Die Frage „Was kostet interne KI?“ wird häufig zu eng gestellt. Nicht das einzelne Sprachmodell entscheidet über die Investition, sondern die Fähigkeit, Unternehmenswissen sicher nutzbar zu machen und Prozesse zuverlässig zu automatisieren. Wer nur Lizenzpreise vergleicht, unterschätzt Infrastruktur, Integration, Datenschutz und die laufende Betriebsverantwortung - und riskiert ein Projekt, das nach einem überzeugenden Pilotversuch im Alltag stecken bleibt.
Für mittelständische Unternehmen bewegt sich eine produktive interne KI je nach Ausgangslage von einem klar abgegrenzten fünfstelligen Projekt bis zu einer sechsstelligen Unternehmensplattform. Entscheidend ist nicht, den niedrigsten Einstiegspreis zu erzielen. Entscheidend ist, ob die Lösung messbar Arbeitszeit reduziert, Fehlerquoten senkt und internes Wissen dort verfügbar macht, wo Mitarbeiter es für ihre täglichen Entscheidungen benötigen.
Was kostet interne KI konkret?
Eine belastbare Kostenschätzung beginnt mit dem gewünschten Reifegrad. Ein einfacher, geschlossener KI-Chatbot mit Zugriff auf ausgewählte Dokumente ist etwas grundsätzlich anderes als eine KI-Lösung, die Informationen aus ERP, CRM, SharePoint, E-Mail-Postfächern und Fachanwendungen zusammenführt, Berechtigungen berücksichtigt und Arbeitsschritte automatisiert.
Für eine erste Analyse von Daten, Prozessen und Anforderungen sollten Unternehmen typischerweise mit etwa 10.000 bis 30.000 Euro rechnen. In dieser Phase wird geklärt, welche Anwendungsfälle wirtschaftlich sinnvoll sind, welche Datenquellen geeignet sind und welche Sicherheitsvorgaben gelten. Diese Vorarbeit ist kein optionaler Zusatz. Sie verhindert, dass ein technisch interessantes System ohne operative Wirkung implementiert wird.
Ein fokussierter Pilot, etwa für eine Wissensdatenbank im Vertrieb, die automatisierte Bearbeitung von Kundenanfragen oder die Aufbereitung technischer Dokumentation, liegt häufig zwischen 25.000 und 75.000 Euro. Voraussetzung ist, dass die Datenquellen überschaubar sind und der Anwendungsfall klar abgegrenzt bleibt.
Sobald interne KI produktiv in mehrere Abteilungen oder Kernprozesse eingebunden wird, steigt der Aufwand deutlich. Für ein Corporate LLM mit Rechtekonzept, Dokumentenaufbereitung, Anbindungen an bestehende Systeme, Monitoring und administrierbarer Benutzerverwaltung sind Investitionen von 80.000 bis 250.000 Euro und darüber realistisch. Bei komplexen Prozessautomatisierungen, individuellen SaaS-Anwendungen oder hohen Compliance-Anforderungen kann der Umfang weiter wachsen.
Diese Spannweiten sind keine Pauschalpreise. Sie zeigen jedoch, warum die Frage nach den Kosten nicht mit dem Preis eines öffentlichen KI-Abonnements beantwortet werden kann. Ein einzelner Zugang zu einem Standard-Tool ist noch keine Unternehmensinfrastruktur.
Die fünf Kostenblöcke einer internen KI
Die Modellnutzung selbst ist nur ein Teil der Gesamtkosten. Gerade im Mittelstand entstehen die entscheidenden Aufwände an den Schnittstellen zwischen Technologie, Daten und realen Arbeitsabläufen.
1. Fachliche Konzeption und Prozessauswahl
Nicht jeder Prozess eignet sich sofort für KI. Besonders wirtschaftlich sind wiederkehrende Aufgaben mit hohem Suchaufwand, vielen unstrukturierten Informationen oder klaren Entscheidungsmustern. Beispiele sind Angebotsvorbereitung, Dokumentenprüfung, interne Recherche, Support-Triage oder die Extraktion von Daten aus eingehenden Unterlagen.
