KI & Automatisierung · 24. Juni 2026 · 24 Min. Lesezeit · Anthony Filipiak, CEO & Co-Founder, Amplifa

KI-Kosten: Was Mittelstand wirklich zahlt

KI-Kosten explodieren oft nach dem Pilot. Prüfen Sie Cloud, Daten, Integration und Governance, bevor Ihr ROI-Fenster kippt.

KI-Kosten sind die Ausgaben für Software, Implementierung und Betrieb von KI-Systemen. So steht es ungefähr in jedem Budgetdeck, das ich von Geschäftsführern aus Maschinenbau, Automotive-Zulieferung und Elektrotechnik sehe. Stimmt nicht ganz. In der Praxis sind KI-Kosten vor allem die Kosten für alles, was vorher schon kaputt, verteilt, unklar oder politisch unbequem war — Datenqualität, Schnittstellen, Zuständigkeiten, Cloud-Verträge, Betriebsrat, Security, Change. Meine Prognose für 2026 überrascht viele CFOs: Nicht der KI-Pilot wird das Budget sprengen, sondern der Versuch, ihn in SAP, MES, PLM, CRM und reale Vertriebsprozesse zu bringen. Wer nur Lizenzpreise vergleicht, kalkuliert eine Baustelle nach dem Preis des Türgriffs.

Ich schreibe das nicht als Analyst mit sauberem Chart aus London. Ich schreibe es als Anthony Filipiak, CEO & Co-Founder von Amplifa, aus Gesprächen mit Geschäftsführern, CSOs, Investoren und Vertriebsleitern im DACH-Mittelstand. Im März 2025 sagte mir Andrea, Head of Sales bei einem Hidden Champion in Bielefeld: „Wir haben den KI-Case gewonnen, bevor wir angefangen haben — auf PowerPoint. Verloren haben wir ihn dann in der Datenbank.“ Das Geräusch dazu kenne ich auch: kein Raketenstart, sondern das müde Klicken durch 17 Excel-Exports aus drei Werken.

KI-Kosten im Status Quo: Die Schlagzeile ist zu billig

Die große Marktstory ist schnell erzählt. McKinsey, BCG, PwC und andere Häuser sehen den globalen KI-Markt bis 2030 in einer Größenordnung von 600 bis 900 Milliarden US-Dollar jährlich, je nachdem, ob man nur Software und Services zählt oder Infrastruktur, Cloud und GenAI-Plattformen breiter einbezieht. McKinsey hat 2023 allein für generative KI ein zusätzliches wirtschaftliches Potenzial von 2,6 bis 4,4 Billionen US-Dollar pro Jahr beschrieben. IDC prognostizierte 2024 weltweite Ausgaben für KI-nahe Systeme von mehr als 630 Milliarden US-Dollar bis 2028. Klingt groß. Ist groß. Aber die Zahl sagt einem Geschäftsführer in Paderborn, Villingen-Schwenningen oder Linz erst einmal wenig, wenn seine Cloud-Rechnung nach einem Copilot-Rollout von 18.000 auf 52.000 Euro im Monat springt.

Die Schlagzeilen reden über Produktivität. Der Einkauf sieht Abos. Die IT sieht Token, Storage, Netzwerk, Logging, Identity, Backup und neue Admin-Rollen. Der Vertrieb sieht ein Tool, das angeblich Angebote vorqualifiziert, aber ohne sauberen ICP erst einmal dieselben falschen Accounts schneller sortiert. Naja, fast. Manchmal sortiert es sie sogar schlechter, nur überzeugender formuliert. Laut Eurostat nutzten 2024 rund 13,5 Prozent der Unternehmen in der EU mindestens eine KI-Technologie; in Deutschland lag die Quote bei größeren Unternehmen deutlich höher, bei kleinen und mittleren Unternehmen aber sichtbar niedriger. Das Problem ist nicht fehlende Neugier. Das Problem ist, dass viele Mittelständler KI wie ein Add-on kaufen und dann merken, dass sie eine Betriebsarchitektur gekauft haben.

Die Hyperscaler investieren Milliarden, und das ist kein Wohltätigkeitsprogramm. Microsoft, Google, AWS, Meta und Oracle bauen Rechenzentren, kaufen NVIDIA-GPUs, sichern Energieverträge und bündeln KI-Funktionen in bestehende Plattformen. Microsoft hat rund um OpenAI und eigene Cloud-Kapazitäten öffentlich Investitionen im zweistelligen Milliardenbereich signalisiert; Meta nannte für 2024 Capex-Pläne von über 35 Milliarden US-Dollar, stark getrieben durch KI-Infrastruktur. Diese Summen wandern später nicht als Fußnote in die Luft. Sie wandern in Preise, Pakete, Verbrauchsmodelle, Mindestabnahmen und Lock-in. Der Mittelstand bezahlt nicht nur künstliche Intelligenz. Er bezahlt die Stromrechnung der neuen Plattformökonomie mit.

