KI-Engineer (Senior) | 90.000–120.000 € | 112.000–150.000 € |
| KI-Engineer (Mid) | 70.000–90.000 € | 87.000–112.000 € |
| Prompt Engineer | 70.000–100.000 € | 87.000–125.000 € |
| MLOps Engineer | 80.000–110.000 € | 100.000–137.000 € |
| Datenschutzbeauftragter (intern) | 47.000–66.000 € | 59.000–82.000 € |
Vorteile:
- Maximale Kontrolle über Daten, Modelle und Architektur
- Kein Vendor-Lock-in
- Langfristig günstiger bei hohem Skalierungsbedarf
- Aufbau interner Kompetenz und Wettbewerbsvorteil
Nachteile:
- Rekrutierung dauert 3–9 Monate; Fachkräftemangel ist real
- Hohe Fixkosten auch ohne produktives System
- Ohne erfahrenes Führungsteam hohes Risiko technischer Fehlentscheidungen
- Erstimplementierung dauert oft 6–12 Monate
Geeignet für: Unternehmen, bei denen KI ein strategischer Differenziator ist; stark regulierte Branchen mit Datensouveränitätsanforderungen; Unternehmen mit bereits vorhandener Entwicklungskapazität
Option 4: Hybrid – Low-Code-Plattform + internes Team
Was es ist: Einsatz von Low-Code/No-Code-Automatisierungsplattformen wie n8n, Make oder Zapier, kombiniert mit eingebetteten KI-Bausteinen (LLM-API-Calls, Vector-Datenbanken). Ein kleines internes Team konfiguriert und erweitert die Lösung.
Kosten:
| Komponente | Kosten |
|---|---|
| n8n Cloud (Business) | ~667 USD/Monat (~620 €) |
| n8n Self-Hosted | 10–50 €/Monat (Server) |
| n8n Enterprise | Individuell |
| OpenAI API (GPT-4o) | ~0,005–0,015 €/1.000 Token |
| Aufbau & Konfiguration (intern oder Agentur) | 5.000–15.000 € einmalig |
| Power-User (intern, 20–30 % Stellenanteil) | ~15.000–25.000 €/Jahr |
Vorteile:
- Deutlich schneller als Full-Custom-Entwicklung (2–6 Wochen)
- DSGVO-konform bei Self-Hosting in der EU
- Geringer Vendor-Lock-in (Open-Source-Kern bei n8n)
- Hohe Flexibilität bei Prozessänderungen
- Niedrige Einstiegshürde
Nachteile:
- Komplexe Enterprise-Anforderungen (SSO, Multi-Env) erst ab Business-Plan
- Benötigt min. 1 technikaffinen Mitarbeiter dauerhaft
- Skalierungsgrenze bei sehr hohem Datenvolumen
Geeignet für: Mittelständler mit 2–5 Automatisierungs-Use-Cases, IT-affine Teams, Unternehmen mit Datenschutzanforderungen und überschaubarem Budget
Kosten-Vergleich: Das 3-Jahres-TCO-Modell
Das folgende Modell basiert auf einem repräsentativen Mittelstands-Szenario: Ein Unternehmen mit 150 Mitarbeitern möchte einen KI-Agenten für den Kunden-Support (ca. 500 Anfragen/Monat, Auflösungsrate 60 %) und interne HR-FAQ-Automatisierung einführen.