Die Konzeption definiert Zielgrößen, Verantwortlichkeiten und Grenzen des Systems. Wenn ein Unternehmen beispielsweise die Bearbeitungszeit von Serviceanfragen halbieren will, müssen Ausgangswert, Qualitätsmaßstab und Übergabepunkte an den Mitarbeiter vor der Entwicklung feststehen. Andernfalls lässt sich der Nutzen später nicht sauber bewerten.
2. Datenaufbereitung und Wissensbasis
Unternehmenswissen liegt selten in einer einheitlichen, gepflegten Struktur vor. Es verteilt sich auf Netzlaufwerke, PDF-Dokumente, SharePoint, ERP-Auswertungen, E-Mails und persönliche Ablagen. Bevor ein internes KI-System verlässliche Antworten geben kann, müssen relevante Inhalte ausgewählt, bereinigt, klassifiziert und mit Zugriffsrechten versehen werden.
Dieser Aufwand variiert erheblich. Ein sauber gepflegtes Qualitätsmanagement-Handbuch lässt sich schneller erschließen als ein über Jahre gewachsener Dokumentenbestand mit Dubletten, veralteten Versionen und widersprüchlichen Informationen. Datenaufbereitung ist deshalb oft der größte Hebel für Qualität - und ein wesentlicher Kostenfaktor.
3. Technische Integration und Sicherheit
Eine interne KI muss zu den vorhandenen Systemen passen. Dazu gehören Identitätsmanagement, Rollen und Berechtigungen, Schnittstellen zu Fachanwendungen, Protokollierung sowie Anforderungen an Speicherung und Datenübertragung. Wer vertrauliche Angebotsdaten, Personalinformationen oder technische Unterlagen verarbeitet, benötigt eine Architektur, die unkontrollierte Datenabflüsse verhindert.
Bei DSGVO-konformen Lösungen ist insbesondere relevant, wo Daten verarbeitet werden, welche Auftragsverarbeitungen bestehen und wie Lösch-, Auskunfts- und Berechtigungskonzepte umgesetzt sind. Auch die Trennung von Mandanten, Zugriff auf sensible Inhalte und die Nachvollziehbarkeit von KI-Ausgaben gehören in die Kostenrechnung. Sicherheit ist kein Zusatzmodul, das nach dem Go-live ergänzt werden sollte.
4. Entwicklung der Anwendung und Automatisierung
Ein Chatfenster allein verändert selten einen Prozess. Wirkung entsteht, wenn die KI in den tatsächlichen Arbeitskontext eingebettet wird: Sie klassifiziert eingehende Anfragen, erstellt Entwürfe, recherchiert in freigegebenen Quellen, befüllt Masken oder übergibt Ergebnisse an definierte Prüfschritte.
Je individueller die Anwendung, desto höher der Entwicklungsaufwand. Standardisierte Abläufe mit klaren Datenquellen lassen sich vergleichsweise effizient umsetzen. Prozesse mit vielen Ausnahmen, historisch gewachsenen Sonderregeln oder fehlenden Schnittstellen benötigen mehr Konzeption und Entwicklung. Individualität erhöht die Anfangsinvestition, kann aber genau dort notwendig sein, wo Standardsoftware die operative Realität nicht abbildet.
5. Laufender Betrieb und Weiterentwicklung
Nach der Einführung fallen wiederkehrende Kosten für Hosting, Modellnutzung, Wartung, Monitoring, Sicherheitsupdates und Support an. Je nach Architektur, Nutzerzahl, Datenvolumen und gewünschtem Servicelevel liegen diese Kosten häufig im niedrigen bis mittleren vierstelligen Bereich pro Monat. Bei einer kleinen, klar begrenzten Lösung können sie darunter liegen; bei hoher Last, mehreren Integrationen oder anspruchsvollen Verfügbarkeitsvorgaben darüber.
Hinzu kommt die fachliche Weiterentwicklung. Dokumente ändern sich, Prozesse werden angepasst und neue Anwendungsfälle kommen hinzu. Eine interne KI sollte deshalb nicht als einmalige Softwarebeschaffung geplant werden, sondern als steuerbare Plattform mit klarer Verantwortung im Unternehmen.
Lizenzmodell, eigene Infrastruktur oder Corporate LLM?
Die günstigste Variante auf dem Papier ist meist ein öffentliches KI-Tool mit Einzelzugängen. Für erste Erfahrungen kann das sinnvoll sein. Für sensible Inhalte und geschäftskritische Prozesse reicht dieser Ansatz jedoch häufig nicht aus. Es fehlen oft kontrollierbare Datenflüsse, eine belastbare Rechteverwaltung, eine gemeinsame Wissensbasis und die Integration in interne Anwendungen.