Was heute in vielen Business Cases fehlt

In den Business Cases, die ich sehe, stehen fast immer drei Zeilen sauber drin: Lizenz, Implementierung, erwartete Einsparung. Dann kommt ein Pfeil nach oben. Was fehlt? Datenbereinigung, Testaufwand, Rollenmodell, Betriebsmodell, Security-Review, Rechtsprüfung, Schulungen, Fehlerkosten in den ersten Monaten, Abstimmung mit Betriebsrat, Audit-Trails, Modell-Monitoring, Anbieterwechselrisiko. Bei einem Fertiger aus Baden-Württemberg mit rund 1.200 Mitarbeitenden, dessen Name ich nicht nennen darf, lag der genehmigte KI-Pilot im Vertrieb bei 180.000 Euro. Der echte Aufwand bis zum produktiven Einsatz über neun Länder lag nach 14 Monaten bei knapp 690.000 Euro, wenn man interne FTE mit 95.000 Euro Vollkosten rechnete. Das ist kein Ausreißer. Das ist der Normalfall mit ehrlicher Buchhaltung.

Trend 1: KI-Kosten wandern von Software zu Infrastruktur

Der erste Trend ist brutal einfach: Die sichtbare Lizenz wird kleiner als der unsichtbare Betrieb. Große Sprachmodelle kosten nicht, weil ein Chatfenster hübsch aussieht. Sie kosten, weil jeder Prompt Rechenleistung verbraucht, weil jeder API-Aufruf durch Identity, Logging und Compliance läuft, weil Daten nicht nur gelesen, sondern versioniert, geprüft, gespeichert und im Zweifel wieder gelöscht werden müssen. Inference-Kosten von 0,002 bis 0,03 US-Dollar pro 1.000 Tokens wirken lächerlich, solange fünf Leute testen. Bei 800 Nutzern, 20 Workflows, langen technischen Dokumenten, Angebotsentwürfen, Vertriebsrecherchen und automatischen Zusammenfassungen wird daraus ein Kostenblock. Leise. Monatlich. Opex.

Bei Manufacturing-Use-Cases ist der Effekt noch härter. Computer Vision in der Qualitätsprüfung frisst Datenvolumen. Predictive Maintenance braucht historische Sensordaten, neue Datenpipelines und oft Edge-Hardware in Werken, in denen der Schaltschrank älter ist als der jüngste Data Engineer. Ein mittelständischer Automobilzulieferer aus der Nähe von Stuttgart kalkulierte 2024 einen Vision-Pilot mit 240.000 Euro. Die Kamera- und Modellkomponente war nicht das Problem. Teuer wurden Lichtverhältnisse, Datenlabeling, Ausschussklassifikation, Netzwerksegmentierung und die Frage, wer nachts um 02:17 Uhr haftet, wenn das System eine Charge falsch freigibt. Brose, Schaeffler, Bosch und Continental können ganze Teams auf solche Fragen werfen. Ein Zulieferer mit 350 Mitarbeitenden kann das nicht mal nebenbei machen.

Ich halte deshalb wenig von KI-Roadmaps, die mit „Use Cases sammeln“ starten und erst danach Infrastruktur betrachten. Das ist wie eine neue Produktionslinie planen und den Hallenboden später anschauen. Ja, man braucht konkrete Use Cases. Aber wer 2026 KI im Mittelstand skalieren will, muss Cloud, Datenarchitektur, Rechte, Monitoring und Kostenkontrolle früh zusammen denken. Sonst gewinnt der Pilot die Demo — und verliert im Betrieb.

„Das funktioniert bei uns nicht, wenn ich erst nach dem Pilot erfahre, dass wir drei Schnittstellen, zwei neue Rollen und ein Cloud-Kostenmodell brauchen, das keiner im Controlling versteht.“

— Markus, CSO eines Maschinenbauers in Nürnberg, Gespräch im April 2025

Markus hat recht. Und er beschreibt den blinden Fleck vieler Anbieter. In den Demos sieht man das Ergebnis: ein qualifizierter Account, ein zusammengefasstes Lastenheft, eine priorisierte Opportunity. Was man nicht sieht: Berechtigungskonzepte, Dubletten, alte Feldlogiken im CRM, Produktnamen, die in drei Ländern anders geschrieben werden, und Vertriebsregionen, die historisch gewachsen sind wie Kabel hinter einem Schaltschrank. Wer KI-Kosten verstehen will, muss unter die Oberfläche. Nicht in den Hype.

Trend 2: Data Governance wird vom Nebenprojekt zum Budgettreiber

Der zweite Trend ist weniger sexy und deshalb gefährlicher: Data Governance wird zu einem der größten Kostenblöcke. Salesforce beschreibt in seinen Leitfäden zu Data-Governance-Tools und Enterprise Data Warehouses, dass KI Daten automatisch klassifizieren, Fehler erkennen und Compliance-Risiken markieren kann. Das ist nützlich. Aber bevor ein Tool Daten sauber klassifiziert, muss ein Unternehmen wissen, welche Daten es besitzt, wer sie verantwortet, welche Bedeutung sie haben und ob sie genutzt werden dürfen. Klingt banal. Ist es nicht. Ich habe CRM-Systeme gesehen, in denen „Branche“ ein Freitextfeld war und „Maschinenbau“ in elf Varianten auftauchte, inklusive „Masch.bau“, „Maschinenbau DACH“ und „OEM vielleicht“.

