TL;DR, das Wichtigste in 30 Sekunden
- Mit Claude, N8N oder ähnlichen Tools lässt sich ein KI-Chatbot-Prototyp an einem Nachmittag bauen. Die eigentlichen Kosten entstehen erst danach, in der Wartung.
- Selbst gebaute Automatisierungen werden im Schnitt 30 bis 50 % teurer als ursprünglich geplant, weil jede neue Prozessvariante eine zusätzliche Verzweigungslogik erzeugt.
- Tokenkosten schwanken stark und sind selten transparent budgetiert. Laut Gartner werden KI-Codingkosten je Entwickler bis 2028 das durchschnittliche Entwicklergehalt übersteigen.
- Ein selbst gebauter Chatbot ist kein lernendes System: Ohne eigenes Fine-Tuning verbessert er sich nicht automatisch mit mehr Kundenanfragen.
- Sowohl Make als auch Buy erzeugen einen gewissen Lock-in-Effekt. Der Unterschied liegt darin, wie professionell er gemanagt wird und wie viele Personen dafür zuständig sind.
Definition:
Die Make-or-Buy-Entscheidung im KI-Kundenservice beschreibt die Wahl zwischen einer intern entwickelten Automatisierungslösung und einer eingekauften SaaS-Plattform. Sie betrifft nicht nur die initiale Entwicklung, sondern vor allem laufende Wartung, Tokenkosten, Modellqualität, Datenschutz und die Frage, wer im Unternehmen langfristig für den Betrieb verantwortlich ist.
"Den Bot bauen wir einfach selbst" ist einer der beliebtesten Sätze in aktuellen Kundenservice-Meetings. Ein Entwickler setzt sich mit Claude oder N8N hin, an einem Nachmittag steht ein funktionierender Prototyp. Die eigentliche Frage ist aber nicht, ob sich das bauen lässt, sondern ob sich der Prozess in zwölf Monaten noch sinnvoll betreiben und warten lässt. Genau daran entscheidet sich, ob Make oder Buy für dein Unternehmen die wirtschaftlichere Wahl ist.
Warum wirkt Eigenentwicklung mit Claude, N8N und Co. gerade so attraktiv?
Software-Entwicklung, die früher leicht 100.000 € gekostet hat, lässt sich heute mit Vibe-Coding-Tools in Stunden prototypisieren. Das ist der Grund, warum aktuell viele LinkedIn-Berater zum Selbstbau raten: Die Einstiegshürde ist so niedrig wie nie. Was in dieser Diskussion fehlt, ist der Unterschied zwischen einer funktionierenden Demo und einem produktiv betriebenen AI Agent, der Monat für Monat echte Kundendaten verarbeitet, ohne dass ihn jemand ausschließlich betreut. Ein Reklamationsprozess lässt sich an einem Tag als Bot abbilden. Schwierig wird es erst, wenn im laufenden Betrieb neue Ausnahmefälle dazukommen.
Reality-Check 1: Wer wartet den selbst gebauten AI Agent in zwölf Monaten?
Jede neue Prozessvariante erzeugt in einem selbst gebauten System eine zusätzliche Verzweigungslogik, ein neues if-Statement im Baumdiagramm hinter dem Bot. Nach einigen Monaten kennt oft nur noch eine einzige Person im Unternehmen den kompletten Ablauf. Das ist Silo-Wissen in Reinform: Nicht der Bau ist das Problem, sondern der Wissenstransfer auf eine einzelne Person, die diesen Workflow versteht und pflegt.
Was passiert, wenn genau diese Person krank wird, kündigt oder einfach andere Prioritäten bekommt? In der Praxis verbringen Teams, die selbst gebaute KI-Lösungen betreiben, einen wachsenden Teil ihrer Zeit nicht mit neuen Themen, sondern mit Pflege und Bugfixing des Bestehenden. Dieses Muster ist branchenübergreifend gut dokumentiert: Eine McKinsey/Oxford-Studie zu über 5.400 IT-Projekten fand eine durchschnittliche Budgetüberschreitung von 45 %, während der tatsächliche Nutzen im Schnitt 56 % unter der ursprünglichen Prognose blieb. Die Studie bezieht sich auf große IT-Projekte, das gleiche Muster zeigt sich aber auch im Kleinen: Aus "wir automatisieren mal den Bestellstatus" wird schnell ein System, das niemand mehr vollständig überblickt.
Reality-Check 2: Wie unberechenbar sind Tokenkosten und Modellqualität wirklich?
