Was kostet KI nach dem Pilotprojekt wirklich?
Ein Pilot deckt nur einen Teil der späteren Kosten ab. Diese Analyse ordnet zwölf Prüffelder, an denen sich die Vollkosten einer KI-Investition nach dem Test tatsächlich bemessen.
Ein vereinfachtes Rechenbeispiel: Angenommen, ein Pilot mit zehn Arbeitsplätzen kostet über drei Monate 15.000 Euro. Eine lineare Hochrechnung auf hundert Arbeitsplätze ergäbe 150.000 Euro. Die Zahlen sind bewusst fiktiv. Genau die Lücke zwischen Pilotpreis und späteren Betriebskosten ist die Frage dieser Folge. Ein laufendes System stellt zusätzliche Anforderungen an Daten, Integration, Betrieb und Verantwortung. Ein erfolgreicher Pilot allein rechtfertigt noch keine Investitionsentscheidung. Diese Folge beantwortet die Anschlussfrage: Was kostet der Schritt in den Produktivbetrieb tatsächlich, und woran lässt sich das vor der Entscheidung festmachen?
Warum die einfache Hochrechnung nicht aufgeht
Einen konkreten Hinweis liefert eine aktuelle Befragung von 604 deutschen Unternehmen ab 20 Beschäftigten durch den Digitalverband Bitkom: Ein Drittel der Unternehmen, die KI bereits einsetzen, stellte fest, dass die Kosten deutlich höher ausfielen als zuvor erwartet (Bitkom, Presseinformation vom 11.03.2026).
Aus meiner Sicht liegt die Erklärung nicht in einzelnen falsch geschätzten Posten, sondern in der Struktur der Hochrechnung selbst. Ein Pilot zeigt vor allem, ob eine Lösung grundsätzlich funktioniert; wie sie sich unter echten, unvorhersehbaren Nutzungsmustern verhält, zeigt er kaum. Der Produktivbetrieb muss zusätzlich mit echten Nutzungsmustern bestehen, die ein Pilot in dieser Form kaum zeigt. Eine Arbeit zu maschinellem Lernen in der Praxis beschreibt genau diesen Effekt: Reale ML-Systeme verursachen laufende, oft unterschätzte Wartungskosten, die aus Datenabhängigkeiten und Wechselwirkungen zwischen Systemkomponenten entstehen (Sculley u. a., NeurIPS 2015). Für die Kostenbetrachtung des Produktivbetriebs ist deshalb relevant, dass Datenabhängigkeiten und Wechselwirkungen in realen ML-Systemen mit laufenden Wartungsaufwänden verbunden sein können.
Zwölf Prüffelder statt einer Prozentzahl
Für diesen Beitrag habe ich geprüft, ob die von mir ausgewerteten Primärquellen eine belastbare allgemeingültige Prozentaufteilung der KI-Gesamtkosten hergeben. In den von mir geprüften Primärquellen habe ich eine solche Aufteilung nicht gefunden. Für diese Analyse ordne ich die Vollkosten deshalb in zwölf Prüffelder: Modell- und Rechenkosten, Infrastruktur, Datenaufbereitung und Datenqualität, Schnittstellen, Entwicklung und Anpassung, Tests und Qualitätssicherung, Sicherheit und Compliance, Monitoring und Betrieb, Wartung und Modelländerungen, Personal und Schulung, Anbieterabhängigkeit sowie Fehler- und Risikokosten. Diese Einteilung ist ein Prüfraster für die Investitionsentscheidung, keine statistische Kostenverteilung.
