Selbst bauen oder kaufen? Der ehrliche Vergleich für KI-Agenten im Unternehmen

Eine Anbieter-Demo lässt es wie ein Wochenendprojekt aussehen. Ein Open-Source-Framework lässt es kostenlos aussehen. Beide Eindrücke sind falsch, und beide kosten Unternehmen echtes Geld. Die Entscheidung, einen KI-Agenten selbst zu bauen oder zu kaufen, ist eine der folgenreichsten Technologieentscheidungen, die ein Unternehmen 2026 trifft, und sie wird meist aus dem Bauch heraus getroffen statt anhand der Zahlen, die das Ergebnis tatsächlich bestimmen.

Der Markt hat bereits abgestimmt. 2025 wurden 76 Prozent der KI-Lösungen in Unternehmen gekauft statt selbst gebaut, deutlich mehr als die 53 Prozent im Vorjahr¹. Gleichzeitig prognostiziert Gartner, dass bis Ende 2027 mehr als 40 Prozent der agentischen KI-Projekte abgebrochen werden, wegen eskalierender Kosten, unklarem Geschäftsnutzen und unzureichenden Risikokontrollen⁴. Kaufen gewinnt, und Selbstbauen scheitert häufiger, als in einer Vorstandssitzung zugegeben wird.

Dies ist ein ehrlicher Leitfaden für die CTO, die Betriebsleitung oder die Geschäftsführung, die abwägt, ob sie einen eigenen KI-Agenten auf LangChain, LlamaIndex, CrewAI, Copilot Studio oder Agentforce baut oder eine fertige Plattform kauft. Kein Anbieter-Jubel. Wir behandeln die echten Gesamtkosten, die Time-to-Value, die Wartungs- und Model-Churn-Last, den Integrationsaufwand, Governance und die eine Kostenfalle, die fast niemand einpreist: einen selbst gebauten Agenten, der nie ein bleibendes Gedächtnis dafür entwickelt, wie Ihr Unternehmen arbeitet.

Bauen vs. Kaufen ist nicht eine Entscheidung

Die Formel “bauen oder kaufen” lässt es wie eine einzige Weggabelung klingen. Das ist es nicht. Ein KI-Agent ist ein System mit mindestens fünf beweglichen Teilen, und Sie können jedes davon unabhängig bauen oder kaufen. Es als eine binäre Wahl zu behandeln, ist der Grund, warum so viele Projekte schiefgehen: Teams, die sich für “Bauen” entscheiden, bauen am Ende Infrastruktur nach, die Anbieter längst im großen Maßstab betreiben, und Teams, die sich für “Kaufen” entscheiden, stellen fest, dass die Plattform ihren echten Prozess nicht berührt.

• Das Modell - baut fast niemand selbst. Sie mieten ein Basismodell von OpenAI, Anthropic, Google oder ein Open-Weight-Äquivalent. Diese Schicht ist Commodity und wechselt ständig.
• Die Orchestrierung - die Denk- und Planungslogik. Bauen Sie sie auf LangChain, LlamaIndex oder CrewAI, oder erhalten Sie sie in einer Plattform wie Copilot Studio oder Agentforce.
• Die Wissensschicht - Retrieval, Gedächtnis und die Aufzeichnung, wie Ihr Unternehmen wirklich arbeitet. In diesen Teil investieren die meisten Eigenbauten zu wenig, und er entscheidet, ob der Agent im sechsten Monat noch nützlich ist.
• Die Konnektoren - Integrationen zu E-Mail, Teams, SharePoint, CRM, ERP und jedem anderen System, das der Agent berührt. Hier sprengen Budgets leise ihren Rahmen.
• Die Governance - Zugriffskontrolle, Audit-Logs, Human-in-the-Loop-Prüfung und Konformität mit der EU-KI-Verordnung. Sie zu überspringen ist der Grund, warum 40 Prozent der agentischen Projekte abgebrochen werden⁴.

