Luca Morelli
Software Engineer und Analyst
Teamleiter

KI-Machbarkeitsanalyse: was vor der Wahl der Technologie zu prüfen ist.

Bevor Sie in ein KI-Projekt investieren, lohnt es sich, einige konkrete Fragen zu beantworten: Sind die Daten vorhanden, und dürfen sie verwendet werden? Was kostet ihre Aufbereitung? Wer betreibt den Dienst nach der Veröffentlichung? Diese Seite geht sie der Reihe nach durch. Für die Antworten brauchen Sie kein technisches Fachwissen: Sie müssen Ihr eigenes Unternehmen kennen.

An denselben Punkten bleiben viele Unternehmen stehen: Laut dem italienischen Statistikamt Istat nannten 2025 Unternehmen, die den Einsatz von KI erwogen, aber nicht eingeführt haben, als Hindernisse fehlende Kompetenzen (58,6 %), nicht verfügbare oder unzureichende Daten (45,2 %), den Datenschutz (43,2 %) und die Kosten (43,0 %).

Was diese Seite bewertet – und was nicht

Diese Prüfungen zeigen, ob das Projekt für das Unternehmen tragfähig ist. Ob die Antworten des Systems korrekt und nützlich sind, ist eine eigene technische Aufgabe, die mit Tests am realen Fall zu bewerten ist: Das Bestehen dieser Prüfungen garantiert noch nicht die Qualität der Antworten. Für beides muss klar sein, welcher Dienst angeboten werden soll.

1. Kann das Unternehmen die Daten bereitstellen und aufbereiten?

Die Bereitstellung und Aufbereitung der Daten erfordert eine Anfangsinvestition. Auch der Bedarf an Fachkräften muss dafür geschätzt werden.

  • Wo befinden sich die erforderlichen Daten, und wer kann den Zugriff und die Nutzung autorisieren?
  • Sind sie ausreichend vollständig, aktuell und repräsentativ für die beabsichtigte Arbeit?
  • Wer kann sie extrahieren, korrigieren und ordnen und dabei angeben, was die einzelnen Daten enthalten?
  • Werden bereits von Hand klassifizierte Beispiele benötigt oder korrekte Antworten, mit denen sich das System vergleichen lässt? Wer kann sie vorbereiten und überprüfen und kennt dabei die Arbeit des Unternehmens?
  • Welche Fachkräfte, Zeit und Kosten erfordert diese Arbeit? Wie werden die Daten aktuell gehalten?

Beispiele von Hand zu klassifizieren (im Fachjargon: Labeling) ist nicht in jedem Projekt nötig: Das hängt von der Aufgabe und dem gewählten Ansatz ab. Wenn es nötig ist, muss das Unternehmen dies zuverlässig leisten können. Auch wenn es nicht nötig ist, kann die Vorbereitung und Pflege der Daten einen erheblichen Teil der Investition ausmachen.

2. Dürfen die Daten das Unternehmen verlassen?

Die erste Prüfung betrifft die Informationen, die in den KI-Workflow eingehen müssen:

  • Können die Daten an einen externen KI-Dienst gesendet werden?
  • Enthalten sie personenbezogene oder vertrauliche Daten oder Daten, die vertraglichen oder gesetzlichen Beschränkungen unterliegen?
  • Wo werden die Daten verarbeitet und gespeichert, wie lange, und darf der Anbieter sie für andere Zwecke nutzen?
  • Können die Daten minimiert oder anonymisiert werden? Wenn Namen durch Codes ersetzt werden (Pseudonymisierung), was erlaubt dann noch den Rückschluss auf eine Person?

Namen durch Codes zu ersetzen verringert das Risiko, aber Daten, die noch einer Person zugeordnet werden können, bleiben personenbezogene Daten. Wenn bestimmte Daten nicht an einen externen Dienst gesendet werden können, würde das Projekt dann ohne sie funktionieren? Könnte die Anfrage neu formuliert oder die sensiblen Informationen in einer separaten, kontrollierten Phase gehalten werden? Wenn das Modell diese Daten benötigt, um ein nützliches Ergebnis zu erzielen, müssen die Umgebung und der Workflow den relevanten Einschränkungen entsprechen.

Was das System tun darf und wer es kontrolliert: Sicherheit

3. Leistung, Kosten und laufender Betrieb

Sobald die Dateneinschränkungen klar sind, schätzen Sie die praktischen Anforderungen ein:

  • Antwortzeit: wie lange kann ein Nutzer auf jede Anfrage warten?
  • Gleichzeitige Nutzer: Wie viele Personen werden das System gleichzeitig nutzen, an normalen Tagen und zu Spitzenzeiten?
  • Kontinuität: Welche Verfügbarkeit und welches Wachstum sind erforderlich?
  • Gesamtkosten: Was kostet jede Anfrage bei der erwarteten Menge? Die Kosten pro Anfrage lassen sich nicht aus dem Preis pro Token ableiten, sondern müssen mit Tests anhand realer Anfragen gemessen werden (warum). Welche zusätzlichen Kosten entstehen durch Datenaufbereitung, Integration, menschliche Prüfungen und den Betrieb der Infrastruktur?
  • Betrieb nach der Veröffentlichung: Wer wird den Dienst überwachen, Berichte sammeln und jeden Rückgang der Ergebnisqualität erkennen? Welche Daten, Personen und Budgets stehen zur Verfügung, um zu reagieren?

