KI in bestehende Systeme integrieren 2026: praktischer Leitfaden

Muss ein bestehendes ERP für KI umgebaut werden?

Nein. Eine KI-Integration setzt außen an und liest über vorhandene Schnittstellen. Zwischen Bestandssystem und Modellanbieter liegt eine getrennte Middleware. Der Quellcode des ERP, des CRM oder des Onlineshops bleibt unverändert, und die neue Schicht lässt sich abschalten, ohne dass der Betrieb steht.

Das ist der eigentliche Unterschied zu einem Modernisierungsprojekt. Bei einer Migration hängt der Nutzen am Ende einer langen Kette: erst umstellen, dann testen, dann abnehmen, irgendwann Mehrwert. Bei einer Anbindung von außen sehen Sie nach zwei Wochen an echten Daten, ob die Sache trägt. Wenn nicht, haben Sie zwei Wochen verloren, keine achtzehn Monate.

Dieser Text beschreibt, wie so eine Anbindung technisch aussieht, was sie in Euro kostet, welche Zahlen dabei belastbar sind und an welchen Stellen deutsche Projekte regelmäßig hängenbleiben. Alle Beträge in Euro sind zum Mittelkurs der Ungarischen Nationalbank vom 14.08.2026 umgerechnet, 1 EUR = 363,28 HUF, und als Richtwerte zu verstehen.

Wie weit sind deutsche Unternehmen mit KI wirklich?

Der Bitkom misst im März 2026 einen KI-Einsatz bei 41 Prozent der deutschen Unternehmen ab 20 Beschäftigten, ein Jahr zuvor waren es 17 Prozent. Weitere 48 Prozent planen oder diskutieren den Einsatz. Gleichzeitig entwickeln laut ifo Institut nur 18,7 Prozent der Unternehmen ein eigenes KI-System. Der Rest kauft ein.

Diese Zahlen sagen nichts darüber aus, wie viele Projekte einen messbaren Ergebnisbeitrag liefern. Die MIT-Auswertung Project NANDA(Juli 2025, über 300 ausgewertete Einführungen, 52 Interviews, 153 befragte Führungskräfte) kam zu dem Ergebnis, dass 95 Prozent der Generative-AI-Pilotprojekte keinen messbaren P&L-Effekt hatten. Gartner erwartet, dass bis Ende 2027 über 40 Prozent der Agentic-AI-Projekte abgebrochen werden, vor allem wegen Kosten und unklarem Geschäftsnutzen.

Interessanter als die Misserfolgsquote ist die Gegenprobe aus derselben MIT-Auswertung. Projekte, bei denen internes Fachwissen mit einem externen Partner zusammenarbeitete, erreichten 67 Prozent Erfolgsquote. Rein intern gebaute Projekte kamen auf 22 Prozent. Die Fachlichkeit muss im Haus bleiben, Architektur und Betrieb lassen sich einkaufen.

Ein Detail aus der Bitkom-Erhebung erklärt, warum Integration und nicht Modellauswahl das Thema ist: 32 Prozent der Unternehmen schöpfen das Potenzial ihrer vorhandenen Daten aus, 61 Prozent kaum oder gar nicht. Die Daten liegen also da. Sie sind nur nicht abrufbar.

Wie sieht die Architektur einer KI-Anbindung aus?

Drei Schichten. Das Bestandssystem bleibt, wie es ist. Ein API-Gateway regelt Authentifizierung, Ratenbegrenzung und Protokollierung. Dahinter liegt die KI-Middleware mit Prompt-Verwaltung, Retrieval-Pipeline und Zwischenspeicher. Erst diese Middleware spricht mit dem Modellanbieter. Die Trennung ist der Grund, warum am Bestandssystem nichts angefasst wird.

[Bestandssystem] ←→ [API-Gateway] ←→ [KI-Middleware] ←→ [Modellanbieter]
       ↑                   ↑                  ↑
  ERP / CRM          Authentifizierung    Prompt-Verwaltung
  Onlineshop         Ratenbegrenzung      Retrieval (RAG)
  Datenbank          Protokollierung      Cache + Fallback

Wer diese Aufteilung überspringt und die Modell-Aufrufe direkt in die Anwendung schreibt, zahlt später zweimal. Beim Anbieterwechsel, weil die Aufrufe im ganzen Code verstreut sind. Und bei der Prüfung durch den Datenschutzbeauftragten, weil niemand sagen kann, welche Daten wann das Haus verlassen haben.

