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.
Das ist kein Zufall. Anbieter haben einen Anreiz, niedrig einzusteigen. Interne Teams schätzen, was sie kennen. Und niemand wird für die Kostenkategorien budgetiert, die erst sichtbar werden, wenn das Projekt bereits läuft.
Nach Engagements mit DACH-Organisationen in unterschiedlichen Branchen und Reifegraden 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 Schichten Organisationen konsistent unterschätzen. Dabei spielt auch ein oft übersehener externer Faktor eine wachsende Rolle: Die regulatorischen Anforderungen des EU AI Act, der seit August 2024 in Kraft ist und ab August 2026 vollständig durchsetzbar wird, fügen reale Compliance-Kosten hinzu, die in kaum einem frühen Budget auftauchen.
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 Discovery-Engagement, das eine zum Scheitern verurteilte Initiative frühzeitig stoppt oder den Scope entscheidend schärft, amortisiert sich vor dem ersten Sprint. Wer direkt zum Build geht, entdeckt Scope-Probleme, Datenlücken und Integrationskonflikte dann, wenn Änderungen maximal teuer sind — mitten im Engineering. Die entscheidende Faustregel: Organisationen, die 10–15 % des Gesamtbudgets in Discovery und Scoping investieren, geben in der Praxis weniger für die Gesamtinitiative aus, weil sie die teuerste Art von Nacharbeit verhindern.
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 Komplexität abhängt — aber nicht primär von KI-Komplexität. 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. Ein Einzelworkflow-Deployment mit sauberen Daten und modernen APIs kostet 20.000–40.000 €. Derselbe Workflow mit Legacy-Integration, Custom-Datenpipelines und komplexer Geschäftslogik: 50.000–80.000 €. Ein Multi-Workflow-Deployment mit systemübergreifender Orchestrierung: 80.000–120.000 €.
Deshalb ist Datenzugänglichkeit der stärkste einzelne Prädiktor für Engineering-Kosten — noch vor der Wahl des Modells oder Frameworks.
Schicht 3: Infrastruktur (200–3.000 €/Monat)
Cloud-Infrastruktur für KI-Workloads ist günstiger als die meisten Organisationen erwarten. Ein typisches Deployment auf Managed-Cloud-Services kostet 500–1.500 € pro Monat für Compute, Storage, API-Calls an Modell-Provider, Monitoring und Logging. Die Kosten skalieren mit Volumen, nicht mit Komplexität — und die Kosten pro verarbeiteter Einheit sind im KI-nativen Maßstab vernachlässigbar im Vergleich zu den Personalkosten, die der Workflow ersetzt.
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 — und werden im laufenden Betrieb dauerhaft höher als geplant.
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 entstehen hier minimale Zusatzkosten — sie sind in der Engineering-Schicht enthalten. Für Organisationen mit Legacy-Systemen wird Integration zum Projekt im Projekt.
Typische Szenarien: Ein API-Wrapper um eine bestehende Datenbankview kostet 5.000–10.000 €. Eine Datenpipeline aus einem Legacy-ERP mit Batch-Exporten: 10.000–20.000 €. Eine Echtzeit-Event-Pipeline aus einem System ohne natives Streaming: 15.000–30.000 €. Eine Multi-System-Integration mit Datenabgleich: 25.000–40.000 €. Die entscheidende Erkenntnis: Integrationskosten sind vor Projektstart mit hoher Genauigkeit bestimmbar. Ein Readiness Assessment offenbart die Integrationslandschaft in Tagen. Wer Integrationskomplexität erst während des Builds entdeckt, zahlt ein Vielfaches dessen, was gezielte Vorabplanung gekostet hätte.
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 strukturierte Begleitung des Übergangs von einem manuellen zu einem KI-gestützten Workflow.
Ohne diesen Baustein entsteht ein wiederkehrendes Muster: Das System funktioniert technisch, wird aber nicht genutzt, weil niemand neu definiert hat, wie das Team arbeitet. Ein technisches Deployment mit null Change-Management-Budget liefert dauerhaft weniger Wert als ein kleineres Deployment mit explizit geplantem Adoptionsbudget. Die Technologie generiert nur dann Wert, wenn Menschen sie tatsächlich verwenden.
Regulatorische Compliance: die sechste Schicht
Der EU AI Act fügt eine Kostenschicht hinzu, die in keinem frühen Budget auftaucht — und die ab August 2026 verbindlich wird. Für die meisten Mittelstands-Use-Cases gelten die Anforderungen der niedrigen oder begrenzten Risikokategorie: Transparenzpflichten und Dokumentationsanforderungen, die mit einem strukturierten Ansatz in Wochen etabliert werden können. Der laufende Compliance-Aufwand pro KI-System liegt laut aktuellen Marktzahlen bei etwa 29.000 € jährlich — aufgeteilt auf Genauigkeitsnachweise, Human-Oversight-Dokumentation und Datenqualitätsnachweise.
