Die Beschaffung von KI-Lösungen in Unternehmen hat sich verändert. Eine Demo und ein Preisangebot reichen nicht mehr aus, um einen Vertragsabschluss zu erzielen. Einkäufer prüfen heute das Modellverhalten, die Datenflüsse, die rechtlichen Risiken aus der EU-KI-Verordnung und die Ausstiegskosten, die in Verträgen versteckt sind, die niemand ein zweites Mal liest. Dieser Leitfaden bietet Ihnen einen praxistauglichen Rahmen für diese Entscheidung, einschließlich der Kompromisse, die wir aus eigener Erfahrung kennen.
Wichtigste Erkenntnisse
- Bewerten Sie Anbieter in sechs Governance-Dimensionen und lassen Sie dann kritische Warnsignale den Durchschnittswert überstimmen. Ein hoher Mittelwert kann ein einzelnes Versagen verbergen, das den Vertragsabschluss unmöglich macht.
- Standard-SLAs von Plattformen decken selten Ausfälle des zugrunde liegenden Modells ab. Verhandeln Sie einen KI-spezifischen Zusatz oder akzeptieren Sie das Risiko schriftlich.
- Das Feinabstimmen eines Modells eines Drittanbieters kann Sie nach der EU-KI-Verordnung als Anbieter neu einstufen. Prüfen Sie Artikel 25, bevor Anpassungsarbeiten beginnen.
- Die Datenaufbereitung beansprucht 50–65 % eines jeden ernsthaften KI-Projekts. Ein Anbieter, der dies im Angebot auslässt, verkauft eine Demo, keine Implementierung.
- Ausstiegsbedingungen sind wichtiger als der ausgewiesene Preis. Die meisten Unternehmen entdecken die Anbieterbindung erst bei der Verlängerung – wenn der Verhandlungsspielraum bereits verloren ist.
Governance-Kategorien, die bei der Bewertung von KI-Anbietern zählen
Sechs Kategorien decken die Risikodimensionen nahezu jeder KI-Beschaffung im Unternehmen ab: Transparenz, Verzerrung und Fairness, Datenschutz und Sicherheit, Rechenschaftspflicht, Regulatorische Compliance und Anbieterbindung. Jede Kategorie prüft eine eigenständige Ausfallart. Ein einzelner Durchschnittswert über alle sechs Kategorien ist gefährlich. Er lässt zu, dass eine starke Transparenzbewertung eine schwerwiegende Lücke bei Datenschutz und Sicherheit verdeckt.
Die praktische Regel, die wir in unserer Beratungstätigkeit anwenden, ist einfach. Behandeln Sie kritische Warnsignale als Überstimmung, nicht als Bestandteile eines Mittelwerts. Wenn ein Anbieter Ihre Prompts speichert und für das Neutrainieren eines gemeinsamen Modells verwendet, kann keine Bewertung der Dokumentationsqualität dies ausgleichen. Der Befund muss vertraglich geklärt oder als dokumentiertes Risiko akzeptiert werden – oder der Anbieter scheidet aus.
Ein Gegenargument verdient Beachtung. Scorecards können zu einem reinen Schaulaufen werden. Der Einkauf sammelt Antworten, die niemand liest, und das technische Team wählt den Anbieter, den es ohnehin wollte. Die Lösung besteht nicht darin, die Scorecard abzuschaffen. Sie besteht darin, ihr Durchschlagskraft zu verleihen: ein benannter Verantwortlicher je Kategorie, Nachweise für jede Aussage erforderlich und ein schriftlich festgelegter Eskalationsweg, wenn ein kritisches Warnsignal auftritt.
