Build vs. Buy

Der Mittelstand in der Strategielücke

Drei Druckfaktoren treiben den deutschen Mittelstand 2026 in die KI-Entscheidung: Fachkräftemangel, steigende Prozesskomplexität und die EU-AI-Act-Regulierung [13]. Das Jahr markiert den Übergang von der Experimentierphase zur operativen Umsetzung [13]. Doch die Datenlage zeigt, wie unvorbereitet viele Unternehmen in diesen Übergang gehen.

Die FZI-Studie (517 Entscheidungsträger aus Unternehmen mit 20 bis 500 Beschäftigten) zeichnet ein ernüchterndes Bild: 40 % setzen bereits KI ein, aber nur 21 % verfügen über eine KI-Strategie [8]. 64 % der KI-nutzenden Unternehmen arbeiten ohne formale Strategie [8]. Bei LLMs erlauben 73 % der Unternehmen die Nutzung, 48 % sogar uneingeschränkt mit frei verfügbaren Modellen [8]. Die größeren Mittelständler mit 250 bis 500 Mitarbeitern setzen bei 49 % KI-Nutzung und 35 % eigenen Modellen stärker auf Eigenentwicklung [8]. Vertrieb und Marketing führen als Einsatzbereich mit 15 % intensiver Nutzung [8].

Die Cognizant-Studie (600 KI-Entscheidungsträger, März 2026) bestätigt das Bild auf Enterprise-Ebene. Compliance (33 %), ROI-Nachweis (31 %), Talentmangel (27 %) und Datenqualität (27 %) sind die häufigsten Barrieren [7]. "Generic, off-the-shelf AI solutions" werden als Hauptgrund für die Ablehnung von KI-Anbietern genannt [7]. Auch die höchste erwartete Vollautomation liegt bei lediglich 20 % im Vertriebsbereich, während Kundenservice zwar zu 76 % KI-dominant arbeitet, aber nur zu 9 % vollständig automatisiert ist [7]. 84 % der Unternehmen unterhalten formale KI-Budgets, 52 % investieren bereits über 10 Millionen USD jährlich, 91 % erwarten Budgetwachstum in den nächsten zwei Jahren [7]. Das Geld fließt. Es fließt nur häufig ohne strategische Leitplanken.

Der EU AI Act verschärft die Lage. High-Risk-Pflichten greifen breit ab August 2026 [13]. Bei Verstößen drohen Strafen von bis zu 35 Millionen EUR oder 7 % des globalen Umsatzes [6]. Für den Mittelstand existieren Erleichterungen: vereinfachte Dokumentation und Zugang zu Regulatory Sandboxes [13]. Doch wer bereits ohne Strategie arbeitet, wird die Regulierung kaum als Strukturierungschance nutzen, wie es Experten empfehlen [13]. Die Regulierung kann als Argument für beide Seiten dienen: Buy für Compliance-Sicherheit durch erfahrene Anbieter, Build für volle Kontrolle über Datenverarbeitung und Dokumentation [13]. Ohne strategischen Rahmen bleibt sie jedoch vor allem eines: ein zusätzlicher Kostenfaktor.

Was tatsächlich funktioniert

Die konsistenteste Erkenntnis über alle 16 ausgewerteten Quellen: Die Antwort ist weder Build noch Buy. Sie folgt einer klaren Logik entlang von drei Prüfsteinen.

Erstens: Differenzierungspotenzial. "Kaufen Sie Standard-Funktionen, bauen Sie nur dort, wo Daten und Prozess Ihr Differenzierungshebel sind" [13]. IBM, Bain und Product School bestätigen diese Heuristik unabhängig voneinander [2, 5, 14]. Die Fähigkeit definiert den Wettbewerbsvorteil? Dann bauen. Die Fähigkeit ist austauschbar? Dann kaufen. Unsicher? Mit Buy starten, mit Daten lernen, bei Bedarf zu Build eskalieren. Typische Buy-Szenarien im Mittelstand: HR, Dokumentenmanagement, Ticketing, CRM-Assistenz. Typische Build-Szenarien: proprietäre Qualitätsprüfung, Prozessoptimierung am eigenen Produkt [13]. Das appliedAI-Whitepaper, entwickelt mit Beteiligung von BMW, Rohde & Schwarz und BayWa, formuliert es grundsätzlich: "Das Feld der KI entwickelt sich so schnell, dass kaum ein Unternehmen alle Themen selbst bearbeiten kann oder sollte" [15]. Auch Clustox empfiehlt eine Phased Validation vor großen Investitionen: Erst den Use Case mit einem Minimum Viable Agent validieren, dann iterativ skalieren [12]. Wer direkt mit einer 500.000-USD-Investition startet, baut mit hoher Wahrscheinlichkeit das Falsche.

