Der KI-Markt entwickelt sich rasend schnell. Noch vor wenigen Jahren hätte niemand angenommen, dass Unternehmen in großer Zahl nach Dienstleistern für Anwendungen auf Basis von Sprachmodellen, für Automatisierung oder für Empfehlungssysteme suchen würden. Genau das passiert nun. Und hier beginnt das Problem, denn die Auswahl eines Dienstleisters für ein KI-Projekt ist kein Kauf eines Werkzeugs von der Stange. Es ist eine architektonische und geschäftliche Entscheidung, die das Unternehmen über Jahre begleitet. Das falsche Team? Verbranntes Budget, eine Lösung, die sich nicht warten lässt, oder, schlimmer noch, die Abhängigkeit von einem einzigen Anbieter ohne Ausweg. Wir bei Web Systems sind seit 2006 in diesem Markt tätig und haben mehr als einmal gesehen, wie Unternehmen Monate an Arbeit verloren, weil sie die technischen Kompetenzen des Dienstleisters nicht geprüft haben. Deshalb haben wir einen konkreten Leitfaden erstellt: welche Kriterien Sie anlegen sollten, worauf Sie im Angebot achten müssen und welche Fehler Sie vermeiden sollten, bevor Sie einen Vertrag über ein Projekt mit Künstlicher Intelligenz (KI) unterschreiben.
Spis treści
Warum die Wahl eines KI-Dienstleisters nicht dasselbe ist wie die Bestellung gewöhnlicher Software
Klassische Softwareprojekte – Portale, CRM-Systeme, Online-Shops – stützen sich auf bekannte Muster und vorhersehbare Technologien. Mit KI verhält es sich völlig anders. Hier brauchen Sie Kompetenzen an der Schnittstelle von Data Engineering, maschinellem Lernen, Integration mit externen Sprachmodellen und einem soliden Backend, das komplexe Verarbeitungs-Pipelines bewältigt. Ein Team, das bisher WordPress-Seiten oder einfache CRUD-Anwendungen gebaut hat, liefert das nicht.
Die Risiken einer falschen Anbieterwahl sind bei KI-Projekten spezifisch. Und deutlich schwerwiegender als bei gewöhnlicher Software. Vendor-Lock-in? Er entsteht, wenn ein Unternehmen die Lösung ohne Abstraktionsschicht an einen einzigen Cloud-Anbieter oder eine bestimmte API bindet. Die fehlende Skalierbarkeit zeigt sich in dem Moment, in dem die Zahl der Modellanfragen steigt und die Architektur weder Queueing noch Caching der Antworten vorsieht. Die Kosten für API-Token können selbst erfahrene Organisationen überraschen: Wenn niemand ein Monitoring des Verbrauchs eingeplant hat, kann die Rechnung schwindelerregend ausfallen. Und dann sind da noch die Halluzinationen der Modelle, also erfundener Unsinn, der ohne Validierungs- und Grounding-Mechanismen direkt bei den Endnutzern landet.
Die Forschung von Gartner, die eigene Tiefenstudien, die Analyse branchenweiter Best Practices, quantitative Modellierung sowie Trendanalysen verbindet, ermöglicht die Entwicklung innovativer Ansätze, die stärkere und nachhaltigere Geschäftsergebnisse unterstützen.
Das zeigt gut, warum Technologieentscheidungen eine solide Analyse verlangen und nicht das Folgen einer Mode. Denn es gibt einen grundlegenden Unterschied zwischen einem Unternehmen, das eine fertige ChatGPT-API in eine einfache Oberfläche verpackt, und einem Team, das Lösungen mit eigener RAG-Architektur, mit Bewertung der Antwortqualität und mit Kontrolle über den Datenfluss entwirft. Der erste Ansatz funktioniert auf einem Hackathon. Der zweite in einem Produktivsystem, das Kunden bedient. Fragen Sie bei der Suche nach einem Dienstleister direkt: Bauen Sie eigene Pipelines, oder kopieren Sie nur Prompts in eine fremde API? Die Antwort sagt mehr aus als ein Portfolio voller allgemeiner Projektbeschreibungen.