| Kategorie | Kernfrage | Kritisches Warnsignal, das den Vertragsabschluss stoppen sollte |
|---|---|---|
| Transparenz | Kann der Anbieter eine Modellkarte und einen Vermerk zu den Beschränkungen vorlegen? | Kein dokumentiertes Verhalten, kein Prüfpfad |
| Verzerrung und Fairness | Wurde das Modell mit Daten getestet, die Ihren ähneln? | Keine Verzerrungsprüfung durch Dritte für Ihren Anwendungsfall |
| Datenschutz und Sicherheit | Wohin gelangen Ihre Daten und wer sieht sie noch? | Kunden-Prompts fließen in gemeinsames Neutrainieren ein |
| Rechenschaftspflicht | Wer trägt die Verantwortung bei einem Zwischenfall, wenn das Modell versagt? | Kein benannter Verantwortlicher für Zwischenfälle auf beiden Seiten |
| Regulatorische Compliance | Unterstützt die Plattform die Pflichten von Betreibern nach der EU-KI-Verordnung? | Keine veröffentlichte Konformitäts-Roadmap |
| Anbieterbindung | Können Sie Ihre Daten und Embeddings in offenen Formaten exportieren? | Nur proprietärer Export, keine Übergangsphase |
Ein konkreter Test, den wir empfehlen: Fordern Sie vor der ersten technischen Demo eine ausgefüllte Modellkarte an. Anbieter, die diese innerhalb von 48 Stunden liefern, verfügen über eine ausgereifte Ingenieurkultur. Anbieter, die versprechen, sie „nach dem Gespräch“ zu schicken, liefern selten etwas Verwertbares – selbst nach Vertragsunterzeichnung nicht.
Sechs Fragen, die jeder KI-Anbieter vor der Aufnahme in die engere Auswahl beantworten sollte:
- Wo befinden sich unsere Daten während der Inferenz, während der Protokollierung und nach Kündigung des Kontos?
- Wie ist Ihr Veröffentlichungsrhythmus für Modellversionen und welche Benachrichtigung erhalten wir vor Verhaltensänderungen?
- Können Sie innerhalb von 48 Stunden nach Anfrage eine Modellkarte und einen Vermerk zu den Beschränkungen bereitstellen?
- Was geschieht mit unseren feinabgestimmten Gewichten, Embeddings und dem Prompt-Verlauf, wenn wir aus dem Vertrag aussteigen?
- Welche unserer Compliance-Pflichten nach Artikel 26 der EU-KI-Verordnung oder Artikel 22 der DSGVO unterstützt Ihre Plattform heute technisch?
- Wenn Ihr zugrunde liegender Foundation-Model-Anbieter die Bedingungen ändert – welche dieser Änderungen werden an uns weitergegeben und mit welcher Vorankündigung?
Ein Anbieter, der diese Fragen nicht schriftlich beantworten kann, hat nicht die operative Disziplin aufgebaut, die die Beschaffung im Unternehmen heute erfordert.
Wie operative und vertragliche Bedingungen die Auswahl prägen
Die Governance-Scorecard zeigt Ihnen, welche Anbieter einen Vertrag verdienen. Der Vertrag entscheidet, ob Sie die nächsten zwei Jahre überstehen. Die beiden wichtigsten Dokumente sind das SLA und die Ausstiegsklausel. Beide werden meist für eine SaaS-Welt formuliert, die nicht dem entspricht, wie KI-Systeme tatsächlich versagen.
Die meisten Plattform-SLAs messen die Verfügbarkeit der Hülle, nicht des Modells. Wenn ein LLM eines Drittanbieters an Qualität verliert, halluziniert oder offline geht, hält das SLA des Anbieters oft trotzdem stand. Die Plattform selbst ist technisch verfügbar. Genau in dieser Diskrepanz liegt das Unternehmensrisiko. Die Lösung ist ein KI-spezifischer Zusatz, der die für Sie relevanten Ausfallarten des Modells benennt: Genauigkeitsdrift an Ihrem Benchmark, Latenz unter Last und Benachrichtigungszeiträume bei Neutrainieren oder Modellversionsänderungen.
Die Vertragsbedingungen, die den entscheidenden Unterschied machen:
- Prüfrechte auf Anfrage. Nicht einmal pro Jahr. Auf Anfrage, innerhalb eines festgelegten Zeitfensters, mit Zugriff auf Protokolle der Modelleingaben und -ausgaben für Ihren Mandanten.
- Incident-SLAs für Modellausfälle. Getrennte Fristen für Plattformausfall und Vorfälle der Modellqualität. Definieren Sie, was jeweils dazu zählt.
- Änderungsbenachrichtigungen. Schriftliche Ankündigung vor Modellversionswechseln, Neutrainings oder Änderungen bei vorgelagerten Anbietern. Idealerweise mit dem Recht, vor der Einführung zu testen.
- Ausstiegsbedingungen. Daten, Embeddings, gegebenenfalls feinabgestimmte Gewichte sowie Prompt-Verlauf in offenen Formaten. Eine Übergangsunterstützung von 30 bis 90 Tagen.