Annahmen:
- SaaS: Zendesk Suite Professional, 5 Agenten + 300 automatische Auflösungen/Monat
- Agentur: Einmalaufwand 45.000 € + Retainer 4.500 €/Monat, 3-Jahres-Laufzeit
- In-House: 1 Senior KI-Engineer (full-time) + anteiliger Datenschutzbeauftragter
- Hybrid: n8n Cloud Business + 25 % Stellenanteil eines Systemadministrators
| Kostenposition | SaaS | Agentur | In-House | Hybrid |
|---|---|---|---|---|
| Jahr 1 – Setup/Implementierung | 2.000 € | 45.000 € | 15.000 € | 12.000 € |
| Jahr 1 – Lizenzen/Plattform | 13.800 € | 0 € | 0 € | 7.440 € |
| Jahr 1 – Personal (anteilig) | 5.000 € | 0 € | 130.000 € | 20.000 € |
| Jahr 1 – Retainer/Support | 0 € | 54.000 € | 0 € | 0 € |
| Jahr 1 gesamt | 20.800 € | 99.000 € | 145.000 € | 39.440 € |
| Jahr 2 – Lizenzen/Plattform | 16.560 € | 0 € | 0 € | 7.440 € |
| Jahr 2 – Personal | 5.000 € | 0 € | 137.000 € | 22.000 € |
| Jahr 2 – Retainer/Support | 0 € | 54.000 € | 0 € | 0 € |
| Jahr 2 gesamt | 21.560 € | 54.000 € | 137.000 € | 29.440 € |
| Jahr 3 – Lizenzen/Plattform | 18.000 € | 0 € | 0 € | 7.440 € |
| Jahr 3 – Personal | 5.000 € | 0 € | 143.000 € | 23.000 € |
| Jahr 3 – Retainer/Support | 0 € | 54.000 € | 0 € | 0 € |
| Jahr 3 gesamt | 23.000 € | 54.000 € | 143.000 € | 30.440 € |
| 3-Jahres-TCO gesamt | ~65.000 € | ~207.000 € | ~425.000 € | ~99.000 € |
Hinweis: Der SaaS-Ansatz erscheint im 3-Jahres-Vergleich am günstigsten, bildet jedoch die Opportunitätskosten der eingeschränkten Anpassbarkeit nicht ab. Unternehmen, die SaaS-Prozesse manuell nacharbeiten oder ihre Workflows nicht optimieren können, verlieren reale Effizienzpotenziale. In-House lohnt sich ab einer kritischen Masse an Anwendungsfällen – typischerweise ab 5+ parallelen KI-Agenten-Projekten.
ROI-Richtwerte: Laut einer Studie von maximal.digital erzielen Unternehmen mit strategischem KI-Einsatz Produktivitätssteigerungen von 18–35 %. Ein typisches Chatbot-Projekt (50.000 € Investition) amortisiert sich durch eingesparte Servicekosten in ca. 12–18 Monaten.
Zeit bis zur Produktion
| Option | Typischer Zeitraum | Kritischer Pfad |
|---|---|---|
| SaaS | 1–14 Tage | Datenmigration, Berechtigungen, initialer Prompt-Aufbau |
| Hybrid (n8n) | 2–6 Wochen | Workflow-Design, API-Integrationen, Testing |
| Agentur (Custom) | 6–16 Wochen | Anforderungsanalyse, Iterationen, Abnahme |
| In-House | 3–9 Monate | Recruiting, Onboarding, Architekturentscheidungen, MVP |
Entscheidend ist: Ein Go-Live ist noch kein produktionsbereites System. SaaS-Lösungen sind schnell ausgerollt, aber die Feinabstimmung der Wissensbasis (Help Center, Produktdaten, Eskalationsregeln) kostet auch hier Wochen.
Die 5 kritischen Entscheidungskriterien
1. Wie domainspezifisch ist der Anwendungsfall?
Ein KI-Agent, der Standardfragen im E-Commerce-Support beantwortet, ist ein Standard-Use-Case: SaaS ist hier die richtige Wahl. Ein Agent, der eingehende Angebote für komplexe Maschinen anhand interner Regelwerke vorprüft, ist hochgradig domainspezifisch und erfordert Custom-Entwicklung oder zumindest Hybrid.
Faustregel: Wenn Sie einen ähnlichen Use-Case in einer Google-Suche finden und 3 SaaS-Anbieter dafür existieren, kaufen Sie.
2. Wie viele ähnliche Workflows gibt es?
Gibt es mehr als 3–5 Prozesse, die automatisiert werden sollen, rechnet sich die Plattforminvestition – entweder in ein Low-Code-Tool (Hybrid) oder in In-House-Entwicklung. SaaS-Insellösungen für jeden Prozess einzeln führen zu Integrationschaos und steigenden Kosten.
3. Hat das Unternehmen KI/Dev-Kompetenz intern?
Ohne mindestens eine Person mit technischem Grundverständnis (API-Konzepte, Prompt-Engineering, Datenschutzgrundlagen) scheitert In-House und oft auch Hybrid an der Wartung. Agentur oder SaaS sind dann realistischer.