Für Organisationen, die KI-Systeme in sensiblen Bereichen einsetzen — etwa Kreditbewertung, Personalentscheidungen oder kritische Infrastruktur — gelten die strengeren Hochrisiko-Anforderungen mit Konformitätsbewertungen, die initial 50.000 € pro System übersteigen können. Wer jetzt deployed und Compliance als nachgelagerte Aufgabe behandelt, zahlt die Remediation später teurer als die Vorausplanung gekostet hätte. Das ist keine abstrakte Warnung: Die EU-Bußgeldstruktur reicht bis zu 35 Millionen Euro oder 7 % des globalen Jahresumsatzes bei Verstößen gegen verbotene Praktiken.
Gesamtkosten nach Deployment-Typ
Alle fünf operativen Schichten kombiniert:
Level 1 — Einzelworkflow, moderner Stack: 40.000–80.000 € gesamt, 500–1.500 €/Monat laufend. Amortisation typischerweise 4–8 Monate, sofern der Workflow ein klares Mengenproblem löst.
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 — nicht KI-Kosten.
Level 2 — Multi-Workflow, systemübergreifend: 150.000–300.000 € gesamt, 1.500–3.000 €/Monat laufend. Amortisation typischerweise 10–18 Monate. Dieses Level sollte erst nach einem erfolgreichen Level-1-Deployment angegangen werden, wenn die Organisationsreife und Infrastruktur erprobt sind.
Diese Zahlen passen zum breiteren Marktbild: Eine Horváth-Studie unter 200 deutschen Unternehmen aus 2025 stellt fest, dass der Mittelstand nur 0,35 % des Umsatzes für KI ausgibt — deutlich unter dem Marktdurchschnitt von 0,5 %. Nicht weil die Vorhaben zu teuer wären, sondern weil fehlende Budgetklarheit zur Lähmung führt: zu kleine Projekte, die keinen echten Wert liefern, oder zu ambitionierte Pläne, die nie Freigabe erhalten.
Wo Organisationen zu viel ausgeben
Über-Engineering der KI-Schicht. Modell- und Prompt Engineering für die meisten Mittelstands-Use-Cases ist handwerklich unkompliziert. Wenn das Engineering-Budget unverhältnismäßig auf die KI-Komponente konzentriert ist, lösen Sie entweder ein Problem, das keine KI braucht, oder bauen Custom-Modelle, wo vortrainierte ausreichen. Das Build vs. Buy-Framework liefert die Entscheidungsstruktur.
Unter-Investment in Discovery. Die Korrelation aus der Praxis ist konsistent: Wer Discovery überspringt und direkt baut, entdeckt Richtungsprobleme dann, wenn Korrekturen am teuersten sind. Discovery ist keine Vorstufe zum Projekt — sie ist Risikomanagement.
Change Management ignorieren. Das ist der häufigste Fehler bei technisch kompetenten Teams. Sie optimieren die KI-Komponente und vergessen, dass Wert erst entsteht, wenn Menschen ihren Workflow tatsächlich ändern. Budgetieren Sie Change Management von Anfang an ein — nicht als optionalen Nachposten.
Compliance nachrüsten statt einplanen. Den EU AI Act als späteres Problem zu behandeln, ist ein Planungsfehler. Wer Governance-Anforderungen von Beginn an in Architektur und Dokumentation integriert, zahlt einen Bruchteil dessen, was nachträgliche Remediation kostet.
So budgetieren Sie
Starten Sie mit der Diagnose, um Ihre Readiness über alle relevanten Dimensionen zu bewerten. Die Dimensionswerte sagen voraus, welche Kostenschichten signifikant werden: Starke Workflow-Readiness und gute Datenzugänglichkeit verschieben Engineering-Kosten ans untere Ende der Spanne und minimieren Integrationsaufwand. Schwache Datenzugänglichkeit bedeutet: mindestens 30–40 % des Gesamtbudgets für Integrationsarbeit einplanen. Fehlende Betriebsmodell-Klarheit bedeutet: Change Management muss explizit budgetiert sein, nicht als Puffer versteckt.
Bauen Sie dann den Business Case mit der Vorlagenstruktur — mit Phase-1-Gates, die das Kapitalrisiko begrenzen. Kein verantwortlicher Geschäftsführer genehmigt ein 200.000-€-Projekt auf einmal, wenn er dieselbe Initiative in drei validierte Phasen strukturiert ablehnen kann.
Das Ziel ist nicht, Kosten zu minimieren. Es ist, bewusst auszugeben — mit klaren Erwartungen, was jede Schicht liefert, wann sich das Investment amortisiert und welche regulatorischen Anforderungen von Anfang an mitgedacht werden müssen.
Ein Fit Call gibt Ihnen eine strukturierte Einschätzung Ihrer spezifischen Kostentreiber — bevor Sie ein Budget einreichen, das entweder nie genehmigt wird oder mitten im Projekt ausläuft.
Quellen: Horváth, „Mittelstand investiert weniger in KI – Kostenoptimierung im Fokus," Handelsblatt, 2025, handelsblatt.com; SQ Magazine, „EU AI Act Compliance Cost Statistics 2026," sqmagazine.co.uk; EU AI Act (Verordnung (EU) 2024/1689), in Kraft seit August 2024, eur-lex.europa.eu.