Warum sich das nicht blind beziffern lässt
Wer eine pauschale Preisliste für KI erwartet, wird enttäuscht — und das ist auch richtig so. Der Preis eines KI-Projekts hängt nicht an „der KI“ als Baustein. Das Modell selbst, egal ob von OpenAI, Anthropic oder aus einem offenen Ökosystem, ist heute eine austauschbare Zutat. Was ein Projekt teuer oder günstig macht, sind vier andere Dinge: der Umfang dessen, was das System leisten soll, die Reife Ihrer Daten, die Tiefe der Integration in bestehende Systeme und die Zuverlässigkeit, die der Prozess braucht.
Deshalb sind zwei Projekte, die auf dem Papier beide „ein KI-Assistent für den Vertrieb“ heißen, in der Praxis oft nicht vergleichbar. Das eine beantwortet Fragen aus einem sauberen Produktkatalog. Das andere greift auf ein historisch gewachsenes CRM zu, muss DSGVO-konform protokollieren und darf niemals einen falschen Preis nennen. Der zweite Fall kostet ein Vielfaches — nicht wegen der KI, sondern wegen allem drumherum.
Die Demo ist billig, das Produktivsystem nicht
Eine überzeugende Demo lässt sich heute in Tagen bauen. Das ist der Grund, warum so viele KI-Vorführungen beeindrucken und so wenige davon jemals in den Produktivbetrieb gehen. Eine Demo muss einmal funktionieren, unter kontrollierten Bedingungen, vor wohlwollendem Publikum. Ein Produktivsystem muss jeden Tag funktionieren, mit echten und oft chaotischen Daten, wenn niemand zusieht — und über Jahre wartbar bleiben.
Der Sprung von „funktioniert in der Demo“ zu „läuft verlässlich in der Produktion“ ist der eigentliche Kostenblock. Wer diesen Unterschied nicht kennt, vergleicht ein Wochenendprojekt mit einer betriebsfähigen Software und wundert sich über die Preisdifferenz.
Die echten Kostentreiber
Statt einer Preisliste ist es hilfreicher, die Stellschrauben zu kennen. Fast jeder Preis für ein KI-Projekt lässt sich auf diese sechs Treiber zurückführen. Wenn Sie sie für Ihren eigenen Fall durchgehen, haben Sie bereits eine grobe Vorstellung, ob Sie am unteren oder oberen Ende landen.
Anzahl der Use Cases
Ein klar umrissener Anwendungsfall ist überschaubar. Jeder weitere multipliziert nicht nur den Aufwand, sondern erzeugt Abhängigkeiten: gemeinsame Datenmodelle, gemeinsame Rechteverwaltung, Wechselwirkungen zwischen den Prozessen. Fünf Use Cases sind selten fünfmal ein Use Case — meistens sind sie teurer, weil die Komplexität überproportional wächst. Der günstigste Weg beginnt fast immer mit genau einem Prozess.
Datenqualität und -verfügbarkeit
Das ist der am meisten unterschätzte Treiber. Wenn Ihre relevanten Daten sauber, aktuell und über eine Schnittstelle abrufbar sind, ist ein großer Teil der Arbeit schon getan. Liegen sie verstreut in PDFs, alten Excel-Dateien, gescannten Dokumenten oder in den Köpfen einzelner Mitarbeiter, wird die Datenaufbereitung schnell zum größten Einzelposten des Projekts — noch bevor eine einzige Zeile KI-Logik entsteht.
Zahl der zu integrierenden Systeme
Ein KI-System, das für sich allein steht, ist einfach. Sobald es mit ERP, CRM, einer Warenwirtschaft oder einer Branchensoftware sprechen muss, kommt für jedes System eine Schnittstelle, Authentifizierung, Fehlerbehandlung und Testaufwand hinzu. Jede Integration ist ein eigenes kleines Projekt. Die Frage „mit wie vielen Systemen muss das reden?“ bewegt den Preis oft stärker als die KI-Funktionalität selbst.
On-Premise vs. Cloud
Ein Cloud-Betrieb über etablierte Anbieter ist in der Regel schneller und günstiger einzurichten. Ein On-Premise-Betrieb — die KI läuft in Ihrem eigenen Rechenzentrum, ohne dass Daten das Haus verlassen — bringt mehr Kontrolle und ist bei sensiblen Daten oft die richtige Wahl, kostet aber zusätzlichen Aufwand für Aufsetzen, Absicherung und Betrieb der Infrastruktur.