4. Wie schnell muss es live gehen?
Wenn das Projekt in 4 Wochen produktiv sein muss: SaaS oder Hybrid. Wenn Sie 3–6 Monate Zeit haben, ist Agentur oder In-House machbar.
5. Wie stark wird sich der Prozess ändern?
Hochdynamische Prozesse (häufige Produktänderungen, sich ändernde Regulatorik) vertragen SaaS-Lösungen schlecht, wenn diese keine flexiblen Prompt- oder Regelanpassungen erlauben. In-House und Hybrid punkten hier durch volle Kontrolle.
Vendor-Lock-in-Risiken: So sichern Sie sich ab
Laut einer Zapier-Studie unter 542 C-Level-Entscheidern befürchten 75 % der Unternehmen operative Störungen, wenn ein KI-Anbieter seinen Service einstellt oder verändert. Die häufigsten Risiken:
| Risiko | Häufigkeit (Nennung) | Schutzmaßnahme |
|---|---|---|
| Datenmigrations-Schwierigkeiten | 46 % | Datenexport in Standardformaten (CSV, JSON) vertraglich sichern |
| Überabhängigkeit von einem Anbieter | 46 % | Parallelbetrieb von 2 Plattformen für kritische Prozesse |
| Sinkende Servicequalität | 44 % | SLA-Klauseln mit Penalty-Regelungen |
| Eingeschränkte Integration | 42 % | API-First-Architektur: kein proprietärer SDK-Einsatz |
| Plötzliche Preiserhöhungen | 41 % | 12-Monats-Caps und Preisgarantien vertraglich vereinbaren |
Praktische Checkliste zur Absicherung:
- Datenportabilität: Verlangen Sie im Vertrag das Recht, sämtliche Daten (Gesprächsverläufe, Vektordatenbanken, Trainingsdaten) jederzeit in einem offenen Format zu exportieren.
- API-Abstraktionsschicht: Bauen Sie KI-Anbieter nie direkt in Kernprozesse ein – nutzen Sie eine Middleware oder Orchestrierungsschicht (LangChain, n8n, eigener API-Gateway).
- Exit-Klausel: Definieren Sie im Agenturvertrag, welche Artefakte (Codes, Prompts, Datenmodelle) bei Vertragsende an Sie übergehen.
- Minimales Einzel-Vendor-Risiko: Nutzen Sie für LLM-Calls nach Möglichkeit model-agnostische Wrapper, die einen Wechsel von GPT-4o auf Claude oder Gemini ohne Neuarchitektur erlauben.
In-House-Team-Aufbau: Welche Rollen wirklich nötig sind
Wer in die In-House-Entwicklung einsteigt, muss nicht sofort ein 10-köpfiges Team aufbauen. Folgende Rollen sind für den Mittelstand realistisch:
Minimalbesetzung (1–2 KI-Agenten, ~150 MA)
| Rolle | Verantwortlichkeit | Gehalt (Deutschland, 2026) |
|---|---|---|
| KI-Engineer (Mid/Senior) | Architektur, Entwicklung, LLM-Integration, Deployment | 87.000–112.000 € TCO |
| Prompt Engineer (intern oder hybrid) | Prompt-Optimierung, Evaluation, Qualitätssicherung | 87.000–125.000 € TCO |
| IT-Administrator (20–30 % Anteil) | Infrastruktur, Hosting, CI/CD-Pipelines | Anteilig ~20.000 €/Jahr |
| Datenschutzbeauftragter (intern, Pflicht ab 20 MA mit Datenverarbeitung) | DSGVO-Compliance, Verfahrensverzeichnis, Risikofolgeabschätzung | 59.000–82.000 € TCO |
Erweiterte Besetzung (3–5 Agenten, Skalierung)
Ergänzend werden benötigt: MLOps Engineer (Modell-Monitoring, Re-Training, Deployment-Pipelines; ~100.000–137.000 € TCO) und ein Product Owner KI (Priorisierung, Stakeholder-Management, ROI-Messung).
Wichtiger Hinweis: Der Fachkräftemangel ist real. Laut Jobicy liegt das durchschnittliche Jahresgehalt eines AI Engineers in Deutschland bei ~98.600 USD, Seniorprofile können 118.000–177.000 USD fordern. Planen Sie für die Rekrutierung 3–6 Monate ein und budgetieren Sie für Headhunter-Kosten (15–25 % des Jahresgehalts).
