--- title: "Externe Firma oder eigenes KI-Team? | cm-opti" url: https://cm-opti.com/wissensdatenbank/externe-firma-oder-eigenes-ki-team description: "KI einführen: externe Firma oder eigene Fachkraft? Kosten, Risiken und Kooperationsmodelle im Vergleich. Wann Festanstellung, wann Partner, wann beides?" language: de --- # Externe Firma oder eigenes Team? Wie man KI einführt, ohne eine IT-Abteilung von Grund auf aufzubauen Autor: [Karol Jurewicz](https://www.linkedin.com/in/karol-jurewicz) (Prozessoptimierung, Business Analyst und Product Owner) · Zuletzt aktualisiert: August 2026 Ein Unternehmen denkt über eine KI-Einführung nach. Dokumentenautomatisierung, Predictive Analytics, ein KI-Assistent fürs Team: An Ideen mangelt es nicht. Doch bevor überhaupt die Frage „Welches Tool?“ fällt, stellt sich eine andere: Wer setzt das um? Einen Entwickler einstellen? Einen Data Scientist? Einen AI Engineer? An eine externe Firma vergeben? Oder „kriegt das schon jemand aus der IT hin“? Auf den ersten Blick ist das eine einfache Wahl: Festanstellung oder Outsourcing. In der Praxis ist sie vielschichtig, denn es geht nicht nur um Kosten, sondern auch um Kompetenzen, Datensicherheit, das Tempo der Einführung und darum, was passiert, wenn das System läuft. Im Folgenden nehmen wir das Thema auseinander, ohne für eine Option zu werben. Es gibt Situationen, in denen eine Festanstellung sinnvoll ist. In anderen ist eine externe Firma die einzige realistische Option. Und manchmal funktioniert eine Kombination aus beidem am besten. ## 1. Warum „jemand aus der IT“ meist nicht ausreicht ⚡ In einem Satz KI einzuführen erfordert andere Kompetenzen als der Betrieb der IT-Infrastruktur: Ein Netzwerkadministrator ersetzt keinen Data Scientist, so wie ein Elektriker keinen Architekten ersetzt. 💡 Einfach erklärt In vielen Unternehmen lautet die Reaktion auf das Thema KI: „Wir haben doch eine IT-Abteilung, die soll sich darum kümmern.“ Das Problem: Der Betrieb der Infrastruktur (Server, Netzwerk, Lizenzen, Helpdesk) und die Entwicklung von KI-Lösungen sind zwei völlig verschiedene Fachgebiete. Wer IT-Systeme betreut, sorgt dafür, dass die vorhandenen Werkzeuge laufen. Wer KI einführt, muss den Geschäftsprozess verstehen, die Lösung entwerfen, die Daten aufbereiten, das Modell trainieren, es in die Systeme des Unternehmens integrieren und nach der Einführung überwachen. Das ist keine „Zusatzaufgabe“, sondern ein eigener Beruf. Ein Vergleich: Ein Unternehmen hat Elektriker, die die Elektroinstallation in einer Produktionshalle instand halten. Nun will es eine neue Halle bauen. Mit dem Entwurf beauftragt es nicht die Elektriker, sondern einen Architekten. Die Elektriker werden weiterhin gebraucht (sie verkabeln das neue Gebäude), aber entwerfen muss es jemand mit anderen Kompetenzen. Bei KI ist es genauso: Die IT-Abteilung wird gebraucht (Integration, Infrastruktur, Berechtigungen), aber eine KI-Lösung entwerfen und einführen muss jemand, der technisches Wissen (Python, ML, Cloud) mit dem Verständnis für das Geschäftsproblem verbindet. Es gibt noch ein Problem, über das selten gesprochen wird: Der KI-Markt ist voll von Menschen, die Kurse und Bootcamps absolviert haben, aber keine echten Projekte vorweisen können. Aus reiner Theorie wird niemand Data Scientist oder AI Engineer. Dafür braucht es Praxis mit echten Daten, in echten Prozessen, unter echten Einschränkungen. Wer eine feste Stelle besetzt, riskiert, jemanden einzustellen, der im Vorstellungsgespräch überzeugt hat, aber am ersten Problem jenseits des Standards scheitert. Und wer rekrutiert, kann das vor der Einstellung oft selbst nicht beurteilen. Eine externe Firma löst das anders: Sie steht für das Ergebnis ein, nicht für einen Lebenslauf. Funktioniert die Einführung nicht, ist das ihr Problem, nicht das des Kunden. 