Software mit KI bauen: was 2026 funktioniert und was nicht

Was heißt es, Software mit KI zu bauen?

Ein Satz beschreibt zwei verschiedene Arbeiten, und Verkaufsgespräche verwischen sie, absichtlich oder nicht. Die erste ist die Produktionsseite: Der Lieferant setzt KI ein, während er den Code schreibt. Die zweite ist die Produktseite: Im gelieferten System läuft ein Modell mit. Die erste geht Sie an, weil sie den Zeitplan beeinflusst; die zweite, weil sie eine dauerhafte Kostenposition und eine dauerhafte Verantwortung schafft.

Verlangen Sie beim Einholen von Angeboten, dass beides getrennt ausgewiesen wird. „Wir setzen KI ein“ ist für sich genommen weder ein Grund für einen Nachlass noch ein Beleg für Kompetenz.

Macht KI die Softwareentwicklung wirklich schneller?

Sie verkürzt die Zeit bis zum ersten Entwurf. Die bekannte Lösung eines bekannten Problems zu schreiben ist schneller geworden, und wiederkehrende Arbeit — Bildschirmgerüste, Datenumwandlung, Erzeugen von Testdaten — ist spürbar günstiger geworden. Nicht verändert hat sich: zu entscheiden, was gebaut wird, die Fehlerfälle von Integrationen zu durchdenken und das System auch nach sechs Monaten veränderbar zu halten. In dieser zweiten Gruppe sind Projekte immer schon gescheitert, und sie ist nicht kürzer geworden.

Die praktische Folge: KI beschleunigt ein gut umrissenes Projekt und lässt ein schlecht umrissenes schneller untergehen.

Was kann KI heute in einem Produkt wirklich leisten?

Die Reife ist nicht bei jeder Aufgabe gleich. Die folgende Tabelle ist danach gruppiert, wie viel Vorbereitung ein System braucht, bevor es in Produktion gehen kann — nicht nach Modellstärke.

Warum scheitern KI-Projekte?

Der Grund ist fast nie, dass das Modell nicht gut genug war. Vier wiederholen sich:

• Kein Evaluationsdatensatz: Ob die Ausgabe richtig ist, wird nach persönlichem Eindruck ausdiskutiert, und was sich nicht messen lässt, lässt sich nicht verbessern.
• Unbekannte Stückkosten: Der Pilot sieht günstig aus, und die monatliche Rechnung bei realem Nutzungsvolumen wurde nie prognostiziert.
• Kein Verantwortlicher: Niemand wurde benannt, der nach dem Livegang die Qualität der Ausgaben beobachtet.
• Kein Rückweg: Es wurde kein Pfad entworfen, um zu einer früheren Version zurückzukehren, wenn sich das Verhalten des Modells ändert.

Alle vier sind organisatorische und keine technischen Lücken, und sie nach dem Liefertermin zu schließen kostet mehr, als sie von Anfang an einzubauen.

Was sollte ich fragen, bevor ich ein KI-Projekt beauftrage?

• Wie messen Sie die Qualität der Ausgaben, und wer erstellt den Evaluationsdatensatz?
• Wenn tausend Nutzer diese Funktion fünfmal täglich benutzen, wie hoch sind die monatlichen Betriebskosten?
• Wenn eine falsche Antwort eine Transaktion auslöst, wie sieht der Weg zur Rückabwicklung aus?
• An welchem Schritt steht eine menschliche Freigabe, und wird diese Freigabe protokolliert?
• Wo werden unsere Daten verarbeitet, und werden sie für Modelltraining genutzt?

Sollte eine KI-Entscheidung durch eine menschliche Freigabe laufen?

Überall dort, wo sich die Entscheidung nicht rückgängig machen lässt. Der Unterschied zwischen einem Modell, das Text vorschlägt, und einem, das eine Zahlungsanweisung erteilt, ist rechtlich, nicht technisch. Die praktische Regel: Vor jedem Schritt, der die Datenbank ändert, Geld bewegt oder ein Urteil über eine Person bildet, steht ein Mensch — und dessen „richtig“ oder „falsch“ wird protokolliert und zurückgespielt, um das System selbst zu verbessern.

Diese Entwurfsentscheidung senkt auch die Kosten: Ein System mit Freigabepunkt muss nicht fehlerfrei sein; es muss gut genug sein und im Irrtum auffangbar.

Was kostet der Betrieb von KI pro Monat?