Drei Muster im Vergleich

In der Praxis landen die meisten Mittelständler beim ersten Muster. Es ist das langweiligste, und genau deshalb überlebt es den zweiten und dritten Anwendungsfall. Wie das im Zusammenspiel mit vorhandenen ERP-Landschaften aussieht, beschreiben wir ausführlicher auf der Seite zur Systemintegration.

Welche fünf Integrationstypen gibt es, und welcher passt?

Fünf Typen decken fast alles ab, was in einem Mittelstandsbetrieb sinnvoll ist: Chatbot-Overlay, RAG-Wissensdatenbank, Dokumentenverarbeitung, prädiktive Auswertung und agentengestützte Prozessautomatisierung. Sie unterscheiden sich in Aufwand, Laufzeit und Risiko deutlich. Die Reihenfolge in der Tabelle ist zugleich die empfohlene Einstiegsreihenfolge.

Die Spannen sind breit, und das hat einen Grund. Eine Belegstrecke mit zwanzig wiederkehrenden Lieferanten ist eine andere Aufgabe als eine mit zweihundert wechselnden. Wo eine Zahl im unteren Drittel landet, liegt fast immer daran, dass die Datenlage vorher geklärt war.

Chatbot-Overlay

Der häufigste Einstieg, weil er nichts im Bestandssystem verändert. Der Chatbot liegt auf der Website oder im Intranet und antwortet aus einem freigegebenen Dokumentenbestand. Der Nutzen entsteht dort, wo dieselbe Frage täglich mehrfach kommt. Wo Fragen individuell sind, bringt er wenig, und das merken Sie im Pilotbetrieb, nicht in der Präsentation.

RAG-Wissensdatenbank

Handbücher, Arbeitsanweisungen, Angebotsarchive und Produktdaten werden indexiert und in natürlicher Sprache durchsuchbar. Der technisch aufwendige Teil ist nicht die Suche, sondern die Rechteprüfung: Wer darf welchen Absatz sehen. Ohne diese Prüfung ist eine RAG-Wissensdatenbank ein Datenschutzvorfall mit Suchfunktion.

Dokumentenverarbeitung

Eingangsrechnungen, Lieferscheine und Verträge werden gelesen, in ein Datenschema überführt und ins Bestandssystem zurückgeschrieben. Der Abschnitt weiter unten zeigt, warum hier oft gar kein Texterkennungsmodell nötig ist. Zwölf konkrete Anwendungsfälle finden Sie in unserem Beitrag zur Dokumentenverarbeitung mit KI.

Prädiktive Auswertung

Absatzprognose, Bestandsoptimierung, Ausfallwahrscheinlichkeit. Diese Aufgaben brauchen häufig kein Sprachmodell, sondern ein klassisches Verfahren auf sauberen Zeitreihen. Wenn jemand Ihnen dafür ein Sprachmodell verkauft, fragen Sie nach dem Vergleichswert gegen ein einfaches statistisches Modell.

Agentengestützter Prozess

Mehrere Systeme, mehrere Schritte, eine Entscheidung dazwischen. Bestellung prüfen, Bestand abfragen, Versandweg wählen, Kunden informieren. Das ist der teuerste und fehleranfälligste Typ, und er gehört ans Ende der Reihenfolge. Wann ein Agent überhaupt die richtige Antwort ist und wann ein Workflow-Werkzeug reicht, haben wir im Vergleich Chatbot, n8n oder eigener KI-Agent durchgerechnet.

Was tun, wenn das Altsystem keine Schnittstelle hat?

Drei Wege führen aus einem System ohne API heraus. Eine lesende Datenbankreplik, ein nächtlicher Export oder Browser-Automatisierung. Welcher Weg trägt, entscheidet allein die Frage, wie aktuell die Daten sein müssen. Alle drei sind dauerhaft betreibbar, wenn sie sauber überwacht werden.