Zweitens: Orchestrierungsebene. Bain identifiziert die Agent-Orchestrierung als architektonisches Herzstück der kommenden Jahre [5]. Product School ergänzt: Die Kontrolle über die Orchestrierungsebene ist oft kritischer als das Eigentum an einzelnen Agents [14]. 96 % der Unternehmen planen eine Ausweitung ihrer KI-Agent-Nutzung in den nächsten 12 Monaten [12]. Emerging Standards wie MCP (Model Context Protocol) und A2A (Agent-to-Agent) sollen die Kommunikation zwischen Agents standardisieren, haben aber noch keine Marktdominanz erreicht [2, 5]. Bain formuliert es pointiert: "Der erste semantische Layer, der einen branchenweiten Standard schafft, wird das AI-Ökosystem umgestalten" [5]. Die Orchestrierungsebene wird zum neuen Lock-in-Risiko: Wer heute die semantische Schicht kontrolliert, kontrolliert morgen das Ökosystem [5].

Drittens: Organisation vor Technologie. Wer mit einem konkreten 100-Tage-Plan startet, hat bessere Erfolgschancen als jedes Unternehmen, das mit der Technologiewahl beginnt [13]. Die bewährte Staffelung: Diagnose in den ersten 30 Tagen, Use-Case-Auswahl und Pilot in den Tagen 31 bis 60, Implementierung mit ROI-Messung bis Tag 100 [13]. Quick Wins existieren auch für den Mittelstand: Rechnungsprüfung, Angebotszusammenstellung, Support-Antwortentwürfe, Fehlercode-Erklärungen [13]. Der Hybrid-Standard in der Praxis: ein Foundation Model als Basis, unternehmenseigene Daten über RAG angebunden, Standardprozesse via SaaS abgedeckt [13]. Entscheidend ist dabei, wie Oliver Breucker es formuliert: "Das richtige Tempo ist nicht schnell, sondern nachhaltig operabel" [13].

Die unbequeme Wahrheit

Der SaaS-Markt steht unter realem Druck. Das Umsatzwachstum fiel von 21 % auf 12 % und erreichte in Q1 2025 sogar minus 2 % [11]. Der iShares Expanded Tech-Software Sector ETF verlor über 20 % an Wert [4]. AI-native Anwendungen wachsen deutlich schneller: ChatGPT verdoppelte seine Nutzerbasis in sechs Monaten auf 400 Millionen, Midjourney verzeichnet 17,4 % Nutzerwachstum, Canva legt 10 % bei aktiven Nutzern zu [10]. Doch SaaS verschwindet nicht. Systems of Record bleiben als Basis bestehen [4, 5]. Bain identifiziert konkrete Szenarien, in denen SaaS resilient bleibt: regulierte Branchen mit hoher Domänenexpertise, Bereiche mit tiefer Datenintegration und Workflows, in denen KI das bestehende Tool verstärkt statt ersetzt [5]. Vulnerable sind hingegen Anbieter generischer, leicht replizierbarer Lösungen ohne proprietäre Datenvorteile [10]. Die Zukunft ist nicht "kein SaaS", sondern SaaS mit radikal veränderten Preismodellen: weg von Seat-Based, hin zu Outcome-Based Pricing [5]. Die ambitionierten Bewertungsmultiples der SaaS-Branche, basierend auf dauerhaft hohen Wachstumsraten, müssen neu kalibriert werden [10].

Die eigentliche Gefahr liegt nicht in der falschen Technologiewahl. Sie liegt darin, die Entscheidung als Technologiefrage zu behandeln. 68 % der gescheiterten KI-Initiativen scheitern an Menschen und Prozessen [1]. Nicht an Algorithmen, nicht an Infrastruktur, nicht an der Wahl zwischen Build und Buy. Gartner prognostiziert, dass 70 % der Enterprise-KI-Workloads bis 2026 auf hybriden Architekturen laufen werden [1]. Der Weg dorthin führt nicht über die perfekte Technologieentscheidung, sondern über drei Fragen: Wo liegt der tatsächliche Wettbewerbsvorteil? Welche Kombination aus Kauf, Anpassung und Eigenbau passt zur eigenen Organisationsreife? Und hat das Unternehmen die Strategie, die Menschen und die Prozesse, um die gewählte Kombination auch tatsächlich umzusetzen?

