Ein KI-Projekt im Mittelstand kostet bei New Life Digital 4.900 € für den fünftägigen Discovery-Sprint und anschließend 25.000 bis 80.000 € für den produktiven Custom-Build. Dazu kommen laufende Kosten für Modell-APIs, Hosting, Monitoring und Wartung. Die API-Rechnung ist dabei selten der größte Kostenblock. Teuer werden unklare Prozesse, fehlende Datenzugänge und nicht eingeplante Ausnahmefälle.
Diese Antwort ist bewusst konkreter als „es kommt darauf an“. Natürlich kommt es auf den Scope an. Trotzdem muss ein Geschäftsführer vor dem ersten Workshop wissen, in welcher Größenordnung er entscheidet und welche Kosten oft vergessen werden.
Die vier Kostenblöcke eines KI-Projekts
Ein realistisches Budget trennt vier Blöcke. Wer nur die Modellkosten betrachtet, unterschätzt das Vorhaben.
| Kostenblock | Wofür Sie bezahlen | Typischer Zeitpunkt |
|---|---|---|
| Discovery | Prozessanalyse, Datenprüfung, Architektur und Live-Demo | vor der Build-Entscheidung |
| Custom-Build | Integration, Oberfläche, Rollen, Validierung und Tests | einmalig während der Umsetzung |
| Betrieb | Modell-API, Hosting, Datenbank, Monitoring | monatlich nach Go-live |
| Pflege | Fehlerbehebung, Modellwechsel, Prompt- und Qualitätsupdates | laufend oder nach Bedarf |
1. Discovery: 4.900 € für eine belastbare Entscheidung
Der Discovery-Sprint dauert fünf Tage. In dieser Zeit wird nicht nur eine Wunschliste geschrieben. Wir prüfen den echten Prozess, die verfügbaren Daten und die wichtigsten Ausnahmen. Am Ende steht eine Live-Demo am konkreten Fall.
Das Ergebnis kann auch lauten: Keine KI bauen. Vielleicht reicht eine saubere Schnittstelle, ein vorhandenes Standardtool oder eine klassische Workflow-Automatisierung. Diese Erkenntnis ist wirtschaftlich wertvoller als ein technisch beeindruckender Prototyp ohne Geschäftsfall.
2. Custom-Build: 25.000 bis 80.000 €
Nach der Discovery lässt sich der produktive Build als Festpreis einordnen:
| Klasse | Umfang | Laufzeit | Festpreis |
|---|---|---|---|
| Small | ein klarer Workflow, wenige Schnittstellen | 6 bis 8 Wochen | 25.000 bis 35.000 € |
| Medium | zwei bis drei Workflows, Rollen und mehrere Systeme | 8 bis 12 Wochen | 35.000 bis 55.000 € |
| Large | Multi-System, hohe Compliance oder mehrere Phasen | 12 bis 16 Wochen | 55.000 bis 80.000 € |
Der Preis hängt nicht primär davon ab, ob Claude, GPT, Gemini oder ein anderes Modell verwendet wird. Entscheidend sind Prozessbreite, Integrationen, Berechtigungen, Datenqualität und die Frage, wie Fehler sicher behandelt werden.
3. Betrieb: mehr als eine API-Rechnung
Modellanbieter rechnen meist nach verarbeiteten Ein- und Ausgaben ab. Daraus entsteht schnell der Eindruck, KI sei im Betrieb fast kostenlos. Für eine Demo kann das stimmen. Ein produktives System braucht zusätzlich:
- Hosting und Datenbank
- Protokollierung und Monitoring
- Zugriffs- und Berechtigungskontrollen
- Qualitätstests für neue Modellversionen
- menschliche Review-Pfade bei unsicheren Ergebnissen
- Support und Fehlerbehebung
NLD bietet für diese Aufgaben optionale Maintenance-Retainer von 500 bis 2.500 € pro Monat an. Die Modellkosten selbst werden separat nach echtem Volumen kalkuliert. Ein System mit kurzen Klassifikationsanfragen hat ein anderes Kostenprofil als ein Assistent, der regelmäßig lange Dokumente verarbeitet.