Compliance- und Audit-Bedarf
Wenn jeder Entscheidungsschritt nachvollziehbar protokolliert, geprüft und im Zweifel gegenüber einer Aufsicht belegt werden muss, wächst der Aufwand spürbar. DSGVO-Konformität, Revisionssicherheit und branchenspezifische Anforderungen sind kein Aufpreis für Bürokratie, sondern echte technische Arbeit an Protokollierung, Zugriffskontrolle und Nachvollziehbarkeit.
Zuverlässigkeitsniveau
Ein System, bei dem ein gelegentlicher Fehler folgenlos bleibt, darf einfacher sein als eines, das einen finanziellen Vorgang auslöst oder rechtlich bindende Auskünfte gibt. Je höher die geforderte Verlässlichkeit, desto mehr Aufwand fließt in Absicherung, Tests, Kontrollmechanismen und die Frage, an welchen Stellen ein Mensch noch bestätigen muss. Der Sprung von „meistens richtig“ zu „praktisch nie falsch“ ist teuer — und manchmal unnötig.
Was bei welchem Budget möglich ist
Zahlen ohne Kontext sind irreführend, aber gar keine Orientierung zu geben, wäre feige. Deshalb hier ehrliche Größenordnungen, wie wir bei Tippel zu Festpreisen arbeiten. Diese Bereiche sind Ausgangspunkte, keine Garantien — welche Stufe für Sie gilt, entscheiden die Treiber aus dem vorigen Abschnitt. Erfundene ROI-Versprechen bekommen Sie hier bewusst nicht.
Rund 15.000 bis 25.000 € — ein fokussierter Use Case, produktiv
In diesem Rahmen lässt sich ein einzelner, klar abgegrenzter Anwendungsfall bis in den Produktivbetrieb bringen — vorausgesetzt, die Datenlage ist ordentlich und die Zahl der Integrationen bleibt überschaubar. Typisch sind ein Assistent, der auf einer definierten Wissensbasis antwortet, eine automatisierte Klassifizierung eingehender Anfragen oder ein enger Prozess, der bislang manuell lief. Es geht nicht um ein Experiment, sondern um etwas, das echte Arbeit übernimmt.
Rund 25.000 bis 50.000 € — ein vollständiges System für einen Prozess
Hier reden wir nicht mehr über eine einzelne Funktion, sondern über ein System, das einen ganzen Geschäftsprozess trägt: mit mehreren Integrationen, sauberer Rechteverwaltung, Protokollierung und der nötigen Robustheit für den täglichen Einsatz. Das ist der Bereich, in dem die meisten mittelständischen Projekte mit echtem operativem Nutzen landen.
50.000 € und mehr — Multi-Agent-Systeme und Plattformen
Sobald mehrere spezialisierte KI-Komponenten zusammenspielen, mehrere Prozesse abgedeckt werden oder eine Plattform entsteht, auf der künftig weitere Anwendungsfälle aufsetzen, bewegt man sich in diesem Bereich. Das ist selten der erste Schritt eines Unternehmens — meistens der zweite oder dritte, nachdem ein kleineres Projekt seinen Wert bewiesen hat.
Welche Leistungen konkret in einer Festpreis-Stufe enthalten sind und wie wir arbeiten, finden Sie auf der Seite zur KI-Entwicklung. Der ehrlichste Rat bleibt: Fangen Sie klein an. Ein produktiver Use Case, der sich bewährt, ist die beste Grundlage für alles Weitere — und schützt Sie davor, viel Geld in einen zu großen ersten Wurf zu stecken.
Die Kosten, die man vergisst
Die meisten Budgetüberraschungen entstehen nicht beim Bauen, sondern beim Betreiben. Ein KI-System ist keine Maschine, die man einmal aufstellt und dann in Ruhe lässt. Es lebt in einer Umgebung, die sich verändert — und muss mit ihr Schritt halten. Diese laufenden Kosten gehören zur ehrlichen Total Cost of Ownership dazu, auch wenn sie im ersten Angebot gern übersehen werden.
Monitoring und Betrieb
Jemand muss wissen, ob das System noch tut, was es soll. Überwachung, Alarmierung bei Fehlern und der reine Infrastrukturbetrieb sind laufende Posten. Ohne sie merken Sie einen Ausfall erst, wenn sich Kunden beschweren.
Modell- und Abhängigkeits-Updates
KI-Modelle und die Bibliotheken darum herum entwickeln sich schnell weiter. Alte Versionen werden abgekündigt, Schnittstellen ändern sich, Sicherheitslücken müssen geschlossen werden. Ein System, das man zwei Jahre nicht anfasst, ist danach oft nicht mehr betriebsfähig. Pflege ist kein Luxus, sondern die Voraussetzung dafür, dass die anfängliche Investition erhalten bleibt.
