Warum oberflächliche KI-Beratung
am Ende teurer ist
als kein KI-Einsatz.
Nicht jede KI-Idee, die technisch funktioniert, ergibt kommerziell Sinn. Ein Blick auf versteckte Kosten, falsche Versprechen – und die Fälle, in denen ein simples API-System jede KI-Lösung schlägt.
„Mit KI können Sie alles automatisieren" – dieser Satz klingt verlockend. Und er stimmt sogar, technisch gesehen. Aber er verschweigt die entscheidende Folgefrage: Zu welchem Preis? Und rechtfertigt der erzielbare Nutzen diesen Preis tatsächlich?
In meiner Arbeit als Tech Lead bei SAPHIR analysiere ich regelmäßig KI-Projekte, die Unternehmen in Auftrag gegeben oder selbst gestartet haben – und die auf dem Papier brilliant klangen. In der Praxis haben sie entweder mehr gekostet als sie einsparten, oder sie haben ein Problem gelöst, das gar nicht existierte.
Dieser Artikel ist kein Angriff auf KI. KI ist ein außerordentlich mächtiges Werkzeug. Aber ein Werkzeug, das falsch eingesetzt wird, richtet Schaden an – und im unternehmerischen Kontext heißt Schaden meistens: verlorenes Geld, verlorene Zeit, verlorenes Vertrauen im Team.
Das Phänomen: Der KI-Hype trifft auf Beratungsmarkt
Seit dem breiten Durchbruch generativer KI-Systeme hat sich ein neuer Beratungsmarkt gebildet. Workshops, Zertifikate, LinkedIn-Coaches, „KI-Transformationsberater" – viele davon ohne tiefgehende technische Grundlage, aber mit überzeugenden Präsentationen und großen Versprechen.
„Unser Berater hat uns erklärt, wir können mit KI unsere gesamte Informationsbeschaffung automatisieren. Nach drei Monaten Entwicklung und 40.000 Euro Investition haben wir festgestellt, dass uns die laufenden API-Kosten monatlich mehr kosten als der Nutzen, den wir ziehen."
— Sinngemäß aus einem unserer Erstgespräche, anonymisiert · Mittelständisches Dienstleistungsunternehmen, ÖsterreichDieses Muster ist kein Einzelfall. Es hat einen Namen in der Fachwelt: den Total Cost of Ownership (TCO) blinden Fleck. Man sieht die Einmalkosten – Entwicklung, Setup, Beratung. Aber man übersieht die laufenden Kosten: API-Gebühren, Wartung, Fehlerquoten, Nachkorrekturen, Qualitätssicherung.
Was KI-Berater gerne weglassen: die Token-Rechnung
Moderne KI-Systeme, die auf großen Sprachmodellen basieren, werden in aller Regel nach Tokenverbrauch abgerechnet. Ein Token entspricht grob einem Viertel eines Wortes im Englischen – oder etwas weniger im Deutschen. Klingt abstrakt. Wird in der Praxis sehr konkret.
Nehmen wir ein reales Beispiel aus der Praxis, das ich in dieser oder sehr ähnlicher Form mehrfach erlebt habe:
Fallstudie: KI durchsucht Gemeindewebseiten nach Ausschreibungen
Ein Softwareunternehmen möchte systematisch öffentliche Ausschreibungen finden – insbesondere auf den Webseiten österreichischer und deutscher Gemeinden, Städte und Landkreise. Die Idee: Eine KI soll diese Seiten automatisch besuchen, relevante Ausschreibungen identifizieren und strukturiert aufbereiten.
Technisch ist das machbar. Die KI kann Webseiten lesen, einordnen, zusammenfassen. Der Berater nickt. Das Projektbudget wird freigegeben.
Die Realität hinter den Zahlen
Was im Pitch-Deck fehlt, ist die Kostenrechnung. Ich habe eine vereinfachte Version davon aufgebaut, um zu zeigen, was wirklich passiert:
Entscheidende Folgefrage: Was ist ein qualifizierter Ausschreibungshinweis für dieses Unternehmen wert? Wenn ein Vertriebsmitarbeiter 30 Minuten in die manuelle Recherche investieren würde und dabei zwei bis drei relevante Treffer findet – kostet das bei einem Stundensatz von 50 € intern gerade einmal 25 €. Die KI-Lösung ist in diesem Fall teurer, nicht günstiger.
Das eigentliche Problem: heterogene Quellen
Hinzu kommt eine technische Herausforderung, die oberflächliche Berater regelmäßig unterschätzen: Gemeindewebseiten sind extrem heterogen. Es gibt kein einheitliches Format, keine einheitliche Struktur, keinen Standard für die Darstellung von Ausschreibungen. Manche Gemeinden nutzen ein professionelles Ratsinformationssystem, andere pflegen eine einfache HTML-Seite, wieder andere verlinken auf externe Plattformen oder veröffentlichen PDFs ohne Metadaten.
Das bedeutet für die KI: Sie muss bei jeder Seite von Grund auf verstehen, wo überhaupt Ausschreibungsinformationen stehen könnten – was den Tokenverbrauch pro Seite nochmals erhöht und die Fehlerquote signifikant steigert.
„Nicht alles, was KI technisch kann, ergibt kommerziell Sinn. Die Frage ist nicht ‚Ist es möglich?' sondern ‚Rechtfertigt der Nutzen die Kosten?'"