Agentur-Evaluierung: 12 Fragen für den Pitch
Wenn Sie eine KI-Agentur beauftragen möchten, diese Fragen sollten Sie im ersten Meeting stellen:
- Referenzprojekte: Zeigen Sie bitte 2–3 vergleichbare Projekte aus dem Mittelstand – mit Branche, Laufzeit und messbarem Ergebnis.
- Technologie-Stack: Welche LLM-Anbieter nutzen Sie, und warum? Sind Sie modell-agnostisch oder Anbieter-gebunden?
- Datenverarbeitung: Wo werden unsere Daten verarbeitet? Haben Sie eine DPA (Datenschutzzusatz-Vereinbarung) nach Art. 28 DSGVO?
- Team-Kontinuität: Wer ist unser fester Ansprechpartner, und was passiert, wenn diese Person das Unternehmen verlässt?
- Übergabe-Artefakte: Was erhalten wir bei Projektabschluss (Dokumentation, Code, Prompts, Zugänge)?
- Preismodell: Festpreis oder Time & Material – und was passiert bei Scope-Änderungen?
- Retainer-Inhalte: Was ist im monatlichen Retainer genau enthalten (Stunden, Reaktionszeit, SLA)?
- Eskalations-Protokoll: Wie wird Halluzinationsrisiko und kritisches Agentenverhalten überwacht und eskaliert?
- Exit-Strategie: Wie unterstützen Sie uns bei einem Anbieterwechsel, und welche Kosten entstehen dabei?
- KI-Act-Konformität: Wie bereiten Sie sich auf die Anforderungen des EU AI Acts vor (Risikoklassifizierung, Transparenzpflichten)?
- Trainingsdata-Eigentümerschaft: Gehören Daten, die zur Fine-Tuning oder RAG-Aufbereitung genutzt wurden, weiterhin uns?
- Erfolgsmessung: Welche KPIs werden wie gemessen, und welche Reporting-Frequenz ist vorgesehen?
SaaS-Evaluierung: 10 Fragen für den Hersteller
- Datenresidenz: Werden unsere Daten ausschließlich auf EU-Servern verarbeitet und gespeichert?
- Trainingsverbot: Werden unsere Konversationsdaten für das Training des Sprachmodells genutzt – und kann dies abgeschaltet werden?
- Preisgarantie: Gibt es Preisgarantien, und was passiert bei Volumenüberschreitung (z. B. per-Resolution-Kosten)?
- Exportfunktion: Kann ich alle Daten (Chat-Logs, Konfigurationen, Wissensdatenbank) in einem standardisierten Format exportieren?
- Uptime-SLA: Welches Uptime-Level wird garantiert, und was ist die Entschädigung bei Unterschreitung?
- Zugriffskontrolle: Unterstützt die Plattform SSO, rollenbasierte Berechtigungen und Audit-Logs?
- Compliance: Welche Zertifizierungen liegen vor (ISO 27001, SOC 2, BSI IT-Grundschutz)?
- API-Zugang: Besteht eine offene API für eigene Integrationen, oder bin ich auf Ihre nativen Integrationen beschränkt?
- Modell-Transparenz: Welches KI-Modell liegt zugrunde, und informieren Sie aktiv bei Modellwechseln?
- Kündigungsfristen & Lock-in: Wie sind die Kündigungsfristen, und gibt es Mindestlaufzeiten?
Erfahrungswerte: Wann welcher Ansatz gewonnen hat
Case A: Mittelständischer Maschinenbauer (280 MA, NRW)
Situation: Das Unternehmen wollte eingehende Anfragen für Ersatzteile automatisch klassifizieren und an die richtigen Ansprechpartner weiterleiten.
Gewählter Weg: Zunächst SaaS (HubSpot AI Chatbot), nach 8 Monaten Wechsel zu Hybrid mit n8n + eigener Wissensdatenbank.
Ergebnis: Die SaaS-Lösung deckte ~40 % der Use-Cases ab; domainspezifische Anfragen (Typenbezeichnungen, Baujahr-Logik) wurden regelmäßig falsch geroutet. Der Hybrid-Ansatz erzielte nach 4 Wochen Konfiguration eine Auflösungsrate von 71 %.
