Nachdem Teil 1 die Stammdaten als Fundament beleuchtet hat und Teil 2 die IT-Architektur als Brücke, geht es nun in Teil 3 abschliessend um die Anwendungsebene: Wie lassen sich KI-Projekte wirtschaftlich realisieren und dauerhaft auf Basis hoher Datenqualität betreiben?
Bild zVg von pmOne
Von der Beratung über den Proof-of-Concept (PoC) bis zum Rollout: KI hat ihren Preis. Laut Deloitte-Report 2024 liegen die durchschnittlichen Kosten einfacher PoCs bei 50'000 bis 250'000 Euro. Die Bandbreite für die konkrete Umsetzung ist oftmals sogar noch grösser: Abhängig von Datenintegration, Rechenleistung, Lizenzgebühren oder Individualisierung können die tatsächlichen Projektkosten demnach das Fünf- bis Zwanzigfache des PoCs betragen.
Die Projekterfahrungen bei pmOne zeigen: Mit klarer Zieldefinition und vorhandenen Dateninfrastrukturen lassen sich viele KI-Vorhaben auch im niedrigen fünfstelligen Bereich realisieren. Besonders bei der Anbindung an bestehende Plattformen oder vorgefertigte Modelle sinken Entwicklungs- und Einstiegskosten deutlich.
Wo die wahren Aufwände liegen
Der Löwenanteil der Kosten entsteht meist in den projektbegleitenden Prozessen. Dazu gehören Beratung, Entwicklung, Datenaufbereitung, Infrastruktur, Integration, Schulung und laufender Betrieb. Hinzu kommt der wachsende regulatorische Aufwand – vom EU AI Act über die DSGVO bis zum Schweizer revDSG. Dabei geht es vor allem um folgende Aufgaben:
- Beratung und Strategie
Sie bilden den Startpunkt vieler Projekte und helfen, Potenziale zu erkennen und Prioritäten richtig zu setzen. - Entwicklung und Fachpersonal
Je komplexer der Use Case, desto teurer wird die Entwicklung. Massgeschneiderte KI-Modelle schlagen zudem schnell mit 50'000 bis 500'000 Euro zu Buche. - Datenmanagement
Qualität, Konsistenz und rechtssichere Verarbeitung sind Grundvoraussetzungen und ein häufig unterschätzter Kostentreiber. - Infrastruktur
Das Training grosser Modelle und die Verarbeitung umfangreicher Daten erfordern Rechenleistung. Cloud-basierte Ansätze bieten hier Skalierbarkeit bei geringeren Einstiegskosten. - Integration und Schulung
Auch hier gilt es zu investieren, denn nur geschulte Nutzer, passende Schnittstellen und eingebettete Prozesse bringen messbaren Nutzen. - Betrieb und Compliance
Die Modelle müssen regelmässig angepasst, überwacht und sicher betrieben werden – inklusive Audit- und Nachweispflichten.
Die Postenvielfalt zeigt: Eine seriöse Kosten-Nutzen-Bewertung sollte alle Phasen umfassen und nicht nur die Entwicklung selbst.
Typische Kostenkomponenten von KI-Projekten im Überblick (Bild: pmOne)
Datenqualität als Faktor für rentable KI
Wer den ROI von KI verbessern will, sollte vor allem bei den Daten ansetzen. Schlechte oder unvollständige Datensätze führen zu fehlerhaften Modellen, Nachbesserungen und Vertrauensverlust. Ein strukturiertes Datenmanagement wirkt hier doppelt: Es reduziert Folgekosten und steigert zugleich die Effizienz der KI-Systeme.
Dazu gehören vier Handlungsfelder:
- Datenstrategie
Sie definiert, welche Daten für welche Zwecke genutzt werden dürfen und schafft damit rechtliche und technische Klarheit. - Datenqualität
Nur korrekte und konsistente Daten führen zu belastbaren Ergebnissen. Kontinuierliche Prüfung und Bereinigung sind Pflicht. - Integration
Durch APIs, zentrale Datenpools und einheitliche Formate werden Datenquellen überhaupt erst nutzbar und Silos vermieden. - Sicherheit und Datenschutz
Verschlüsselung, Zugriffskontrollen und Backups schützen sensible Informationen und das Vertrauen der Nutzer.
Wirtschaftlich denken, langfristig planen
Für mittelständische Unternehmen ist die Herausforderung klar: KI muss finanzierbar, skalierbar und sicher sein. Förderprogramme oder branchenspezifische Initiativen können auf finanzieller Ebene zusätzlich entlasten. Entscheidend bleibt jedoch die eigene strategische Planung: Nur wer frühzeitig alle Kostenkomponenten kennt, kann KI realistisch bewerten und nachhaltig verankern.
Vor allem will der Betrieb mitgedacht sein: Lokale Systeme verursachen laufende Kosten, Cloud-Lösungen dagegen nutzungsabhängige Gebühren. Hinzu kommen Aufwände für Monitoring, Sicherheits-Updates und Modellpflege. Wer diese Posten früh berücksichtigt, vermeidet spätere Budgetüberraschungen und sichert den langfristigen Nutzen der Investition.
Fazit: Mit Datenreife zum KI-Erfolg
Erfolgreiche KI im Mittelstand braucht vor allem Klarheit über Ziele, Daten und Kosten. Die entscheidenden Erfolgsfaktoren liegen demnach nicht unbedingt in spektakulären Budgets, sondern in solider Vorbereitung, sauberem Datenmanagement und kontinuierlicher Governance.
Weitere Orientierungshilfen zu Themen wie Cloud, KI und rund um die digitale Transformation von mittelständischen Unternehmen in der Schweiz finden Sie hier.
Der Autor
Nick Neuwirt ist Managing Director der pmOne Schweiz GmbH
LinkedIn
Weitere Beiträge zum Thema:
- Stammdaten als Basis für KI, Reporting und Planung
- IT-Architekturen als Brücke zwischen Governance und Technologie
pmOne Schweiz GmbH | 8400 Winterthur | www.pmone.ch
Weitere Informationen und Beiträge bei pmOne in der topsoft Marktübersicht