Robin, Pexon Consulting | 9 Min. Lesezeit | 21.07.2026
TL;DR
Eine KI-Strategie pro Funktion schlägt die eine Strategie fürs ganze Unternehmen. Statt überall dasselbe zu tun, entscheiden Sie je Geschäftsbereich zwischen Build, Buy, Optimize und Train. Pexon hilft, diese Landkarte zu bauen und den ersten souveränen Agenten als 6-Wochen-Pilot umzusetzen.
Warum die eine KI-Strategie fürs ganze Haus scheitert
Die häufigste Fehlentscheidung bei KI ist eine Grundsatzentscheidung: „Wir kaufen alles zu“ oder „Wir bauen alles selbst“. Beides ist falsch, weil ein komplexes Unternehmen keine einheitliche Aufgabe hat. Der Coding-Assistent für die Entwicklung, der Support-Bot im Service und der Underwriting-Agent in der Fachabteilung haben völlig unterschiedliche Anforderungen an Kontrolle, Datenschutz und Differenzierung.
Wer versucht, das mit einer einzigen Strategie zu erschlagen, zahlt doppelt: Er baut selbst, wo Zukaufen billiger und besser wäre, und er kauft zu, wo das eigentliche Firmen-IP entstehen müsste. Unsere klare Empfehlung: Behandeln Sie KI nicht als eine Entscheidung, sondern als Portfolio von Entscheidungen, segmentiert nach Geschäftsbereich.
Die vier Optionen: Build, Buy, Optimize, Train
Jeder Anwendungsfall landet in einer von vier Kategorien. Die Kunst ist, ihn richtig einzuordnen.
Buy ist die richtige Wahl für Commodity. Ein Coding-Agent, ein Meeting-Transkriptor, ein generischer Chat-Assistent: Das kann jeder einkaufen, und Sie zahlen einfach für Frontier-Tokens. Selbst bauen wäre hier Geldverschwendung, weil kein Wettbewerbsvorteil entsteht.
Optimize heißt: eine vertikale Standardlösung nehmen und mit den eigenen Daten schärfen. Im Kundenservice ergibt eine auf RAG optimierte Fachlösung oft mehr Sinn als ein Eigenbau. Aber Vorsicht, das ist kein Selbstläufer: Auch eine gekaufte vertikale Lösung braucht echtes Setup, Pflege und laufende Evals.
Build ist reserviert für Ihr Kern-IP. Ein mittelgroßer Versicherer sollte den Coding-Agenten kaufen, aber die Agenten, die sein einzigartiges Underwriting-Urteil kodieren, selbst bauen, als souveränes IP-Asset. Souverän und ohne US-Cloud geht das heute auf eigenen Open-Weight-Modellen (siehe Verwandte Themen).
Train kommt bei Skalierung ins Spiel. Ab relevantem Volumen ist es oft am günstigsten, ein kleines Open-Weight-Modell auf einen klar umrissenen Task zu fine-tunen, statt teure Frontier-Tokens zu verbrennen. Wichtig: Fine-Tuning bringt kein neues Wissen bei, es standardisiert Verhalten.
Ein konkretes Beispiel: der mittelgroße Versicherer
Nehmen wir einen Versicherer mit 1.500 Mitarbeitern. Seine KI-Landkarte könnte so aussehen: In der IT kauft er einen Coding-Agenten und zahlt für Frontier-Tokens, weil Softwareentwicklung kein Differenzierungsmerkmal ist. Im Kundenservice optimiert er eine vertikale RAG-Lösung auf seine Tarife und Prozesse. Und im Underwriting baut er einen eigenen Agenten, der die über Jahre gewachsene Risikoeinschätzung kodiert, weil genau das sein Wettbewerbsvorteil ist und niemals eine externe API sehen darf.
Drei Funktionen, drei völlig verschiedene Strategien, ein Unternehmen. Genau das meint KI-Strategie pro Funktion. Der Fehler wäre, das Underwriting-Modell einzukaufen (IP verschenkt) oder den Coding-Agenten selbst zu bauen (Geld verbrannt).
Wie Sie pro Funktion entscheiden
Vier Fragen führen zur richtigen Einordnung eines jeden Anwendungsfalls:
- Ist das ein Wettbewerbsvorteil oder Commodity? Commodity kaufen, Wettbewerbsvorteil bauen.
- Darf die Aufgabe eine externe API sehen? Wenn nein (Mandantendaten, Underwriting, KRITIS), fällt reines Buy raus.
- Gibt es genug eigene Daten und Volumen? Viel Volumen plus klarer Task spricht für Optimize oder Train.
- Können Sie Erfolg messen? Ohne Evals ist jede der vier Optionen ein Blindflug. Im Agenten-Zeitalter ist Performance-Management gleich Evals (mehr dazu in den Verwandten Themen).