- Haftungsaufteilung für schädliche Ausgaben. Wer zahlt, wenn das Modell eine falsche Antwort gibt, die dem Unternehmen Geld kostet.
Eine Falle erwischt Rechtsabteilungen spät. Wenn Sie ein KI-System eines Drittanbieters feinabstimmen oder wesentlich verändern, kann Artikel 25 der EU-KI-Verordnung Anbieterpflichten auf Sie übertragen. Das ändert Ihre Konformitätspflichten, Ihren Dokumentationsaufwand und Ihr Haftungsprofil. Wir haben dies allein in diesem Jahr erlebt, dass dies in zwei Beschaffungsprüfungen übersehen wurde. Holen Sie eine schriftliche rechtliche Stellungnahme ein, bevor ein Feinabstimmungsvertrag unterzeichnet wird, und wägen Sie diese Kosten gegen den erwarteten Genauigkeitszuwachs ab.
Wenn die Entscheidung zwischen Eigenentwicklung und Zukauf auf Ihrer Seite noch offen ist, behandelt unser Leitfaden zur individuellen KI-Entwicklung die Kompromisse – einschließlich der Frage, wo das Feinabstimmen eines Anbietermodells eine Neuklassifizierung als Anbieter auslöst und wo eine vollständige Eigenentwicklung dies vermeidet.
Für Teams, die den Vertrag vor der Unterzeichnung auf Belastbarkeit prüfen möchten, führt unsere KI-Beratungspraxis Build-vs-Buy-Prüfungen durch, die eine Analyse von SLA und Ausstiegsklausel einschließen.
Wo die EU-KI-Verordnung und das NIST AI RMF tatsächlich greifen
Direkte Antwort: Artikel 26 der EU-KI-Verordnung legt verbindliche Pflichten für Betreiber von Hochrisikosystemen in der EU fest. Das NIST AI RMF bietet Teams mit US-Bezug ein freiwilliges Betriebsmodell. Sie sind nicht austauschbar. Beide blind anzuwenden erzeugt mehr Papierkram als Schutz.
Wenn Ihr KI-System den EU-Markt berührt und in eine Hochrisikokategorie fällt (Kreditscoring, Bewerberauswahl, bestimmte medizinische Anwendungen, kritische Infrastruktur), gelten die Pflichten aus Artikel 26: menschliche Aufsicht, operative Überwachung, Meldung von Zwischenfällen an Behörden und Protokollaufbewahrung. Der offizielle Text der EU-KI-Verordnung ist die Quelle, die Sie gegenüber der Rechtsabteilung zitieren, nicht eine Zusammenfassung Dritter. Die Plattform Ihres Anbieters unterstützt diese Pflichten technisch – oder eben nicht. Einen Mittelweg gibt es nicht.
Eine Aktualisierung des Zeitplans für 2026 ist hier wichtig. Im Mai 2026 verschob die Einigung zum Digital Omnibus zur KI die Hochrisikopflichten aus Anhang III auf Dezember 2027. Das erweitert den Vorlauf für die Compliance-Vorbereitung, ändert aber nicht, was Anbieter letztlich unterstützen müssen. Wenn Sie heute für eine Hochrisikoanwendung bewerten, fragen Sie Anbieter nach ihrer Compliance-Roadmap bis zur verlängerten Frist, nicht nur nach ihrem aktuellen Stand. Der Unterschied zwischen „wir können Artikel 26 unterstützen“ und „wir werden Artikel 26 bis 2027 produktiv unterstützen“ entscheidet, ob die Plattform tatsächlich eine Option ist.
Das NIST AI RMF ist ein anderes Instrument. Es organisiert die Risikoarbeit rund um vier Funktionen: Govern, Map, Measure, Manage. Es begründet keine rechtlichen Pflichten. Sein Wert ist operativ. Es gibt einer Sicherheitsarchitektin ein Vokabular und eine Checkliste für die kontinuierliche Überwachung, die den meisten Beschaffungsprozessen fehlt.