Behalten Sie diese Fünf-Schichten-Sicht für den Rest des Artikels im Kopf. Jede Kostenfrage, jeder Zeitplan und jedes Risiko, das folgt, führt darauf zurück, welche Schichten Sie besitzen wollen.

Was Selbstbauen wirklich bedeutet

Ein Prototyp-Agent ist tatsächlich einfach. Eine Entwicklerin verdrahtet ein Basismodell an einem Nachmittag mit ein paar Werkzeugen über LangChain und zeigt etwas Beeindruckendes. Die Falle ist, den Prototyp mit dem Projekt zu verwechseln. In der Produktion ist der Prototyp etwa 10 Prozent der Arbeit; die anderen 90 Prozent sind Integration, Evaluierung, Sicherheit und die Wartung, die nie endet.

Der echte Eigenbau-Stack

• Ein Framework - LangChain für allgemeine Orchestrierung, LlamaIndex für retrieval-lastige Fälle oder CrewAI für Multi-Agenten-Koordination. Jedes ist leistungsfähig und überlässt Ihnen die volle Betriebslast.
• Eine Retrieval-Schicht - eine Vektordatenbank, eine Embedding-Pipeline, eine Chunking-Strategie und Re-Ranking. Retrieval für unstrukturierte interne Dokumente richtig hinzubekommen, ist ein Projekt für sich.
• Konnektoren - authentifizierte, ratenbegrenzte, fehlerbehandelnde Integrationen zu jedem System, aus dem der Agent liest oder in das er schreibt. Jeder ist maßgeschneidert und jeder bricht, wenn sich eine API ändert.
• Evaluierung und Guardrails - eine Möglichkeit zu messen, ob der Agent richtig liegt, plus Filter, die ihn davon abhalten, Schaden anzurichten. Ohne das können Sie einem Agenten nicht sicher Schreibzugriff geben.
• Observability - Tracing, Logging und Kostenüberwachung, damit Sie debuggen können, warum der Agent etwas getan hat und was es gekostet hat.
• Human-in-the-Loop-Prüfung - Kontrollpunkte, an denen ein Mensch riskante Aktionen freigibt, plus die Oberfläche, die diese Prüfung schnell macht.
• Ein Bereitschaftsteam - Menschen, die das Ganze am Laufen halten, wenn eine Modellversion kurzfristig abgekündigt wird, was mehrmals im Jahr passiert.

Die Frameworks, ehrlich betrachtet

Beachten Sie, dass Copilot Studio und Agentforce unbequem zwischen Bauen und Kaufen sitzen: Sie kaufen die Plattform, bauen und warten aber weiterhin die Agentenlogik darin. Das ist ein legitimer Mittelweg, aber verwechseln Sie ihn nicht mit “eine Lösung kaufen”. Sie besitzen weiterhin den Prozess, das Testen und einen Großteil der Wartung. Mehr zu diesem Mittelweg in unserem Vergleich von Agentforce vs. Copilot Studio und im breiteren Feld der Enterprise-KI-Agenten-Plattformen.

Was Kaufen wirklich bedeutet

Kaufen ist ebenfalls nicht eine Sache. Das Wort umfasst alles von einem Self-Service-SaaS-Chatbot bis zu einer verwalteten Plattform, die KI-Mitarbeiter in Ihre echten Systeme einsetzt. Was Sie tatsächlich kaufen, ist die Abnahme einer Last: Jemand anderes trägt den Model-Churn, die Konnektoren, die Observability und die Compliance-Verkabelung, damit Ihr Team es nicht tut.