Die Datenbankreplik ist der Weg, den wir bei Systemen aus den Jahren 2010 bis 2018 am häufigsten gehen. Wichtig ist die Richtung: nur lesen. Sobald eine KI-Schicht in eine produktive Datenbank hineinschreibt, für die es keine Anwendungslogik mehr gibt, verlieren Sie die Prüfbarkeit der Daten. Rückschreiben passiert über die Oberfläche des Altsystems oder über einen dafür gebauten Importweg, nicht über direkte Datenbankbefehle.

Browser-Automatisierung funktioniert, ist aber die teuerste Variante im Unterhalt. Kalkulieren Sie hier von Anfang an einen laufenden Posten ein und schreiben Sie in die Abnahme, wer die Strecke repariert, wenn der Hersteller des Altsystems ein Feld verschiebt.

Welches Sprachmodell für welche Aufgabe?

Die Modellwahl ist selten die teuerste Entscheidung, aber sie ist die sichtbarste. Für lange Dokumente und sorgfältiges Schlussfolgern nehmen wir ein mittleres Modell, für Massenklassifikation ein kleines, für schwierige Einzelfälle ein großes. Wichtiger als die Auswahl ist die Fähigkeit, sie später ohne Codeänderung zu wechseln.

Zwei Rabatte verändern die Rechnung stärker als jeder Modellwechsel. Die Batch-Schnittstelle halbiert Input- und Output-Preis, wenn Sie auf eine Antwort in Echtzeit verzichten können. Und ein Treffer im Prompt-Cache kostet bei Anthropic nur 10 Prozent des Input-Preises. Wenn dieselben 30 Seiten Handbuch bei jeder Anfrage mitgeschickt werden, ist das der Unterschied zwischen einer tragbaren und einer absurden Rechnung.

Warum liefert die RAG-Suche falsche Antworten?

Weil sie die falschen Textstellen findet. Nicht das Modell halluziniert zuerst, sondern der Suchschritt liefert Absätze, die zur Frage nur oberflächlich passen. Anthropic hat den Effekt gemessen: Die Fehlerquote beim Abruf sank von 5,7 auf 1,9 Prozent, sobald hybride Suche und Neubewertung zusammenkamen.

Die praktische Konsequenz ist unspektakulär. Übergeben Sie dem Modell nicht die drei besten Treffer, sondern rund zwanzig, und lassen Sie vorher eine Neubewertung darüber laufen. Das kostet ein paar Cent mehr pro Anfrage und ist der wirksamste einzelne Eingriff, den wir an RAG-Systemen kennen.

Der zweite Grund für falsche Antworten liegt vor der Technik. Wenn im Dokumentenbestand drei Fassungen derselben Arbeitsanweisung liegen und keine davon ein Gültigkeitsdatum trägt, wird jedes Suchverfahren irgendwann die falsche erwischen. Räumen Sie den Bestand auf, bevor Sie indexieren. Rechnen Sie damit, dass 30 bis 50 Prozent der Projektzeit in die Datenaufbereitung gehen.

Brauchen Sie für Eingangsrechnungen überhaupt Texterkennung?

Oft nicht. Bei elektronischen Rechnungen liegt der strukturierte Datensatz bereits vor. XRechnung ist ein XML-Standard, eine CIUS zur europäischen Norm EN 16931, betrieben von der KoSIT. ZUGFeRD ist ein hybrides Format, das denselben XML-Datensatz in ein PDF/A-3 einbettet. Wer diese Datei zuerst durch ein Bilderkennungsmodell schickt, wirft exakte Daten weg und ersetzt sie durch geschätzte.

Die richtige Reihenfolge in einer Belegstrecke hat vier Stufen. Zuerst der eingebettete oder mitgelieferte strukturierte Datensatz. Dann die Textebene eines digital erzeugten PDF. Dann klassische Texterkennung. Erst danach ein Bildmodell für den Rest, also für Scans, Belege aus dem Ausland und Spesenquittungen. Über allem liegt eine Prüfschicht, die rechnet: Summen gegen Positionen, Steuersatz gegen Betrag, Lieferant gegen Stammdaten.

