Da sich generative KI zu agentischer KI weiterentwickelt, ist die Build-or-Buy-Entscheidung zunehmend komplexer geworden und hängt von Faktoren wie Unternehmensgröße, Anwendungsfällen und strategischen Prioritäten ab.

Unternehmen sowie kleine und mittlere Betriebe (KMU) ringen seit langem mit einer grundlegenden Frage: Sollen KI-Fähigkeiten im Haus aufgebaut oder von einem Anbieter gekauft werden? Diese Entscheidung beeinflusst nicht nur, wie Organisationen Technologie einführen, sondern auch, wie kosteneffizient ihr Ansatz ausfällt.

Als OpenAI vor etwa vier Jahren ChatGPT einführte und Unternehmen erste Experimente mit generativer KI durchführten, schien der Weg klar. Der Kauf von großen Sprachmodellen von OpenAI oder Anthropic oder die Nutzung von Open-Source-Modellen von Meta galt als sicherer Weg für Organisationen, die nicht zurückbleiben wollten.

Mit der Reife der generativen KI und der zunehmenden Verbreitung agentischer KI ist das Build-versus-Buy-Dilemma jedoch differenzierter geworden. Im Gegensatz zu generativen KI-Tools, die auf einzelne Prompts reagieren, sind agentische KI-Systeme darauf ausgelegt, mehrstufige Aufgaben zu planen und autonom auszuführen – sie interagieren mit externen Tools, Datenbanken und APIs, um Workflows wie die Bearbeitung von Anträgen, das Bestandsmanagement oder die Terminplanung abzuschließen. Dieser Wandel von der Inhaltserstellung zur autonomen Aktion bringt neue Anforderungen an Zuverlässigkeit, Überwachung und Systemintegration mit sich, die frühere KI-Einsätze nicht stellten. Zu den wichtigsten Überlegungen zählen nun Unternehmensgröße, spezifische Anwendungen und das, was ein Unternehmen oder KMU als seinen „Burggraben“ identifiziert – also das entscheidende Wertversprechen, das es von Wettbewerbern abgrenzt und schützt.

Fokus und Flexibilität

Für Home Depot zählt das Kundenerlebnis (CX) zu den kritischsten Elementen des Geschäfts. Ningyu Chen, Senior Vice President of Technology des Einzelhändlers, betonte diesen Punkt in einer Sitzung auf der Ai4 2026-Konferenz in Las Vegas.

„Wir würden diesen Bereich niemals an andere auslagern“, sagte Chen.

Dennoch pflegt Home Depot Partnerschaften mit führenden KI-Technologieanbietern, darunter Anthropic, OpenAI, Google und Microsoft, und nutzt deren Technologie aktiv in seinen Operationen.

Chen rät Unternehmen, die vor der Build-versus-Buy-Frage stehen, darin Priorität zu setzen, den richtigen Anwendungsfall zu identifizieren und flexibel in Bezug auf Partnerschaften und die Anbieterwahl zu bleiben.

„Ich werde die Partnerschaft sehr offen halten“, sagte er in einem Interview mit AI Business. „Wir sind noch früh dran, und es kann noch viel passieren. Schau dir OpenAI an – es war dominant; das ist es jetzt nicht mehr.“

Die Landschaft der Modellanbieter hat sich seit dem Debüt von ChatGPT in der Tat erheblich diversifiziert. Anthropics Claude, Googles Gemini, Metas Open-Weight-Llama-Familie, Mistral aus Frankreich sowie DeepSeek und Moonshot AI aus China gehören zu den Alternativen, die nun über verschiedene Leistungsklassen und Preispunkte konkurrieren – und bieten Käufern mehr Optionen, aber auch mehr Komplexität als jemals zuvor.

„Man braucht eine Abstraktionsschicht, um sich vor diesen Veränderungen zu schützen“, fügte er hinzu.

Santhi Ramesh, CEOin und Chief AI Strategy Officer bei der Beratungsfirma Future Propel, wies darauf hin, dass Unternehmen, die aufbauen möchten, sorgfältig abwägen sollten, wie viel Zeit und Personal sie in die Integration generativer oder agentischer KI in ihre Plattformen investieren wollen.

