Fragen Sie drei Anbieter, was eine KI-Initiative kostet, und Sie erhalten drei Antworten, die sich um den Faktor fünf unterscheiden. Fragen Sie ein internes Team, und Sie erhalten eine Zahl, die die offensichtlichen Teile abdeckt und den Rest übersieht. Das Ergebnis: Budgets, die entweder so aufgeblasen sind, dass sie nie genehmigt werden, oder so knapp, dass sie mitten im Projekt ausgehen.

Nach über 25 DACH-Enterprise-Engagements können wir eine ehrlichere Antwort geben. Keine Spanne, die so breit ist, dass sie nichts bedeutet, sondern eine strukturelle Aufschlüsselung, wohin das Geld tatsächlich fließt — und welche Kostenkategorien Organisationen konsistent unterschätzen.

Die Kostenanatomie

Jede KI-Initiative hat fünf Kostenschichten. Die meisten Budgetvorschläge decken zwei davon ab.

Schicht 1: Discovery und Scoping (8.000–25.000 €)

Bevor Engineering beginnt, müssen Sie Workflow-Readiness etablieren, Datenzugänglichkeit validieren und Erfolgskennzahlen definieren. Das ist die Arbeit, die bestimmt, ob die Initiative überhaupt starten sollte.

Discovery zu überspringen ist der teuerste Fehler im KI-Deployment. Ein 15.000-€-Discovery-Engagement, das eine zum Scheitern verurteilte Initiative stoppt, spart 80.000 €. Ein Discovery-Engagement, das den Scope schärft und das Risiko im Build senkt, amortisiert sich im ersten Sprint.

Organisationen, die Discovery überspringen und direkt zum Build gehen, geben typischerweise 40–60 % mehr insgesamt aus, weil sie Scope-Probleme, Datenprobleme und Integrationsprobleme während des Engineerings entdecken — wenn Änderungen teuer sind.

Schicht 2: Engineering und Build (20.000–120.000 €)

Das ist der Kostenblock, den jeder budgetiert. Er umfasst Modellauswahl und -konfiguration, Prompt Engineering, Workflow-Orchestrierung, API-Entwicklung und Testing.

Die Spanne ist breit, weil sie von der Komplexität abhängt. Ein Einzelworkflow-Level-1-Deployment mit sauberen Daten und modernen APIs: 20.000–40.000 €. Derselbe Workflow mit Legacy-Integration, Custom-Datenpipelines und komplexer Geschäftslogik: 50.000–80.000 €. Ein Multi-Workflow-Level-2-Deployment mit systemübergreifender Orchestrierung: 80.000–120.000 €.

Der Hauptkostentreiber ist nicht KI-Komplexität — es ist Integrationskomplexität. Die Modellkonfiguration für die meisten Mittelstands-Use-Cases ist unkompliziert. Der Engineering-Aufwand fließt in die Datenextraktion aus Legacy-Systemen, die Behandlung von Edge Cases in der Geschäftslogik und den Bau zuverlässiger Pipelines. Deshalb ist Datenzugänglichkeit der stärkste Prädiktor für Engineering-Kosten.

Schicht 3: Infrastruktur (200–3.000 €/Monat)

Cloud-Infrastruktur für KI-Workloads ist günstiger als die meisten Organisationen erwarten. Ein typisches Level-1-Deployment auf Managed-Cloud-Services: 500–1.500 € pro Monat. Das deckt Compute, Storage, API-Calls an Model-Provider, Monitoring und Logging ab.

Die Kosten skalieren mit Volumen, nicht mit Komplexität. Ein Workflow, der 1.000 Einheiten pro Woche verarbeitet, kostet ungefähr gleich viel wie einer mit 100 Einheiten pro Woche — die Kosten pro Einheit im KI-nativen Maßstab sind vernachlässigbar im Vergleich zu den menschlichen Kosten, die sie ersetzen.

Wo Infrastrukturkosten Organisationen überraschen: Datenspeicherung und -transfer aus Legacy-Systemen. Wenn die Datenpipeline signifikantes Staging, Transformation oder historisches Datenladen erfordert, können Infrastrukturkosten in der Build-Phase sprunghaft ansteigen.

Schicht 4: Integration und Datenzugang (5.000–40.000 €)

Das ist die Schicht, die Budgets sprengt. Integrationsarbeit ist die Brücke zwischen dem KI-Workflow und den Systemen, aus denen er lesen und in die er schreiben muss. Für Organisationen mit modernen, API-first-Architekturen: minimale Kosten, in der Engineering-Schicht enthalten. Für Organisationen mit Legacy-Systemen: Das wird zu einem Projekt im Projekt.