🔧 Zum Vertiefen Eine KI-Einführung erfordert eine Reihe von Kompetenzen, die über mehrere Rollen verteilt sind: - **Data Engineer** - bereitet die Daten vor: baut Pipelines, bereinigt, transformiert, verbindet Quellen. Keine Daten, kein Modell. - **Data Scientist / ML Engineer** - entwirft und trainiert die Modelle, wählt Algorithmen, bewertet die Qualität (Precision, Recall, F1), iteriert. - **AI Engineer** - baut die Produktionsinfrastruktur: API, Monitoring, Retraining, Skalierung. Sorgt dafür, dass das Modell nicht nur im Notebook läuft, sondern im System des Unternehmens. - **Prozessarchitekt** - weiß, welcher Prozess sich für die Automatisierung eignet, wie man den Effekt misst und wie man die Veränderung im Team steuert. Für die meisten Unternehmen - besonders jene, die gerade erst mit KI beginnen - ist es schwierig, diese Kompetenzen über Festanstellungen aufzubauen. Eine erfahrene Person kann mehrere Rollen auf einmal abdecken, aber eine solche Person zu finden ist schwer, und wenn sie geht, verliert das Unternehmen alles auf einmal (siehe [Was ist Prozessoptimierung?](https://cm-opti.com/wissensdatenbank/was-ist-prozessoptimierung) - der Abschnitt zur Abhängigkeit von einer einzelnen Person). Deshalb ist in der EU der hybride Ansatz verbreitet: strategische Kompetenzen intern, Umsetzungskompetenzen extern. ## 2. Festanstellung vs. externe Firma - ein Vergleich ⚡ In einem Satz Eine Festanstellung bringt dir ständige Präsenz und Exklusivität, eine externe Firma Tempo und eine breite Kompetenzbasis. Entscheidend ist, das Modell an die Phase anzupassen, in der dein Unternehmen gerade steht. 💡 Einfach erklärt Eine Festanstellung passt, wenn das Unternehmen bereits klar umrissene KI-Aufgaben hat und jemanden braucht, der sie täglich erledigt. Zum Beispiel: Das Unternehmen hat ein Computer-Vision-System an der Produktionslinie im Einsatz und braucht einen Ingenieur, der es betreut, die Modelle mit aktuellen Daten nachtrainiert und auf Probleme reagiert. Eine externe Firma passt, wenn die Organisation noch nicht weiß, wo sie beginnen soll, Kompetenzen aus mehreren Bereichen auf einmal benötigt (Prozesse + Daten + ML + Integration) und Ergebnisse in Wochen sehen will, nicht in Monaten. Zum Beispiel: Das Unternehmen will die Dokumentenverarbeitung automatisieren, hat aber keine Erfahrung mit OCR, NLP oder Systemintegration und braucht jemanden, der es durch den gesamten Prozess führt. Der entscheidende Unterschied: Eine Festanstellung verursacht Fixkosten, unabhängig von der Auslastung. Eine externe Firma kostet proportional zum Arbeitsumfang. Braucht ein Unternehmen 3 Monate intensive Arbeit und danach 2 Stunden Unterstützung pro Woche, lohnt es sich nachzurechnen, ob sich eine Festanstellung auszahlt. | Kriterium | Eigenes Team | Externer Partner | |---|---|---| | Verfügbarkeit | Vor Ort, jeden Tag | Nach vereinbartem Kooperationsmodell | | Objektivität und Unabhängigkeit | Ein Mitarbeiter ist Teil der Unternehmensstruktur, was