Ein Enterprise Data Warehouse oder ein Data Lakehouse im Mittelstand kostet nicht nur eine Plattformlizenz. Typische Einführungsbudgets liegen, je nach Ausgangslage, zwischen 0,5 und 3 Millionen Euro. Dazu kommen jährliche Betriebskosten im sechsstelligen Bereich. Data-Governance-Tools mit KI-Funktionen bewegen sich für viele mittelständische Unternehmen grob zwischen 50.000 und 300.000 Euro pro Jahr, plus interne Rollen: Data Owner, Data Steward, Governance Lead, manchmal ein ML-Ops-Profil. Wer das nicht einplant, nennt später „unerwartete Komplexität“, was eigentlich vorhersehbare Arbeit war.

Aus unseren Implementierungen wissen wir: In B2B-Vertriebsprojekten mit industriellen Kunden gehen in den ersten 8 bis 12 Wochen im Schnitt 62 bis 74 Prozent der operativen Arbeit nicht in KI-Logik, sondern in Datenzugriff, Feldmapping, Dublettenlogik, ICP-Schärfung und Freigabeprozesse. Der häufigste Bremsklotz ist nicht ein schlechtes Modell. Es ist die Frage, ob „Kärcher Händler“, „Alfred Kärcher SE & Co. KG“ und „Kaercher Export“ derselbe wirtschaftliche Account sind, ob der Standort Winnenden oder eine Tochtergesellschaft gemeint ist und ob der Vertrieb diese Struktur überhaupt so verkaufen darf. Diese Arbeit steht in keinem Hochglanzreport. Sie entscheidet aber, ob KI im Vertrieb Termine bringt oder nur Datensalat mit besserer Grammatik.

Data Governance klingt nach Kontrolle. Tatsächlich ist sie Wachstumsschutz. Ohne klare Datenverantwortung skaliert ein Unternehmen falsche Annahmen. Ein Vertriebsleiter aus Augsburg, Stefan, sagte mir im Juni 2025 nach einem Workshop: „Wir dachten, wir haben ein Lead-Problem. Wir hatten ein Definitionsproblem.“ Exakt. Wenn Marketing, Vertrieb, Service und Produktmanagement unterschiedliche Begriffe für denselben Kundentyp nutzen, kann KI nicht magisch Klarheit erzeugen. Sie kann Unklarheit industrialisieren.

Warum der AI Act die Kosten nicht nur rechtlich macht

Der EU AI Act wird im Mittelstand oft als juristische Sache abgelegt. Fehler. Er verändert das Betriebsmodell. Risk Classification, Dokumentation, Transparenz, Monitoring, menschliche Aufsicht — das sind nicht nur Paragrafen, sondern Arbeitspakete. Viele europäische Unternehmen kalkulieren inzwischen zusätzliche Compliance-Kosten von 5 bis 15 Prozent des KI-Projektbudgets, je nach Risikoklasse, Datenart und Branche. Bei einem 700.000-Euro-Programm sind das nicht Peanuts. Und wenn KI in Qualitätskontrolle, Kreditentscheidung, HR oder sicherheitsnahe Prozesse rutscht, wird aus einem „Tool“ ein System mit Nachweispflichten.

In DACH kommt noch etwas dazu: Mitbestimmung. Wer KI am Shopfloor einführt, wer Leistungsdaten auswertet, wer automatische Empfehlungen für Sachbearbeiter baut, trifft schnell auf Betriebsrat, Datenschutzbeauftragte und Arbeitsrecht. Ich sage nicht, dass das schlecht ist. Stimmt nicht ganz — manchmal ist es zäh. Aber es ist Realität. Ein Werk in Süddeutschland riecht nicht nach Pitchdeck, sondern nach Kühlschmierstoff, Palettenholz und alten Zuständigkeiten. Wer dort ein KI-System einführen will, muss erklären, was es tut, was es nicht tut, welche Daten gespeichert werden und wer im Konfliktfall entscheidet.

Amplifa ICP Playbook — Ein praktischer Rahmen, um Zielkunden, Signale und Vertriebsprioritäten vor KI-Automatisierung sauber zu definieren.

Trend 3: Integration frisst die ROI-Story

Der dritte Trend ist der teuerste: Integration. Nicht als Buzzword, sondern als Rechnung. KI soll in SAP, Microsoft Dynamics, Salesforce, HubSpot, Siemens Teamcenter, Dassault, MES, PLM, PIM, DMS, CPQ und manchmal in ein selbstgebautes Access-Tool aus dem Jahr 2009. Schnittstellenentwicklung zu ERP, MES oder PLM kostet bei größeren Projekten schnell 150.000 bis 500.000 Euro. Dazu kommen Test, Rechte, Rollen, Security-Hardening, Datenmigration, Monitoring und Wartung. In Analystenreports steht dann „Produktivitätsschub durch KI-Integration“. In der Praxis steht im Kalender: Abstimmung Montag 9:00, Datenmodell Mittwoch, Eskalation Freitag.

Ich bin hier kantig: Wer 2026 noch glaubt, KI könne im Mittelstand ohne saubere Systemintegration substanziellen ROI liefern, verwechselt Demo mit Betrieb. Natürlich gibt es isolierte Produktivitätsgewinne. Ein Mitarbeiter lässt sich eine E-Mail formulieren. Ein Service-Team fasst Tickets zusammen. Ein Vertriebler recherchiert schneller. Nett. Aber der große Hebel entsteht erst, wenn KI in den Prozess greift: Account priorisieren, Gesprächsanlass erkennen, Angebot vorbereiten, Daten zurückschreiben, nächste Aktion auslösen, Erfolg messen. Dafür reicht kein Chatfenster. Dafür braucht man Architektur.

