Im August 2024 gab Klarnas CEO Sebastian Siemiatkowski auf einem Investorencall bekannt, dass Klarna Salesforce abgeschaltet hatte, und rund 1.200 weitere SaaS-Anbieter gleich mit. KI würde das alles besser machen. Die Tech-Presse feierte es als Statement der Zukunft.
Sechs Monate später sagte Siemiatkowski öffentlich, er sei “tremendously embarrassed” gewesen. Nicht weil die Entscheidung falsch war. Sondern weil die Ansage größer war als die Realität.
Das ist kein Klarna-Problem. Das ist das Make-or-Buy-Problem, und es betrifft jedes Unternehmen, das gerade darüber nachdenkt, eine KI-Lösung zu bauen.
Das eigentliche Problem ist nicht die Entscheidung. Es ist der Reflex.
Wenn du in einem Meeting fragst “sollen wir das kaufen oder selbst bauen?”, passiert etwas Merkwürdiges. Kaufen klingt nach Aufgeben. Nach “wir haben keine eigene Meinung”. Nach einem Unternehmen, das keinen technologischen Anspruch hat.
Bauen klingt nach Ambition. Nach Kontrolle. Nach einem Unternehmen, das die Zukunft selbst gestaltet.
Dieser emotionale Reflex ist falsch. Und er ist teuer.
Die Entscheidung zwischen Make und Buy ist keine Frage von Ambition. Sie ist eine Frage von Ressourcenallokation. Was kostet mehr: sechs Entwicklermonate für eine Eigenentwicklung, oder 500 Euro im Monat für ein Tool, das 80 Prozent der Anforderungen abdeckt? Die Antwort ist fast immer klar. Wird aber vom Reflex überstimmt.
Die vier ehrlichen Fragen
Bevor du eine Richtung einschlägst, brauchst du keine zwölf-Dimensionen-Matrix. Es reicht, diese vier Fragen ehrlich zu beantworten.
Hast du einen echten Datenvorteil? Nicht “wir haben viele Daten”. Sondern: Sind diese Daten proprietär, strukturiert und in ausreichender Menge vorhanden? Ein Onlineshop mit zehntausend Bestellungen hat keinen Datenvorteil gegenüber einem Empfehlungssystem wie Recombee oder Algolia. Eine Versicherung mit zwanzig Jahren Schadendaten und einzigartigen Bearbeitungsregeln könnte einen haben. Der Unterschied ist entscheidend.
Ist KI dein Produkt oder dein Werkzeug? Wenn du KI verkaufst, bau. Wenn du KI nutzt, um Texte zu schreiben oder Kundenanfragen zu beantworten, dann ist KI ein Werkzeug. Werkzeuge kauft man. Niemand baut seinen eigenen Hammer.
Was sind die realen Kosten? Die Lizenzkosten eines Standard-Tools stehen auf der Preisseite: 500 Euro im Monat. Die Baukosten einer eigenen Lösung verstecken sich. Zähl alles: Entwicklergehälter über Monate, GPU-Kosten, Datenpipelines, Sicherheitsaudits, Compliance. Dann addiere die Wartungskosten der nächsten drei Jahre. Studien zur KI-Projektpraxis zeigen konsistent, dass die tatsächlichen Produktionskosten die ursprünglichen Pilot-Schätzungen um ein Vielfaches übersteigen, oft das Drei- bis Vierfache.
Wer pflegt das in drei Jahren? Modelle driften. Daten verändern sich. Neue Modelle kommen auf den Markt. Eine eigene Lösung bedeutet: Du bist verantwortlich für Retraining, Datenpipelines, Modellwechsel. Standard-Tools liefern das automatisch. Das klingt banal. Über fünf Jahre ist es ein erheblicher versteckter Aufwand.