es erschwert, offen über Probleme zu sprechen, die Vorgesetzte oder Kollegen betreffen | Ein externer Partner ist nicht in interne Beziehungen verstrickt, er kann die Situation objektiv beurteilen und offen sagen, was sich ändern muss | | Arbeitsweise | Erledigt Aufgaben, die eine Führungskraft vorgibt; das Unternehmen muss wissen, was es beauftragen und wie es das Ergebnis bewerten soll | Stimmt das Ziel mit dem Unternehmen ab, organisiert den Weg dorthin selbst, ist für den vereinbarten Umfang verantwortlich, kann im Projekt mehrere Rollen abdecken und wird an Ergebnissen gemessen | | Projektstart | Erfordert Rekrutierung und Einarbeitung eines Mitarbeiters | Kann innerhalb von Tagen bis Wochen beginnen | | Kostenmodell | Fix - unabhängig von der aktuellen Auslastung | An den Arbeitsumfang gebunden | | Kontinuität des Wissens | Wissen bleibt im Unternehmen, geht aber mit der Person | Wissen steckt in Dokumentation und Code, unabhängig von Fluktuation | | Kontrolle über die Daten | Direkt | Hängt von Architektur und Vertrag ab (AVV, NDA) | 🔧 Zum Vertiefen Auf dem europäischen Markt (PL/DE/EU) ist es schwer, einen erfahrenen KI-/ML-Spezialisten zu finden, und wenn es gelingt, überraschen oft die Gesamtkosten der Beschäftigung (Gehalt, Lohnnebenkosten, Ausstattung, Lizenzen, Schulungen, Cloud, Rekrutierung). Es lohnt sich, die vollen Gesamtkosten (TCO) einer Festanstellung zu berechnen und mit den Kosten eines Einführungsprojekts mit festem Umfang zu vergleichen, inklusive der Zeit, in der ein festangestellter Mitarbeiter „auf Aufgaben wartet“. Zum Vergleich: Ein Einführungsprojekt mit einer externen Firma (Diagnose, PoC als Machbarkeitstest und Einführung eines Prozesses) hat einen festen Umfang und Zeitplan. Danach hat das Unternehmen eine funktionierende Lösung, und die Kosten sinken auf das Niveau der Nachbetreuung. Der EY-Bericht 2025 bestätigt dieses Muster: 51 % der Unternehmen sehen Vorteile durch KI, aber die andere Hälfte ist enttäuscht. Die Hauptursache ist nicht die Technologie, sondern die „letzte Meile“ der Einführung: die Integration mit Prozessen, die Schulung des Teams, das Change Management. Eine externe Firma mit Erfahrung in diesen Bereichen löst ein Problem, das ein einzelner festangestellter Entwickler nicht lösen kann, weil ihm Prozesskompetenz und Erfahrung im Change Management fehlen. ## 3. Datensicherheit - gebe ich die Kontrolle ab? ⚡ In einem Satz Datensicherheit bei der Zusammenarbeit mit einer externen Firma ist eine Frage der Architektur und des Vertrags, nicht des Vertrauens. 💡 Einfach erklärt Das ist die häufigste Sorge: „Wie kann ich meine Daten einer externen Firma überlassen?“ Die Antwort: Das musst du gar nicht. Bei einer gut geplanten Einführung baut die externe Firma das System, die Daten bleiben aber beim Kunden. Wie das in der Praxis aussieht: - **Infrastruktur in der Cloud des Kunden** - das System läuft auf dem AWS-/Azure-/GCP-Konto des Kunden. Die externe Firma hat Zugang zu Code und Konfiguration, aber die Daten stehen unter der Kontrolle des Kunden. Ist das Projekt beendet, kann der Zugang mit einem einzigen Klick entzogen werden. - **NDA und AVV** - eine Geheimhaltungsvereinbarung (NDA) und ein Auftragsverarbeitungsvertrag (AVV, von der DSGVO vorgeschrieben) regeln, was die externe Firma mit den Daten tun darf und was nicht. - **Audit Trail** - jede Aktion im System wird protokolliert. Der Kunde sieht, wer wann worauf Zugriff hatte. Zum Vergleich die Festanstellung: Ein festangestellter Mitarbeiter hat vollen Zugriff auf die Daten, und zwar täglich, nicht nur für ein Projekt. Wenn er geht, muss man die Berechtigungen entziehen und prüfen, ob alle Daten im Unternehmen geblieben sind. Das Risiko eines Datenlecks ist anders, aber nicht geringer. Die entscheidende Frage lautet nicht „Festanstellung oder externe Firma?