Die pragmatische Antwort lautet: Wählen Sie den Rahmen, der zur Rechtsordnung und zur Anwendung passt, und nutzen Sie den anderen nur dort, wo er etwas hinzufügt. Regulierte Bereitstellung in der EU: Artikel 26 zuerst. Nur intern in den USA eingesetztes Werkzeug: NIST AI RMF reicht aus. Personenbezogene Daten irgendwo in der EU oder im Vereinigten Königreich: Die DSGVO steht über beiden, mit dem KI-Leitfaden der ICO als praktischer Referenz für britische Kontexte.
| Rahmenwerk | Rechtsordnung / Geltungsbereich | Rechtliche Bindungskraft | Wann damit beginnen |
|---|---|---|---|
| EU-KI-Verordnung, Art. 26 | EU-Markt, Betreiber von Hochrisiko-KI | Verbindlich | Jede Bereitstellung, die EU-Nutzer in einer Hochrisikokategorie erreicht |
| NIST AI RMF | Alle Branchen, US-bezogen | Freiwillig | Kontinuierliche Risikoüberwachung und interne Governance-Gestaltung |
| DSGVO | Personenbezogene Daten in EU / EWR | Verbindlich | Immer wenn personenbezogene Daten in das Modell fließen |
| FERPA | US-Schülerakten | Verbindlich | Ausschließlich EdTech und Bildungsdaten |
Ein Umsetzungshinweis aus tatsächlichen Projekten: Manipulationssicheres Protokollieren von Modelleingaben und -ausgaben klingt auf einer Folie einfach. In der Produktion kostet es Speicherplatz, Schemaarbeit und eine von der Rechtsabteilung freigegebene Aufbewahrungsrichtlinie. Kalkulieren Sie das vor der Unterzeichnung ein, nicht danach.
Wie Sie die Bewertung durchführen, ohne ein Quartal zu verlieren
Behandeln Sie die Bewertung als eine 90-tägige operative Disziplin, nicht als einmaligen Fragebogen. Die Phasenaufteilung, die wir in KI-Beratungsmandaten anwenden, gliedert sich in vier Blöcke mit jeweils einem benannten Verantwortlichen.
Eine bewährte Teamzusammensetzung:
- Eine Einkaufsleitung, die den Zeitplan und den Vertrag steuert
- Rechtsberatung mit KI-Erfahrung, die SLA-Ausschlüsse, Ausstiegsklauseln und das Risiko einer Neuklassifizierung von Betreiber zu Anbieter prüft
- Eine CISO oder Sicherheitsarchitektin, die Datenflüsse, Zugriffskontrollen und Incident Response bewertet
- Eine KI-Governance-Leitung, die die Scorecard führt und kritische Warnsignale über das Anbieterportfolio hinweg nachverfolgt
- Ein Fachexperte aus dem Geschäftsbereich, der das System tatsächlich nutzen wird
Die letzte Rolle wird am häufigsten übersprungen. Es ist die teuerste Auslassung. Ohne einen Verantwortlichen auf Geschäftsseite fehlt dem Modell jemand, der den Erfolg definiert, seine Grenzen akzeptiert und eskaliert, wenn es abweicht. Unsere Ingenieurregel ist einfach: nicht ohne einen Fachexperten auf Kundenseite beginnen.
Der 90-Tage-Ablauf:
- Tag 1–30, Bestandsaufnahme. Listen Sie jedes KI-System auf, das im Einsatz oder in der Pipeline ist. Ordnen Sie jedes den Risikostufen der EU-KI-Verordnung zu. Kennzeichnen Sie Systeme, die personenbezogene Daten oder regulierte Entscheidungen berühren.
- Tag 31–60, Bewertung. Wenden Sie die Sechs-Kategorien-Scorecard auf jeden Anbieter in der engeren Auswahl an. Dokumentieren Sie kritische Warnsignale mit Nachweisen, nicht mit Adjektiven.
- Tag 61–90, Verhandlung. Nehmen Sie Vertragsverhandlungen mit Anbietern auf, die die Bewertung bestanden haben. Eskalieren Sie ungelöste kritische Warnsignale zu einer schriftlichen Risikoakzeptanz, unterzeichnet von einer benannten Führungskraft – oder lassen Sie den Anbieter fallen.
- Fortlaufend, Aufrechterhaltung. Verknüpfen Sie Überprüfungen mit Verlängerungsterminen. Setzen Sie Auslöser für Modellversionsänderungen, regulatorische Aktualisierungen und Leistungsdrift.
Der ehrliche Kompromiss: 90 Tage sind schnell für eine sorgfältige Prüfung und langsam für einen Projektsponsor, der bereits im letzten Quartal live gehen wollte. Wenn man den Zeitraum weiter komprimiert, zeigen sich die Ausfallarten später – nach Vertragsunterzeichnung und wenn die Ausstiegskosten hoch sind. Wir haben genug Sanierungsprojekte übernommen, um zu wissen, welche Variante teurer ist.
