Build, Buy oder Embed: KI-Anbieter bewerten

# Build, Buy oder Embed: KI-Anbieter bewerten

Ein mittelgroßes SaaS-Unternehmen für Customer Support hat 14 Monate und rund 2 Millionen Dollar in einen internen KI-Klassifizierer für Tickets investiert. Als ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → ausgeliefert wurde, erreichten die Standard-APIs von OpenAI und Anthropic die gleiche Genauigkeit zu einem Bruchteil der Kosten. Das Team hatte keinen MoatMoatA lasting edge over competitors: a resource, capability or position they cannot easily replicate, letting a firm earn above-average returns over time.Vollständige Definition ansehen → gebaut, sondern ein Museumsstück.

Dieses Szenario wiederholt sich im SaaS-Sektor jedes Quartal. Die Entscheidung ist nicht ideologisch (build gut, buy schlecht). Sie ist ein Tradeoff zwischen Kosten, Kontrolle und Geschwindigkeit, der sich danach richtet, was das KI-Feature für Ihr Produkt tatsächlich leistet.

Die drei Wege

Build: Die KI-Fähigkeit intern entwickeln, meist durch Fine-TuningFine-TuningFine-tuning adapts a pre-trained model to a specific task or domain by continuing training on a smaller, targeted dataset, improving accuracy and style for that use case.Vollständige Definition ansehen → von Open-Weight-Modellen (Modelle wie Metas Llama oder Mistral, deren Weights, also die gelernten Parameter, öffentlich herunterladbar sind) oder durch Training eigener Modelle auf proprietären Daten.

Buy: Eine Point Solution kaufen, also ein Anbieterprodukt für genau eine Aufgabe (ein Tool zur Fraud Detection, ein Lebenslauf-Screening, eine Engine für Call-Transkription).

Embed: Eine Foundation-Model-APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen → aufrufen (ein universell einsetzbares Large Language ModelLarge Language ModelA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → über das Internet, etwa GPT-4o, Claude oder Gemini) und die eigene Produktlogik und Oberfläche darum herum bauen.

Die meisten SaaS-Unternehmen nutzen 2026 alle drei parallel, für unterschiedliche Features. Die Kunst besteht darin, den richtigen Weg mit dem richtigen Use Case zu verbinden.

Die Tradeoffs bewerten

Gesamtkosten

Build sieht auf einer Folie günstig aus (nur Gehälter für Engineers), verbirgt aber Kosten: Data Labeling, GPU-/Cloud-Compute, laufendes Retraining und die Opportunitätskosten dafür, dass Ihre besten Engineers nicht am Kernprodukt arbeiten. Eine glaubwürdige Spanne für ein eigenes Modell mit echter Produktionsstabilität: mehrere Hunderttausend bis einige Millionen Dollar im ersten Jahr, vor Wartung.

Buy hat sichtbare, vorhersehbare Kosten: eine Subscription oder eine nutzungsabhängige Gebühr. Anbieter wie Intercom (Fin), Zendesk oder spezialisierte Fraud-Detection-Player (z. B. Sift) rechnen pro Seat oder pro Lösung eines Falls ab. Leicht zu budgetieren, schwerer anzupassen.

Embed-Kosten skalieren mit der Nutzung. Anfang 2026 liegen die APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen →-Preise von OpenAI und Anthropic je nach Modellklasse im Bereich von wenigen Dollar bis einigen Dutzend Dollar pro Million TokensTokensA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen → (eine grobe, öffentlich gelistete Schätzung, die sich häufig ändert; aktuelle Sätze siehe OpenAIs Pricing-Seite). Die Kosten sind variabel, die festen Overheads niedrig. Ein Startup kann für unter 500 Dollar prototypen.

Rechenbeispiel: Ein SaaS-Unternehmen ergänzt ein KI-Summarization-Feature für 10.000 Kundengespräche pro Monat mit durchschnittlich 1.500 Output-TokensTokensA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen → je Gespräch.

• 10.000 Calls × 1.500 TokensTokensA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen → = 15.000.000 TokensTokensA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen →/Monat
• Bei einem beispielhaften Satz von 10 Dollar pro Million Output-TokensTokensA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen →: 15 × 10 $ = 150 $/Monat
• Im Vergleich ein Point-Solution-Anbieter mit 0,50 $ pro Call: 10.000 × 0,50 $ = 5.000 $/Monat
• Im Vergleich Build: ein ML Engineer mit voll belasteten ~180.000 $/Jahr, plus Compute, übersteigt im ersten Jahr amortisiert leicht 20.000 $/Monat.