“. Sie lautet: Schützt die Architektur des Systems die Daten unabhängig davon, wer Zugang zu ihnen hat? (siehe [Was sind RAG und KI-Agenten?](https://cm-opti.com/wissensdatenbank/was-ist-rag-ki-agent) - der Abschnitt zur Sicherheit). 🔧 Zum Vertiefen Mit Blick auf die Regulierung (DSGVO, EU AI Act) erfordert die Zusammenarbeit mit einer externen Firma: - **Einen Auftragsverarbeitungsvertrag (AVV, englisch DPA)** - legt Zweck und Umfang der Verarbeitung, die Pflichten des Auftragsverarbeiters und das Auditrecht fest. Vorgeschrieben nach Art. 28 DSGVO. - **Datenstandort** - die Daten müssen in einer Region bleiben, die den Vorschriften entspricht (für Unternehmen in der EU: Server in der EU). In der Cloud lässt sich das genau steuern. - **Das Prinzip der minimalen Rechte (Least Privilege)** - die externe Firma erhält Zugang nur zu dem, was zur Durchführung des Projekts notwendig ist. Nicht zur gesamten Kundendatenbank, nicht zum HR-System. - **Offboarding-Verfahren** - nach Projektende: Entzug der Zugänge, Übergabe der Dokumentation, Prüfung der Logs. In einem gut konzipierten Kooperationsmodell hat eine externe Firma weniger Zugriff auf die Daten als ein durchschnittlicher interner Mitarbeiter, weil ihr Zugriff auf einen konkreten Umfang und die Projektdauer beschränkt ist (siehe [Was sind RAG und KI-Agenten?](https://cm-opti.com/wissensdatenbank/was-ist-rag-ki-agent) - der Abschnitt zur Datensicherheit). ## 4. Vier Kooperationsmodelle - von der Beratung bis zur laufenden Betreuung ⚡ In einem Satz Die Zusammenarbeit mit einem Beratungs- und Umsetzungspartner muss keinen langfristigen Vertrag bedeuten. Es gibt vier Modelle, von einer einmaligen Beratung bis zur laufenden Betreuung. 💡 Einfach erklärt **Modell 1: Beratung / Discovery** - ein einmaliges Treffen oder ein kurzer Workshop (von wenigen Stunden bis zu einigen Tagen). Ziel: verstehen, wo man anfängt, welche Prozesse Automatisierungspotenzial haben und welche Daten verfügbar sind. Ergebnis: eine Prozesslandkarte, Empfehlungen, ein Einführungsplan, kein Code. Das ist die „Diagnose vor der Behandlung“ (siehe [Was ist Prozessoptimierung?](https://cm-opti.com/wissensdatenbank/was-ist-prozessoptimierung)). **Modell 2: Projekt (PoC → Einführung)** - ein Projekt mit festem Umfang, klarem Ziel, Budget und Zeitplan. Am Anfang steht ein Proof of Concept in begrenztem Umfang (z. B. ein Dokumenttyp, ein Prozess). Bestätigen sich die Ergebnisse, wird die Lösung vollständig ausgerollt. Ergebnis: eine funktionierende Lösung im Produktivbetrieb. **Modell 3: Managed Service (laufende Betreuung)** - nach der Einführung überwacht die externe Firma das System, reagiert auf Probleme, trainiert die Modelle nach und entwickelt die Lösung weiter, wenn sich die Anforderungen ändern. Feste, planbare Kosten, wie bei einem Abonnement. Das Unternehmen muss keine Wartungskompetenzen intern aufbauen. **Modell 4: Co-Development (Kompetenzaufbau)** - die externe Firma arbeitet