Zentrale technische Kompetenzen, die Sie einfordern sollten
Bevor Sie Preisangebote vergleichen, erstellen Sie eine Liste der Kompetenzen, die der Dienstleister nachweisen muss. Nicht in einer Präsentation behaupten, sondern an konkreten Beispielen zeigen. Ein KI-Projekt ist kein Ort für Learning by Doing auf Ihre Kosten. Nachfolgend die technischen Mindestanforderungen, die jeder ernsthafte Kandidat erfüllen sollte.
- Erfahrung mit großen Sprachmodellen (LLM) – einschließlich Fine-Tuning, Prompt Engineering und der Fähigkeit, das passende Modell für den jeweiligen Anwendungsfall auszuwählen
- Retrieval-Augmented Generation (RAG) und Vektordatenbanken – Entwurf von Pipelines für semantische Suche, Chunking von Dokumenten, Indexierung und Optimierung der Trefferqualität
- API-Integrationen und Middleware – Verbindung von KI-Modellen mit bestehenden Unternehmenssystemen, Datenbanken, CRM-Systemen und E-Commerce-Plattformen
- Datensicherheit – Verschlüsselung, Zugriffskontrolle, Anonymisierung personenbezogener Daten vor der Übermittlung an externe Modelle
- DevOps und MLOps – Automatisierung von Deployments, Monitoring der Modellleistung, Versionsverwaltung von Prompts und Pipelines
- Bewertung der Antwortqualität – Messung von Groundedness, Coherence, Fluency und weiteren Metriken, die eine objektive Beurteilung generierter Inhalte erlauben
Der Retrieval-Mechanismus in einer RAG-Architektur spielt eine kritische Rolle. Sie brauchen die bestmögliche semantische Suche auf einer sorgfältig kuratierten Wissensbasis, damit die abgerufenen Informationen tatsächlich für die Anfrage der Nutzerin oder des Nutzers relevant sind. Erweisen sich die abgerufenen Daten als unpassend, kann die erzeugte Antwort grammatisch korrekt, inhaltlich aber falsch oder völlig am Thema vorbei sein.
Tipp: Fragen Sie im Gespräch mit einem möglichen Dienstleister direkt, wie er die Qualität der generierten Antworten misst. Ein Unternehmen, das keine konkreten Metriken nennen kann – Groundedness (Verankerung in den Quellen), Coherence (logische Konsistenz), Fluency (sprachliche Flüssigkeit) -, führt seine Lösungen vermutlich keiner systematischen Evaluation zu. Das sollte eine Warnleuchte auslösen.
Bei Web Systems arbeiten wir nach dem Ansatz RAG Ops, der auf der iterativen Optimierung jedes einzelnen Elements der Pipeline beruht. Was bedeutet das in der Praxis? Kontinuierliche Verbesserung der Chunking-Strategien für Dokumente, des Parsings unterschiedlicher Quellformate und der Feinabstimmung von Prompts auf Basis realer Qualitätsmetriken. Keine einmalige Konfiguration, die nach einem Monat an Wirksamkeit verliert, weil sich die Eingangsdaten geändert haben. Eine schrittweise Steigerung der Antwortqualität auf Grundlage harter Daten.
Architektur und Skalierbarkeit: Fragen, die Sie vor der Vertragsunterschrift stellen müssen
Die Architektur einer KI-Anwendung bestimmt nicht nur, was das System heute kann, sondern auch, ob es sich morgen weiterentwickeln lässt. Ein gut entworfenes System trennt die einzelnen Schichten: Benutzeroberfläche, Geschäftslogik, Datenschicht und die Domänenschicht, die für die Integration mit den KI-Modellen zuständig ist. Ohne diese Trennung haben Sie einen Monolithen, bei dem das Anfassen einer Komponente den Umbau des Ganzen erzwingt. Und in KI-Projekten ist das besonders schmerzhaft, denn Modelle, APIs und Strategien der Datenverarbeitung ändern sich deutlich häufiger als in klassischer Software.