• Horizontale Plattformen - Copilot Studio, Agentforce und ähnliche. Breit, leistungsfähig und am stärksten, wenn Ihre Daten bereits im Ökosystem dieses Anbieters liegen.
• Vertikale oder aufgabenspezifische Produkte - Werkzeuge für eine Aufgabe wie KI-Kundensupport, KI-Kreditorenbuchhaltung oder KI-Recruiting. Schnell einsetzbar, per Design eng gefasst.
• Verwaltete KI-Mitarbeiter-Plattformen - Dienste, die KI-Mitarbeiter mit Ihrer E-Mail, Teams, SharePoint, Ihrem CRM und ERP verbinden und ein bleibendes Unternehmensgedächtnis führen. In dieser Kategorie ist Superkind.
• Punktuelle Automatisierungswerkzeuge - Zapier, Make und Workflow-Builder. Toll für einfache Auslöser, keine echten Agenten, die über Systeme hinweg denken.

Die echten Gesamtkosten (TCO)

Das Günstigste an einem selbst gebauten KI-Agenten ist die Modell-API. Alles drumherum, die Menschen, die Werkzeuge und die Wartung, ist der Ort, an dem das Geld hingeht. Wenn Sie Bauen und Kaufen ehrlich vergleichen, müssen Sie die Vollkosten über zwei bis drei Jahre gegenüberstellen, nicht den Preis eines Prototyps gegen ein Abo.

Was Selbstbauen tatsächlich kostet

• Engineering-Team - ein produktionsreifer Build braucht typischerweise 3 bis 6 Ingenieure mit ML- und Datenkompetenz. Branchenschätzungen beziffern die Vollkosten auf 400.000 bis über 1 Million Euro pro Jahr⁹.
• Werkzeuge und Infrastruktur - Vektordatenbank, Observability, Evaluierungsplattformen und die Modell-API-Rechnungen selbst summieren sich schnell und skalieren mit der Nutzung.
• Integrations-Überschreitungen - Konnektor-Arbeit übersteigt die anfänglichen Schätzungen regelmäßig um 30 bis 50 Prozent, weil jedes Alt-System einen Sonderfall hat, den niemand dokumentiert hat.
• Wartung - Model-Churn, API-Änderungen und Drift bedeuten, dass das System nie “fertig” ist. Planen Sie Wartung von Tag eins an ein, nicht als nachträglichen Gedanken.
• Opportunitätskosten - jeder Monat, den Ihre besten Ingenieure mit undifferenzierter Verkabelung verbringen, ist ein Monat, den sie nicht an Ihrem eigentlichen Produkt verbringen.

Selbstbauen gewinnt bei den Kosten nur, wenn der Agent in einem Maßstab läuft, in dem ein Abo die Kosten eines eigenen Teams übersteigen würde, oder wenn er ein so zentraler Differenzierer ist, dass ihn selbst zu besitzen strategisch ist. Für eine tiefere Aufschlüsselung siehe unseren Leitfaden dazu, was ein KI-Agent wirklich kostet, und wie man den ROI eines KI-Agenten modelliert.

Time-to-Value: Die Kosten des Wartens

Kosten sind nur die halbe Miete. Die andere Hälfte ist Zeit, und Zeit summiert sich. Eine gekaufte Plattform kann einen ersten funktionierenden Anwendungsfall in Tagen bis Wochen liefern. Ein ernsthafter Eigenbau braucht 6 bis 18 Monate bis zur zuverlässigen Produktion. Jedes Quartal dieses Abstands ist ein Quartal, in dem ein Wettbewerber, der gekauft hat, bereits Stunden spart und Wert schöpft.

• Kauf-Zeitplan - Tage bis wenige Wochen für einen ersten Anwendungsfall, weil die Plattform Konnektoren, Evaluierung und Governance bereits mitbringt.
• Bau-Zeitplan - 6 bis 18 Monate bis zur Produktion, weil der harte Teil Integration und Evaluierung ist, nicht das Modell.
• ROI-Zeitpunkt - gekaufte Lösungen erreichen typischerweise in 1 bis 6 Monaten messbaren ROI; gebaute in 12 bis 24 Monaten¹².
• Die Pilot-Falle - viele Builds bleiben zwischen einem beeindruckenden Proof of Concept und der Produktion stecken, genau dort werden Projekte leise abgebrochen.
• Kumulierender Vorteil - Effizienzgewinne fallen jede Woche an, in der der Agent läuft, sodass ein früherer Start mehr wert ist als ein geringfügig besseres System, das ein Jahr später erscheint.