Seite an Seite mit dem Team des Kunden. Sie baut die Lösung, schult aber gleichzeitig das interne Team, sodass das Unternehmen mit der Zeit Wartung und Weiterentwicklung übernehmen kann. Das ist das Modell für Unternehmen, die langfristig eigene KI-Kompetenzen im Haus haben wollen. Die meisten Unternehmen beginnen mit Modell 1 oder 2 und wechseln dann zu 3 oder 4. Das ist ein natürlicher Weg: von „Ich weiß nicht, wo ich anfangen soll“ zu „Wir haben ein funktionierendes System und wissen, wie wir es weiterentwickeln“. 🔧 Zum Vertiefen Die Wahl des Modells hängt von vier Faktoren ab: - **Die Prozessreife des Unternehmens** - sind die Prozesse dokumentiert und gemessen? Wenn nicht, beginne mit Modell 1 (siehe [Was ist Prozessoptimierung?](https://cm-opti.com/wissensdatenbank/was-ist-prozessoptimierung) - das Reifegradmodell). - **Datenverfügbarkeit** - hat das Unternehmen Daten in einer für die Analyse geeigneten Form? Sind die Daten über Excel-Dateien und E-Mails verstreut, muss Modell 2 mit dem Ordnen der Quellen beginnen (siehe [Was ist Systemintegration?](https://cm-opti.com/wissensdatenbank/was-ist-systemintegration)). - **Der Umfang des Problems** - eine einmalige Automatisierung eines einzelnen Prozesses ist Modell 2. Die kontinuierliche Verbesserung vieler Prozesse ist Modell 3 oder 4. - **Die Ziele des Unternehmens** - will es KI-Kompetenzen im eigenen Haus aufbauen (Modell 4) oder sich lieber auf sein Kerngeschäft konzentrieren und KI auslagern (Modell 3)? In der Praxis verschwimmen die Grenzen zwischen den Modellen. Ein Projekt (Modell 2) geht fließend in die Betreuung (Modell 3) über, und während dieser Betreuung baut das Unternehmen Kompetenzen auf (Modell 4). Ein guter Partner legt den Kunden nicht auf ein Modell fest, sondern passt sich dem Wachstum des Unternehmens an. > „Bei cm-opti beginnen wir mit einem kostenlosen Erstgespräch und bei größerem Umfang mit einer Diagnose, in der wir ausrechnen, was das Problem kostet und was der Kunde nach der Einführung gewinnt. Danach entwickeln wir die Lösung in Sprints von 2-3 Wochen, jeder zum Festpreis, nehmen sie in Betrieb und betreuen sie. Prozess- und Technikkompetenz sind in einem Team, deshalb muss der Kunde nicht einen Prozessberater und eine KI-Firma getrennt koordinieren. Die Lösung läuft auf den Servern des Kunden oder in der Cloud, DSGVO-konform, und vor dem Start prüfen wir, welche Pflichten sich aus dem AI Act ergeben.“ > > - Die Perspektive von cm-opti ## 5. Wann eine Festanstellung sinnvoll ist - und wann nicht ⚡ In einem Satz Eine Festanstellung ist sinnvoll, wenn das Unternehmen einen stetigen, täglichen Arbeitsumfang für einen KI-Spezialisten hat, nicht, wenn es eine einmalige Einführung braucht. 💡 Einfach erklärt Eine Festanstellung IST sinnvoll, wenn: - Das Unternehmen KI-Lösungen eingeführt hat und jemanden braucht, der sie täglich wartet und weiterentwickelt. - Der Arbeitsumfang für eine Vollzeitstelle ausreicht, nicht 2 Stunden pro Woche. - Das Unternehmen mit dem Risiko umgehen kann, dass seine einzige „KI-Person“ geht, weil es einen Plan B hat (Dokumentation, eine zweite Person im Team, einen Vertrag mit einer externen Firma als Absicherung). - Die Branche des Unternehmens tiefes Fachwissen erfordert (z. B. medizinische Vorschriften, die Besonderheiten der chemischen Fertigung) und es einfacher ist, jemandem, der die Branche kennt, KI beizubringen, als