Make or Buy? KI strategisch richtig in Unternehmen einführen
Fast jedes größere Unternehmen beschäftigt sich aktuell mit derselben Frage: Sollen wir KI selbst entwickeln oder einkaufen?
Die Diskussion wird häufig an der falschen Stelle geführt.
Denn viele Unternehmen starten direkt mit:
- eigenen KI-Abteilungen
- technischen Plattformen
- Modellentscheidungen
- Infrastrukturfragen
Dabei wird ein viel wichtigerer Punkt übersehen:
Welcher KI-Use-Case erzeugt überhaupt schnell messbaren Mehrwert im Unternehmen?
Genau daran scheitern aktuell viele KI-Initiativen.
Der größte Fehler: Unternehmen denken KI zuerst technologisch
Viele interne KI-Projekte entstehen aus der IT heraus. Zuerst wird über Modelle, Architektur oder Tools gesprochen — statt über Prozesse, Nutzer und Wirtschaftlichkeit.
Das Problem: KI ist kein klassisches IT-Projekt.
Eine erfolgreiche KI-Einführung braucht:
- konkrete Anwendungsfälle
- qualitativ gute Daten
- klare Prozesse
- hohe Adoption
- Governance
- kontinuierliche Optimierung
Genau das wird bei „Make"-Strategien häufig massiv unterschätzt.
Warum „Make" oft schwieriger ist als gedacht
1. KI ist kein einmaliges Entwicklungsprojekt
Viele Unternehmen behandeln KI wie klassische Software: „Wir entwickeln einmal etwas intern und dann läuft es." Die Realität ist anders.
KI-Systeme müssen dauerhaft optimiert, überwacht, angepasst, trainiert und validiert werden. Gerade bei generativer KI verändern sich Modelle, Anforderungen und Nutzerverhalten permanent.
Das Problem: Nach dem initialen Projekt fehlen intern oft Fokus, Produktverantwortung, KI-Expertise, UX-Kompetenz und Zeit für kontinuierliche Weiterentwicklung.
Das Ergebnis: Ein MVP existiert technisch, aber die echte Nutzung bleibt aus.
2. „Buy" bedeutet auch: Von Best Practices profitieren
Oft wird „Buy" primär als reine Technologieentscheidung betrachtet. Dabei wird ein entscheidender Faktor häufig unterschätzt: Unternehmen kaufen nicht nur Software ein, sondern gleichzeitig Erfahrungswissen und Best Practices.
Mit jedem Kundenprojekt entstehen neue Learnings, Governance-Ansätze, Prozesse und Insights, die iterativ direkt in Produkt und Arbeitsweise einfließen. Anbieter lernen dadurch nicht nur innerhalb eines Unternehmens, sondern über unterschiedliche Teams, Branchen und reale Anwendungsfälle hinweg.
Genau daraus entsteht ein enormer strategischer Vorteil. Erfolgreiche Workflows, typische Fehlentwicklungen und Adoption-Strategien werden kontinuierlich optimiert und direkt in die Lösung übernommen.
Nach einem Jahr profitiert der Kunde von einer deutlich höheren Fachexpertise, die mit jedem weiteren produktiven KI-Einsatz wächst. Der Aufbau und die kontinuierliche Vertiefung dieser Fachexpertise lassen sich intern nur schwer abbilden. Selbst mit den richtigen Methoden entsteht das Wissen meist nur innerhalb des eigenen Unternehmenskosmos und nicht aus einer Vielzahl unterschiedlicher produktiver Anwendungsfälle.
3. Adoption wird massiv unterschätzt
Der größte Denkfehler lautet: „Wenn die KI funktioniert, werden die Mitarbeiter sie automatisch nutzen." Das passiert fast nie.
KI verändert Arbeitsweisen. Eine erfolgreiche Einführung braucht Enablement, Begleitung der Teams, Vertrauen, klare Prozesse und konkrete Mehrwerte im Alltag.
Ohne Adoption entstehen schnell Schattenprozesse, Unsicherheit, ineffiziente Parallelwelten und geringe Nutzung. Die KI existiert technisch, aber niemand arbeitet wirklich damit.
Viele interne KI-Initiativen scheitern deshalb nicht an der Technologie. Sondern an fehlender Integration in bestehende Prozesse und Organisationen.
Warum KI-gestütztes Anforderungsmanagement aktuell ein idealer Startpunkt ist
Ein großes Problem vieler Unternehmen: Sie starten mit zu komplexen KI-Use-Cases. Dabei eignen sich manche Bereiche deutlich besser für den Einstieg als andere.