Der wirtschaftliche Rahmen dafür ist gut dokumentiert. Ardent Partners beziffert die durchschnittlichen Kosten je verarbeiteter Rechnung auf 9,40 USD, bei den besten Organisationen auf 2,78 USD; die Durchlaufzeit liegt bei 9,2 gegenüber 3,1 Tagen. Nach IOFM-Auswertungen entfallen 30 bis 35 Prozent dieser Kosten auf die reine Datenerfassung und 20 bis 25 Prozent auf die Bearbeitung von Ausnahmen. Genau diese beiden Blöcke greift eine Belegstrecke an.

Was verlangen DSGVO und AI Act von der Integration?

Einen Auftragsverarbeitungsvertrag, Datenminimierung und lückenlose Protokollierung. Der AVV nach Art. 28 DSGVO regelt zehn Punkte, von der Weisungsbindung über die Zustimmung zu Unterauftragsverarbeitern bis zur Löschung nach Vertragsende. Fehlt er oder ist er fehlerhaft, sind bis zu 10 Mio. EUR oder 2 Prozent des weltweiten Jahresumsatzes möglich.

Für die technische Seite heißt das: Personenbezug wird maskiert, bevor der Aufruf das Haus verlässt. Es geht nur der Teil des Datensatzes hinaus, der für die Antwort gebraucht wird, nicht der komplette Kundenstamm. Jede Anfrage wird protokolliert, mit Zeitpunkt, Auslöser und übermittelten Feldern. Diese Protokolle brauchen Sie zweimal: bei einer Auskunftsanfrage und bei der Fehlersuche.

Beim Standort der Verarbeitung sind deutsche Einkäufer 2026 deutlich strenger geworden. Der Bitkom Cloud Report vom 17.06.2026 (603 befragte Unternehmen ab 20 Beschäftigten) misst: 98 Prozent halten die Herkunft des Cloud-Anbieters für relevant, 91 Prozent bevorzugen einen deutschen, 68 Prozent einen europäischen Anbieter. Tatsächlich nutzen 71 Prozent heute einen US-Anbieter. 37 Prozent würden für eine ausschließlich deutsche Datenverarbeitung funktionale Abstriche hinnehmen, im Vorjahr waren es 27 Prozent.

Wenn Ihr Entwicklungspartner in einem EU-Mitgliedstaat sitzt, entfällt die Drittlandprüfung. Keine Standardvertragsklauseln, kein Transfer Impact Assessment, ein AVV innerhalb der Union. Das ist der nüchterne Grund, warum Nearshore innerhalb der EU im Beschaffungsprozess weniger Reibung erzeugt als ein Anbieter außerhalb.

Was seit dem 2. August 2026 gilt

Die allgemeine Anwendung des AI Act hat begonnen, und die Transparenzpflichten sind wirksam. Praktisch bedeutet das für eine Integration: Der Chatbot muss als Maschine erkennbar sein, synthetisch erzeugte Inhalte müssen maschinenlesbar gekennzeichnet werden. Die Pflichten für Hochrisiko-Systeme wurden dagegen verschoben, auf den 02.12.2027 für eigenständige Systeme nach Anhang III und den 02.08.2028 für Systeme in regulierten Produkten nach Anhang I.

Viele Übersichtsseiten im Netz nennen weiterhin den 02.08.2026 als Hochrisiko-Termin. Diese Angabe ist seit dem AI-Omnibus überholt. Maßgeblich ist der Zeitplan der Europäischen Kommission.

Cloud-API oder eigene Hardware?

Für die meisten Unternehmen die Cloud-API. Kein Kapitaleinsatz, aktuelle Modelle, kein eigener Betrieb. Eigene Hardware wird zur richtigen Antwort, wenn eine Aufsichtsbehörde oder ein Kunde die Verarbeitung im eigenen Rechenzentrum verlangt, oder wenn der Durchsatz hoch und gleichmäßig genug ist, dass sich die Anschaffung rechnet.