Zwei Architekturprinzipien sollten Sie bei der Bewertung eines Dienstleisters im Blick behalten. Erstens Single Source of Truth. Jeder Datentyp in der Anwendung sollte eine einzige, eindeutige Quelle der Wahrheit haben. So vermeiden Sie Situationen, in denen verschiedene Teile des Systems mit widersprüchlichen Versionen derselben Information arbeiten (und glauben Sie uns, das Debugging eines solchen Durcheinanders ist ein Albtraum). Zweitens Unidirectional Data Flow. Der Zustand der Anwendung fließt in eine Richtung, von der Datenquelle zur Oberfläche, und Nutzerereignisse laufen zurück zur Quelle. Das reduziert Fehler bei der Datensynchronisation drastisch und erleichtert das Debugging. In KI-Systemen ist das besonders nützlich, weil Modellantworten von Natur aus nicht deterministisch sind.
Tipp: Bitten Sie einen möglichen Dienstleister noch vor der Kalkulation um ein Architekturdiagramm der Lösung. Ein seriöses Technologieunternehmen erstellt es gern, denn es braucht ein solches Dokument selbst für eine belastbare Schätzung. Weicht der Dienstleister diesem Schritt aus oder behauptet, die Architektur ergebe sich unterwegs, dann gehen Sie weiter.
Stellen Sie vor der Vertragsunterschrift einige konkrete Fragen zur Infrastruktur. Wo werden die Modelle gehostet: öffentliche Cloud, private Cloud, Server des Kunden? Wie sieht der Fallback-Mechanismus aus, wenn die zentrale Modell-API ausfällt? Wie ist die Pipeline der Datenverarbeitung aufgebaut, vom Eingang der Nutzeranfrage bis zur Rückgabe der Antwort? Und wie skaliert die Lösung, wenn die Zahl der Nutzer und das Datenvolumen wachsen? Fehlen klare Antworten auf diese Fragen, bedeutet das eines: Der Dienstleister hat die Architektur nicht so weit durchdacht, dass er einen stabilen Produktivbetrieb garantieren könnte.
Datensicherheit und Compliance in KI-Projekten
Jede KI-Anwendung verarbeitet Daten. Oft sensible, vertrauliche oder rechtlich regulierte Daten. Firmendokumente, Korrespondenz mit Kunden, Finanzdaten, Informationen über Mitarbeitende: All das gelangt als Kontext von Anfragen in Sprachmodelle. Und nun die Frage: Wer kontrolliert diesen Fluss? Denn wenn der Dienstleister externe APIs ohne geeignete Absicherung nutzt, können die Daten Ihres Unternehmens auf den Servern des Modellanbieters landen. Mit einer Aufbewahrungsrichtlinie, über die Sie keinerlei Kontrolle haben. Ein verantwortungsvoller Technologiepartner schlägt eine Zwischenschicht vor, die Daten vor dem Versand an ein externes Modell filtert und anonymisiert.
Die DSGVO legt jeder Organisation, die personenbezogene Daten verarbeitet, konkrete Pflichten auf, und die Integration mit KI-Modellen fügt zusätzliche Komplikationen hinzu. Personenbezogene Daten sollten nicht im Klartext an externe APIs gelangen: Eine Anonymisierung oder Pseudonymisierung vor dem Versand ist erforderlich. Der Dienstleister sollte klar bestimmen, welche Daten die Infrastruktur des Kunden verlassen, auf welcher Rechtsgrundlage und wie der Prozess der Löschung auf Anforderung aussieht. Prüfen Sie außerdem, ob der Modellanbieter (etwa OpenAI, Anthropic, Google) eine API-Variante ohne Training auf den übermittelten Daten anbietet. Das ist Standard bei Enterprise-Lösungen, aber nicht jeder Dienstleister erwähnt es.
Cloud oder On-Premise? Das hängt von den Besonderheiten der Organisation ab. Die Cloud bietet Flexibilität und niedrigere Anfangskosten, ist aber mit einem Datentransfer außerhalb der Unternehmensinfrastruktur verbunden. Self-Hosting bedeutet volle Kontrolle über die Daten, verlangt aber ein eigenes Betriebsteam und höhere Anfangsinvestitionen. Für regulierte Branchen – Finanzwesen, Medizin, öffentlicher Sektor – ist On-Premise mitunter der einzige akzeptable Weg. Da sollte man sich nichts vormachen. Ein guter Dienstleister stellt beide Szenarien mit einer ehrlichen Analyse von Kosten und Risiken vor.