Wartung und Model-Churn: Die Kosten, die nie aufhören

Die am stärksten unterschätzten Kosten beim Selbstbau sind die Wartung, und der größte Treiber der Wartung ist Model-Churn. Basismodelle werden alle paar Monate abgekündigt und ersetzt. Jeder Wechsel kann das Verhalten subtil ändern, was bedeutet, jeden Prompt, jeden Tool-Aufruf und jeden Sonderfall neu zu testen. Wenn Sie den Agenten gebaut haben, ist diese Arbeit Ihre, für immer, mehrmals im Jahr.

• Modell-Abkündigung - Anbieter ziehen Modellversionen nach ihrem Zeitplan zurück, nicht nach Ihrem, und erzwingen eine Migration, ob Sie bereit sind oder nicht.
• Verhaltens-Drift - eine neue Modellversion kann denselben Prompt anders beantworten und Prozesse brechen, die vom alten Verhalten abhingen.
• Neu-Evaluierungslast - jede Migration bedeutet, Ihre Evaluierungssuite erneut auszuführen, sofern Sie eine gebaut haben, und zu reparieren, was zurückfiel.
• Konnektor-Verfall - die APIs, von denen Ihr Agent abhängt, ändern sich ebenfalls, und jede Änderung ist ein Wartungsticket.
• Prompt- und Retrieval-Abstimmung - was für ein Modell funktionierte, braucht für das nächste oft eine Neuabstimmung, langsame, manuelle Arbeit.
• Sicherheits-Patching - neue Angriffsmuster wie Prompt Injection erfordern laufende Härtung, keine einmalige Reparatur.

Integration und Konnektoren: Wo Budgets explodieren

Ein KI-Agent ist nur so nützlich wie die Systeme, die er erreichen kann. Eine brillante Denkmaschine, die Ihr CRM nicht lesen oder in Ihr ERP nicht schreiben kann, ist ein Partytrick. Integration ist der Ort, an dem die eigentliche Arbeit lebt, und der häufigste Grund, warum Bau-Budgets überzogen werden. Konnektor-Arbeit übersteigt die anfänglichen Schätzungen regelmäßig um 30 bis 50 Prozent.

• Authentifizierung - jedes System hat sein eigenes Auth-Modell, Token-Refresh und Berechtigungs-Scoping, das richtig funktionieren und funktionsfähig bleiben muss.
• Ratenlimits und Wiederholungen - echte Integrationen fallen zeitweise aus, und das elegant zu handhaben ist unglamouröse, unverzichtbare Arbeit.
• Datenform - derselbe Kundendatensatz sieht in Ihrem CRM, Ihrem ERP und Ihrer E-Mail anders aus, und ihn abzugleichen ist ein Projekt.
• Schreibzugriff - Lesen ist einfach; sicher in ein System of Record zu schreiben, braucht Guardrails, Freigaben und Rollback. Siehe unseren Leitfaden zum Schreibzugriff für Agenten.
• Alt-Systeme - je älter und individueller Ihr Stack, desto maßgeschneiderter wird jeder Konnektor und desto mehr davon müssen Sie eventuell wirklich selbst bauen.
• Laufende Änderung - APIs entwickeln sich weiter, und jede Änderung ist Wartung, die Sie erben, wenn Sie den Konnektor selbst gebaut haben.

Governance und Compliance: Die Realität der EU-KI-Verordnung

Ein KI-Agent, der echte Aktionen in Ihrem Unternehmen ausführt, ist ein Governance-Problem, nicht nur ein technisches. Die EU-KI-Verordnung wird am 2. August 2026 vollständig anwendbar¹³, und unzureichende Risikokontrollen sind einer der drei Hauptgründe, die Gartner für den Abbruch agentischer Projekte nennt⁴. Ob Sie bauen oder kaufen, jemand muss Audit-Logs, Zugriffskontrolle und menschliche Aufsicht verantworten.