jemandem, der KI kennt, die Branche. Eine Festanstellung ist NICHT sinnvoll, wenn: - Das Unternehmen gerade erst mit KI beginnt und noch nicht genau weiß, was es braucht. - Es Kompetenzen aus mehreren Bereichen braucht (Prozesse + Daten + ML + Computer Vision + NLP + Integration), die eine einzelne Person nicht abdeckt. - Es eine einmalige Einführung und danach 2-3 Stunden Betreuung pro Woche braucht. Dafür ist eine Vollzeitstelle zu viel. - Der Arbeitsmarkt schwierig ist. Die Suche nach einem erfahrenen KI-/ML-Ingenieur kann Monate dauern, und die Fluktuation in der Branche ist hoch. Das hybride Modell - meist das beste: Die externe Firma setzt um, und eine interne Person (auch ohne technischen Hintergrund) ist projektverantwortlich: Sie versteht den Prozess, definiert die Anforderungen, prüft die Ergebnisse und ist Ansprechpartner. Mit der Zeit kann diese Person technische Kompetenzen aufbauen (Modell 4 weiter oben). 🔧 Zum Vertiefen Für die Entscheidung „Festanstellung oder externe Firma“ lohnt es sich, die TCO (Total Cost of Ownership) zu berechnen. Bei einer Festanstellung gehen die Kosten weit über das Gehalt hinaus: Hinzu kommen Lohnnebenkosten, Ausstattung, Lizenzen für Tools und Cloud, Schulungen, Konferenzen und die Kosten der Rekrutierung selbst. Oft zeigt erst die vollständige Aufstellung, was ein einzelner Spezialist wirklich kostet und ob der Arbeitsumfang diese Kosten über ein ganzes Jahr rechtfertigt. Bei einer externen Firma hängen die Kosten vom Umfang ab: Nach Projektende sinken sie auf das Niveau der Nachbetreuung. Es lohnt sich auch, die Zeit einzubeziehen: wie lange es dauert, einen Mitarbeiter zu rekrutieren und einzuarbeiten, und wie schnell dagegen ein Projekt mit einem externen Partner starten kann. ## 6. Worauf du bei der Wahl eines KI-Partners achten solltest ⚡ In einem Satz Ein guter Beratungs- und Umsetzungspartner beginnt mit Fragen zu deinem Prozess, nicht mit einer Präsentation seines Werkzeugs. 💡 Einfach erklärt Warnsignale: - „Wir haben eine fertige Lösung, die zu jedem Unternehmen passt“ - es gibt nicht die eine KI-Lösung für alle. Jedes Unternehmen hat andere Prozesse, Daten und Probleme. - Sie beginnen mit Technologie, nicht mit Diagnose - „Wir führen bei euch einen Chatbot ein“, bevor jemand gefragt hat, ob ihr überhaupt einen Chatbot braucht. - Sie fragen nicht nach Daten - ein KI-Modell ist nur so gut wie die Daten, mit denen es arbeitet. Eine Firma, die nicht nach Datenqualität und -verfügbarkeit fragt, weiß nicht, was sie tut. - Sie sprechen nicht über die Nachbetreuung - eine KI-Einführung ist keine „Installation“; das System braucht Monitoring, Retraining und Weiterentwicklung. Positive Signale: - Sie beginnen mit einem Gespräch über den Prozess und das Problem, nicht mit der Demo eines Tools. - Sie schlagen einen PoC oder ein Pilotprojekt vor - bevor du viel investierst, wollen sie den Nutzen im Kleinen nachweisen. - Sie sprechen über Daten - sie fragen, was du hast, in welcher Form, wie viel davon, wie es strukturiert ist. - Sie verbinden technische und Prozesskompetenzen - sie verstehen nicht nur KI, sondern auch, wie das Unternehmen funktioniert. - Sie haben einen Plan für „nach der Einführung“ - Monitoring, Betreuung, Weiterentwicklung. - Sie arbeiten sicher in der Cloud - AVV, NDA, Infrastruktur in einer EU-Region. 