Einen internen Agenten entwickeln oder ein spezialisiertes Modell kaufen?
Der Prototyp beeindruckt in einer Woche. Es ist der Teil danach, die Industrialisierung, der über Kosten, Zeit und Risiko entscheidet.
Sollen wir unseren eigenen KI-Agenten für Ausschreibungen und Compliance entwickeln oder eine spezialisierte Plattform kaufen?
Entwickeln Sie, was Sie einzigartig macht, kaufen Sie, was Sie effizient macht. Eine interne Entwicklung auf Produktionsniveau wird auf 1,4 bis 2,2 Millionen Dollar über drei Jahre geschätzt (Marktanalysen), mit sechs bis zwölf Monaten bis zum ersten Nutzen. Die KI-Engine macht 15 % des Aufwands aus, die Industrialisierung 85 %: Es ist dieser Teil, der die Kosten, die Zeit und das Risiko bestimmt.
Die 15/85-Regel
Der Wochenend-Prototyp, der alle beeindruckt hat, ist real, und er macht etwa 15 % der Arbeit aus: Das ist die KI-Engine. Was ihn von der Produktion trennt, ist die Industrialisierung, also die 85 %, die niemand in einer Demo zeigt:
- Zugriffsrechte. Ein Agent auf Ihrem internen Korpus ohne perfekte Vererbung der Berechtigungen ist ein potenzielles Leck: Stellen Sie sich vor, eine Fusions- und Übernahmeakte taucht in einer Routineantwort auf.
- Evaluierung. Ohne gemessenen Genauigkeits-Benchmark lässt sich nicht feststellen, was der Agent übersehen hat. „Woher wissen Sie, was Ihr Agent nicht gesehen hat?“ ist die Frage, die den meisten internen Projekten ein Ende setzt.
- Governance des Korpus. Wem gehört jedes Referenzwerk, welche Version ist maßgeblich? Ein nicht verwalteter Korpus plus ein Agent ergibt industrialisierten Fehler.
- Wartung und Support. Modelle driften, Frameworks entwickeln sich weiter, Vorschriften ändern sich. Jemand muss dieses Gefüge über Jahre hinweg in Produktion halten.
- Angriffsfläche für Prompt-Injection. Eine eingegangene Ausschreibung kann Anweisungen enthalten, die den Agenten manipulieren, der sie liest: ein bekanntes Risiko, gegen das ein internes Team Abwehrmaßnahmen entwerfen muss.
Agenten-Frameworks verbessern sich tatsächlich: Sie verschieben die Grenze der 15/85. Sie beseitigen sie nicht.
Die Zahlen, die man sich merken sollte
Die Kostentabelle über drei Jahre
| Interne Entwicklung | Spezialisierte DSLM-Plattform | |
|---|---|---|
| Kosten über 3 Jahre | 1,4 bis 2,2 Mio. $ (4 bis 8 Ingenieure: Entwicklung, Sicherheit, Evaluierung, Wartung, Support) | Vorhersehbare Kosten per Abonnement, ohne Zählung nach Token oder Credit |
| Zeit bis zur Wertschöpfung | 6 bis 12 Monate bis zur ersten Nutzung in Produktion | Inbetriebnahme in 7 Minuten, 0 Schulung, 0 IT-Projekt |
| Erreichte Genauigkeit | Erreicht oft nur 70 bis 80 %, unter der Nützlichkeitsschwelle (~95 %) | Antworten mit Quellenangaben, bewertet von 0 bis 100 und validiert |
| Regulatorischer Korpus | Sie müssen ihn auswählen, versionieren und überwachen | Gepflegte Kuratierung, mit Zuordnung zwischen Referenzwerken |
| Rechenschaft über die Genauigkeit | Sie müssen sie messen, verteidigen und aufrechterhalten | Vertrauensscore pro Antwort, Lücke gekennzeichnet und dann geschlossen |
| Fokus der Teams | Die Ingenieure warten die Infrastruktur | Die Ingenieure bauen das, was Sie differenziert |
Richtwerte für Kosten und Genauigkeit der internen Entwicklung: Marktanalysen. Das Ergebnis hängt vom Umfang, den Sicherheitsanforderungen und der Seniorität der Teams ab. Die strukturelle Feststellung ändert sich nicht mit den Zahlen: Die Kosten werden von den 85 % bestimmt, die nach dem Prototyp kommen.
Die versteckten Kosten, die niemand einplant: die Prüfzeit
Die Lizenz ist nicht der Kostenfaktor. Der Kostenfaktor ist, dass ohne gemessene Genauigkeit und ohne Quellenangaben für jede Antwort ein Experte 100 % der generierten Antworten erneut lesen und überprüfen muss. Die beim Verfassen gewonnene Zeit wird für die Prüfung ausgegeben: Die Last hat sich verlagert, sie ist nicht gesunken. Unter etwa 95 % Genauigkeit, der Nützlichkeitsschwelle, bricht der Nettogewinn der Generierung zusammen. Deshalb muss die erste Frage an jeden Anbieter, oder an Ihr eigenes Team, lauten: „Wie hoch ist Ihre gemessene Genauigkeit, und auf welchem Benchmark?“
Das Zugeständnis, das zählt. Für einen Entwurf oder eine interne Zusammenfassung genügt ein generisches LLM (eine generative KI für Endverbraucher) völlig. Sobald die Antwort Ihre Unterschrift vor einem Kunden, einem Prüfer oder einem Regulierer trägt, ist es keine Frage des Verfassens mehr: Es ist eine Frage des Nachweises.
Behalten Sie die Kontrolle, ersparen Sie sich die Entwicklung: Ein privates DSLM, dediziert pro Kunde, gibt Ihnen das Souveränitätsargument der internen Entwicklung (Ihre Daten, Ihre Jurisdiktion, Ihr Modell) ohne das Jahr Wartezeit und ohne die siebenstellige Rechnung. Das ist der Ansatz der Plattform Optivalue.ai.
Häufige Fragen
Wie viel kostet die Entwicklung eines internen KI-Agenten für Compliance oder Ausschreibungen?
Marktanalysen beziffern eine interne Entwicklung auf Produktionsniveau auf 1,4 bis 2,2 Millionen Dollar über drei Jahre, mit vier bis acht Ingenieuren, die Entwicklung, Sicherheit, Zugriffsrechte, Evaluierung, Wartung und Support abdecken, sowie sechs bis zwölf Monaten bis zum ersten Nutzen. Diese Projekte erreichen oft nur 70 oder 80 % Genauigkeit, unterhalb der Nützlichkeitsschwelle von etwa 95 %.
Was ist die 15/85-Regel für eine Compliance-KI?
Die KI-Engine macht etwa 15 % der Arbeit aus. Die Industrialisierung macht 85 % aus: Vererbung der Zugriffsrechte, Evaluierungs-Benchmarks, Überwachung, Governance des Korpus, Wartung und Support. Agenten-Frameworks verschieben die Grenze zwischen beiden, sie beseitigen sie nicht.
Was sind die versteckten Kosten eines generischen LLM für Fragebögen?
Die Prüfzeit. Ohne gemessene Genauigkeit und ohne Quellenangaben muss jede generierte Antwort von einem Experten erneut gelesen und überprüft werden: Die beim Verfassen gewonnene Zeit wird für die Prüfung ausgegeben. Unter etwa 95 % Genauigkeit bleibt die vollständige Prüfung zwingend, und der Nettogewinn bricht zusammen.