Interne KI erstellen: Selbst bauen oder kaufen, mit echten Kosten und Entscheidungsbaum [2026]

Eine interne KI ist ein KI-System, das Fragen von Beschäftigten aus Unternehmensdaten beantwortet und, in seiner nützlichen Form, auch in den Firmenwerkzeugen handelt: Es schlägt den Auftrag im ERP nach, entwirft die Antwort im Postfach, legt das Ticket an. Die Entscheidung zwischen Selbstbauen und Kaufen dreht sich nicht um das Chat-Fenster, das jedes Team an einem Nachmittag aufsetzt. Es geht um die vier Dinge hinter dem Fenster, die entscheiden, ob die KI in zwölf Monaten noch genutzt wird: Live-Anbindungen an deine Systeme, Berechtigungen auf jedem Datensatz, den sie liest, Freigabestufen, bevor sie schreibt, und Protokolle, die eine Prüferin akzeptiert.

Dieser Leitfaden gibt dir ein echtes Kostenmodell für drei Wege (selbst entwickeln, aus Open Source zusammensetzen, Plattform kaufen), eine ehrliche Liste dessen, was der Open-Source-Weg nicht enthält, und einen Entscheidungsbaum nach Teamgröße und Regulierung. Den Teil, den alle anderen zuerst behandeln, die Suchpipeline, lassen wir bewusst aus: den gibt es in KI-Wissensdatenbank aufbauen.

Die Trennlinie ist, ob die KI deine Daten mit deinen Berechtigungen erreicht und ob sie handeln kann. Ein Chatbot mit Systemanweisung und PDF-Upload ist eine Demo. Eine interne KI liest aus CRM, Ticketsystem, Wiki und dem gemeinsamen Postfach, zeigt jeder Person nur, was sie sehen darf, und erledigt Aufgaben mit einem Bestätigungsschritt. Diese zweite Definition nennt der Artikel zum KI-Betriebssystem die sechs Bestandteile, und sie macht aus Selbstbauen oder Kaufen eine echte Frage, weil die ersten drei Bestandteile leicht sind und die letzten drei der Punkt, an dem interne Projekte stecken bleiben.

Das zählt, weil die meisten Bau-Entscheidungen bei der Demo fallen. Der Prototyp beeindruckt in Woche zwei; Berechtigungsmodell, Freigabefluss und Protokoll sind in Monat sechs noch offen. Die Build-vs-Buy-Analyse von kapa.ai sagt es unverblümt: Teams kommen zu 70 % ans Ziel, und die restlichen 30 % sind der Teil, der nie ausgeliefert wird.

Entwickeln heißt: Deine Entwickler schreiben die KI auf Modell-Schnittstellen: Suche, Anbindungen, Berechtigungen, Agentenlogik, Oberfläche. Zusammensetzen heißt: Du betreibst Open-Source-Bausteine (Open WebUI oder LibreChat als Chat, n8n für Abläufe, eine Vektordatenbank für die Suche) und schreibst den Kleber. Kaufen heißt: eine betreute Plattform, die die sechs Bestandteile mitbringt, und du konfigurierst Anbindungen, Rollen und Agenten.

Die ehrliche Zusammenfassung: Entwickeln gewinnt nur bei sehr hohem Volumen oder einer harten Anforderung, die kein Anbieter erfüllt; Zusammensetzen gewinnt mit eigenem Plattform-Team und regulatorischer Pflicht zum Betrieb im eigenen Haus; Kaufen gewinnt für fast alle unter etwa 500 Leuten, bei Gesamtkosten und bei der Zeit bis zu einer nutzbaren KI. Die Tabelle liefert die Zahlen hinter dieser Behauptung.

Der Zusammensetz-Weg ist der am meisten unterschätzte der drei, weil die erste Woche so gut läuft. Open WebUI oder LibreChat liefern an einem Nachmittag einen sauberen Chat; n8n liefert bis zum Abend einen Ablauf, der ein Postfach liest und eine Slack-Nachricht schreibt; eine Vektordatenbank und ein Embedding-Modell liefern die Suche über deine PDFs. Was du dann hast, ist die Demo. Die Liste unten ist das, was du noch selbst schreiben musst, und jeder Punkt ist eine mehrwöchige Arbeit mit einer Verantwortlichen. Unser Vergleich von Open WebUI, LibreChat und AnythingLLM und die echten Kosten selbst gehosteter KI behandeln die Betriebsseite.

Selbstbauen ist in drei Situationen richtig, und es lohnt sich, sie zu benennen, damit der Rest des Artikels nicht wie Werbung klingt. Erstens Volumen: Bei rund einer Million Gesprächen im Jahr für einen komplexen Agenten über mehrere Systeme sinken die Dreijahreskosten eines eigenen Teams unter Plattformpreise. Zweitens eine harte regulatorische Vorgabe für physisch getrennten Betrieb ohne betreute Komponente, die jede Cloud-Plattform ausschließt, unsere eingeschlossen. Drittens: Die KI ist dein Produkt. Wenn du sie verkaufst, gehört sie dir.