Bei den Modellkosten lohnt ein Blick auf die Abrechnungsmechanik der Anbieter. AWS beschreibt für seinen Bedrock-Dienst nutzungsabhängige Abrechnung je Token oder reservierte Kapazität (AWS, Bedrock Pricing). Bei nutzungsabhängiger Abrechnung hängen die Modellkosten von der tatsächlichen Nutzung ab; reservierte beziehungsweise provisionierte Kapazität folgt einem anderen Kostenmodell. Die Zahl der Arbeitsplätze allein reicht daher nicht für eine Kostenprognose. Bei Sicherheit und Compliance zeigt sich ein anderes Muster: Je nach Rolle und eingesetztem KI-System können aus der europäischen KI-Verordnung fortlaufende Pflichten entstehen (Europäische Kommission zur Verordnung (EU) 2024/1689). Der US-amerikanische Rahmen des National Institute of Standards and Technology beschreibt vertrauenswürdigen KI-Betrieb ebenfalls als fortlaufenden Risikomanagement-Prozess. Eine einmalige Freigabe sieht dieser Rahmen nicht vor (NIST, AI Risk Management Framework, Januar 2023). Compliance gehört damit als möglicher laufender Kostenblock in die Prüfung.
Klären Sie vor der Entscheidung konkret, wie der jeweilige Anbieter Modelländerungen ankündigt, welche Fristen dafür gelten und was ein Wechsel des Anbieters an Integrationsaufwand nach sich ziehen würde.
Woran sich der Erfolg nach zwölf Monaten misst
Eine Entscheidung nach dem Piloten sollte sich intern und extern sachlich vertreten lassen, einschließlich Messkriterien für die kommenden zwölf bis vierundzwanzig Monate. Meine Empfehlung für die Kostenprüfung: Vor der Skalierung werden für jedes relevante Prüffeld Annahmen und Messkriterien festgehalten. Nach dem ersten Betriebsjahr werden diese mit den tatsächlichen Kosten und dem tatsächlichen Betriebsaufwand verglichen. Die Prüfung sollte damit auch Teil der späteren Erfolgsmessung sein und nicht bereits mit der Investitionsentscheidung enden.
Dabei lohnt ein Blick über die reine Kostenzahl hinaus. Unter den EU-Unternehmen, die KI nicht einsetzten, den Einsatz aber bereits erwogen hatten, war fehlende Fachkompetenz der häufigste genannte Grund für den Nichtgebrauch, gefolgt von Unklarheit über die rechtlichen Folgen und Datenschutzbedenken (Eurostat, Statistics Explained, Dezember 2025). Die amtliche Erhebung von Destatis nennt als häufigste Gründe für den Nichtgebrauch von KI fehlendes Wissen sowie Unklarheit über die rechtlichen Folgen (Destatis, Pressemitteilung Nr. 444 vom 25.11.2024). Auffällig ist für mich: Kosten beziehungsweise ein zu hoher Preis stehen in diesen Erhebungen nicht an erster Stelle der genannten Hürden. Wer nach zwölf Monaten nur auf die Rechnung schaut, aber nicht darauf, ob im Haus inzwischen jemand das System eigenständig warten und bewerten kann, blendet aus meiner Sicht einen zentralen Risikofaktor aus.
Wann Abwarten die wirtschaftlich bessere Wahl ist
Zeigt die Durchsicht der zwölf Prüffelder, dass zentrale Fragen offen bleiben, etwa zur Datenqualität oder zu den Fristen des Anbieters bei Modelländerungen, ist eine Verschiebung der Skalierung die Folge einer Kalkulation, die noch nicht vollständig ist. Das gilt besonders, wenn die im Piloten sichtbaren Vorteile stark an die kleine, kontrollierte Testumgebung gebunden sind und offen ist, ob sie unter echten Nutzungsbedingungen bestehen bleiben.
Was das für die Entscheidung nach dem Piloten bedeutet
Eine lineare Hochrechnung vom Pilotpreis auf den Produktivbetrieb bildet zusätzliche Kosten für Integration, Compliance, Wartung und Personal nicht automatisch ab. Wer nach einem erfolgreichen Piloten skalieren will, geht die zwölf Prüffelder einzeln durch und legt dabei offene Punkte sowie Messkriterien für das erste Betriebsjahr fest, bevor die Skalierung beginnt. Ob ein Unternehmen skaliert, nachbessert oder stoppt, wird damit zu einer begründbaren Entscheidung auf Basis einer vollständigen Rechnung.