Lesson: SaaS eignet sich hervorragend als Pilot – aber domainspezifisches Vokabular braucht entweder ein umfangreiches Fine-Tuning oder eine RAG-Wissensbasis.
Case B: Versicherungsmakler (65 MA, Bayern)
Situation: Kunden sollten einfache Deckungsfragen selbst beantworten können; Compliance-Anforderungen (BaFin) waren hoch.
Gewählter Weg: Agentur mit Custom-Entwicklung, DSGVO-konformes On-Premise-Hosting, laufender Retainer.
Ergebnis: Go-Live nach 10 Wochen, 58 % der eingehenden Chats werden ohne menschlichen Eingriff abgeschlossen. Compliance-Audit bestanden.
Lesson: Bei regulierten Branchen ist der Agentur-Ansatz mit klarer Datenschutzdokumentation oft der einzig gangbare Weg.
Case C: E-Commerce-Händler (110 MA, Hamburg)
Situation: Ziel war die Automatisierung von Retouren-Bearbeitung, Tracking-Anfragen und Gutscheinvergabe.
Gewählter Weg: Intercom Fin AI, direkt in bestehenden Intercom-Stack integriert.
Ergebnis: Live nach 5 Tagen, 63 % Auflösungsrate nach 6 Wochen, monatliche Einsparung von ~8.000 € in Support-Personalkosten vs. Systemkosten von ~1.800 €/Monat.
Lesson: Standardisierte E-Commerce-Prozesse sind der Sweet Spot für SaaS – keine Überraschungen, starkes ROI-Profil.
Case D: Logistikdienstleister (430 MA, Sachsen)
Situation: Disposition wollte Standardkommunikation mit Fahrern und Kunden automatisieren; gleichzeitig sollte internes Wissen (50.000+ Dokumente) durchsuchbar werden.
Gewählter Weg: In-House-Entwicklung mit 2 KI-Engineers, RAG-basierter Wissensagent auf Azure AI.
Ergebnis: Nach 7 Monaten Entwicklung produktiv; intern hohe Akzeptanz, da die Lösung in vorhandene Systeme (SAP, eigenes TMS) integriert wurde.
Lesson: In-House lohnt sich, wenn Systemintegrations-Tiefe und Datensensitivität hoch sind – aber der Zeitaufwand bis zum ersten Wert ist erheblich.
FAQ
1. Kann ich mit einer SaaS-Lösung starten und später zu In-House wechseln? Ja – das ist sogar der empfohlene Weg für die meisten Mittelständler. SaaS als Proof-of-Concept (3–6 Monate), dann Entscheidung auf Basis realer Nutzungsdaten. Achten Sie dabei auf Datenexport-Rechte ab dem ersten Tag, damit Sie historische Konversationsdaten später für Fine-Tuning nutzen können.
2. Wie schütze ich mich vor steigenden SaaS-Preisen? Verhandeln Sie bei Vertragsabschluss eine Preisgarantie für 24 Monate sowie ein Cap für per-Resolution-Kosten. Alternativ: Cloud-Anbieter mit verbrauchsbasierter Abrechnung kombinieren mit monatlichem Budget-Limit.
3. Brauche ich für einen KI-Agenten zwingend eigene Trainingsdaten? Nein. Moderne Agenten basieren auf vortrainierten Large Language Models und werden über RAG (Retrieval-Augmented Generation) mit Ihren unternehmenseigenen Dokumenten angereichert. Echtes Fine-Tuning auf eigenen Daten ist erst bei sehr spezialisierten Fachbereichen oder Complianceanforderungen nötig.
4. Wie erkenne ich eine gute KI-Agentur? Achten Sie auf: konkrete Referenzprojekte aus dem Mittelstand, klare Dokumentationspflichten, ein eigenständiges Datenschutzkonzept nach DSGVO und transparente Retainer-Verträge mit definierten Deliverables. Vorsicht bei Agenturen, die ausschließlich auf einem proprietären Tool aufbauen (Lock-in durch Technologiewahl).
5. Ist n8n DSGVO-konform? n8n ist Open-Source und kann vollständig auf eigenen Servern in der EU betrieben werden. In dieser Konfiguration verbleiben sämtliche Daten in Ihrer Infrastruktur. Die Cloud-Version (gehostet in der EU) ist ebenfalls DSGVO-konform, wenn die entsprechenden Auftragsverarbeitungsverträge abgeschlossen werden.