• Risikoklassifizierung - die meisten internen Prozessagenten fallen in minimales oder begrenztes Risiko, aber Agenten in Einstellung, Kredit oder Sicherheit können hochriskant sein, mit schwereren Pflichten.
• Audit-Logs - jede Aktion eines Agenten sollte nachvollziehbar sein, und ein Prüfer oder Regulierer wird sie irgendwann sehen wollen.
• Human-in-the-Loop - riskante Entscheidungen brauchen einen Menschen im Freigabepfad, per Design, nicht als nachträglichen Gedanken.
• Datenschutz - die DSGVO gilt weiterhin, also zählt, wo Daten verarbeitet werden und wer darauf zugreifen kann, ebenso sehr wie das Modell.
• KI-Kompetenz - Artikel 4 verlangt, dass Mitarbeiter, die mit KI interagieren, ausreichend geschult sind, wirksam ab August 2026.
• Anbieter-Verantwortung - beim Kaufen verschiebt sich ein Teil dieser Last auf den Anbieter, aber Sie müssen den Vertrag prüfen, um zu wissen, welcher Teil genau.

Die Gedächtnis-Lücke: Die Kosten, die niemand einpreist

Hier sind die Kosten, die fast nie in einer Bauen-vs.-Kaufen-Tabelle auftauchen, und die leise darüber entscheiden, ob ein Agent ein Jahr später noch nützlich ist. Die meisten selbst gebauten Agenten haben kein bleibendes Unternehmensgedächtnis. Sie setzen Retrieval auf einen Chatbot: Der Agent durchsucht Dokumente zur Abfragezeit, sammelt aber nie eine bleibende Aufzeichnung darüber, wie Ihr Unternehmen wirklich arbeitet. Wenn die Person geht, die ihn gebaut hat, geht die Begründung dahinter mit.

• Retrieval ist kein Gedächtnis - ein Dokument zur Abfragezeit zu durchsuchen ist nicht dasselbe wie sich an eine Entscheidung, eine Korrektur oder das Warum eines Prozesses zu erinnern.
• Implizites Wissen ist unsichtbar - das wertvollste Wissen im Unternehmen lebt in den Köpfen der Menschen, nicht in Dateien, also erfasst keine Dokumentensuche es.
• Fluktuation löscht es - wenn erfahrene Mitarbeiter gehen, erbt ein selbst gebauter Agent nicht, was sie wussten, weil er nie dafür ausgelegt war.
• Korrekturen gehen verloren - macht der Agent etwas falsch und ein Mensch korrigiert es, macht ein System ohne Gedächtnis nächste Woche denselben Fehler.
• Der Build wächst nie - ein System ohne Gedächtnis ist im zwölften Monat so nützlich wie im ersten, sodass die Investition nie an Wert gewinnt.

Hier verschiebt sich der Rahmen von “welches Agenten-Framework” zu “wo lebt unser Unternehmenswissen”. Ein bleibendes Unternehmensgedächtnis ist der Unterschied zwischen einem Agenten, der Fragen beantwortet, und einem, der wirklich so arbeitet wie Ihre besten Mitarbeiter. Unsere Beiträge zum Gedächtnis von KI-Agenten und zur institutionellen Amnesie gehen tiefer darauf ein, warum das die Schicht ist, die wirklich zählt.

Wie Superkind passt (eine ehrliche Option)

Superkind ist eine Option in der Kauf-Spalte, und es lohnt sich klarzustellen, wo es passt und wo nicht. Der Ansatz ist ein Company Brain, ein bleibendes Gedächtnis des Personen-Wissens, der Prozesse und der Daten, die Fluktuation überleben, auf dem KI-Mitarbeiter Routinearbeit übernehmen, verbunden mit den Systemen, die Sie bereits nutzen.