Muster, die wir beobachten, wenn Unternehmen die Auswahl von KI-Anbietern falsch angehen
Drei Ausfallarten wiederholen sich branchenübergreifend.
Die erste besteht darin, die Bewertung als reine Formalie des Einkaufs zu behandeln. Die Scorecard wird ausgefüllt, um eine Hürde zu nehmen, nicht um eine Entscheidung zu untermauern. Zwölf bis achtzehn Monate später verwaltet dasselbe Team die Folgen eines Vertrags ohne Prüfrechte und mit einem SLA, das genau die Ausfallart ausschließt, die in der Produktion tatsächlich auftritt. Der Einkauf hat den Termin gewonnen. Der Geschäftsbereich zahlt die Rechnung.
Die zweite besteht darin, hart über den Preis zu verhandeln und über die Datenportabilität zu schweigen. Sechs Monate später ändert der Anbieter seine Preisgestaltung oder richtet sein Produkt neu aus. Die Ausstiegskosten sind abschreckend hoch, weil niemand von Anfang an offene Exportformate gefordert hat. Die Bindung war stets im Vertrag festgelegt. Sie wurde nur nicht sorgfältig gelesen.
Die dritte ist technische Naivität bezüglich der Datenaufbereitung. Anbieterangebote weisen üblicherweise 10 bis 20 % des Budgets für Datenarbeit aus. Tatsächliche Projekte geben dort 50 bis 65 % aus. Wenn ein Käufer die optimistische Aufteilung des Anbieters akzeptiert, zeigt sich die Lücke als Überschreitung, Umfangskürzung oder als Modell, das bei den tatsächlichen Daten des Käufers still und leise unterdurchschnittlich abschneidet.
„Die Unternehmen, die das richtig machen, haben eine Gemeinsamkeit. Sie behandeln die KI-Governance-Leitung als Gleichgestellte der CISO, nicht als nachträgliche Compliance-Ergänzung. Wenn Governance vom ersten Tag an am Verhandlungstisch sitzt, spiegelt der Vertrag wider, wie das System tatsächlich versagen wird.“ – Yuliya Marazenko, Head of AI Implementation, Silk Data
Ein ergänzender Punkt aus unserer Beratungspraxis zur Frage, ob eine Anbieterplattform gekauft oder eine Lösung selbst entwickelt werden soll:
„Kaufen Sie, wenn das Problem generisch ist und die Daten nicht sensibel sind. Entwickeln Sie selbst oder betreiben Sie on-premise, wenn die Daten der Schutzgraben sind oder die Aufsichtsbehörde hinschaut. Die meisten Unternehmen entscheiden dies aus Gewohnheit, nicht durch Analyse. Genau dort versickert Geld.“ – Polina Volodina, KI-Beraterin, Silk Data
Wo Silk Data in dieses Bild passt
Zwei Situationen führen Unternehmen während der Anbieterbewertung zu uns. Die erste tritt ein, wenn alle Anbieter der engeren Auswahl das Übertragen von Daten in eine gemeinsame Cloud verlangen und die Aufsichtsbehörde, die CISO oder der Kundenvertrag dies untersagt. Wir haben On-Premise-LLM-Implementierungen für eine Marketingagentur und für einen deutschen Verlagskunden gebaut, bei denen das Archiv niemals den Sicherheitsbereich verlassen durfte. Die zweite tritt ein, wenn das Standardprodukt 70 % des Anwendungsfalls abdeckt und die verbleibenden 30 % genau der Teil sind, auf den es tatsächlich ankommt. Vertragsanalyse, semantische Suche über ein Unternehmensarchiv, Nachrichten-Clustering mit Meinungsanalyse: Dies sind die Fälle, in denen eine Anbieterdemo gut aussieht und die produktive Bereitstellung nie ganz gelingt.
Wenn Sie Optionen zur Eigenentwicklung, zum Zukauf und zu Hybridlösungen vergleichen, listet unsere Seite zu NLP- und LLM-Diensten die Bausteine auf, die wir liefern. Der Fallstudien-Hub zeigt, wo sie eingesetzt wurden.