6. Wie vergleiche ich per-Resolution-Modelle mit Custom-Agenten? Vergleichen Sie nicht nur den ausgewiesenen Einzelpreis, sondern die gesamte Wertschöpfung: Automatisierungsquote, Eskalationsrate, Datenhoheit, Anpassbarkeit, Betriebspflichten und Abhängigkeit vom Anbieter. SaaS wirkt bei stabilen Standardfällen oft sehr attraktiv, Custom-Agenten werden stärker, wenn viele Systeme, Sonderfälle oder Datenschutzanforderungen zusammenkommen.
Zusammenfassung: Der pragmatische Entscheidungsweg für den Mittelstand
Laut einer Slalom-Studie vom Oktober 2025 beabsichtigen 92 % der deutschen Führungskräfte, ihre KI-Budgets 2026 zu erhöhen – mehr als die Hälfte um über 25 %. Gleichzeitig erwarten nur 13 % einen positiven ROI innerhalb von weniger als einem Jahr; 52 % rechnen mit 1–2 Jahren.
Diese Zahlen zeigen: KI-Projekte sind Mittel- bis Langfristinvestitionen. Die Entscheidung Build vs. Buy ist keine einmalige Weichenstellung, sondern ein iterativer Prozess.
Empfohlenes Vorgehen für den Mittelstand:
- Start mit SaaS für den ersten Use-Case – schnell, günstig, lehrreich
- Parallel Daten sammeln: Wie hoch ist die Auflösungsrate? Welche Anfragen schafft die KI nicht?
- Nach 3–6 Monaten evaluieren: Reicht SaaS, oder überwiegen domainspezifische Anforderungen?
- Hybrid oder Agentur als nächste Stufe, wenn >3 Use-Cases auf der Roadmap stehen
- In-House erst, wenn KI als strategischer Kernbereich definiert ist und Recruiting-Kapazitäten vorhanden sind
Quellen
- DMB / Salesforce: KI-Index Mittelstand 2025 (526 befragte Unternehmen, Nov.–Dez. 2024) – https://www.bebensee.it/de/blog/ki-im-deutschen-mittelstand-strategieluecken-fakten-und-handlungsrahmen/
- McKinsey: The State of AI 2024 – https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-2024
- Gartner / Venturebeat: Gen AI Spending Forecast $644B (2025) – https://venturebeat.com/ai/gartner-forecasts-gen-ai-spending-to-hit-644b-in-2025-what-it-means-for-enterprise-it-leaders
- WBS Coding School: AI Engineer Gehalt 2026 Deutschland – https://www.wbscodingschool.com/de/blog/ai-engineer-gehalt/
- Jobicy: AI Engineer Salary Germany 2026 – https://jobicy.com/salaries/de/ai-engineer
- Coursera: Prompt Engineering Salary Deutschland 2026 – https://www.coursera.org/de-DE/articles/prompt-engineering-salary
- Peter Krause KI-Blog: KI Agentur Kosten 2025/2026 – https://peter-krause.net/ki-blog/generative-ki/ki-agentur-kosten/
- Intercom / PagerGPT: Fin AI Pricing 2025 – https://pagergpt.ai/alternative/fin-ai-pricing
- Zendesk Pricing (offiziell, Stand März 2026) – https://www.zendesk.com/pricing/
- Zapier / Agile Brand Guide: AI Vendor Lock-in Enterprise Study 2026 – https://agilebrandguide.com/zapier-mitigating-ai-vendor-lock-in-strategies-for-enterprise-resilience-and-flexibility/
- Slalom-Studie: Deutsche Unternehmen und KI-Budgets 2026 – https://www.it-business.de/deutsche-unternehmen-drehen-geldhahn-fuer-ki-auf-a-e37f232be30e714d74ded03a897ba9c7/
- n8n Pricing 2025 (Axe Automation) – https://www.axeautomation.co/blog/n8n-pricing-2025
Fragen zu Ihrem Use-Case?
30 Minuten Diagnose-Call. Kein Vertrieb. Wir sagen Ihnen ehrlich, was machbar ist — und was nicht.