🔧 Zum Vertiefen Bei der Beurteilung eines Beratungs- und Umsetzungspartners lohnt es sich, konkrete Fragen zu stellen: - **Architektur:** Wo werden die Daten gespeichert? Wem gehört die Infrastruktur? Kann ich die Lösung zu einem anderen Anbieter umziehen (Vendor Lock-in, also Abhängigkeit vom Anbieter)? - **Code-Eigentum:** Gehört mir der Quellcode? Erhalte ich eine Dokumentation? - **Sicherheit:** Hat die Firma Erfahrung mit der DSGVO? Schließt sie einen AVV ab? Welche Sicherheitszertifizierungen hat die Infrastruktur? - **Referenzen:** Kann sie Projekte in einer ähnlichen Branche oder Größenordnung vorweisen? - **Betreuung:** Wie sieht die Unterstützung nach dem Produktivstart aus? Welches SLA gilt? Was passiert, wenn die Qualität des Modells nachlässt? - **Kompetenzen:** Verbindet das Team technische Kompetenzen (ML, Cloud) mit Prozesskompetenzen (Optimierung, Change Management)? Muss ich zwei getrennte Dienstleister koordinieren? ## Häufig gestellte Fragen (FAQ) ### Ist eine externe Firma teurer als ein festangestellter Mitarbeiter? Das hängt von drei Dingen ab: dem Arbeitsumfang, der Dauer des Projekts und den Kompetenzen, die abgedeckt werden müssen. Der Stundensatz eines externen Partners ist höher als die Kosten eines Mitarbeiters pro Stunde. Aber der Stundensatz zeigt nicht das ganze Bild. Beim eigenen Mitarbeiter kommen die Kosten für Rekrutierung und Einarbeitung hinzu, außerdem das Fluktuationsrisiko, Schulungen, Ausstattung, Lizenzen und das Risiko, dass die Kompetenzen nicht ausreichen. Diese Kosten sind versteckt und über die Zeit verteilt, aber sie sind real. Eine Festanstellung ist sinnvoll, wenn dauerhaft täglich Arbeit anfällt und das Unternehmen diese Person sinnvoll auslasten kann. Ein externer Partner ist sinnvoll, wenn du ein konkretes Ergebnis innerhalb eines festgelegten Zeitrahmens brauchst und danach Unterstützung in kleinerem Umfang. ### Muss mein Team KI verstehen, um mit einer externen Firma zu arbeiten? Nein, aber es muss seinen eigenen Prozess verstehen. Ein guter Beratungs- und Umsetzungspartner erwartet nicht, dass der Kunde über Modelle und Algorithmen spricht. Er erwartet, dass der Kunde das Problem beschreiben kann: was zu lange dauert, was Fehler erzeugt, was zu viel kostet. Der Rest ist Sache des Partners. ### Was passiert, wenn die externe Firma vom Markt verschwindet? Das ist ein reales Risiko, und man muss es vor Beginn der Zusammenarbeit klären, nicht im Nachhinein. Ist die Lösung gut konzipiert, bedeutet der Weggang eines externen Partners nicht den Verlust des Systems. Entscheidend ist, von Anfang an drei Dinge sicherzustellen: (1) der Quellcode gehört dem Kunden, (2) die Infrastruktur liegt auf dem Konto des Kunden (nicht des Anbieters), (3) die Dokumentation ist vollständig. Sind diese Bedingungen erfüllt, kann eine andere Firma die Wartung der Lösung übernehmen. ### Gebe ich die Kontrolle über meine Daten an eine externe Firma ab? Nicht, wenn die Architektur gut durchdacht ist. Die Daten können auf der Infrastruktur des Kunden bleiben (z. B. in seiner Cloud). Die externe Firma arbeitet mit ihnen, besitzt sie aber nicht. Ein AVV und ein NDA regeln das rechtlich. ### Wie lange dauert eine typische KI-Einführung mit einer externen Firma? Das hängt von der Komplexität des Prozesses, der Qualität der Daten und der Bereitschaft der Organisation ab. Grob gesagt: Die Diagnose dauert von einem einzigen Termin bis zu einigen Tagen. Bei einem einfachen Fall, etwa einem