Der IKEA-Effekt in der KI-Entwicklung
Es gibt einen psychologischen Mechanismus, der hier immer wieder wirkt: Dinge, die wir selbst gebaut haben, schätzen wir höher ein als ihre objektive Qualität rechtfertigt. Das gilt für Möbel aus Flatpacks. Und für KI-Modelle.
“Das haben wir selbst entwickelt” klingt gut in Meetings. Aber es sagt nichts darüber aus, ob die Entscheidung wirtschaftlich war. Und es sagt nichts darüber aus, ob die Lösung besser ist als ein bestehendes Tool, das von einem Anbieter gepflegt wird, der sonst nichts anderes tut.
Die Erfolgsquoten sprechen für sich, und sie sprechen selten für Eigenentwicklung. Das ist kein Argument gegen Technologiekompetenz. Es ist ein Argument dafür, Kompetenz in die richtigen Dinge zu investieren.
Wann Bauen wirklich sinnvoll ist
Die Szenarien sind seltener als gedacht. Aber sie existieren.
Wenn du mit Daten arbeitest, die aus regulatorischen Gründen nicht auf externe Plattformen dürfen, etwa Gesundheitsdaten oder bestimmte Finanzdaten, kann ein eigenes Deployment auf eigener Infrastruktur notwendig sein. Open-Source-Modelle wie Llama, lokal betrieben, fallen in diese Kategorie.
Wenn KI tatsächlich dein Kernprodukt ist, du also nicht KI nutzt, sondern KI verkaufst, ist Eigenentwicklung die richtige Wahl. Dann ist das Modell das Produkt.
Und wenn du nach gründlicher Analyse einen dokumentierten, spezifischen Datenvorteil hast, den kein bestehendes Tool aufholen kann: dann bau. Aber beweise das zuerst mit einem Prototyp, bevor du ein Team daran setzt.
Zurück zu Klarna
Klarnas Geschichte ist kein Beweis, dass Eigenentwicklung immer falsch ist. Klarna hat tatsächlich sehr viel selbst gebaut, und damit Erfolg. Ihre interne KI-Assistentin Kiki beantwortet täglich 2.000 Mitarbeiteranfragen. 90 Prozent der Belegschaft nutzen KI täglich. Seit 2023 ist der Umsatz pro Mitarbeiter deutlich gestiegen.
Aber die Pressemitteilung über das Ende von Salesforce war voreilig. Siemiatkowski räumte ein, dass Klarna Salesforce nicht durch KI ersetzt hat, sondern durch andere SaaS-Anbieter, ergänzt durch KI. Die Ambition war größer als die Ansage.
Das ist die eigentliche Lektion. Nicht das Bauen war das Problem. Der Reflex war das Problem: die Annahme, dass eine dramatische “Wir bauen alles selbst”-Ankündigung schon Strategie sei.
Die pragmatische Empfehlung
Für die überwiegende Mehrheit der Unternehmen lautet die Antwort: Kauf. Konfiguriere gut. Integriere tief. Und investiere die gesparte Entwicklungszeit in dein eigentliches Kerngeschäft.
Reserviere Eigenentwicklung für die Szenarien, in denen du nach den vier Fragen oben eine klare, dokumentierte Begründung hast. Nicht für das Gefühl, dass es ambitionierter klingt, etwas selbst zu bauen.
Die klügsten Teams, die ich kenne, kaufen öfter als sie bauen. Und sie tun das ohne Entschuldigung.
Mehr zu konkreten Tools für unterschiedliche Unternehmensszenarien findest du in unserer Tool-Übersicht. Wie eine interne Wissensdatenbank mit KI als klassisches Kaufszenario konkret aussieht, zeigt der verlinkte Use Case. Wer eine Eigenentwicklung ernsthaft in Betracht zieht, findet einen strukturierten Einstieg in KI-Strategie für Unternehmen.
Du willst mehr solche Einordnungen, ohne Buzzwords, ohne Produktwerbung? Im KI-Syndikat Newsletter bekommst du alle zwei Wochen praxisnahe Analysen direkt ins Postfach.