Tokenkosten werden in der Make-Diskussion oft kleingeredet, mit dem Argument, dass mehr Anbieter automatisch günstigere Preise bedeuten. In der Praxis zeigt sich das Gegenteil: Anbieter, die auf besonders leistungsfähige Modelle setzen, müssen ihre Preise eher anziehen, um selbst wirtschaftlich zu bleiben. Ein einzelner Tag Vibe-Coding kann so schnell eine dreistellige Rechnung erzeugen, ganz ohne dass produktive Kundenanfragen verarbeitet wurden. Wer im Business Case fest mit Ticketkosten kalkuliert, aber schwankende Tokenkosten übersieht, riskiert, dass sich die Rechnung im Nachhinein nicht mehr trägt.
Dazu kommt ein zweiter, selten diskutierter Effekt: Modellwechsel bedeuten nicht automatisch bessere Qualität. Ein neueres Modell kann bei einer spezifischen Aufgabe wie Intent Recognition sogar schlechter abschneiden als sein Vorgänger, ein Phänomen, das in der Modellentwicklung als Quality Drift bekannt ist: Aktuelle Untersuchungen zeigen, dass Versionswechsel bei Sprachmodellen regelmäßig zu solchen Einzelfall-Regressionen führen, selbst wenn der Durchschnittswert über alle Aufgaben steigt. Wer selbst baut, braucht also nicht nur eine Kostendimension im Blick, sondern auch eine dedizierte Qualitätskontrolle für jeden Modellwechsel, inklusive Staging-Umgebung und Testprozess. Wie stark Kosten und Governance rund um KI-Tooling inzwischen ins Gewicht fallen, zeigt eine aktuelle Prognose von Gartner aus Juni 2026: Die Analysten erwarten, dass die KI-Codingkosten je Entwickler bis 2028 das durchschnittliche Entwicklergehalt übersteigen werden, getrieben durch steigenden Tokenverbrauch und verbrauchsabhängige Preismodelle.
Reality-Check 3: Lernt ein selbst gebauter Chatbot wirklich mit?
Eine verbreitete Annahme lautet: Wenn das gesamte Unternehmenswissen einmal in einem Sprachmodell wie Claude liegt, wird der Bot automatisch besser, je mehr Kunden mit ihm sprechen. Das ist technisch nicht korrekt. Ohne eigenes Fine-Tuning auf einer separaten Trainingsinfrastruktur bleibt die Qualität eines LLM konstant. Es beantwortet Anfragen auf Basis der hinterlegten Wissensbasis, lernt aber nicht aus vergangenen Chatverläufen mit. Wer sich verbesserte Antwortqualität über die Zeit erwartet, braucht entweder eine Fine-Tuning-Infrastruktur, die die meisten Standardmodelle nicht anbieten, oder eine Architektur, die auf Retrieval-Augmented Generation (RAG) statt auf Modellwissen setzt.
Die zweite, oft übersehene Frage: Will man wirklich, dass die komplette Kundenhistorie inklusive personenbezogener und teils sensibler Daten dauerhaft in einem allgemeinen KI-Modell liegt? Genau hier setzt der nächste Punkt an.
Welches DSGVO- und EU-AI-Act-Risiko trägt, wer selbst entwickelt?
Sobald ein System echte Kundendaten verarbeitet, also Accounts, Bestellungen, Rückerstattungen oder sensible Vorgänge, greift die DSGVO ab der ersten Anfrage. Wer selbst entwickelt, wird faktisch zum eigenen KI-Anbieter, inklusive Verantwortung für Auftragsverarbeitungsverträge, Subunternehmer-Dokumentation und technische Schutzmaßnahmen. Das ist kein theoretisches Risiko: Laut dem CMS GDPR Enforcement Tracker Report haben DSGVO-Bußgelder seit 2018 die Marke von 6 Milliarden Euro überschritten, Stand März 2026.
Zusätzlich verschärft sich die Lage durch den EU AI Act: Ab dem 2. August 2026 gelten neue Transparenzpflichten, Nutzer müssen klar erkennen können, dass sie mit einem KI-System sprechen, geregelt in Art. 50 EU AI Act (Verordnung 2024/1689). Die genauen Pflichten je Risikoklasse erklärt melibo im Glossar-Eintrag zu den EU AI Act Risikoklassen und im ausführlichen Blogartikel zum EU AI Act im Kundenservice. Wer selbst baut, muss diese Nachweise, Prozesse und Dokumentationen komplett eigenständig aufbauen. Wer eine SaaS-Plattform einkauft, bekommt AVV, Subunternehmerliste und Kennzeichnungspflicht in der Regel als Teil des Angebots, das solltest du dir aber vom jeweiligen Anbieter schriftlich bestätigen lassen, statt es pauschal anzunehmen.