4. Pflege: Modelle ändern sich, Ihr Prozess auch
Ein KI-System ist keine statische Website. Anbieter veröffentlichen neue Modelle, alte Versionen werden abgekündigt und interne Datenquellen verändern sich. Deshalb gehören ein dokumentierter Wechselpfad, reproduzierbare Tests und klare Verantwortlichkeiten in die Architektur.
Wer diese Pflege beim Projektstart ignoriert, spart nicht. Er verschiebt die Rechnung nur in den ersten kritischen Modellwechsel.
Was die Kosten wirklich nach oben treibt
Unklarer Prozess
„Wir möchten E-Mails mit KI automatisieren“ ist kein Scope. Welche E-Mails? Welche Entscheidungen darf das System treffen? Wann muss ein Mensch übernehmen? Wohin wird das Ergebnis geschrieben? Je später diese Fragen beantwortet werden, desto teurer wird jede Änderung.
Schwierige Datenzugänge
Ein gut dokumentiertes CRM mit API ist planbar. Ein proprietäres Altsystem mit manuellen CSV-Exporten erzeugt Integrationsarbeit und Betriebsrisiko. Der Aufwand steckt dann nicht im Sprachmodell, sondern zwischen den Systemen.
Fehlende Qualitätsgrenze
Ein produktives KI-System braucht eine Regel für Unsicherheit. Bei welcher Konfidenz wird automatisch verarbeitet? Welche Fälle landen in einer Review-Queue? Wie wird ein Fehler später nachvollzogen? Ohne diese Grenze bleibt nur blindes Vertrauen oder vollständige manuelle Kontrolle.
Zu großer erster Scope
Viele Vorhaben starten als „unternehmensweiter KI-Assistent“. Das ist selten ein guter Einstieg. Wirtschaftlicher ist ein Prozess mit hohem Volumen, klarer Baseline und begrenzten Ausnahmen. Erst wenn dieser Beweis trägt, folgt der nächste Workflow.
ROI berechnen: die Formel für Geschäftsführer
Die einfachste belastbare Rechnung lautet:
Jährliche Nettoentlastung = heutige Prozesskosten minus verbleibende manuelle Arbeit minus laufende Systemkosten.
Danach wird die Nettoentlastung mit dem einmaligen Projektinvestment verglichen.
Ein reales NLD-Beispiel ist eine produktive KI-Pipeline für einen deutschen E-Commerce-Anbieter. Die Kosten pro Produktbild sanken von 1,75 € auf 0,10 €. Bei rund 2.800 Produktbildern im Monat ergibt das eine rechnerische Differenz von 4.620 € pro Monat vor weiteren Betriebs- und Personalkosten. Genau solche belastbaren Einheiten sind für eine Entscheidung wertvoller als allgemeine Produktivitätsversprechen.
Weitere Ergebnisse finden Sie in unseren Cases und Produktbeweisen.
Make, Buy oder gar keine KI?
Nicht jedes Problem braucht einen Custom-Build.
| Situation | Sinnvoller Weg |
|---|---|
| Standardaufgabe ohne besondere Prozesse | vorhandenes SaaS-Tool testen |
| klarer Ablauf zwischen mehreren Tools | klassische Automatisierung prüfen |
| eigener Prozess mit Wettbewerbsvorteil | individueller Software- oder KI-Build |
| keine Baseline und unklare Daten | zuerst Prozess und Datenlage klären |
Die richtige Frage lautet nicht „Wo können wir KI einsetzen?“, sondern: Welche wiederkehrende Arbeit ist teuer genug, um eine bessere Lösung zu rechtfertigen?
Checkliste vor der Budgetfreigabe
Vor einem KI-Projekt sollten sechs Fragen beantwortet sein:
- Wie häufig läuft der Prozess pro Monat?
- Wie viele Minuten kostet ein Fall heute?
- Welche Systeme und Datenquellen sind beteiligt?