Ein Beispiel aus dem Vertrieb: Markus' Team, ein technischer Komponentenhersteller aus Franken mit rund 85 Millionen Euro Umsatz, hat in 9 Monaten dreimal so viele qualifizierte Ersttermine gebucht — ohne einen einzigen neuen Sales-Mitarbeiter. Nicht weil ein Sprachmodell besonders charmante Mails geschrieben hat. Der Hebel lag im Zusammenspiel aus ICP, Account-Signalen, CRM-Hygiene, Outreach-Logik und klaren Ausschlusskriterien. Wir haben weniger automatisiert als ursprünglich geplant und mehr geschnitten. Weg mit irrelevanten Branchen. Weg mit Accounts ohne Trigger. Weg mit Personen, die zwar im CRM standen, aber nie Einfluss auf Spezifikationen hatten. KI hat beschleunigt. Die Strategie hat entschieden.

Backup, Recovery und Resilienz: Der vergessene Block

Ein Kostenblock wird besonders gern vergessen: Resilienz. KI-Systeme erzeugen Logs, Versionen, Prompts, Outputs, Modellstände, Trainingsdaten, Bewertungsdaten. Wenn ein System Empfehlungen für Angebote, Qualitätsentscheidungen oder Servicefälle gibt, will später jemand wissen, warum. Nicht irgendwann. Im Audit. In der Reklamation. Vor Gericht vielleicht. Salesforce verweist bei Enterprise Backup Solutions auf KI-Agents, die Servicekosten senken und Datenintegrität sichern können. Schön. Aber erweiterte Backup- und Recovery-Lösungen mit KI-Funktionalität kosten für mittelgroße Umgebungen schnell 50.000 bis 200.000 Euro pro Jahr, plus Storage, Netzwerk und Prozessdesign.

Bei Fertigern mit mehreren Werken wird daraus eine operative Frage: Welche Daten bleiben im Werk? Welche gehen in die Cloud? Welche müssen wegen Kundenverträgen in Europa bleiben? Was passiert, wenn eine Linie steht, weil ein KI-gestütztes Prüfsystem nicht erreichbar ist? Bei Festo oder Phoenix Contact gibt es die Strukturen, solche Fragen systematisch zu beantworten. Bei einem Werkzeugbauer mit 220 Leuten hängt es oft an einer IT-Leitung, die gleichzeitig Firewall, ERP-Update, Telefonanlage und jetzt auch noch KI-Governance macht. Das ist kein Technologiedefizit. Das ist Organisationsrealität.

Wie hoch sind versteckte KI-Kosten wirklich?

Die kurze Antwort: Für mittelständische Fertigungsunternehmen mit 100 bis 5.000 Mitarbeitenden liegen ernsthafte KI-Programme über 3 bis 5 Jahre häufig bei 1 bis 5 Millionen Euro Gesamtkosten. Nicht pro Chatbot. Für ein Programm mit mehreren Use Cases, Datenplattform, Integration, Governance, Betrieb und Change. Ein kleiner Pilot kann 50.000 Euro kosten. Ein sauber produktiv gemachter Use Case mit Systemintegration kostet oft 250.000 bis 900.000 Euro. Ein Portfolio aus Vertrieb, Service, Qualität und Supply Chain landet schnell darüber. Ehrlich? Ich weiß es nicht für jedes Unternehmen. Aber ich weiß, dass die erste Zahl fast immer zu niedrig ist.

Die zweite Antwort ist unbequemer: Der ROI wird nicht nur durch Kosten verlängert, sondern durch Zeit. Wenn ein Pilot drei Monate dauert und die Integration zwölf Monate, dann ist die Amortisation nicht im Quartal zu sehen, egal wie hübsch die Demo war. In Vertrieb und Lead-Generierung kann es schneller gehen, weil Datenquellen oft leichter zugänglich sind als Maschinen- und Qualitätsdaten. Aber auch dort gilt: Ohne ICP, ohne Signalmodell, ohne CRM-Rückfluss und ohne Sales-Akzeptanz bleibt KI Aktivitätstheater. Viele Unternehmen feiern mehr generierte Leads. Der Vorstand fragt sechs Monate später nach Umsatz. Dann wird es still.

Bei Produktions-Use-Cases ist der Wert oft höher, aber der Weg länger. Predictive Maintenance kann Stillstände reduzieren. Computer Vision kann Ausschuss senken. Supply-Chain-Optimierung kann Kapitalbindung drücken. Nur braucht jeder dieser Cases Datenhistorie, Prozessverständnis, klare Verantwortlichkeiten und eine Fehlertoleranzstrategie. Ein falscher Lead kostet Zeit. Ein falsch freigegebenes Teil kostet Geld, Kundenvertrauen und im schlechtesten Fall Sicherheit. Deshalb sind Governance und Test nicht Bürokratie. Sie sind Versicherung gegen teure Dummheit.

