Die Frage hinter der Frage
Irgendwann stellt jeder Geschäftsführer, der KI ernst nimmt, die Make-or-Buy-Frage: eigenes Team aufbauen oder extern einkaufen? Die ehrliche Antwort beginnt mit einer Gegenfrage: Ist Datenanalyse Ihr Geschäft — oder ein Werkzeug für Ihr Geschäft?
Für einen Maschinenbauer, der seine Fertigung verbessern will, ist sie ein Werkzeug. Und für Werkzeuge gilt eine alte Regel: Man kauft die Fähigkeit, nicht die Fabrik, die sie herstellt.
Was ein eigenes Team wirklich kostet
Die Rechnung wird regelmäßig unterschätzt, weil sie beim Gehalt aufhört. Vollständig sieht sie so aus:
- Personal: Ein erfahrener Data Scientist oder ML-Engineer kostet ein gehobenes sechsstelliges Jahresbudget — und einer allein reicht nicht, denn ein Einzelkämpfer ohne Sparringspartner ist ein Klumpenrisiko (Urlaub, Kündigung, blinde Flecken).
- Rekrutierung: Diese Profile sind umkämpft; zwischen Entscheidung und produktivem Mitarbeiter liegen oft sechs bis zwölf Monate. Der Mittelstand konkurriert dabei mit Konzern- und Tech-Gehältern.
- Anlaufzeit: Auch ein exzellenter Data Scientist kennt am ersten Tag weder Ihre Maschinen noch Ihre Prozesse. Bis zum ersten produktiven Ergebnis vergeht typischerweise ein weiteres halbes Jahr.
- Infrastruktur und Betrieb: Hardware, Werkzeugkette, Modellpflege, Vertretungsregelung — die unsichtbare zweite Hälfte der Kosten.
Realistisch reden wir über ein mittleres sechsstelliges Jahresbudget und 12–18 Monate bis zum ersten belastbaren Ergebnis. Für Unternehmen mit dauerhaft hohem Analysebedarf kann sich das rechnen. Für ein erstes konkretes Problem ist es die teuerste denkbare Lösung.
Was dagegen steht
Zum Vergleich der Modul-Weg: Potenzialanalyse für 9.500 € pauschal in 1–1,5 Wochen, danach bei Bedarf ein Fachmodul — etwa Predictive Maintenance zum Festpreis in 7 Wochen. Ergebnis: ein trainiertes Modell für Ihre Anlage das Ihnen gehört, ein Genauigkeitsbericht, eine Betriebs-Einschätzung. Was die Preise bestimmt, steht hier offen.
Der Unterschied ist nicht nur der Betrag — es ist die Risikoverteilung: Festpreis und Laufzeit stehen vor dem Start fest, und ob sich mehr lohnt, entscheiden Sie nach dem ersten Ergebnis, nicht nach dem ersten Jahr.
Die drei Entscheidungsfragen
- Wie viele Analyseprojekte haben Sie pro Jahr? Eines oder zwei → Modul. Ein Dutzend, quer durch alle Bereiche, dauerhaft → über ein Team nachdenken.
- Ist das Wissen strategisch exklusiv? Wenn die Analytik selbst Ihr Wettbewerbsvorteil werden soll (nicht nur ihre Ergebnisse), spricht das für internen Aufbau — langfristig.
- Können Sie das Team halten und auslasten? Ein KI-Team ohne stetigen Nachschub an Aufgaben wandert ab — und dann beginnt die Rechnung von vorn.
Die unterschätzte dritte Option
Make or Buy ist in Wahrheit kein Entweder-oder, denn beim Modul-Weg gehört das Ergebnis Ihnen: Modelle, Berichte, Datenaufbereitung. Wenn Sie später ein eigenes Team aufbauen, übernimmt es einen funktionierenden Bestand statt einer grünen Wiese — und Ihr erster eigener Data Scientist startet mit einem laufenden System und einem Genauigkeitsbericht statt mit einem leeren Repository.
Buy first, make later — auf Basis von Beweisen statt Hoffnung. Das ist die Reihenfolge, die wir auch dann empfehlen, wenn Ihr Ziel langfristig das eigene Team ist.
Der günstigste Startpunkt für beide Wege ist derselbe: die Potenzialanalyse zeigt, ob und wo sich Analytik bei Ihnen überhaupt lohnt — ergebnisoffen. Sprechen Sie uns an.