Eine belastbare Anschaffungszahl für GPU-Server nennen wir hier bewusst nicht: Die Preise schwanken je nach Karte und Beschaffungsweg zu stark, und die veröffentlichten Vergleiche unterschlagen meist die Personalkosten. Rechnen Sie stattdessen den Umschlagpunkt für Ihre eigene Tokenmenge aus. Unterhalb davon ist die API günstiger, oberhalb entscheidet die Auslastung. Und prüfen Sie vorher, ob ein offenes Modell in der Größe, die auf Ihre Karte passt, die Aufgabe überhaupt löst. Das ist häufiger der Knackpunkt als der Preis der Hardware.

Was kostet eine KI-Integration in Euro?

Zwischen 2.750 EUR für eine einzelne Chatbot-Strecke und rund 41.300 EUR für eine agentengestützte Lösung über mehrere Systeme. Dazu kommen laufende Kosten von 83 bis 415 EUR im Monat, je nach Anfragevolumen und Überwachungsaufwand. Die Modellkosten selbst sind bei den meisten Anwendungsfällen der kleinste Posten.

Was der Betrieb tatsächlich verbraucht

Ein Beispiel aus unserer eigenen Modellrechnung, gebaut aus den offiziellen Listenpreisen. Ein Website-Chatbot mit 500 Gesprächen im Monat, sechs Runden je Gespräch und rund 4.060 Eingabetoken je Runde verursacht reine Modellkosten zwischen 1,30 EUR und 27 EUR im Monat, je nach gewähltem Modell. Wer für so einen Chatbot ein Abonnement im dreistelligen Bereich zahlt, zahlt für Betreuung, nicht für Rechenzeit.

Der zweite Anker zeigt, wo das Geld wirklich verschwindet. Dieselben 1.000 Dokumente kosten mit einem einzigen Extraktionsaufruf 8,70 USD und mit einer achtstufigen Agentenschleife 232 USD. Gleiches Modell, gleiche Aufgabe, Faktor 27. Die Zahl der Schritte ist der Kostentreiber, nicht der Modellname.

Diese Dynamik ist inzwischen ein Thema in Vorstandsetagen. TechCrunch berichtete am 05.06.2026, dass Uber sein gesamtes Jahresbudget für KI-gestütztes Programmieren bereits im April aufgebraucht hatte und eine Vertragsverlängerung bei Priceline zum vier- bis fünffachen Preis zurückkam. Ein Kostenlimit je Anwendungsfall gehört deshalb in die Architektur, nicht in die Nachbesprechung.

Überwachung kostet weniger als erwartet

Langfuse ist unter MIT-Lizenz selbst betreibbar, die Lizenzkosten liegen bei null; der gehostete Einstiegstarif kostet 29 USD im Monat. LangSmith Plus liegt bei 39 USD je Arbeitsplatz und Monat, die Basisaufbewahrung der Aufrufe beträgt 14 Tage. Für eine Anbindung mit drei Betreuern ist das ein Posten von unter 100 USD im Monat, und er ist die Voraussetzung dafür, dass Sie überhaupt sagen können, ob das System besser oder schlechter geworden ist. Ausführlicher im Kostenüberblick zur KI-Entwicklung.

Vier Hebel, die wirklich etwas bringen

1. Prompt-Caching für alles, was bei jeder Anfrage gleich mitgeschickt wird. Der zwischengespeicherte Teil kostet bei Anthropic 10 Prozent des Input-Preises.
2. Batch-Schnittstelle für alles ohne Echtzeitanspruch. Input und Output werden halbiert.
3. Kleines Modell als Vorfilter, großes Modell nur für die Fälle, die der Vorfilter nicht sicher entscheidet.
4. Schrittzahl begrenzen. Wo ein Aufruf mit einem klaren Datenschema reicht, gehört keine Agentenschleife hin.

Wie sieht ein realistischer Zeitplan aus?

Vier Abschnitte über zwölf bis sechzehn Wochen. Bestandsaufnahme, Machbarkeitsnachweis, Pilotbetrieb, Produktivsetzung. Der Machbarkeitsnachweis beantwortet eine einzige Frage, nämlich ob das Verfahren mit Ihren Daten funktioniert. Alles andere kommt danach.