Drift und Nachtraining
Die Welt, in der Ihr System arbeitet, verändert sich: neue Produkte, neue Formulierungen, neue Fälle, die es beim Bau noch nicht gab. Nach und nach passt das ursprüngliche Verhalten nicht mehr perfekt. Man nennt das Drift. Regelmäßiges Nachjustieren und, wo nötig, Nachtraining hält die Qualität stabil.
Support-Retainer
Für den planbaren laufenden Betrieb ist ein Wartungs- oder Support-Vertrag oft der ehrlichste und günstigste Weg — eine feste monatliche Größe statt teurer Feuerwehreinsätze im Notfall. Rechnen Sie diese Betriebskosten von Anfang an in Ihre Kalkulation ein.
Build vs. Buy
Nicht jedes KI-Vorhaben braucht eine Eigenentwicklung. Manchmal ist die ehrlichste Empfehlung, ein fertiges Produkt zu kaufen statt etwas bauen zu lassen. Diese Entscheidung ehrlich zu treffen, spart oft mehr Geld als jede Verhandlung über den Projektpreis.
Wann Standard-Software richtig ist
Wenn Ihr Bedarf einem verbreiteten Muster entspricht — Textzusammenfassung, ein Standard-Chatbot für die Website, eine gängige Automatisierung — dann gibt es dafür meist ausgereifte SaaS-Produkte. Sie sind sofort verfügbar, laufend gewartet und günstiger als eine Eigenentwicklung, die dasselbe leistet. Etwas selbst zu bauen, das es fertig zu kaufen gibt, ist selten eine kluge Investition.
Wann sich eine Eigenentwicklung lohnt
Custom oder On-Premise wird dort richtig, wo drei Dinge zusammenkommen: Ihre Daten sind sensibel und dürfen das Haus nicht verlassen; Ihr Prozess ist so spezifisch, dass kein Standardprodukt ihn abbildet; oder Sie wollen sich nicht dauerhaft an einen Anbieter binden, dessen Preise und Roadmap Sie nicht kontrollieren. Dieser Lock-in ist ein realer, oft unterschätzter Kostenfaktor — was heute günstig wirkt, kann in drei Jahren zur teuren Abhängigkeit werden.
Die ausgewogene Wahrheit lautet: Für das Verbreitete kaufen, für das Eigene bauen. Wo Ihr Wettbewerbsvorteil, Ihre sensiblen Daten oder ein sehr spezifischer Prozess im Spiel sind, zahlt sich eine maßgeschneiderte Lösung aus. Für alles andere ist der Markt schneller und billiger als jedes Projekt. Welche Teile Ihres Vorhabens in welche Kategorie fallen, klären wir offen — mehr dazu unter Services.
Wie Sie das Budget absichern
Die teuerste Art, ein KI-Projekt zu beginnen, ist mit voller Überzeugung und ohne belastbare Grundlage. Ein fünfstelliges Projekt auf Basis einer Ahnung zu starten und nach Monaten festzustellen, dass die Datenlage nicht trägt oder der Nutzen kleiner ist als gedacht — das ist der Fehler, den es zu vermeiden gilt. Und er lässt sich vermeiden.
Die bezahlte Machbarkeitsanalyse
Der Weg dorthin ist unspektakulär, aber wirksam: Sie zahlen einen vierstelligen Betrag, um einen fünfstelligen Fehler auszuschließen. In ein bis zwei Wochen prüfen wir strukturiert, ob Ihr Anwendungsfall trägt — welche Daten wirklich vorhanden sind, welche Integrationen nötig werden, welches Zuverlässigkeitsniveau der Prozess verlangt und wo die eigentlichen Risiken liegen.
Am Ende steht kein vager Bericht, sondern zwei konkrete Dinge: ein Festpreisangebot für die Umsetzung, damit Sie mit einer echten Zahl statt einer Schätzung planen — und ein ehrliches Go/No-Go. Wenn ein Projekt sich nicht lohnt, sagen wir das. Ein „Nein“ zur richtigen Zeit ist mehr wert als ein teures „Vielleicht“.
Und weil der Analysebetrag angerechnet wird, wenn Sie anschließend bauen, kostet Sie diese Absicherung im Ergebnis nichts extra — sie verschiebt nur einen Teil der Zahlung nach vorn, an die Stelle, an der sie das größte Risiko ausräumt. Starten können Sie direkt über den KI-Readiness-Check.