Wann klassische API-Systeme die überlegene Lösung sind
Im beschriebenen Beispiel wäre die bessere Lösung keine KI – sondern eine Kombination aus etablierten Vergabe- und Ausschreibungsplattformen mit festgelegten API-Schnittstellen. Diese existieren, sind bereits erschlossen und werden von öffentlichen Auftraggebern aktiv befüllt.
| Ansatz | Datenqualität | Laufende Kosten | Trefferquote | Empfehlung |
|---|---|---|---|---|
| KI crawlt alle Gemeindewebseiten | Sehr variabel, hohe Fehlerquote | 600–1.200 €/Monat | Sehr niedrig (<0,5%) | Nicht empfohlen |
| Vergabeplattform-APIs (z.B. TED, DTVP, Vergabe24) | Strukturiert, standardisiert | 50–200 €/Monat | Hoch (gefiltert) | Empfohlen |
| KI zur Nachklassifizierung der API-Treffer | Hoch (bereits vorselektiert) | 5–20 €/Monat | Sehr hoch | Empfohlen |
| Manuelle Recherche (Vollzeit-Mitarbeiter) | Gut, aber zeitaufwändig | 3.000–5.000 €/Monat | Mittel | Nur bei Nischenanforderungen |
Der kluge Einsatz sieht also so aus: Strukturierte Datenquellen mit fester API zuerst erschließen – und KI dann gezielt dort einsetzen, wo sie wirklich einen Mehrwert bringt: bei der Nachklassifizierung, Relevanzbewertung und Zusammenfassung der bereits vorselektierten Treffer. So sinken die Token-Kosten auf ein Hundertstel des ursprünglichen Ansatzes – bei höherer Qualität.
Die Faustregel: KI ist dann sinnvoll, wenn sie unstrukturierte Informationen interpretiert, die keine andere Maschine verarbeiten kann. Sobald strukturierte Datenquellen existieren – APIs, Datenbanken, standardisierte Formate – sind diese fast immer effizienter, günstiger und zuverlässiger als jede KI-Lösung.
KI ja oder nein? Eine pragmatische Entscheidungshilfe
Nicht als absolute Wahrheit, sondern als Denkrahmen – diese Gegenüberstellung hilft dabei, vor einem KI-Projekt die richtigen Fragen zu stellen:
✓ KI ist sinnvoll, wenn …
- Keine strukturierte Datenquelle existiert
- Informationen interpretiert, nicht nur abgerufen werden müssen
- Die Datenmenge pro Vorgang gering, die Variantenvielfalt hoch ist
- Der Nutzen pro Treffer den Token-Preis deutlich übersteigt
- Menschliche Arbeitszeit ersetzt wird, die teurer ist als die KI-Kosten
- Die Fehlerquote tolerierbar oder prüfbar ist
- Ein klar messbarer ROI definiert werden kann
✗ KI ist ungeeignet, wenn …
- Eine funktionierende API oder Datenbank dieselbe Info liefert
- Das Datenvolumen pro Durchlauf sehr hoch ist (Millionen Tokens)
- Die Trefferquote unter 1–2% liegt
- Kosten pro relevantem Ergebnis höher sind als manueller Aufwand
- Die Fehlerquote der KI geschäftskritisch wäre
- Kein klarer ROI definierbar ist
- Das Problem auch mit einer einfacheren Regel lösbar wäre
Was das für die Auswahl von KI-Beratern bedeutet
Ein guter KI-Berater zeichnet sich nicht dadurch aus, dass er KI überall sieht. Er zeichnet sich dadurch aus, dass er vor jedem Projekt eine ehrliche Kostennutzenanalyse macht – und auch dann Nein sagt, wenn KI die falsche Antwort ist.
Konkret sollte jede seriöse KI-Beratung folgende Fragen beantworten, bevor ein Budget freigegeben wird:
-
Was ist der messbare Nutzen pro Ergebnis-Einheit?
Nicht in Stunden gespart, sondern in Euro oder in klar definierten Geschäftsergebnissen.
-
Wie hoch sind die laufenden Token- und Infrastrukturkosten realistisch?
Nicht geschätzt, sondern anhand eines Piloten mit echten Daten ermittelt.
-
Gibt es eine einfachere, günstigere Alternative, die denselben Nutzen bringt?
APIs, regelbasierte Systeme, strukturierte Datenbanken – diese Frage muss beantwortet sein, bevor KI in Betracht gezogen wird.
-
Wie wird die Qualität der KI-Ausgabe gemessen und kontrolliert?
Eine KI, deren Fehler nicht erkannt werden, ist gefährlicher als gar keine KI.
-
Wann ist der Break-even, und wie sieht das Szenario aus, wenn er nicht erreicht wird?
Jedes KI-Projekt braucht einen definierten Ausstiegspunkt, wenn die Zahlen nicht stimmen.
Wer diese fünf Fragen einem KI-Berater stellt und keine klaren Antworten bekommt, hat seinen wichtigsten Hinweis bereits erhalten. Gute Beratung beginnt mit Ehrlichkeit – auch über die Grenzen der eigenen Empfehlung.
KI-Vorhaben? Erst rechnen, dann entscheiden.
Wir analysieren mit Ihnen, ob und wo KI in Ihrem Unternehmen wirklich Sinn ergibt – inklusive echter Kostenrechnung.
Technisches Erstgespräch vereinbaren →Kostenlos · 45 Minuten · Konkretes Ergebnis