Quellenverzeichnis

[1] Zartis Team (2025). "The Build vs. Buy Dilemma in AI: A Strategic Framework for 2025". *Zartis*. https://www.zartis.com/the-build-vs-buy-dilemma-in-ai-a-strategic-framework-for-2025

[2] Brans, Pat (2025). "Your Next Big AI Decision Isn't Build vs. Buy — It's How to Combine the Two". *CIO.com*. https://www.cio.com/article/4097339/your-next-big-ai-decision-isnt-build-vs-buy-its-how-to-combine-the-two.html

[3] Margus (2025). "KI-Coding vs. SaaS — der Anfang vom Ende großer Softwarehäuser?". *SaaS-Welt.de*. https://www.saas-welt.de/artikel/ki-coding-vs-saas-zukunft

[4] Eriksson, Viktor (2026). "KI könnte jede zweite Business-Software ersetzen". *Computerwoche*. https://www.computerwoche.de/article/4134493/ki-konnte-jede-zweite-business-software-ersetzen.html

[5] Crawford, David; McLaughlin, Chris; Doddapaneni, Purna; Fiore, Greg (2025). "Will Agentic AI Disrupt SaaS?". *Bain & Company Technology Report 2025*. https://www.bain.com/insights/will-agentic-ai-disrupt-saas-technology-report-2025/

[6] Rafalski, Kacper (2025). "Build vs Buy AI: Which Choice Saves You Money in 2025?". *Netguru*. https://www.netguru.com/blog/build-vs-buy-ai

[7] Cognizant (2026). "Cognizant Research Shows Plug-and-Play AI is a Myth". *Cognizant Newsroom*. https://news.cognizant.com/2026-03-10-Cognizant-Research-Shows-Plug-and-Play-AI-is-a-Myth

[8] Haes, Johanna (2025). "KI-Einsatz im deutschen Mittelstand — dynamisch, aber oft ohne Strategie". *FZI Forschungszentrum Informatik / Hochschule Karlsruhe*. https://www.fzi.de/2025/10/06/ki-einsatz-im-deutschen-mittelstand/

[9] Sarazin, Denise (2026). "Build vs Buy Software — How AI-enabled Software Development and Vibe Coding are Changing the Game". *AppDirect*. https://www.appdirect.com/blog/build-vs-buy-software-how-ai-enabled-software-development-and-vibe-coding-are-changing-the-game

[10] Glasek, Nicolas (2025). "Wie KI die Geschäftsmodelle der Software-Giganten angreift". *DAS INVESTMENT*. https://www.dasinvestment.com/endet-das-goldene-zeitalter-der-software-giganten/

[11] Wolfenstein, Konrad (2026). "Managed AI and the End of SaaS — Why Companies Are Now Building Their Own Software Again". *Xpert.Digital*. https://xpert.digital/en/the-end-of-saas/

[12] Farooq, Maryam; Aslam, Omer (2026). "Build vs. Buy: Should You Use AI SaaS Tools or Build Custom AI Agents? (2026 Guide)". *Clustox*. https://www.clustox.com/blog/build-vs-buy-ai-tools/

[13] Breucker, Oliver (2026). "KI-Strategie im Mittelstand 2026". *Roover*. https://roover.de/ki-strategie-fuer-den-mittelstand-2026/

[14] Gonzalez de Villaumbrosia, Carlos (2026). "Build vs Buy: Making Smarter Software Decisions in 2026". *Product School*. https://productschool.com/blog/leadership/build-vs-buy

[15] Liebl, Andreas; Hartmann, Philipp; Schamberger, Maria (2021, aktualisiert 2026). "Enterprise Guide for Make-or-Buy Decisions". *appliedAI Initiative / UnternehmerTUM*. https://www.appliedai.de/en/insights/make-or-buy-decisions/

[16] Bosankic, Leopold (2024, aktualisiert 2026). "Make or Buy Entscheidung: Wann Software selbst bauen und wann kaufen?". *Researchly*. https://www.researchly.at/post/make-or-buy-entscheidung-software