Test der Datenerfassung an einer Stichprobe von Dokumenten, kann ein PoC an einem Tag fertig sein; bei komplexen Daten dauert er Wochen. Eine vollständige Einführung eines komplexen Prozesses dauert einige Wochen bis einige Monate. Der Zeitrahmen wird nicht nur von der technischen Seite bestimmt, sondern auch von der Datenverfügbarkeit, der internen Abstimmung und der Bereitschaft des Teams zur Veränderung. ### Kann ich mit einer externen Firma beginnen und dann mein eigenes Team aufbauen? Ja, und das ist ein bewährtes Modell. Die externe Firma führt die ersten Lösungen ein, während du parallel interne Kompetenzen aufbaust. Mit der Zeit übernimmt das interne Team Wartung und Weiterentwicklung, und die externe Firma wechselt in eine Beraterrolle für komplexere Herausforderungen. ## Zusammenfassung Die Frage „Externe Firma oder Festanstellung?“ ist ein falsches Entweder-oder. Die meisten Unternehmen brauchen beides, aber zu verschiedenen Zeitpunkten und in verschiedenen Rollen. Am Anfang, wenn das Unternehmen noch nicht weiß, wo es beginnen soll, welche Daten es hat und was sich zu automatisieren lohnt, bringt ein externer Partner schneller erste Ergebnisse und senkt das Risiko einer Fehlbesetzung. Später, wenn Lösungen im Einsatz sind und täglich Arbeit anfällt, lohnt es sich, interne Kompetenzen aufzubauen. Aber auch dann kann eine externe Firma ein Partner bleiben: von strategischer Beratung über Modell-Monitoring bis zur Entwicklung von Lösungen, die über die Kompetenzen des internen Teams hinausgehen. Das Wichtigste ist, sich nicht auf ein Modell festzulegen und keine IT-Abteilung von Grund auf aufzubauen, um ein Problem zu lösen, das sich anders lösen lässt. Möchtest du prüfen, welches Kooperationsmodell zu deinem Unternehmen passt? Lass uns sprechen: Zuerst klären wir, was du erreichen willst. [Kontakt aufnehmen](https://cm-opti.com/de_index#kontakt) ## Verwandte Artikel in der cm-opti Wissensdatenbank - [Was ist Künstliche Intelligenz?](https://cm-opti.com/wissensdatenbank/was-ist-kuenstliche-intelligenz) - [Was ist Prozessoptimierung?](https://cm-opti.com/wissensdatenbank/was-ist-prozessoptimierung) - [Prozessmapping](https://cm-opti.com/wissensdatenbank/prozessmapping) - [Produktionsoptimierung](https://cm-opti.com/wissensdatenbank/produktionsoptimierung) - [Was ist Automatisierung?](https://cm-opti.com/wissensdatenbank/was-ist-prozessautomatisierung) - [Was sind OCR und NLP? So liest KI Dokumente](https://cm-opti.com/wissensdatenbank/was-ist-ocr-nlp) - [Was sind RAG und KI-Agenten?](https://cm-opti.com/wissensdatenbank/was-ist-rag-ki-agent) - [Was ist Computer Vision?](https://cm-opti.com/wissensdatenbank/was-ist-computer-vision) - [Was ist Systemintegration?](https://cm-opti.com/wissensdatenbank/was-ist-systemintegration) - [Was ist Datenanalyse und BI?](https://cm-opti.com/wissensdatenbank/was-ist-datenanalyse-bi) ## In diesem Artikel erklärte Begriffe → [Glossar](https://cm-opti.com/wissensdatenbank/glossar) TCO, DPA, NDA, PoC, MVP, Vendor Lock-in, SLA, DSGVO, Retraining, Managed Service, Co-Development, Discovery, Data Engineer, Data Scientist, ML Engineer, AI Engineer, Audit Trail, Compliance [← Vorheriger Artikel Datenanalyse und BI](https://cm-opti.com/wissensdatenbank/was-ist-datenanalyse-bi) [Nächster Artikel → Katalog der KI-Anwendungen](https://cm-opti.com/wissensdatenbank/ki-anwendungen-in-unternehmen-katalog)