Ramesh, die zuvor KI-Transformationsinitiativen bei Organisationen wie The Hershey Company und dem italienischen Schokoladenhersteller Ferrero leitete, sagte, die Entscheidung hänge auch von der Kernkompetenz eines Unternehmens ab.

„Wenn Ihre Kernkompetenz nicht in der Technologiebranche liegt, sind Sie besser beraten, Partnerschaften einzugehen und zu kaufen“, sagte sie in einem Interview. „Wenn Sie jedoch tiefe Daten, hohe Sicherheitsanforderungen, riesige Datenmengen und eine maßgeschneiderte Lösung benötigen, dann müssen Sie selbst aufbauen. Ich habe beides getan.“

Diese Daten- und Sicherheitsüberlegungen wiegen besonders in regulierten Branchen wie Gesundheitswesen, Finanzdienstleistungen und Versicherung schwer, wo Pflichten in Bezug auf Datenresidenz, Auditierbarkeit und Compliance die Nutzung von KI-Plattformen Dritter einschränken können.

Für Unternehmen und KMU, die mehr Flexibilität benötigen, empfahl Ramesh, eine Plattform zu testen, zu evaluieren und zu kaufen oder sich mit einem Anbieter zu verbünden – und zwar zu Bedingungen, die einen Ausstieg aus der Partnerschaft ermöglichen, beispielsweise nach einer Beta-Phase.

Die Kosten des Kaufens oder Bauens

Kaufen kann zu operationeller Verschuldung führen, warnte Rachel Ibarra, Vice President of Data and Innovation bei Cardinal Group Companies, einer Organisation für Immobilienverwaltung und Immobilien. Cardinal Group verfolgt einen hybriden Ansatz und setzt einen hauseigenen KI-Agenten namens Stan ein.

Ibarra sagte, dass Unternehmen, die zwischen hausinterner Entwicklung und externer Beschaffung wählen, berücksichtigen müssen, „wie ein kohärentes System aussieht“.

„Es geht nicht nur um das Technologie-Ökosystem“, sagte sie während eines Konferenzvortrags. „Es geht um das Ökosystem, wie die Organisation funktioniert.“

Für Unternehmen, deren Daten einen greifbaren Wettbewerbsvorteil bieten, kann der Eigenaufbau der vorzugswürdige Weg sein, so Ibarra. Sie schlug zudem vor, dass Organisationen über einen Aufbau nachdenken sollten, wenn sie einen nur anteiligen Bedarf haben.

„Sie benötigen also nur einen Teil von etwas, das relativ klein ist [und] eher intern ausgerichtet ist und Ihnen viel internen Vorteil verschafft“, sagte sie in einem Interview. „Das sind meiner Meinung nach Fälle, die besser selbst aufgebaut werden – auch für nichttechnische Unternehmen, die nicht unbedingt die Ressourcen haben, um ein großes Engineering-Team einzustellen.“

Infrastruktur stellt eine weitere kritische Überlegung dar, so Markus McKay-Fleisch, Professional Services Enablement Director bei Smartsheet.

„Die eigentliche Frage ist für mich: Haben Sie das Gefühl, über die richtige Infrastruktur zu verfügen, um selbst aufzubauen?“, sagte er in einem Interview. „Handelt es sich um ein Citizen-Development-Programm, bei dem Personen im Unternehmen selbst entwickeln, und wenn ja: Welche Leitplanken errichten Sie dafür?“

Unternehmen müssen außerdem sicherstellen, dass sie über eine robuste Hosting-Infrastruktur verfügen und in der Lage sind, KI-Agenten oder -Systeme zu warten, wenn diese ausfallen oder sich verändern. Die großen Cloud-Anbieter – AWS, Google Cloud und Microsoft Azure – haben jeweils verwaltete Agenten-Plattformen eingeführt, die diese Belastung verringern sollen und vorgefertigte Orchestrierungs- und Bereitstellungstools anbieten, die einen Mittelweg zwischen vollständiger Eigenentwicklung und Standardprodukten darstellen.