Auditierbarkeit ist eine weitere Dimension der Sicherheit, die etliche Anbieter schlicht vergessen. Ein KI-System sollte jede Anfrage, jede Modellantwort, die verwendeten Quellen sowie die Prompt-Version protokollieren, die ein bestimmtes Ergebnis erzeugt hat. Ohne das können Sie weder diagnostizieren, warum das System eine falsche Antwort gegeben hat, noch gegenüber Aufsichtsbehörden nachweisen, dass die Lösung den erklärten Regeln entsprechend arbeitet. Prompt-Versionierung und Quellenverfolgung (Grounding) sollten vom ersten Tag an in der Architektur verankert sein. Nicht als Pflaster nach einem Vorfall.
Kooperationsmodell und Kosten: worauf Sie in Angeboten achten sollten
KI-Projekte unterscheiden sich von klassischer Software auch beim Abrechnungsmodell. Die beiden verbreitetsten Ansätze – Time and Material sowie Fixed Price – haben hier andere Konsequenzen als in der Standardentwicklung. Eine starre Festpreiskalkulation im Voraus? Häufig eine Falle. KI-Projekte enthalten von Natur aus explorative Anteile: Modellauswahl, Prompt-Optimierung, iterative Verbesserung der Antwortqualität. Niemand, der seriös arbeitet, nennt einen exakten Preis für das Erreichen eines bestimmten Qualitätsniveaus des Modells, denn das hängt von der Datenqualität, den Besonderheiten der Domäne und Dutzenden Variablen ab, die sich erst während der Arbeit zeigen. Ein Time-and-Material-Modell mit definierten Meilensteinen und regelmäßigen Reviews gibt beiden Seiten mehr Flexibilität und mehr Ehrlichkeit.
Neben den sichtbaren Entwicklungskosten verursachen KI-Projekte Ausgaben, die viele Kunden zu Beginn nicht einplanen. API-Token, also die Gebühr für jede Anfrage an ein Sprachmodell, können bei großem Volumen lawinenartig wachsen. Die Infrastruktur braucht Betrieb: Server, Vektordatenbanken, Queueing- und Monitoringsysteme. Mit der Zeit erfordern Modelle ein Retraining oder aktualisierte Prompts, weil sich Quelldaten und Nutzererwartungen ändern. Das Monitoring von Drift, also der allmählichen Verschlechterung der Antwortqualität, ist ein fortlaufender Prozess, kein einmaliger. Ein Dienstleister, der diese Kosten im Angebot nicht berücksichtigt? Entweder versteht er sie nicht, oder er drückt die Kalkulation bewusst.
Ein vernünftiger Einstieg ist ein MVP, also ein minimales funktionierendes Produkt, das die Geschäftsidee validiert, bevor Sie in die vollständige Lösung investieren. Bei Web Systems empfehlen wir den meisten Kunden diesen Weg. Wir beginnen mit einem gut definierten Anwendungsfall, bauen einen funktionierenden Prototyp, messen seine Wirksamkeit und entscheiden erst auf Basis realer Daten über die weitere Entwicklung. Das schützt das Budget. Und es erlaubt eine schnelle Prüfung, ob die Richtung stimmt.
Das Eigentum an Code und Modellen verdient in jedem Vertrag einen eigenen Absatz. Stellen Sie sicher, dass nach Projektabschluss der Quellcode, die konfigurierten Pipelines, die trainierten Modelladapter und die technische Dokumentation Ihr Eigentum bleiben. Der Dienstleister sollte keine Bestandteile zurückhalten, ohne die Sie das System nicht eigenständig weiterentwickeln oder betreiben können. Fehlt eine solche Regelung im Vertrag, ist das der direkte Weg in die Abhängigkeit vom Anbieter. Und der Ausstieg aus einer solchen Lage kann mehr kosten als das Projekt selbst.
Häufig gestellte Fragen (FAQ)
Was kostet die Entwicklung einer KI-Anwendung?