Die vierte Spalte ist der Teil, der in Angeboten meist fehlt. Ein Abschnitt ohne definiertes Abbruchkriterium endet nie, er wird nur verlängert. Legen Sie vor dem Machbarkeitsnachweis schriftlich fest, welche Trefferquote reicht und wer sie misst. Sieben ausgelieferte Projekte mit Zeitrahmen und Amortisation haben wir in den KI-Fallstudien zusammengestellt.

Woran scheitern KI-Integrationen?

An fünf Dingen, und keines davon ist die Modellwahl. Zu viele Anwendungsfälle gleichzeitig, schlechte Stammdaten, kein Ersatzweg bei Ausfall, keine Messung und kein Kostenlimit. Die MIT-Auswertung liefert dazu den Kontrast: 22 Prozent Erfolgsquote rein intern, 67 Prozent mit externem Partner.

1. Zwölf Schmerzpunkte werden identifiziert, und für alle zwölf soll gleichzeitig etwas gebaut werden. Der erste Anwendungsfall muss laufen und gemessen sein, bevor der zweite beginnt. Diese Messung ist die Währung, mit der Sie intern das Budget für den dritten bekommen.
2. Die Stammdaten werden übersprungen. Aus einem CRM mit drei Schreibweisen desselben Kunden kommt kein verwertbares Ergebnis heraus, egal wie gut das Modell ist. Diesen Aufwand vorher benennen, sonst erscheint er später als Verzug.
3. Kein Ersatzweg. Was passiert, wenn der Anbieter nicht erreichbar ist oder die Antwort 40 Sekunden braucht? Ohne Umschaltung auf einen zweiten Anbieter oder auf manuelle Bearbeitung steht der Prozess, den Sie gerade automatisiert haben.
4. Keine Messung. Ohne Protokollierung von Antwortqualität, Latenz, Kosten je Vorgang und Eingriffsquote diskutieren Sie nach drei Monaten über Eindrücke. Ein Auswertungsdatensatz mit 50 bis 200 geprüften Beispielen kostet wenige Tage und macht jede spätere Änderung überprüfbar.
5. Kein Kostenlimit je Anwendungsfall. Agentenschleifen skalieren nicht linear. Ein hartes Limit pro Vorgang und ein Alarm bei Überschreitung gehören in die erste Version, nicht in die dritte.

Warum benutzt am Ende niemand das fertige System?

Weil die Zeitersparnis am ersten Tag nicht spürbar ist. Wer eine Anwendung öffnen, einen zweiten Browsertab suchen und ein Ergebnis zurückkopieren muss, kehrt nach der vierten Wiederholung zur alten Arbeitsweise zurück. Akzeptanz ist überwiegend eine Frage der Einbettung, nicht der Modellqualität.

1. Ein konkretes Versprechen zum Starttermin. Nicht „langfristig effizienter“, sondern: Diese Angebotserstellung dauert künftig statt 40 Minuten acht.
2. Eine verantwortliche Person je Abteilung, die den ersten Monat begleitet und Rückfragen sammelt. In Abteilungen ab 30 Personen entscheidet diese Rolle darüber, ob die Nutzung über die Hälfte steigt.
3. Die Funktion sitzt im Arbeitsablauf, nicht daneben. Jeder Wechsel zwischen Fenstern kostet Sekunden und Aufmerksamkeit, und beides summiert sich schneller als der Nutzen.
4. Fehlerhafte Ausgaben werden gesammelt und belohnt, nicht geahndet. Aus diesen Fällen entstehen die Leitplanken der nächsten Version.

Ein Unterschied zur klassischen ERP-Einführung ist hier wichtig. Dort lässt sich Nutzung notfalls anordnen, weil kein alternativer Weg zur Rechnung existiert. Bei einer KI-Funktion existiert der alte Weg weiter. Sie gewinnen nur, wenn der neue Weg im Alltag schneller ist.

Wie halten Sie eine KI-Integration vertraglich fest?

Über einen Werkvertrag mit definierter Abnahme, sobald der Umfang feststeht. Der Werkvertrag nach § 631 BGB schuldet ein Ergebnis, der Dienstvertrag nach § 611 BGB nur sorgfältiges Tätigwerden. Für die Erkundungsphase ist das zweite Modell ehrlicher, für die Produktivsetzung wollen deutsche Einkäufer fast immer das erste.