Darüber hinaus erfordert das Aufbauen eines KI-Agenten oder -systems die Navigation durch die Nuancen der Auswahl des am besten geeigneten KI-Modells für jeden Anwendungsfall.

Phenom, ein HR-Technologie- und Applied-AI-Unternehmen, das Software zur Rekrutierung von Kandidaten und zur Kompetenzentwicklung entwickelt, nutzt mehrere Modelle. Dazu gehören Open-Source-Modelle von Mistral und das kostengünstige Kimi-Modell des chinesischen Anbieters Moonshot AI.

Nach Aussage von Phenom-CEO Mahe Bayireddi müssen Organisationen, die KI-Agenten oder agentenbasierte Systeme aufbauen, manchmal Modelle wechseln, um den geeigneten Anwendungsfall zu bedienen – bestimmte Modelle eignen sich gut für HR-Anwendungen, während andere besser für Finanzanwendungen geeignet sind.

Unternehmen „verstehen die Nuancen nicht, wie man Modelle wechseln kann – nicht auf Unternehmensebene, sondern auf Branchenebene“, sagte Bayireddi. „Ihre Modelle werden im laufenden Betrieb wechseln.“

Just a Bite Better

Steve Toy, Gründer und Entwickler von Just a Bite Better, einer KI-Ernährungs-App, entschied sich dafür, KI-Agenten direkt in seiner Anwendung aufzubauen, anstatt ein System für deren Implementierung zu kaufen. Die App nutzt mehrere Agenten, die zusammenwirken, um Verbrauchern einen umfassenden Überblick über ihre Ernährung zu bieten.

„Wir nutzen keinen einzigen Anbieter und kein einziges Modell“, sagte Toy in einem Interview. „Wir haben unseren eigenen Model-Garten gebaut, wenn man so will – das ist schlichtweg der Code, der auf die APIs all dieser Dinge zugreift.“

Für Toy resultiert die Entscheidung, selbst aufzubauen, statt zu kaufen oder einen Model-Garten von Google, AWS oder Microsoft zu nutzen, aus seinem technischen Wissen und den spezifischen Anforderungen seiner Geschäftsanwendung.

„Ich habe nicht mit dem Hin- und Herfließen großer Geldsummen zu tun“, sagte er und merkte an, dass Verbraucher für die App über Apple, Google oder Stripe bezahlen. Zudem können Verbraucher alle personenbezogenen Daten löschen, und ihre Informationen werden verschlüsselt, sodass sie keine bestimmte Person identifizieren.

„Wir sind in vielerlei Hinsicht mit geringem Risiko behaftet, während IBM und PayPal sich um andere Dinge kümmern müssen“, sagte Toy.

Für Unternehmen, die noch abwägen, ob sie kaufen oder bauen sollen, empfahl Toy, zunächst genau zu verstehen, was sie kaufen müssen – insbesondere in einem Markt, der mit KI-Anbietern, -Produkten und -Dienstleistungen gesättigt ist.

„Um herauszufinden, wie man kauft, muss man wissen, welches Problem man lösen möchte, und bedenken, dass jedes Unternehmen in Einzelteile zerlegt werden kann“, sagte er. „Wenn Sie etwas kaufen, lösen Sie damit ein Problem – einen Teil Ihres Geschäfts.“

Der Eigenaufbau kann zudem helfen, die Kosten zu kontrollieren, fügte Toy hinzu. Für Just a Bite Better implementierte er ein System, das eine feste Obergrenze für die Anzahl der Token oder die Kosten festlegt, die jedes Modell monatlich verbrauchen darf. Während die Inferenzkosten pro Token bei führenden Modellen seit 2023 erheblich gesunken sind, bleibt die variable API-Preisgestaltung bei steigender Nutzung schwer vorhersehbar – was Kostenkontrollen wie die von Toy für Organisationen aller Größen zunehmend relevant macht.

„So können Sie ein Desaster verhindern, und das ist wirklich wichtig, denn es ist sehr einfach, morgens aufzuwachen und eine Rechnung über 50.000 Dollar vorzufinden“, sagte Toy.