Ein weiterer, oft unterschätzter Risikofaktor selbst gebauter Systeme: Halluzinationen. Jedes KI-Projekt hat eine gewisse Grundrate an erfundenen oder falschen Antworten. Wie hoch dieses Risiko ausfällt und wie es sich technisch eingrenzen lässt, erklärt der melibo-Beitrag Halluzinationen bei KI im Kundenservice.
Ist der Lock-in-Effekt beim Kauf wirklich größer als bei Eigenentwicklung?
Ein häufiger Einwand gegen Buy lautet: Wer eine SaaS-Lösung einkauft, macht sich vom Anbieter und dessen Preisen abhängig. Das stimmt teilweise, jede Lösung, egal ob Make oder Buy, hängt letztlich an den Preisen der zugrunde liegenden LLM-Modelle. Der entscheidende Unterschied liegt nicht darin, ob eine Abhängigkeit existiert, sondern wie professionell sie gemanagt wird.
Ein spezialisierter Anbieter beschäftigt üblicherweise mehrere Personen, die ausschließlich damit befasst sind, Modelle zu evaluieren, zwischen Anbietern wie OpenAI und Anthropic zu wechseln und die passende Modellgröße für jede Aufgabe auszuwählen, ein einfaches Modell für Ticket-Kategorisierung, ein leistungsfähigeres für komplexe Reklamationsantworten. Wer selbst baut, muss diese Architektur, dieses Know-how und diese Kapazität zusätzlich intern aufbauen und dauerhaft finanzieren. Der Lock-in-Effekt beim Kauf ist damit real, aber in der Regel deutlich abgeschwächt, weil das Risiko professionell gesteuert wird statt bei einer einzelnen internen Person zu liegen. Das ist eine Einordnung, kein Freibrief: Prüfe bei jedem Anbieter konkret, wie er mit Modellwechseln umgeht, bevor du dich darauf verlässt.
Wann lohnt sich Make trotzdem, und wann eindeutig Buy?
Eigenentwicklung ist nicht grundsätzlich falsch, sie lohnt sich aber nur für einen kleineren Teil der Unternehmen. Sinnvoll ist Make vor allem, wenn mehrere dieser Punkte gleichzeitig zutreffen:
- KI beziehungsweise Automatisierung ist dein Kernprodukt, nicht nur ein unterstützender Prozess.
- Du hast harte Compliance-Vorgaben, die zwingend On-Premise-Hosting verlangen.
- Ein dediziertes Team von mehr als zwei Personen ist in Vollzeit ausschließlich für Modellauswahl, Wartung und Qualitätskontrolle verantwortlich.
- Du kannst mit einer Halluzinationsquote im KI-Betrieb professionell umgehen, inklusive Monitoring und Workarounds.
Trifft nichts oder nur ein einzelner Punkt zu, ist eine spezialisierte SaaS-Plattform in der Regel die wirtschaftlichere Wahl: Anbieter stehen im Wettbewerb zueinander und sind dadurch gezwungen, laufend das beste Preis-Leistungs-Verhältnis zu liefern. Wie sich AI Agents grundsätzlich von einfachen Agent-Assist-Lösungen unterscheiden und ab welchem Ticketvolumen sich der Einstieg überhaupt rechnet, zeigt der melibo-Beitrag Ab welcher Ticketmenge lohnt sich ein AI Agent?
Fazit
Ein selbst gebauter KI-Chatbot sieht im ersten Moment günstig aus, die eigentliche Rechnung kommt erst später: über Wartung, schwankende Tokenkosten und wachsenden Scope. Die richtige Frage ist deshalb nicht, ob sich ein Prototyp bauen lässt, sondern ob sich das System in zwölf Monaten noch verlässlich betreiben und warten lässt, ohne an einer einzigen Person zu hängen. Eine Abhängigkeit von KI-Anbietern hast du in jedem Fall, ob selbst gebaut oder eingekauft, die Frage ist nur, ob sie professionell gemanagt wird oder komplett im eigenen Team hängen bleibt. Wenn dein Unternehmen die vier Kriterien oben erfüllt, ist Make eine legitime Wahl. Für die meisten Unternehmen ohne dediziertes KI-Team ist einmal richtig investieren dagegen oft die nachhaltigere Entscheidung als dauerhaft selbst zu warten.