- Welche Fehler wären geschäftlich oder rechtlich kritisch?
- Wann muss ein Mensch übernehmen?
- In welchem Zeitraum soll sich das Investment amortisieren?
Wenn diese Antworten fehlen, ist noch keine Build-Entscheidung möglich. Genau deshalb gilt bei NLD: Erst der Beweis, dann das Budget.
Für den allgemeinen Software-Kostenrahmen lesen Sie ergänzend Was kostet individuelle Software für den Mittelstand?. Die fachliche Einordnung von Use-Cases finden Sie im Pillar KI im Mittelstand 2026.
KI-Projekt konkret besprechen →
Geschrieben von Simon Maiwald, Gründer von New Life Digital im MAFINEX Mannheim. Simon berät mittelständische Unternehmen und verantwortet die Architektur der anschließenden Software-Builds.
Quellen und weiterführende Dokumente
- OpenAI API Pricing OpenAI
- Claude Platform Pricing Anthropic
Häufige Fragen
Kurz und direkt beantwortet.
Was kostet ein KI-Projekt im Mittelstand realistisch?
Bei New Life Digital kostet der fünftägige Discovery-Sprint 4.900 € Festpreis. Ein produktiver Custom-Build liegt danach je nach Scope bei 25.000 bis 80.000 €. Hinzu kommen laufende Kosten für Modell-APIs, Hosting, Monitoring und Wartung. Entscheidend ist, diese vier Kostenblöcke getrennt zu kalkulieren und vor dem Build an echten Daten zu validieren.
Warum reicht ein ChatGPT-Abo nicht für ein KI-Projekt?
Ein ChatGPT-Abo stellt ein Werkzeug bereit, aber keine Integration in Prozesse, Rollen, Datenquellen oder Bestandssysteme. Ein produktives KI-System braucht mindestens Zugriffslogik, Datenschutzkonzept, Qualitätsprüfung, Fehlerbehandlung und einen klaren Übergabepunkt an Menschen. Genau diese Integrationsarbeit macht den größten Teil des Projektbudgets aus.
Was kostet der laufende Betrieb einer KI-Lösung?
Die Modell-API ist häufig nicht der größte laufende Kostenblock. Zusätzlich entstehen Hosting, Monitoring, Wartung, Support und regelmäßige Qualitätsprüfungen. NLD kalkuliert optionale Maintenance-Retainer mit 500 bis 2.500 € pro Monat. Die tatsächlichen Modellkosten hängen von Anfragevolumen, Kontextlänge, Modellwahl und Ausgabeumfang ab.
Wie berechnet man den ROI eines KI-Projekts?
Eine belastbare Rechnung startet mit der heutigen Prozesskosten-Baseline: Fälle pro Monat mal Minuten pro Fall mal interner Vollkostensatz. Davon werden die verbleibende manuelle Arbeit und alle laufenden Systemkosten abgezogen. Das Projekt trägt, wenn die jährliche Nettoentlastung das einmalige Investment innerhalb des gewünschten Amortisationszeitraums übersteigt.
Wann sollte ein Mittelständler ein KI-Projekt nicht starten?
Nicht starten sollte ein Unternehmen, wenn der Prozess selten vorkommt, keine messbare Baseline existiert, wichtige Daten nicht zugänglich sind oder ein Standardtool das Problem ausreichend löst. In diesen Fällen ist klassische Automatisierung, Prozessbereinigung oder der Kauf vorhandener Software meist wirtschaftlicher als ein individueller KI-Build.
Wie lange dauert ein KI-Projekt bis zum produktiven Einsatz?
Der Discovery-Sprint dauert fünf Tage. Ein Small-Build mit einem Workflow benötigt typischerweise sechs bis acht Wochen, ein Medium-Build acht bis zwölf Wochen. Multi-System-Projekte liegen bei zwölf bis sechzehn Wochen oder werden in mehrere Phasen geteilt. Diese Zeitangaben gelten nach einem klar abgegrenzten Scope.