Außerhalb dieser drei zeigt die Evidenz in eine Richtung. In McKinseys Umfrage 2026 entscheidet sich rund ein Drittel der Organisationen fürs Bauen mit agentischen Programmierwerkzeugen, zwei Drittel kaufen also, und die Bauenden sind überwiegend groß. Für ein Unternehmen mit 40 bis 500 Leuten gilt das Argument aus der KI-Strategie für den Mittelstand: Steck die Entwicklungszeit in dein Produkt, nicht in den Nachbau eines Berechtigungsmodells.

Binde die Systeme an, in denen heute Fragen gestellt und beantwortet werden, nicht die mit den meisten Daten. Für die meisten Firmen sind das Chat (Slack oder Teams), das Ticket- oder CRM-System und die Dokumentenablage; der Kalender kommt als viertes, weil er die KI von reaktiv zu proaktiv macht. Das ERP, das alle zuerst nennen, kommt später: Seine Daten sind strukturiert, seine Fragen eng und seine Anbindung die teuerste. Der Artikel zu Datensilos auflösen erklärt, warum im Integrationsprojekt die Bau-Budgets verschwinden.

Mach vor der Entscheidung eine kurze anonyme Umfrage: Wo schlagen Leute nach, wen fragen sie, was finden sie nie. Die Antworten benennen deine ersten drei Anbindungen, und es sind selten die, die die IT gewählt hätte.

Egal welchen Weg du nimmst: Die Einführung entscheidet mehr über die Nutzung als die Technik. Das Muster, das funktioniert: eine Abteilung, drei Anbindungen, dreißig echte Fragen als Abnahmetest, ein Berechtigungstest mit eingeschränktem Nutzer, bevor irgendjemand sonst Zugang bekommt, dann ein beaufsichtigter Agent (ein Wochenbericht oder eine Erinnerung bei stockenden Deals), damit die KI sichtbar etwas tut, ohne gefragt zu werden. Nach vier sauberen Wochen auf die zweite Abteilung ausweiten. Der Artikel KI-Pilot in den Betrieb bringen behandelt die Fehlermuster im Detail; die Kurzfassung: Piloten sterben an fehlenden Verantwortlichen und fehlenden Berechtigungen, nicht an fehlenden Funktionen.

Teamo AI ist der Weg der gekauften Plattform mit den sechs Bestandteilen inklusive: Live-Anbindungen an Slack, Teams, Jira, Notion, HubSpot, Pipedrive und deinen Kalender, das 7-Ringe-Berechtigungsmodell mit Zugriff je Datensatz, Dauer-Agenten mit Freigabestufen, drei Protokolle und eine austauschbare Modellschicht mit mehreren Anbietern (OpenAI, Anthropic, Google, Mistral, Aleph Alpha). Integrationen werden in Minuten aus dem Chat installiert, Agenten im selben Chat beschrieben, sodass aus den 90 Tagen oben meist zwei Wochen werden. EU-Hosting, keine Mindestabnahme, Eigenbetrieb optional, falls die Aufsicht ihn später verlangt.

Wo es nicht die Antwort ist: physisch getrennter Betrieb ohne betreute Komponente, oder eine KI, die du verkaufen willst. Dafür ist der Zusammensetz-Weg auf einer Multi-LLM-Basis die ehrliche Empfehlung, und die Kostenrechnung für selbst gehostete KI ist der Startpunkt.

Bauen oder kaufen ist selten die erste KI-Entscheidung eines Unternehmens, und sie sollte nicht die letzte sein. Die meisten Teams landen hier, nachdem eine ChatGPT- oder Copilot-Lizenz enttäuscht hat: Der Vergleich Copilot vs. ChatGPT: Was ist besser? erklärt, warum beide Chat-Werkzeuge ohne Firmenkontext sind, und genau diese Lücke soll eine unternehmenseigene KI schließen. Welchen Weg du auch wählst: Was du baust oder kaufst, ist ein KI-Betriebssystem für Unternehmen, also Kontextschicht, Berechtigungen, Modellschicht, Agenten, Protokolle. Dieser Artikel trägt die Preistabelle und die EU-Einkaufs-Checkliste, die hier bewusst fehlen.

Drei Nachbarn vervollständigen das Bild. Soll der Assistent handeln und nicht nur antworten, lies was ein agentisches Betriebssystem ist, bevor du den Eigenbau bemisst: Freigabestufen und Doppelausführungs-Schutz sind der Teil, den selbst gebaute Aufbauten überspringen. Unter 500 Leuten grenzt der Entscheidungsleitfaden KI für kleine Unternehmen die Kauf-Optionen nach Mindestabnahmen und EU-Hosting ein. Und was du auch ausrollst, es braucht Regeln für die Menschen, die es nutzen: Das KI-Richtlinie-Muster für Unternehmen ist das Zwei-Wochen-Dokument, das zur Einführung gehört. Das Konzept unter allen dreien ist der KI-Context-Layer.