Was das für den europäischen Mittelstand bedeutet

Für den europäischen Mittelstand verschiebt sich die Frage von „Machen wir KI?“ zu „Welche KI können wir uns im Betrieb leisten?“ Das klingt defensiv, ist aber strategisch. Große Konzerne wie Siemens, Bosch, Schaeffler, Trumpf, DMG Mori oder Webasto können Plattformteams aufbauen, interne AI Labs finanzieren und Fehler über Portfolios ausgleichen. Der klassische Hidden Champion mit 250 Millionen Euro Umsatz kann das nicht in derselben Breite. Er muss schärfer entscheiden. Weniger Spielwiese. Mehr Kapitaldisziplin.

Ich sehe drei Auswirkungen. Erstens: KI-Budgets wandern aus Innovationsabteilungen in die Linien. Vertrieb, Service, Operations und Engineering müssen eigene Ergebnisverantwortung übernehmen. Zweitens: CFOs werden KI-FinOps verlangen — also Kostenkontrolle für Token, Cloud, Nutzerlizenzen, Speicher, Integrationsaufwand und externe Partner. Drittens: Der Einkauf wird lernen müssen, dass der billigste Lizenzpreis selten der billigste Betrieb ist. Bei einem Gespräch in München im Mai 2025 sagte Julia, CFO eines Elektronikfertigers: „Ich unterschreibe keine KI-Verträge mehr, bevor mir jemand die Exit-Kosten auf eine Seite schreibt.“ Guter Satz. Sollte an jede Wand im Boardroom.

Für Investoren wird das ebenfalls relevant. Wer in mittelständische Industrieunternehmen investiert, schaut oft auf EBITDA, Working Capital, Auftragsbestand und Automatisierungsgrad. Künftig gehört KI-TCO in die Due Diligence. Nicht als Folie über Zukunftsfähigkeit, sondern als harte Prüfung: Welche Plattformabhängigkeiten bestehen? Welche Datenqualität hat das Unternehmen? Gibt es interne Rollen? Werden KI-Opex sauber gemessen? Ist der Vertrieb durch Automatisierung produktiver geworden oder nur lauter? Ich würde 2026 kein Industrieunternehmen bewerten, ohne diese Fragen zu stellen.

DACH ist vorsichtiger — und das kann ein Vorteil sein

DACH-Unternehmen gelten bei KI oft als langsam. Das stimmt teilweise. Die Entscheidungswege sind länger, Datenschutz wird ernst genommen, Betriebsräte reden mit, und ein Geschäftsführer in Ostwestfalen fragt lieber zweimal nach, bevor er Kundendaten in ein fremdes Modell schiebt. Das nervt Anbieter. Mich manchmal auch. Aber es kann ein Vorteil sein, wenn daraus bessere TCO-Disziplin entsteht. Die USA sind schneller im Rollout. Europa muss besser im Betrieb werden. Das ist kein Trostpreis, das ist eine Strategie.

Der Fehler wäre, Vorsicht mit Stillstand zu verwechseln. Wer 2026 noch auf reine Inbound-Strategie im B2B-Vertrieb setzt, hat in fünf Jahren keine Pipeline mehr. Wer aber blind KI-Automatisierung auf schlechte Daten legt, baut eine Maschine, die die falschen Accounts schneller bearbeitet. Beides ist teuer. Die Kunst liegt in der Reihenfolge: Markt verstehen, ICP schärfen, Datenmodell bauen, Prozesse integrieren, dann skalieren. Nicht umgekehrt.

Amplifa Produkt — Amplifa verbindet ICP, Account-Signale und KI-gestützte Vertriebsprozesse für planbare B2B-Pipeline im Mittelstand.

Vorbereitung: 7 Schritte, bevor KI-Kosten kippen

Ich mag Checklisten nicht, wenn sie Denken ersetzen. Diese hier soll Denken erzwingen. Wer als Geschäftsführer, Investor oder Strategieverantwortlicher in einem Fertigungsunternehmen 2026 ein KI-Programm plant, sollte diese sieben Punkte vor Budgetfreigabe klären. Nicht im Nachgang. Vorher.

1. 5-Jahres-TCO statt Pilotbudget rechnen: Erfassen Sie Lizenzen, Cloud-Verbrauch, API-Kosten, Storage, Backup, externe Partner, interne FTE, Schulung, Governance, Security und Exit-Kosten. Ein Pilotbudget von 150.000 Euro ist keine Investitionslogik, wenn der Rollout 900.000 Euro bindet.
2. Dateninventur mit Verantwortlichen machen: Legen Sie fest, welche Datenquellen relevant sind, wem sie gehören, welche Qualität sie haben und welche Felder geschäftskritisch sind. Im Vertrieb heißt das zum Beispiel: Account-Struktur, Branche, Umsatzklasse, Trigger, Ansprechpartner, Kaufzentrum, Ausschlusskriterien.
3. Use Cases nach Integrationsgrad bewerten: Ein isolierter Assistent ist anders zu kalkulieren als ein System, das in SAP, Salesforce, Teamcenter oder MES schreibt. Bewerten Sie jeden Use Case nach Datenzugriff, Prozessnähe, Risiko, Nutzerzahl und Betriebsaufwand.
4. FinOps für KI aufsetzen: Definieren Sie Kostenlimits, Monitoring, Verbrauchsberichte und Verantwortlichkeiten für Token, Cloud, Speicher und Plattformlizenzen. Ohne FinOps wird KI-Opex zur Nebelwand im Monatsabschluss.
5. Governance nicht an Legal abschieben: Risk Classification, Dokumentation, Audit-Trails, Modell-Monitoring und menschliche Aufsicht brauchen ein Betriebsmodell. Legal prüft. Das Geschäft betreibt.
6. Change-Kosten monetarisieren: Rechnen Sie Trainings, Produktivitätsdellen, Prozessumbau und neue Rollen ein. Wenn ein Vertriebsprozess durch KI verändert wird, betrifft das Zielsysteme, Vergütung, Führung und Forecasting.
7. Exit und Lock-in vor Vertragsabschluss klären: Prüfen Sie, wie Daten exportiert werden können, welche Modelle austauschbar sind, welche Integrationen proprietär werden und was ein Anbieterwechsel kostet. Der teuerste Vertrag ist oft der, aus dem man nicht mehr herauskommt.