FAQ
Die Bewertung von KI-Anbietern ist die strukturierte Beurteilung eines KI-Lieferanten in den Dimensionen Governance, Compliance, Betrieb und Vertrag vor einer Entscheidung über die Bereitstellung. Sie nutzt Scorecards, regulatorische Rahmenwerke wie die EU-KI-Verordnung und das NIST AI RMF sowie eine Vertragsprüfung, um Risiken sichtbar zu machen, die eine Funktionsdemo nicht zeigen kann. Das Ziel ist, Ausfallarten (Datenhandhabung, Modellverantwortung, Ausstiegskosten) offenzulegen, solange Sie noch den Verhandlungsspielraum haben, sie zu beheben.
Sechs Kategorien bieten eine breite Abdeckung: Transparenz, Verzerrung und Fairness, Datenschutz und Sicherheit, Rechenschaftspflicht, regulatorische Compliance und Anbieterbindung. Jede bildet eine eigenständige Risikodimension ab. Kritische Befunde in einer einzelnen Kategorie sollten den Durchschnittswert überstimmen, denn eine schwerwiegende Lücke (zum Beispiel Kunden-Prompts, die in gemeinsames Neutrainieren einfließen) kann durch starke Leistung an anderer Stelle nicht ausgeglichen werden. Die Scorecard dient dazu, Anbieter nach Risiko zu staffeln und Verhandlungsschwerpunkte vor der Unterzeichnung zu identifizieren.
Nach Artikel 26 der EU-KI-Verordnung müssen Betreiber von Hochrisiko-KI-Systemen in der EU menschliche Aufsicht, operative Überwachung, Meldung von Zwischenfällen und Protokollaufbewahrung unterstützen. Die Plattform des Anbieters muss diese Pflichten technisch unterstützen, sonst ist der Betreiber nicht compliance-konform. Eine gesonderte Falle liegt in Artikel 25: Das Anpassen oder Feinabstimmen eines Modells eines Drittanbieters kann den Betreiber als Anbieter neu einstufen, was Konformitätsbewertungs- und Dokumentationspflichten hinzufügt. Eine rechtliche Prüfung jeglicher Feinabstimmung vor deren Beginn ist die kostengünstige Absicherung.
Ein KI-spezifischer SLA-Zusatz sollte Ausfälle des zugrunde liegenden Modells abdecken, nicht nur der Hüllen-Plattform. Das bedeutet Benchmarks zu Genauigkeit oder Qualität, die an Ihre Daten geknüpft sind, Benachrichtigungszeiträume bei Modellversionsänderungen und Neutrainings, Reaktionszeiten bei Vorfällen der Modellqualität getrennt von Fristen für Ausfälle sowie Haftungsregelungen, wenn das Modell schädliche oder falsche Ausgaben erzeugt. Standard-SaaS-SLAs wurden nicht für Systeme geschrieben, bei denen sich das Verhalten des Produkts zwischen Releases ändert.
Eine praktikable Basislinie sind 90 Tage, aufgeteilt in drei 30-tägige Phasen: Bestandsaufnahme und Risikoklassifizierung, Scorecard-Bewertung mit Dokumentation kritischer Warnsignale sowie Vertragsverhandlung oder Risikoakzeptanz. Nach der Unterzeichnung werden Anbieterprüfungen an Verlängerungszyklen und Auslöseereignisse wie Modellversionsänderungen oder regulatorische Aktualisierungen geknüpft. Die 90 Tage lassen sich komprimieren, doch das erhöht die Wahrscheinlichkeit, dass Lücken erst nach Unterzeichnung entdeckt werden – wenn die Kosten zu ihrer Behebung deutlich höher sind.
Die Entscheidung hängt von zwei Fragen ab: Wie sensibel sind die Daten und wie generisch ist das Problem. Generische Probleme mit nicht sensiblen Daten sprechen für den Kauf einer Anbieterplattform. Sensible Daten oder regulierte Entscheidungen sprechen für eine On-Premise-Bereitstellung, bei der die Daten innerhalb des Sicherheitsbereichs bleiben. Spezialisierte Probleme, bei denen das Modell aus proprietären Daten lernen muss, rechtfertigen oft eine Eigenentwicklung. Die meisten Unternehmen entscheiden sich standardmäßig für den Kauf, was in etwa zwei Dritteln der Fälle richtig ist und im übrigen Drittel teuer falsch. Den vollständigen Rahmen für diese Entscheidung finden Sie in unserem Leitfaden zur individuellen KI-Entwicklung.