Drei Variablen: wie viele Anfragen gestellt werden, wie viel Kontext jede trägt und wie lang die Antwort ist. Darüber liegt die Modellwahl, und Modelle, die dieselbe Aufgabe erledigen, können sich um ein Mehrfaches unterscheiden. Machen Sie diese Rechnung nicht nach Gefühl; der LLM-Kostenrechner auf dieser Seite zeigt die Monatszahl je Modell, sobald Sie Ihr eigenes Anfragevolumen eintragen.

Welche Regulierungen gelten für den Einsatz von KI?

Zwei Rahmen. Die KI-Verordnung der Europäischen Union klassifiziert Systeme nach Risikostufe und legt in den Bereichen, die sie als hochriskant behandelt, Pflichten zu Dokumentation, Aufzeichnung und menschlicher Aufsicht auf. Auf der Seite personenbezogener Daten werden die Rechtsgrundlage der Verarbeitung, die Aufbewahrungsdauer und das Regime der grenzüberschreitenden Übermittlung gesondert beurteilt. Beides sind Rahmenbedingungen, die die Architektur prägen — keine Dokumente, die nach der Lieferung hinzugefügt werden.

Welche Daten braucht KI?

Entgegen der Erwartung nicht viele Daten, sondern saubere, erreichbare Daten. Ein Sprachmodell wird nicht mit Ihren trainiert; es antwortet, indem es sie ansieht. Über das Ergebnis entscheidet deshalb nicht die Menge, sondern die Maschinenlesbarkeit: gescannte PDFs, Tabellen, die nur als Screenshot existieren, und institutionelles Wissen, das in einer einzigen Tabellendatei lebt, sind unbrauchbar, wie groß sie auch sind.

Können wir KI nutzen, ohne dass unsere Daten das Haus verlassen?

Ja, und in regulierten Branchen ist das der übliche Weg. Zwei Optionen: Modelle mit offenen Gewichten, die auf Ihrer eigenen Infrastruktur laufen, oder der für Training geschlossene Unternehmenstarif eines Anbieters mit ausgewählter Region. Das Erste lässt Daten nie hinaus, bringt aber Hardware- und Betriebslast; das Zweite ist schnell eingerichtet, verlangt aber Region und Aufbewahrungsbedingungen schriftlich.

Wie lange dauert ein KI-Projekt?

Ein enger Pilot dauert 6–10 Wochen, ein System in Produktion 3–6 Monate. Was den Zeitplan streckt, ist nicht das Modell, sondern alles drumherum: Zugriffsberechtigungen auf Daten, die Vorbereitung des Evaluationsdatensatzes, den Ablauf der menschlichen Freigabe zu bauen und die Anbindung an bestehende Systeme. Das Modell laufen zu lassen ist meist der kürzeste Schritt — was erklärt, warum Teams den Zeitplan immer wieder reißen.

Wie misst man, ob eine KI-Ausgabe richtig ist?

Mit einem Evaluationsdatensatz: einer Liste von mindestens hundert echten Fragen samt freigegebenen richtigen Antworten. Bei jeder Modell- oder Prompt-Änderung wird der Satz erneut durchlaufen und die Ergebnisse werden verglichen. Ohne ihn ist „läuft gut“ ein persönlicher Eindruck, und es gibt keine Richtung zur Verbesserung. Wer den Satz erstellt, muss in der Angebotsphase geklärt werden — Sie kennen die Arbeit, der Lieferant nicht.

Ersetzt KI Menschen?

Bei der heutigen Reife nicht, aber sie verändert, welcher Teil der Arbeit beim Menschen bleibt. In Aufbauten, die funktionieren, entwirft das Modell und ein Mensch gibt frei und korrigiert; der Gewinn kommt daher, dass die Person nicht bei null anfängt, nicht daher, dass man sie entfernt. Projekte, die auf Personalabbau zielen, senken meist die Qualität und werden zurückgenommen; solche, die darauf zielen, dass dasselbe Team mehr produziert, bleiben eher bestehen.

Wo sollte ein kleines Unternehmen mit KI anfangen?

Bei der Arbeit, die sich am häufigsten wiederholt, die klarsten Regeln hat und deren Fehler am günstigsten sind. Typische erste Schritte: eingehende E-Mails klassifizieren, Angebote entwerfen, Daten aus Dokumenten extrahieren. Diesen dreien ist gemeinsam, dass ein Mensch eine falsche Ausgabe in Sekunden erkennt. Mit Arbeit zu beginnen, die direkt beim Kunden landet oder Geld bewegt, beendet das Projekt beim ersten Fehler.

“KI-Projekte unterscheidet nicht die Modellqualität, sondern ob es einen Satz gibt, der misst, ob die Ausgabe richtig ist.”