Der rote Faden: Souveränität und Differenzierung entscheiden über Build, Kosten und Reife über Buy, Optimize oder Train. Wie sich die vier Optionen technisch in einen gemeinsamen Unterbau fügen, ist eine Architekturfrage. Wer den strukturierten Einstieg sucht, findet ihn in unserer KI-Beratung.
Die zwei teuersten Einordnungsfehler
Zwei Fehler kosten in der Praxis am meisten, und beide entstehen aus Bequemlichkeit.
Der erste: Commodity selbst bauen. Ein Team baut monatelang einen eigenen Coding-Assistenten oder Meeting-Zusammenfasser, den es für einen Bruchteil hätte einkaufen können. Das Ergebnis ist teurer, schlechter und bindet Entwickler, die am eigentlichen Kern-IP fehlen. Wir raten hier klar ab: Wenn ein Markt bereits eine reife Lösung liefert, ist Eigenbau kein Souveränitäts-Statement, sondern Ressourcenverschwendung.
Der zweite, gefährlichere: Kern-IP einkaufen. Eine Fachabteilung schickt ihr wertvollstes Urteil, etwa die Risikologik im Underwriting oder die Preisfindung, durch eine externe API. Kurzfristig spart das Aufwand. Langfristig verschenkt es genau das, was das Unternehmen von Wettbewerbern unterscheidet, und macht es von einem Anbieter abhängig. Was einmal als Trainingssignal abgeflossen ist, holt niemand zurück.
Die Faustregel dagegen ist simpel: Je näher ein Anwendungsfall an Ihrem einzigartigen Urteil liegt, desto mehr spricht für Build. Je generischer, desto mehr für Buy.
Kosten und Risiko der vier Ansätze im Vergleich
Die vier Optionen unterscheiden sich nicht nur im Aufwand, sondern im Risikoprofil. Ein grober Überblick:
Auffällig: Jedes Risiko in der rechten Spalte lässt sich nur mit einer Sache managen, mit Messung. Ob ein gekauftes Tool die Qualität hält, ob die trainierte Variante driftet, ob der Eigenbau überhaupt besser ist als die Alternative, all das entscheidet Ihre Eval-Suite. Deshalb steht am Anfang jeder der vier Wege dieselbe Frage: Wie messen wir Erfolg?
Häufig gestellte Fragen
Was bedeutet KI-Strategie pro Funktion?
Statt einer einzigen KI-Grundsatzentscheidung fürs ganze Unternehmen entscheiden Sie je Geschäftsbereich getrennt: bauen, kaufen, optimieren oder trainieren. So landet jedes Budget dort, wo es den größten Hebel hat, statt überall dasselbe Muster zu erzwingen.
Sollten wir KI-Agenten kaufen oder selbst bauen?
Kommt auf die Funktion an. Commodity wie Coding-Agenten kaufen. Alles, was Ihr einzigartiges Urteil oder streng geschützte Daten betrifft (Underwriting, Mandantenakten), selbst bauen, als souveränes IP. Eine pauschale Antwort ist fast immer die teurere.
Wann lohnt sich Fine-Tuning statt Zukauf?
Bei relevantem Volumen und einem klar umrissenen Task. Dann ist ein fine-getuntes kleines Open-Weight-Modell oft günstiger als teure Frontier-Tokens pro Anfrage. Fine-Tuning standardisiert Verhalten, es bringt aber kein neues Fachwissen bei, dafür ist RAG zuständig.
Was kostet der Aufbau einer KI-Landkarte?
Die Einordnung Ihrer wichtigsten Anwendungsfälle nach Build, Buy, Optimize und Train ist Teil eines Use-Case-Workshops und braucht keine großen Vorlaufkosten. Der erste selbst gebaute Kern-Agent lässt sich anschließend als 6-Wochen-Pilot umsetzen.
Wer sollte die KI-Strategie pro Funktion verantworten?
Idealerweise ein kleines Kernteam aus IT-Leitung und den Fachbereichen, nicht die IT allein. Die Fachabteilung weiß, was Kern-IP ist und was Commodity. Die IT weiß, was technisch trägt. Erst zusammen entsteht eine belastbare Landkarte.
Nächster Schritt
Sie wollen wissen, welche Ihrer KI-Vorhaben Sie kaufen, optimieren, bauen oder trainieren sollten? Wir erstellen mit Ihnen in einem kurzen Gespräch die erste Version Ihrer KI-Landkarte und benennen den Anwendungsfall mit dem größten Hebel.
Verwandte Themen
→AI Evals: Das strategische KI-IP für Unternehmen
→Self-hosted Claude-Alternative mit dem Hermes-Agent
