Make vs Buy bei KI: LLM-Tools, Agenten, RAG – was passt wann?

Die erste strategische Frage bei jedem KI-Projekt: Bauen wir selbst oder kaufen wir ein? Die Antwort ist selten schwarz-weiß – aber es gibt klare Entscheidungskriterien.

Die drei Optionen im Überblick

1. Fertige SaaS-Tools (Buy)

Beispiele: ChatGPT Enterprise, Microsoft Copilot, Jasper, Copy.ai, Intercom Fin

Vorteile:

• Sofort einsatzbereit (Tage statt Monate)
• Keine Entwicklungskosten
• Wartung und Updates inklusive
• Geringe technische Hürden

Nachteile:

• Begrenzte Anpassungsmöglichkeiten
• Daten verlassen das Unternehmen
• Vendor Lock-in
• Laufende Lizenzkosten skalieren mit Nutzung

Passt wenn:

• Standardaufgaben (Texterstellung, Zusammenfassungen, einfache Chatbots)
• Schneller Start wichtiger als volle Kontrolle
• Keine sensiblen Daten involviert
• IT-Ressourcen begrenzt

2. Low-Code/No-Code Plattformen (Build Light)

Beispiele: n8n, Make, Zapier + OpenAI, Langflow, Flowise

Vorteile:

• Schnelle Umsetzung (Wochen)
• Hohe Flexibilität ohne Programmierung
• Eigene Datenquellen integrierbar
• Kostengünstig für Prototypen

Nachteile:

• Begrenzt bei komplexen Logiken
• Performance-Limits bei hohem Volumen
• Debugging kann schwierig sein
• Abhängigkeit von Plattform-Limits

Passt wenn:

• Spezifische Workflows automatisiert werden sollen
• Eigene Daten eingebunden werden müssen
• Proof of Concept vor großer Investition
• Team hat Zeit zum Experimentieren

3. Custom Development (Build)

Beispiele: Eigene RAG-Pipeline, Fine-Tuned Modelle, Agent-Systeme

Vorteile:

• Volle Kontrolle über Daten und Logik
• Maximale Anpassung an Geschäftsprozesse
• Keine laufenden Lizenzkosten pro User
• Wettbewerbsvorteil durch proprietäre Lösung

Nachteile:

• Hohe initiale Entwicklungskosten
• Expertise erforderlich (LLM, MLOps, DevOps)
• Längere Time-to-Market (Monate)
• Wartung und Updates in eigener Verantwortung

Passt wenn:

• Kernprozess mit strategischer Bedeutung
• Sensible Daten, die nicht extern verarbeitet werden dürfen
• Hohe Nutzerzahlen (Lizenzkosten würden explodieren)
• Langfristige Investition geplant

Entscheidungsmatrix

Konkrete Szenarien

Szenario 1: Marketing-Texte erstellen

Empfehlung: Buy (SaaS)

Für Produktbeschreibungen, Social Posts, Newsletter-Entwürfe reichen Tools wie Jasper oder ChatGPT Enterprise. Der Mehrwert von Eigenentwicklung ist minimal.

Szenario 2: Interner Wissensbots für Mitarbeiter

Empfehlung: Build Light → Build Custom

Starte mit n8n + RAG-Template für einen Proof of Concept. Wenn erfolgreich, investiere in eine robuste Custom-Lösung mit eigenem Vektorstore und besserer Integration.

Szenario 3: Kundenservice-Automation

Empfehlung: Hybrid

• Tier 1: Fertige Lösung (Intercom Fin, Zendesk AI) für FAQ-Antworten
• Tier 2: Custom RAG für produktspezifische Fragen mit eigener Dokumentation
• Tier 3: Eskalation an menschliche Agenten

Szenario 4: Dokumentenanalyse mit sensiblen Daten

Empfehlung: Build Custom

Bei Verträgen, Finanzunterlagen oder Patientendaten ist Datensouveränität entscheidend. Azure OpenAI in EU-Region oder On-Premise-Modelle (Llama, Mistral) sind hier Pflicht.

Szenario 5: Code-Generierung für proprietäre Sprache

Empfehlung: Fine-Tuning (Build Custom)

Wenn Ihr Tech-Stack proprietäre Syntax oder interne Frameworks nutzt, braucht es ein Fine-Tuned Modell. GitHub Copilot allein reicht nicht.

Die versteckten Kosten

Bei Buy (SaaS)

• Seat-Lizenzen: 20€-50€/User/Monat multipliziert mit Team-Größe
• API-Kosten: Token-basiert, kann bei hohem Volumen explodieren
• Integration: Oft unterschätzt – CRM, ERP, SSO anbinden kostet Zeit
• Vendor Lock-in: Migration später kann teuer werden

Bei Build Custom

• Entwicklung: 2-6 Monate Entwicklerzeit (50.000€-200.000€+)
• Infrastruktur: GPU-Kosten, Vektorstore, Monitoring (500€-5.000€/Monat)
• Expertise: LLM/ML-Knowhow im Team aufbauen oder einkaufen
• Wartung: 20-30% der Entwicklungskosten jährlich

Meine Empfehlung

Für 80% der Unternehmen gilt:

1. Starte mit Buy für nicht-kritische Use-Cases (Marketing, interne Produktivität)
2. Teste mit Build Light für spezifischere Anforderungen (eigene Daten, Workflows)
3. Investiere in Build Custom nur für strategisch wichtige Kernprozesse

Die größten Fehler:

• Zu früh Custom bauen, bevor der Use-Case validiert ist
• Zu lange bei SaaS bleiben, obwohl Lizenzkosten explodieren
• Vendor Lock-in ignorieren bei kritischen Prozessen

Checkliste für die Entscheidung

• Strategische Bedeutung: Ist das ein Kernprozess oder Nice-to-have?
• Datensensibilität: Können Daten extern verarbeitet werden?
• Skalierung: Wie viele User/Anfragen erwarten wir?
• Budget: Initiale vs. laufende Kosten realistisch kalkuliert?
• Expertise: Haben wir die Skills für Custom Development?
• Time-to-Market: Wie schnell muss die Lösung live sein?

---

Sie stehen vor einer Make-vs-Buy-Entscheidung? In der KI-Erstberatung analysieren wir Ihren konkreten Case und entwickeln die richtige Strategie.