Gängige Integrationsszenarien und ihre Kosten: API-Wrapper um eine bestehende Datenbankview (5.000–10.000 €). Datenpipeline aus einem Legacy-ERP mit Batch-Exporten (10.000–20.000 €). Echtzeit-Event-Pipeline aus einem System ohne natives Streaming (15.000–30.000 €). Multi-System-Integration mit Datenabgleich (25.000–40.000 €).

Die entscheidende Erkenntnis: Integrationskosten sind vor Projektstart bestimmbar. Ein Readiness Assessment offenbart die Integrationslandschaft innerhalb von Tagen, nicht Wochen. Organisationen, die Integrationskomplexität während der Build-Phase entdecken, zahlen das 2–3-Fache dessen, was sie bei vorheriger Planung gezahlt hätten.

Schicht 5: Change Management (5.000–20.000 €)

Die Kosten, die fast niemand budgetiert — und der Grund, warum viele technisch erfolgreiche Deployments in der Praxis scheitern. Change Management umfasst Teamschulung, Prozessdokumentation, KPI-Neudefinition und die laufende Unterstützung für den Übergang eines Teams von einem manuellen Workflow zu einem KI-gestützten.

Ohne dies erwarten Sie das Muster, das in Betriebsmodell-Klarheit beschrieben wird: Das KI-System funktioniert technisch, wird aber innerhalb von 60 Tagen nicht genutzt, weil niemand neu definiert hat, wie das Team arbeitet.

Gesamtkosten nach Deployment-Typ

Alle fünf Schichten kombiniert:

Level 1 — Einzelworkflow, moderner Stack: 40.000–80.000 € gesamt, 500–1.500 €/Monat laufend. Amortisation typischerweise 4–8 Monate.

Level 1 — Einzelworkflow, Legacy-Integration: 70.000–150.000 € gesamt, 800–2.000 €/Monat laufend. Amortisation typischerweise 8–14 Monate. Der Aufpreis ist fast vollständig Integrationskosten.

Level 2 — Multi-Workflow, systemübergreifend: 150.000–300.000 € gesamt, 1.500–3.000 €/Monat laufend. Amortisation typischerweise 10–18 Monate. Sollte nur nach einem erfolgreichen Level-1-Deployment angegangen werden.

Wo Organisationen zu viel ausgeben

Über-Engineering der KI-Schicht. Modell- und Prompt-Engineering für die meisten Mittelstands-Use-Cases kostet 10.000–25.000 €. Wenn Sie mehr ausgeben, lösen Sie entweder ein Problem, das keine KI braucht, oder bauen Custom-Modelle, wo vortrainierte ausreichen. Siehe Build vs. Buy für das Entscheidungs-Framework.

Unter-Investment in Discovery. Die Korrelation ist konsistent: Organisationen, die 10–15 % des Gesamtbudgets in Discovery und Scoping investieren, geben insgesamt 20–30 % weniger aus als solche, die es überspringen. Discovery verhindert die teuerste Art von Nacharbeit — Richtungswechsel mitten im Build.

Change Management ignorieren. Ein 100.000-€-Tech-Deployment mit 0-€-Change-Management-Budget liefert weniger Wert als ein 80.000-€-Deployment mit 15.000 € strukturierter Adoptionsarbeit. Die Technologie generiert nur Wert, wenn Menschen sie nutzen.

So budgetieren Sie

Starten Sie mit der Diagnose, um Ihre Readiness über alle sechs Dimensionen zu bewerten. Die Dimensionswerte sagen voraus, welche Kostenschichten signifikant werden:

Starke Workflow-Readiness und Datenzugänglichkeit → Budget am unteren Ende des Engineering, minimale Integrationskosten. Schwache Datenzugänglichkeit → Budget 30–40 % des Gesamtbudgets für Integrationsarbeit. Keine Betriebsmodell-Klarheit → explizit für Change Management budgetieren.

Dann bauen Sie den Business Case mit der Vorlagenstruktur — mit Phase-1-Gates, die das Kapitalrisiko begrenzen.

Das Ziel ist nicht, Kosten zu minimieren. Es ist, bewusst auszugeben, mit klaren Erwartungen, was jede Schicht liefert und wann sich das Investment amortisiert.