Die Spanne ist enorm. Ein einfaches MVP auf Basis eines fertigen Sprachmodells mit Wissensbasis und Chat-Oberfläche liegt bei einigen Zehntausend PLN. Umfangreiche Enterprise-Systeme mit eigener RAG-Architektur, zahlreichen Integrationen, Administrationspanel und Sicherheitsmechanismen können mehrere Hunderttausend oder mehr kosten. Die Variablen? Die Zahl der Datenquellen, der geforderte Grad der Modellanpassung, der erwartete Traffic und die Compliance-Anforderungen. Statt abstrakt nach dem Preis zu fragen, beschreiben Sie besser einen konkreten Anwendungsfall: Dann wird die Schätzung aussagekräftig.
Wie lange dauert die Einführung einer KI-Anwendung?
Ein typisches Projekt durchläuft mehrere Etappen. Die Phase aus Discovery und Architekturentwurf dauert zwei bis vier Wochen für die Anforderungsanalyse, die Technologieauswahl und die Planung. Der Bau des MVP dauert je nach Komplexität meist sechs bis zwölf Wochen. Danach folgen Optimierungsiterationen: Verbesserung der Antwortqualität, Feinabstimmung der Pipeline, Tests mit echten Nutzern. Eine vollständige Produktiveinführung mit Integrationen und Sicherheitsmaßnahmen bewegt sich im Horizont von drei bis sechs Monaten. Aber Projekte ohne klare Methodik? Die können sich deutlich länger hinziehen.
Kann ich KI in mein bestehendes System integrieren?
Ja. Und das ist einer der häufigsten Bedarfe, denen wir begegnen. Die Integration erfolgt meist über APIs: Die KI-Schicht kommuniziert über gut definierte Schnittstellen mit dem bestehenden System (ERP, CRM, E-Commerce-Plattform, Dokumentenbestand). In komplexeren Fällen setzen wir Middleware oder eine Orchestrierungsschicht ein, die den Datenfluss zwischen mehreren Systemen koordiniert. Ein modularer Ansatz erlaubt die schrittweise Einführung von KI, beginnend mit einem einzigen Geschäftsprozess, ohne die gesamte IT-Infrastruktur umbauen zu müssen. Das erfordert allerdings eine solide technische Analyse zu Beginn, damit Versionskonflikte, doppelte Daten oder Leistungsprobleme vermieden werden.
Fazit: ein Technologiepartner, nicht nur ein Dienstleister
Die Wahl eines Unternehmens, das KI-Anwendungen entwickelt, ist eine Entscheidung, die weit über den Vergleich von Stundensätzen oder Technologielisten im Angebot hinausgeht. Sie suchen einen Partner für Monate oder Jahre: jemanden, der nicht nur Sprachmodelle beherrscht, sondern auch Ihre Geschäftsdomäne, regulatorische Einschränkungen und budgetäre Realitäten. Der einmalige Kauf einer fertigen Lösung funktioniert bei einfachen Werkzeugen. KI-Systeme aber brauchen fortlaufende Betreuung: Qualitätsmonitoring, Aktualisierung der Quelldaten, Feinabstimmung der Prompts und Reaktion auf sich ändernde Nutzerbedürfnisse.
Worauf sollten Sie achten? Vier Säulen. Erstens dokumentierte technische Kompetenzen: Erfahrung mit LLM, RAG, Vektordatenbanken und der Bewertung der Antwortqualität. Zweitens eine transparente Architektur mit getrennten Schichten, klarem Datenfluss und einem Skalierungsplan. Drittens Sicherheit: Kontrolle über den Datenfluss, DSGVO-Konformität, Auditierbarkeit und Prompt-Versionierung. Viertens ein ehrliches Kostenmodell, das nicht nur die Entwicklung berücksichtigt, sondern auch Betrieb, API-Token und die weitere Entwicklung des Systems.
Wenn Sie in Ihrer Organisation die Einführung einer KI-Anwendung planen, ein MVP zur Prüfung einer Geschäftsidee bauen, Künstliche Intelligenz (KI) in bestehende Systeme integrieren oder Prozesse automatisieren wollen, dann sprechen Sie mit uns. Bei Web Systems verbinden wir seit 2006 solides programmiertechnisches Handwerk mit einem pragmatischen Umgang mit neuen Technologien. Gern analysieren wir Ihren Fall und sagen Ihnen, womit Sie beginnen sollten, damit die Investition in KI reale Ergebnisse bringt.