Eine vollständig eigene Modellinfrastruktur verspricht maximale Kontrolle, verursacht aber höhere Kosten für Hardware, Betrieb, Modellpflege und Spezialwissen. Sie kann passend sein, wenn besondere Anforderungen an Datenhoheit, Last oder branchenspezifische Regulierung bestehen. Für viele Mittelständler ist sie jedoch wirtschaftlich nicht die erste Wahl.
Ein geschlossenes Corporate LLM liegt zwischen diesen Polen. Es kombiniert kontrollierte Datenverarbeitung, unternehmensspezifisches Wissen und eine auf den jeweiligen Einsatz zugeschnittene Architektur. Die Kosten hängen dabei weniger von einem Modellnamen ab als von Integrationen, Datenqualität, Nutzergruppen und dem gewünschten Automatisierungsgrad.
So bewerten Geschäftsführer den Business Case
Eine interne KI rechnet sich nicht durch möglichst viele Nutzerkonten, sondern durch konkrete Prozesswirkung. Der beste Ausgangspunkt ist ein Bereich mit spürbarem manuellen Aufwand und klarer Wiederholung. Wenn zehn Mitarbeiter jeweils täglich 30 Minuten für Suche, Zusammenfassung oder manuelle Übertragung aufwenden, entsteht bereits vor dem ersten technischen Detail eine belastbare Größenordnung.
Dabei darf eingesparte Zeit nicht automatisch als Personalkostenersparnis gerechnet werden. Häufig liegt der tatsächliche Nutzen zunächst in schnellerer Bearbeitung, höherer Angebotsqualität, geringerer Fehlerquote und besserer Skalierbarkeit ohne zusätzlichen Personalaufbau. Diese Effekte sind wirtschaftlich relevant, müssen aber ehrlich bewertet werden.
Ein sinnvoller Business Case berücksichtigt daher drei Ebenen: die einmalige Implementierung, die laufenden Betriebskosten und den erwarteten Nutzen über zwei bis drei Jahre. Zusätzlich sollten Risiken bewertet werden. Wie teuer wäre ein Fehler bei einer falschen KI-Auskunft? Welche Kontrollschritte bleiben erforderlich? Und wie abhängig wird der Prozess von einer einzelnen Datenquelle oder Schnittstelle?
Wo Unternehmen beim Budget falsch sparen
Kostendruck führt oft dazu, dass Unternehmen die Prozessanalyse verkürzen, Daten ungeprüft übernehmen oder den produktiven Betrieb zu spät planen. Das senkt zwar den Projektpreis, erhöht aber die Wahrscheinlichkeit niedriger Akzeptanz und unzuverlässiger Ergebnisse. Besonders problematisch ist ein Pilot ohne klare Entscheidung, wie aus dem Test ein sicherer Regelbetrieb werden soll.
Ebenso wenig sinnvoll ist die gegenteilige Richtung: eine unternehmensweite Plattform zu planen, bevor ein erster Anwendungsfall seinen Nutzen belegt hat. Ein gestufter Ansatz reduziert das Risiko. Zuerst wird ein wirtschaftlich relevanter Prozess mit eindeutigen Kennzahlen umgesetzt. Anschließend werden Datenbasis, Berechtigungsmodell und Integrationen gezielt erweitert.
Solara AI verfolgt diesen Ansatz mit geschlossenen, unternehmensspezifischen KI-Systemen: nicht als isoliertes Tool, sondern als Teil der vorhandenen Prozess- und Systemlandschaft. So bleibt die Investition auf einen konkreten Geschäftsnutzen ausgerichtet und kann mit den Anforderungen des Unternehmens wachsen.
Die bessere Frage lautet daher nicht nur, was interne KI kostet. Sie lautet: Welcher manuelle Engpass kostet das Unternehmen heute bereits Geld, Zeit und Geschwindigkeit - und wie lässt sich dieser Engpass kontrolliert automatisieren? Wer darauf eine präzise Antwort hat, kann das Budget nicht nur planen, sondern die Investition auch gegenüber Geschäftsführung, Fachbereichen und IT überzeugend vertreten.