Praktisch bedeutet das eine Zweiteilung. Bestandsaufnahme und Machbarkeitsnachweis laufen nach Aufwand, weil vorher niemand seriös sagen kann, wie sauber die Daten sind. Pilotbetrieb und Produktivsetzung laufen zum Festpreis gegen ein Pflichtenheft, in dem die Abnahmekriterien stehen. Bei einer KI-Strecke sind das andere Kriterien als bei klassischer Software, deshalb lohnt sich hier Genauigkeit.

Drei Größen gehören in die Abnahme. Erstens eine Trefferquote auf einem festgelegten Prüfdatensatz, zum Beispiel 200 reale Belege, die beide Seiten vorher gesehen haben. Zweitens eine Obergrenze für die Kosten je Vorgang. Drittens das Verhalten im Fehlerfall: Was passiert mit einem Beleg, den das System nicht sicher zuordnen kann, und wie schnell landet er bei einem Menschen. Ohne diese dritte Größe diskutieren Sie bei der Abnahme über Prozentwerte, während im Betrieb Vorgänge liegenbleiben.

Dazu kommen die Punkte, die ein deutscher Einkauf ohnehin abfragt: AVV nach Art. 28 DSGVO, eine Liste der Unterauftragsverarbeiter, die Hosting-Region, die Übergabe des Quellcodes und die Regelung, was nach Vertragsende mit Ihren Daten und Ihren Einbettungen geschieht. Klären Sie das vor dem Machbarkeitsnachweis. Danach ist es teurer, weil dann bereits Daten geflossen sind.

Fazit

Wenn Sie prüfen möchten, wo eine KI-Schicht an Ihre vorhandene Systemlandschaft passt, schicken Sie uns eine kurze Beschreibung über das Angebotsformular. Wir antworten innerhalb von 24 Stunden und sagen auch, wenn wir bei einem Anwendungsfall keinen tragfähigen Nutzen sehen.

Quellen

• Bitkom, Digitalisierung der Wirtschaft, 604 Unternehmen ab 20 Beschäftigten, 11.03.2026. bitkom.org
• Bitkom Cloud Report 2026, 603 Unternehmen ab 20 Beschäftigten, 17.06.2026. bitkom.org
• ifo Institut, KI-Nutzung in deutschen Unternehmen, 05.06.2026. ifo.de
• MIT Project NANDA, The GenAI Divide: State of AI in Business 2025, Juli 2025. PDF
• Gartner, Prognose zu Agentic-AI-Projekten, Umfrage mit 3.412 Teilnehmern, 25.06.2025. gartner.com
• Anthropic, Contextual Retrieval, 19.09.2024. anthropic.com
• Anthropic, Preisliste, abgerufen am 14.08.2026. platform.claude.com
• Google, Gemini API Preise, abgerufen am 14.08.2026. ai.google.dev
• KoSIT, Standard XRechnung. xeinkauf.de
• FeRD, ZUGFeRD als hybrides Format aus PDF/A-3 und XML. ferd-net.de
• Ardent Partners zu Rechnungsverarbeitungskosten, zitiert bei WEX, 20.07.2026. wexinc.com
• IOFM-Auswertung zur Kostenverteilung in der Rechnungsverarbeitung, 22.07.2026. lido.app
• Art. 28 DSGVO, Auftragsverarbeiter. dsgvo-gesetz.de, AVV-Muster des LfDI Baden-Württemberg. PDF
• § 631 BGB (Werkvertrag) und § 611 BGB (Dienstvertrag). gesetze-im-internet.de
• Europäische Kommission, Zeitplan zum KI-Gesetz, Stand 03.08.2026. digital-strategy.ec.europa.eu
• TechCrunch zu steigenden Tokenkosten bei Uber und Priceline, 05.06.2026. techcrunch.com
• Langfuse Preise. langfuse.com, LangSmith Preise. langchain.com
• Wechselkurs 1 EUR = 363,28 HUF, Mittelkurs der Ungarischen Nationalbank vom 14.08.2026. mnb.hu