Ein einfaches TCO-Modell für Geschäftsführer

Wenn ich mit Geschäftsführern arbeite, nutze ich gern eine grobe Formel. Sie ist nicht wissenschaftlich perfekt. Aber sie verhindert Selbstbetrug. Gesamtkosten über fünf Jahre = externe Projektkosten + Softwarelizenzen + Cloud und Compute + Datenplattform + Integration + interne FTE + Governance und Compliance + Security und Resilienz + Change + Risikopuffer. Der Risikopuffer sollte nicht bei 5 Prozent liegen. Bei komplexen Integrationen halte ich 20 bis 30 Prozent für realistischer. Wer jetzt zusammenzuckt, hat den Punkt verstanden.

KI-Kosten im Vertrieb: Warum Amplifa hier so streng ist

Da wir bei Amplifa im Vertrieb arbeiten, sehe ich die KI-Kosten dort besonders scharf. Viele Unternehmen kaufen KI für Sales, weil sie mehr Pipeline wollen. Verständlich. Aber Pipeline entsteht nicht aus Textgenerierung. Pipeline entsteht aus richtigen Zielkunden, klaren Signalen, Timing, Gesprächsanlässen, sauberer Übergabe und konsequentem Nachfassen. KI kann jeden dieser Schritte unterstützen. Sie kann auch jeden dieser Schritte aufblasen. Ein SDR-Team, das vorher 500 mittelmäßige Accounts bearbeitet hat, kann mit KI 5.000 mittelmäßige Accounts bearbeiten. Der Kalender wird voller. Der Umsatz nicht zwingend.

Was wir bei Amplifa konkret sehen: Bei Industrieunternehmen mit erklärungsbedürftigen Produkten steigt die Terminquote selten durch mehr Personalisierung allein. Der stärkste Effekt kommt aus besserer Account-Selektion. In Projekten 2024 und 2025 lag der Unterschied zwischen breit automatisiertem Outreach und ICP-scharfem, signalbasiertem Outreach häufig bei Faktor 2,4 bis 3,7 in qualifizierten Terminen pro 1.000 Zielaccounts. Die Kosten pro Termin fielen nicht, weil KI billiger textete, sondern weil weniger falsche Accounts kontaktiert wurden. Das ist ein unangenehmer Befund für Tool-Anbieter. Für Geschäftsführer ist er Gold wert.

Ein Beispiel: Ein Hersteller von Automatisierungskomponenten, nicht Festo, aber in einem ähnlichen Marktsegment, wollte im Januar 2025 seine Outbound-Aktivität mit KI verdoppeln. Das ursprüngliche Ziel waren 12.000 Kontakte pro Quartal. Wir haben auf 3.800 relevante Accounts gekürzt, basierend auf Branche, Maschinenpark-Indikatoren, Standortstruktur, Hiring-Signalen, Zertifizierungen und Triggern aus Investitionsmeldungen. Ergebnis nach zwei Quartalen: weniger E-Mails, mehr Gespräche, bessere Akzeptanz im Vertrieb. Der CSO, Daniel aus Ulm, sagte danach: „Ich wollte Automatisierung. Bekommen habe ich erst einmal Disziplin.“ Genau so muss es sein.

Amplifa für B2B-Pipeline — Strategie, Daten und KI-gestützte Umsetzung für mittelständische B2B-Vertriebsteams mit komplexen Zielmärkten.

Warum Investitionssummen die falsche Sicherheit geben

Investitionssummen beeindrucken. 80 Milliarden US-Dollar Venture Capital in einem Spitzenjahr. Zweistellige Milliardenbeträge bei Hyperscalern. Series-A- und Series-B-Runden zwischen 20 und 200 Millionen US-Dollar für KI-Startups. Corporate Venture-Arms von Siemens, Bosch, BMW oder Schneider Electric, die Industrie-4.0- und KI-Startups finanzieren. Das klingt nach Marktvalidierung. Ist es auch. Aber es sagt nichts darüber, ob ein mittelständischer Fertiger seine eigene Kostenstruktur im Griff hat.