Diese Faktoren müssen gemeinsam berücksichtigt werden. Eine Lösung kann für die Arbeitslast zu langsam, zu teuer oder kapazitätsbegrenzt sein oder mit den Projektdaten unvereinbar sein. Die Arbeit geht nach der Veröffentlichung weiter: Überwachung und anschließende Eingriffe bringen Kosten und Verantwortlichkeiten, die von Anfang an geplant werden müssen.

4. Externer Dienst oder eigener Server?

  • Externer Dienst mit nutzungsabhängiger Abrechnung: Sie zahlen nach Nutzung und müssen nichts selbst betreiben, aber die Daten verlassen das Unternehmen.
  • Dedizierte Cloud-Ressourcen: mehr Kontrolle über Daten und Zugriffe, mit Fixkosten auch dann, wenn der Dienst wenig genutzt wird.
  • Server im eigenen Unternehmen: die größte Kontrolle über den Weg der Daten, um den Preis von Hardware, die angeschafft, aktualisiert und überwacht werden muss.

Kosten und Kontinuität der drei Wege

5. Trägt der Dienst, den Sie einbinden, in allen Ihren Fällen?

Man muss kein Produkt auf Basis generativer KI entwickeln, um vor diesem Problem zu stehen: Es stellt sich auch, wenn Sie einen fertigen Dienst in Ihre eigenen Anwendungen einbinden, mit oder ohne KI.

Ein externer Dienst sollte an den realen Fällen Ihres Unternehmens gemessen werden, nicht an denen der Vorführung. Ein Beispiel: Ein Dienst, der Adressen und Ortsnamen in Koordinaten umwandelt (Geokodierung), kann in Großstädten sehr genau sein und in kleineren Orten weniger. Wenn Ihre Nutzer dort sind, ist das die Qualität, die sie erhalten.

  • Welches Qualitätsniveau wollen Sie Ihren Nutzern zusichern, und für welche Fälle?
  • Sichert der Dienst, auf den Sie sich stützen, dieses Niveau in all diesen Fällen zu oder nur in den häufigsten?
  • Können Sie dort, wo er nicht ausreicht, die Lücke mit eigenen Mitteln schließen?

Lautet die Antwort auf die beiden letzten Fragen nein, gibt es ein Problem. Das muss sofort klar werden: bevor der Dienst eingebunden wird, nicht erst nach der Veröffentlichung.

Kurz gefasst: Das Projekt ist tragfähig, wenn …

  • klar ist, welcher Dienst angeboten werden soll und für wen.
  • die nötigen Daten vorhanden sind, verwendet werden dürfen und jemand sie aufbereiten und aktuell halten kann.
  • Antwortzeiten und erwartete Nutzerzahl zur gewählten Lösung passen.
  • die Gesamtkosten, einschließlich des Betriebs nach der Veröffentlichung, tragbar sind.
  • der externe Dienst, auf den Sie sich stützen, in den entscheidenden Fällen die geforderte Qualität liefert oder sich seine Lücken ausgleichen lassen.
  • es jemanden gibt, im Unternehmen oder extern, der dauerhaft für den Dienst verantwortlich ist.

Was Sie fragen sollten, wenn Ihnen jemand das Projekt vorschlägt

  • Mit welchen unserer Daten haben Sie es getestet, und mit welchen Ergebnissen?
  • Was kostet es pro Monat bei unserer Nutzerzahl, und was geschieht, wenn sie sich verdoppelt? Wie haben Sie das geschätzt: anhand von Tests mit unseren Fällen oder aus dem Preis pro Token?
  • Wo landen unsere Daten, und wer kann sie einsehen?
  • Wer greift ein, wenn die Antworten schlechter werden, und was kostet das?
  • Was geschieht, wenn der Anbieter des Modells die Preise ändert oder den Dienst einstellt?
  • In welchen Fällen arbeitet der Dienst am schlechtesten, und was geschieht dort?
  • Was ist die einfachste Version, die uns bereits einen Nutzen bringen würde?

Diese Bewertung kann ich gemeinsam mit Ihnen vornehmen, bevor Sie sich auf eine Entwicklung festlegen.

Ein Beispiel: KI-Anwendungen

Der nächste Schritt: Modellwahl, Kosten und Kontinuität

Unterstützende Quellen

Eine Auswahl primärer Quellen, die die oben genannten Kriterien unterstützen:

Inhalt zuletzt aktualisiert am

Ein KI-Projekt in Betracht ziehen?

Ausführlicher Lebenslauf und Referenzen auf Anfrage verfügbar.