Embed gewinnt hier bei den reinen Kosten, sofern das Call-Volumen nicht um den Faktor 100 wächst. Dann skaliert die APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen →-Rechnung linear und die Ökonomie von Buy oder Build verändert sich.

Lock-in

Lock-in ist das MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ß dafür, wie teuer oder langsam ein späterer Anbieterwechsel ist. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → kommt in drei Varianten:

• Data Lock-in: Ihre proprietären Daten liegen im System eines Anbieters, und der Export oder die Weiterverwendung ist schwierig.
• Workflow Lock-in: Die Prozesse Ihres Teams sind um das UI und die Eigenheiten eines Tools herum gebaut.
• Model Lock-in: Ihre Prompts, Ihr Fine-TuningFine-TuningFine-tuning adapts a pre-trained model to a specific task or domain by continuing training on a smaller, targeted dataset, improving accuracy and style for that use case.Vollständige Definition ansehen → und Ihr Evaluation-Harness sind auf das spezifische Verhalten eines Modells abgestimmt.

Der Kauf einer Point Solution bedeutet meist den tiefsten Lock-in: Der Wechsel des Fraud-Detection-Anbieters heißt, APIs neu zu integrieren, Mitarbeiter neu zu schulen und oft historisches Model Tuning zu verlieren.

Das EmbeddingEmbeddingAn embedding is a numerical vector that represents data (text, images, or items) in a way that captures meaning, so similar items sit close together in space.Vollständige Definition ansehen → von Foundation Models hat einen moderaten Lock-in. Anbieter unterstützen zunehmend portable Formate, und Open-Weight-Alternativen (Llama, Mistral, Qwen) erlauben Self-Hosting, wenn sich Preis oder Policy eines Anbieters ändern. Prompt EngineeringPrompt EngineeringPrompt engineering is the practice of designing and refining text inputs to guide large language models toward accurate, relevant, and reliable outputs.Vollständige Definition ansehen → und Evaluation Pipelines sind zwischen Modellfamilien aber selten ohne Nacharbeit vollständig portabel.

Build hat den geringsten Vendor Lock-in, aber den größten internen Lock-in: Die undokumentierten Entscheidungen Ihres eigenen Teams werden zur Abhängigkeit.

Time-to-Value

Embed ist am schnellsten. Ein funktionierender Prototyp mit GPT- oder Claude-APIs kann in Tagen ausgeliefert werden. Deshalb startete nahezu jedes zwischen 2023 und 2026 angekündigte SaaS-KI-Feature als eingebundener APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen →-Call.

Buy ist schnell, wenn der Use Case des Anbieters eng zu Ihrem passt; langsam, wenn Sie viel Customizing brauchen (Integration, Security Review und Procurement kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen im Enterprise-Kontext Monate dauern).

Build ist fast immer am langsamsten. Selbst einfache eigene Modelle erfordern Datenerhebung, Labeling, Training, Evaluation und Safety-Tests vor dem Release.

Ein Entscheidungsframework

Stellen Sie vor der Wahl drei Fragen:

1. Ist diese Fähigkeit zentral für Ihren Wettbewerbsvorteil? Wenn KI *Ihr* Produkt ist (z. B. ein KI-Coding-Assistent), sind Build oder tiefes Customizing wahrscheinlich gerechtfertigt. Ist KI ein Feature, das an ein bestehendes Workflow-Tool angeflanscht wird (z. B. automatische Zusammenfassung von Tickets in einem CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →), dann embed oder buy.

2. Ist die zugrunde liegende Aufgabe commoditisiert? Textzusammenfassung, Übersetzung und einfache Klassifizierung sind bei Foundation-Model-Anbietern heute Commodity-Fähigkeiten. Build zahlt sich hier selten aus. Stark domänenspezifische Aufgaben (etwa das Parsen von Nischen-Rechtsverträgen mit proprietärer Taxonomie) kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Fine-TuningFine-TuningFine-tuning adapts a pre-trained model to a specific task or domain by continuing training on a smaller, targeted dataset, improving accuracy and style for that use case.Vollständige Definition ansehen → oder eine spezialisierte Point Solution rechtfertigen.

3. Wie sehen Ihr realistisches Nutzungsvolumen und Ihre Wachstumskurve aus? Geringes Volumen spricht für Embed (nahezu keine Fixkosten). Sehr hohes, stabiles Volumen kann die Rechnung in Richtung Build oder Self-Hosting eines Open-Weight-Modells kippen, da APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen →-Kosten dauerhaft linear skalieren, Infrastrukturkosten aber abflachen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.