Investoren finanzieren Wachstum, nicht Ihre Datenbereinigung. Hyperscaler finanzieren Infrastruktur, die später verkauft werden muss. SaaS-Anbieter bündeln KI in Pakete, weil es die Expansion erleichtert. Analysten schreiben über Marktgrößen, weil Märkte leichter zu modellieren sind als interne Reibung. Niemand sitzt am Ende in Ihrem Steering Committee, wenn der CIO sagt, dass das PLM-System nicht sauber angebunden werden kann, der Vertrieb die Empfehlungen nicht nutzt und der Datenschutz noch eine Risikoanalyse verlangt. Diese Kosten sind nicht versteckt, weil sie unsichtbar wären. Sie sind versteckt, weil sie niemand gern auf die erste Folie schreibt.

Die Anbietermechanik: Bundling, Verbrauch und Lock-in

Die Marktmechanik ist klar. Microsoft bundelt KI in M365, Dynamics und Azure. Salesforce integriert Einstein und Data Cloud. ServiceNow, Oracle, SAP, Google und AWS bauen KI-Funktionen in Plattformen ein. Das ist bequem. Es senkt Einstiegshürden. Es erhöht aber auch Lock-in. Sobald Workflows, Datenmodelle, Berechtigungen und Automatisierungen tief in einer Plattform hängen, wird ein Wechsel teuer. Nicht unmöglich. Aber teuer genug, dass er in vielen Vorständen nie ernsthaft diskutiert wird.

Dazu kommen komplexe Preismodelle: nutzerbasiert, transaktionsbasiert, tokenbasiert, volumenbasiert, manchmal kombiniert. Der Einkauf ist auf Lizenzverhandlungen trainiert, nicht auf variable KI-Verbräuche. CFOs kennen Cloud-FinOps inzwischen besser als vor fünf Jahren, aber KI-FinOps ist noch jung. Wenn ein Vertriebsteam plötzlich automatische Account-Recherchen, Gesprächszusammenfassungen, E-Mail-Varianten, CRM-Updates und Signalbewertungen skaliert, wächst der Verbrauch nicht linear zur Nutzerzahl. Er wächst mit Prozessdesign. Das ist eine andere Logik.

Regionale Perspektive: DACH, Europa, global

DACH hat eine spezielle KI-Kostenstruktur. Die industrielle Dichte ist hoch, die Prozesse sind komplex, die Datenlandschaften historisch, die Kundenanforderungen streng. Ein Maschinenbauer in Baden-Württemberg hat andere Integrationsprobleme als ein US-SaaS-Unternehmen. SAP ist tief verankert, MES-Systeme sind individuell angepasst, PLM ist kritisch, Excel lebt weiter (manchmal sehr lebendig), und Kunden wie BMW, Mercedes-Benz, Airbus oder Siemens verlangen Nachweise, Zertifizierungen und Verlässlichkeit. Das kostet.

Europa verschärft die Governance-Frage. Der AI Act bringt Risk Classification und Transparenzpflichten. DSGVO bleibt. Branchenregeln kommen obendrauf. In Frankreich, den Nordics und Benelux sehe ich mehr Förderprogramme und teilweise schnellere digitale Basisarbeit. In Deutschland sehe ich mehr Skepsis und dafür oft bessere Prozessdisziplin, wenn ein Projekt einmal freigegeben ist. Global betrachtet sind USA und Asien aggressiver. Große Industrials und Tech-Unternehmen investieren 10 bis 100 Millionen US-Dollar pro Jahr in KI-Programme. China, Korea und Japan treiben Fertigungs-KI mit hoher Geschwindigkeit. Aber Geschwindigkeit ohne Governance ist nicht kostenlos. Sie verschiebt Kosten in Risiko.

Für DACH-Mittelständler heißt das: Sie müssen nicht den Hyperscaler imitieren. Sie müssen selektiv gewinnen. Ein Werkzeugmaschinenbauer muss nicht 40 KI-Use-Cases starten. Er braucht vielleicht fünf: Angebotsunterstützung, Ersatzteilidentifikation, Qualitätsanalyse, Lieferantenrisiko, Vertriebssignale. Wenn diese fünf sauber integriert sind, schlagen sie 40 Piloten in einem Innovationsnewsletter. Ich weiß, das klingt unromantisch. Gut so.

Business-Auswirkungen: Wo KI wirklich Geld verdient

Die wichtigste Business-Frage lautet nicht: Welche KI-Technologie nutzen wir? Sie lautet: Welcher Engpass wird wirtschaftlich kleiner? Im Vertrieb kann das ein Mangel an qualifizierten Gesprächen sein. Im Service kann es die Bearbeitungszeit technischer Anfragen sein. In der Produktion kann es Ausschuss oder Stillstand sein. Im Engineering kann es die Zeit bis zur Variantenbewertung sein. Jede andere Diskussion ist Werkzeugfetisch.

Ich sehe in mittelständischen Fertigungsunternehmen vier Werthebel, die KI-Kosten rechtfertigen können. Erstens: bessere Marktabdeckung bei gleichem Vertriebsteam. Zweitens: kürzere Reaktionszeiten bei technischen Anfragen. Drittens: weniger Fehler in repetitiven Dokumenten- und Datenprozessen. Viertens: bessere Entscheidungen bei Beständen, Qualität und Wartung. Das sind keine Fantasien. Aber jeder Hebel braucht Messpunkte vor dem Start. Wenn niemand weiß, wie viele qualifizierte Gespräche pro 1.000 Accounts heute entstehen, kann später niemand beweisen, dass KI im Vertrieb gewirkt hat.