Einer der spannendsten Bereiche aktuell: KI-gestütztes Anforderungsmanagement.
1. Die Daten existieren bereits
Unternehmen kämpfen bei KI-Projekten mit schlechter Datenqualität. Im Anforderungsmanagement ist die Ausgangslage deutlich besser.
Denn Unternehmen arbeiten bereits mit:
- Jira
- Confluence
- Tickets
- Epics
- User Stories
- Dokumentationen
- Kommentaren
- Abstimmungen
Es existieren also strukturierte Daten und Prozesse, an die KI sinnvoll andocken kann. Dadurch wird Time-to-Market massiv verkürzt.
2. Governance und Compliance sind deutlich einfacher
Viele KI-Use-Cases scheitern früh an:
- Datenschutz
- Governance
- Compliance
- personenbezogenen Daten
- regulatorischen Risiken
Im KI-gestützten Anforderungsmanagement ist das Risiko deutlich geringer.
Warum? Weil hier meistens verarbeitet werden:
- Prozessdaten
- Anforderungen
- fachliche Beschreibungen
- technische Dokumentationen
Nicht hochsensible personenbezogene Daten. Dadurch lassen sich KI-Lösungen pragmatischer und schneller einführen.
3. Die Adoption ist deutlich höher
Die meistenKI-Tools scheitern daran, dass sie außerhalb bestehender Arbeitsweisen eingeführt werden.
Wenn KI direkt in Jira oder Confluence integriert wird:
- verändert sich der Prozess kaum
- die Teams arbeiten weiterhin in ihrer gewohnten Umgebung
- die Einstiegshürde sinkt massiv
Die KI wird nicht „zusätzlich genutzt". Sie wird Teil des bestehenden Arbeitsalltags.
Genau dadurch entsteht echte Adoption.
4. Der wirtschaftliche Hebel ist enorm
Schlechte Anforderungen verursachen enorme Kosten. 20 bis 30 der Entwicklungskapazität gehen oft nicht durch schlechte Entwickler verloren, sondern durch schlechte Anforderungen.
Genau hier kann KI enorme Wirkung entfalten:
- bessere Strukturierung
- klarere Anforderungen
- automatische Validierung
- bessere Priorisierung
- weniger Rework
- schnellere Abstimmungen
Je nach Projektgröße entstehen dadurch Einsparungen bis in die Millionenhöhe.
Anforderungsmanagement mit KI ist aktuell der Use Case mit dem höchsten wirtschaftlichen Hebel bei gleichzeitig niedrigster Einstiegshürde: vorhandene Daten, beherrschbare Governance, hohe Adoption.
Das eigentliche Fazit: Erst Buy, dann gezielt Make
Langfristig kann „Make" absolut sinnvoll sein. Aber die meisten Unternehmen machen gerade denselben Fehler: Sie versuchen sofort alles selbst aufzubauen. Ohne Erfahrung, ohne Lernkurve und ohne echte KI-Adoption.
Die bessere Strategie sieht oft anders aus:
- Kurzfristig Geschwindigkeit einkaufen
- Mit erfahrenen Partnern und Best Practices starten
- Reale Use Cases produktiv testen
- Schnelle Ergebnisse erzeugen
- Daraus lernen
- Internes Know-how iterativ aufbauen
Time-to-Market schlägt aktuell Perfektion.
Der wichtigste erste Schritt
Die meisten Unternehmen fokussieren sich auf Tools. Dabei sollten sie mit einer anderen Frage beginnen: Welcher KI-Use-Case erzeugt bei uns kurzfristig messbaren Impact?
Deshalb starten wir in unseren Workshops nicht mit Technologie, sondern mit:
- konkreten Prozessen
- realen Engpässen
- vorhandenen Daten
- Governance-Risiken
- messbarer Wirtschaftlichkeit
- realistischer Umsetzbarkeit
Erst wenn klar ist, wo KI echten Mehrwert erzeugt, macht die Frage nach Make oder Buy überhaupt Sinn.
Sie diskutieren gerade Make or Buy in Ihrem Unternehmen?
Lassen Sie uns zuerst über den Use Case sprechen. In einem 90-minütigen Workshop identifizieren wir gemeinsam die zwei bis drei KI-Use-Cases mit dem höchsten Hebel in Ihrem Unternehmen — inklusive erster Einschätzung zu Aufwand, Risiko und wirtschaftlichem Nutzen.