Ein einfacher Bauchtest, den mehrere SaaS-Produktverantwortliche nutzen: Wenn Sie nicht in einem Satz begründen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, warum diese KI-Fähigkeit proprietär sein muss, dann embed als Default.

Evaluations-Checkliste für jeden Anbieter oder jede APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen →

Bevor Sie etwas unterschreiben, sollten SaaS-KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer bei Anbietern nachbohren:

• Benchmarks auf Ihren Daten, nicht auf deren. Öffentliche Benchmarks (etwa die auf Stanfords HELM getrackten) zeigen allgemeine Leistungsfähigkeit, nicht die Performance auf Ihren spezifischen Dokumenten oder der Sprache Ihrer Kunden.
• Datenverarbeitung und Residency. Wohin gehen Ihre Daten? Werden sie für weiteres Modelltraining genutzt? Unterstützt der Anbieter für EU-Kunden die Anforderungen der DSGVO (Datenschutz-Grundverordnung) an Auftragsverarbeitungsverträge?
• Latenz- und Uptime-SLAs (Service Level Agreements, vertragliche Garantien für Antwortzeit und Verfügbarkeit).
• Exit-Plan. KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie Ihre Fine-TuningFine-TuningFine-tuning adapts a pre-trained model to a specific task or domain by continuing training on a smaller, targeted dataset, improving accuracy and style for that use case.Vollständige Definition ansehen →-Daten, Prompts und Logs exportieren, wenn Sie gehen?
• Regulatorische Exposition. Unter dem EU AI Act (in Stufen zwischen 2025 und 2027 wirksam) bringen bestimmte „hochriskante“ KI-Anwendungsfälle (z. B. Credit Scoring, Bewerber-Screening) Dokumentations- und Transparenzpflichten mit sich, die teilweise beim einsetzenden Unternehmen liegen, nicht nur beim Modellanbieter. Wenn Sie KI in einen regulierten Workflow kaufen oder einbinden, klären Sie, wer für Compliance verantwortlich ist.

Eine kurze technische Illustration

So sieht „EmbeddingEmbeddingAn embedding is a numerical vector that represents data (text, images, or items) in a way that captures meaning, so similar items sit close together in space.Vollständige Definition ansehen →“ in der Praxis aus, ein paar Zeilen, die eine Foundation-Model-APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen → zur Klassifizierung von Support-Tickets aufrufen:

from openai import OpenAI
client = OpenAI()

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "Classify ticket urgency: low, medium, high."},
        {"role": "user", "content": ticket_text}
    ]
)
print(response.choices[0].message.content)

Das ist bei vielen SaaS-Produkten in der ersten ausgelieferten Version das komplette „KI-Feature“. Die Build-Entscheidung wird erst später relevant, wenn Genauigkeit, Kosten bei Skalierung oder Datenschutzanforderungen einen Wechsel zu Fine-TuningFine-TuningFine-tuning adapts a pre-trained model to a specific task or domain by continuing training on a smaller, targeted dataset, improving accuracy and style for that use case.Vollständige Definition ansehen → oder Self-Hosting erzwingen.

Key Takeaways

• Passen Sie den Weg zum Use Case an, nicht zum Trend. Commodity-Aufgaben (Summarization, Klassifizierung) sprechen für Embed; Kern-Differenzierer kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Build rechtfertigen; enge, regulierte Aufgaben sprechen eher für eine spezialisierte Point Solution.
• Kostenvergleiche müssen versteckte Kosten enthalten. Build verbirgt Engineering-Zeit und Wartung; Buy verbirgt Grenzen der Anpassbarkeit; Embed verbirgt langfristige Skalierungskosten.
• Lock-in ist nicht binär. Bewerten Sie ihn getrennt entlang der Dimensionen Daten, Workflow und Modell, bevor Sie einen Vertrag unterschreiben.
• Geschwindigkeit spricht fast immer für Embed. Nutzen Sie es, um Nachfrage zu validieren, bevor Sie in ein aufwändigeres Build- oder Buy-Investment gehen.
• Compliance-Pflichten (EU AI Act, DSGVO) bleiben oft beim einsetzenden SaaS-Unternehmen, unabhängig vom gewählten Weg. Anbieterverträge sollten daher festlegen, wer welche Dokumentation verantwortet.