Bei einem Kundenprojekt im Maschinenbau haben wir vor der Automatisierung erst die Basis gemessen: 1.000 Zielaccounts, 42 relevante Rückmeldungen, 11 qualifizierte Termine, 3 echte Opportunities. Nach ICP-Schärfung und KI-gestützter Signalpriorisierung waren es bei vergleichbarer Account-Zahl 27 qualifizierte Termine und 8 Opportunities. Nicht perfekt. Aber messbar. Der Geschäftsführer interessierte sich am Ende weniger für das Modell als für die Frage, ob der Auftragseingang sechs Monate später nachzog. Richtig so. KI ist kein Selbstzweck. Sie ist ein teures Werkzeug, das entweder einen Engpass löst oder nur modern aussieht.

FAQ: Wann lohnt sich KI trotz hoher Kosten?

KI lohnt sich, wenn ein wirtschaftlich relevanter Prozess genug Wiederholung, genug Datenzugang und genug Entscheidungsvolumen hat, damit Automatisierung oder Assistenz spürbar wirken. Ein Angebotsprozess mit 20 komplexen Angeboten pro Jahr ist vielleicht kein guter erster KI-Case. Ein Ersatzteilprozess mit 18.000 Anfragen pro Jahr schon eher. Ein Vertriebsteam mit unklarem ICP braucht erst Strategie. Ein Vertriebsteam mit klarem ICP, aber zu wenig Marktabdeckung, kann durch KI-gestützte Lead-Generierung echten Hebel bekommen. Die Reihenfolge entscheidet.

FAQ: Welche KI-Kosten werden am häufigsten vergessen?

Am häufigsten vergessen werden interne Personalkosten, Datenbereinigung, Integrationstests, Governance, Schulung und laufendes Monitoring. Direkt danach kommen Backup, Audit-Trails, Security-Hardening und Anbieterwechselkosten. In Gesprächen mit CFOs höre ich oft: „Wir haben die externen Kosten im Griff.“ Das glaube ich sogar. Die internen Kosten sind das Problem, weil sie über Kalender, Meetings und Verzögerungen laufen, nicht über eine saubere Rechnung.

FAQ: Sollte der Mittelstand eigene Modelle trainieren?

Meistens nein. Nicht am Anfang. Eigene Foundation-Modelle zu trainieren ist für fast alle mittelständischen Fertiger Unsinn. Zu teuer, zu aufwendig, zu weit weg vom Engpass. Sinnvoller sind vorhandene Modelle, Retrieval-Ansätze, saubere Datenräume, klare Rechte und branchenspezifische Workflows. Feintuning kann später Sinn ergeben, wenn genug Datenqualität, Nutzungsvolumen und Governance vorhanden sind. Wer mit eigenem Modell startet, ohne seine Datenbegriffe zu klären, baut ein Denkmal für technische Eitelkeit.

Persönliche Prognose: 2026 bis 2028 trennt sich der Markt

Meine Prognose für die nächsten zwei bis drei Jahre: Der KI-Markt im europäischen Mittelstand teilt sich in drei Gruppen. Gruppe eins wird weiter pilotieren, Fördergeld nutzen, interne Präsentationen bauen und wenig skalieren. Gruppe zwei wird große Plattformpakete einkaufen, dann an Opex, Integration und Akzeptanz leiden. Gruppe drei wird kleiner starten, härter priorisieren, TCO sauber rechnen und KI wie ein Betriebssystem für konkrete Engpässe behandeln. Diese dritte Gruppe wird nicht die lauteste sein. Sie wird die bessere Pipeline, die stabileren Prozesse und die belastbareren Margen haben.

Ich glaube auch, dass KI-Kosten in Vorständen einen eigenen Namen bekommen werden. Heute verschwinden sie in IT, Digitalisierung, Vertriebseffizienz oder Operations. Bis 2028 werden viele Mittelständler ein KI-Opex-Reporting haben, ähnlich wie Cloud-FinOps. Nicht weil Controlling Spaß an neuen Spalten hat. Weil variable Modellkosten, Plattformlizenzen, Datenpflege und Governance sonst zu einem grauen Block wachsen. Und graue Blöcke sind der Feind jeder Investitionsdisziplin.

Der Mittelstand hat dabei einen Vorteil, den viele unterschätzen: Nähe zum Problem. Ein Geschäftsführer bei einem Fertiger in Heilbronn kennt seine Engpässe oft genauer als ein Konzernvorstand mit 14 Transformationsteams. Wenn diese Nähe mit Datenklarheit und Kapitaldisziplin zusammenkommt, kann KI sehr viel bringen. Aber nicht als Magie. Als Arbeit. Als Kostenstelle mit Renditeanspruch. Als System, das man betreibt.

Vor ein paar Tagen schickte mir ein Vertriebsleiter aus Köln eine Nachricht nach einem internen KI-Review. Nur ein Satz: „Wir haben heute drei Use Cases gestrichen und fühlen uns zum ersten Mal schneller.“ Das ist vielleicht die reifste KI-Strategie, die ich diese Woche gesehen habe.