KI-Entwicklungsunternehmen: geprüfte Teams beauftragen

Was KI-Entwicklung umfasst

KI-Entwicklung ist heute vor allem das Engineering rund um ein Modell, nicht das Modell selbst. Kommerzielle Projekte starten meist bei einem Foundation Model — GPT, Claude, Gemini, Llama — und bestehen aus Retrieval, Werkzeugen, Evaluation, Leitplanken und Betrieb. Ein Modell von Grund auf zu trainieren, ist außerhalb von Forschungslaboren und einigen gut finanzierten Produktfirmen selten.

Das ändert die Anforderungen an einen Dienstleister. Datentechnik, Kontextgestaltung, Evaluations-Harnische, Kostenkontrolle und MLOps entscheiden darüber, ob ein System produktiv trägt. Ein Team, das nur ein Notebook demonstrieren kann, gerät genau dort in Schwierigkeiten, wo Latenz, Genauigkeit und Stückkosten anfangen zu zählen.

Was am häufigsten gebaut wird

• Retrieval-gestützte Assistenten. Suche und Antworten über eigene Dokumente, Tickets und Wikis — mit Quellenangabe.
• Agentische Workflows. Mehrstufige Automatisierungen, die Werkzeuge und APIs aufrufen, mit Freigabeschritt bei allem Unwiderruflichen.
• Dokumenten- und Datenextraktion. Rechnungen, Verträge, Formulare und E-Mails werden zu strukturierten Datensätzen für ERP oder CRM.
• Prognosemodelle. Bedarfsprognose, Abwanderung, Scoring, vorausschauende Wartung — klassisches ML, in den meisten Branchen weiterhin die rentabelste Kategorie.
• Computer Vision. Fehlererkennung, Zählung, OCR, Unterstützung in der Bildgebung und Videoanalyse.
• Empfehlung und Ranking. Personalisierte Feeds, Suchrelevanz, Preisbildung und Matching.

Wie Sie einen KI-Partner auswählen

• Fragen Sie nach dem, was produktiv läuft, nicht nach Prototypen. Zwischen beidem verschwindet der größte Teil der KI-Budgets.
• Fragen Sie, wie Qualität gemessen wird. Ohne Evaluationsset und Regressionssuite kann niemand sagen, ob eine Änderung besser oder schlechter war.
• Prüfen Sie den Umgang mit Daten: Wohin fließen sie, welche Modellanbieter sehen sie, wird etwas für Training aufbewahrt, und lässt sich alles in Ihrer eigenen Cloud oder on-premise betreiben?
• Lassen Sie sich die Betriebskosten nennen, nicht nur die Baukosten. Inferenz, Vektorspeicher und Observability laufen dauerhaft — eine schlecht entworfene Pipeline kostet monatlich mehr als ihre Entwicklung.
• Bestehen Sie auf einer begrenzten ersten Phase. Vier bis sechs Wochen Discovery oder Pilot mit definierter Erfolgsmetrik sind billiger, als im siebten Monat festzustellen, dass der Anwendungsfall nie tragfähig war.

Budgets, Zeitrahmen und Teamzuschnitt

Ein abgegrenzter Pilot — ein Anwendungsfall, eine Datenquelle, eine funktionierende Oberfläche — kostet typischerweise 15.000–60.000 $ über sechs bis zwölf Wochen. Ein Produktivsystem mit Integrationen, Evaluation, Monitoring und Zugriffskontrolle liegt meist bei 80.000–400.000 $; die laufende Pflege von Modellen und Pipelines bei 15–25 % der Baukosten pro Jahr.

Stundensätze schwanken stärker nach Region als nach Qualifikation: etwa 120–250 $ in den USA und Westeuropa, 40–90 $ in Osteuropa und Lateinamerika, 25–60 $ in Süd- und Südostasien. Ein typisches Team besteht aus einem ML-Engineer, einem Backend-Entwickler, einem Data Engineer in Teilzeit und einem Product Owner, der die Fachdomäne gut genug kennt, um eine richtige von einer plausiblen Antwort zu unterscheiden.