• Company Brain - ein bleibendes Gedächtnis dafür, wie Ihr Unternehmen arbeitet, sodass Wissen Fluktuation überlebt, statt mit Menschen zu gehen. Das ist die Gedächtnisschicht, die die meisten Eigenbauten überspringen.
• KI-Mitarbeiter - übernehmen Routinearbeit, statt Fragen in einem Chatfenster zu beantworten, sodass Sie mehr Output ohne mehr Personal erhalten.
• Verbunden mit echten Systemen - E-Mail, Teams, SharePoint, CRM und ERP, sodass die KI dort arbeitet, wo die Arbeit bereits passiert.
• Lernt aus täglichem Feedback - Ihr Team korrigiert die KI während der Arbeit, und diese Korrekturen werden Teil des Unternehmensgedächtnisses, statt verloren zu gehen.
• Live in Wochen - erste Anwendungsfälle gehen in Wochen in Produktion, nicht in den 6 bis 18 Monaten, die ein ernsthafter Build braucht.
• Modellagnostisch - das Unternehmensgedächtnis ist vom Modell getrennt, sodass Model-Churn auf Ihrer Seite keinen Neubau erzwingt.
• Governance inklusive - Audit-Logs, Zugriffskontrollen und Human-in-the-Loop-Prüfung kommen mit der Plattform, statt Ihr Projekt zu sein.
• Die Last bleibt von Ihrem Team fern - Wartung, Konnektoren und Modell-Migration sind unsere Sache, nicht eine dauerhafte Zeile auf Ihrer Engineering-Roadmap.

Um ehrlich zu sein: Wenn der Agent Ihr zentrales Wettbewerbsprodukt ist oder Sie ein ML-Team haben und jede Schicht besitzen wollen, ist Bauen eine legitime Wahl. Superkind ist für Unternehmen, die das Ergebnis wollen, ein bleibendes Unternehmensgedächtnis und KI-Mitarbeiter, die Routinearbeit erledigen, ohne den Bau und die Wartung selbst zu tragen.

Der Entscheidungsrahmen: bauen, kaufen oder hybrid

Nutzen Sie dies, um ehrlich zu entscheiden. Das Ziel ist nicht, immer zu kaufen oder immer zu bauen; es ist, den Ansatz an die konkrete Schicht und den Anwendungsfall vor Ihnen anzupassen.

Die häufigste richtige Antwort 2026 ist hybrid: Modell, Orchestrierung, Konnektoren, Gedächtnis und Governance kaufen und nur den dünnen Anteil bauen, der Sie wirklich einzigartig macht. Für verwandte Entscheidungen siehe einstellen versus einen KI-Agenten einsetzen und Standardsoftware versus ein eigener KI-Agent.

Häufig gestellte Fragen

Weiterführende Artikel

• Was kostet ein KI-Agent wirklich? Eine Aufschlüsselung 2026
• Enterprise-KI-Agenten-Plattformen 2026: Copilot Studio vs. Agentforce vs. Vertex vs. watsonx
• Agentforce vs. Copilot Studio: Ein ehrlicher Vergleich
• Wenn sich das Modell ändert, sollte Ihr Company Brain es nicht tun
• Die KI-Integrationssteuer: Warum das Verbinden von Agenten mehr kostet als gedacht
• Die Lücke zwischen Pilot und Produktion: Warum KI-Projekte steckenbleiben

Henri Jung

Mitgründer von Superkind, wo er KMU und Unternehmen dabei hilft, individuelle KI-Agenten einzusetzen, die wirklich zu ihren Teams passen. Henri brennt dafür, die Lücke zwischen dem, was KI kann, und dem Wert zu schließen, den sie in echten Unternehmen schafft. Vor Superkind arbeitete er jahrelang mit mittelständischen Unternehmen an der digitalen Transformation und sah aus erster Hand, wie viele KI-Projekte scheitern, weil sie mit Technologie statt mit Prozess beginnen. Er glaubt, der Mittelstand hat alles, was er braucht, um bei KI voranzugehen - er braucht nur den richtigen Ansatz.