Versteckte Kosten in KI-Projekten.

Budgetüberschreitungen bei KI-Projekten haben selten exotische Ursachen. Es sind fast immer die gleichen acht oder zehn Kostenpositionen, die nicht im ursprünglichen Angebot stehen, im ersten Quartal noch nicht auffallen und im dritten Quartal plötzlich die Hälfte des verbleibenden Budgets verbrauchen. Anbieter benennen sie nicht, weil sie das Projekt verkaufen wollen. Einkaufsabteilungen suchen sie nicht, weil sie nicht in der Vorlage stehen. Geschäftsführer entdecken sie erst, wenn das Budget bereits gekippt ist. Dabei sind diese Kosten nicht versteckt im Sinne von verborgen, sondern im Sinne von unterschätzt — sie folgen einer Logik, die sich vorhersehen lässt, wenn man sie kennt. Dieser Artikel benennt die acht häufigsten Posten, ordnet ihre Größenordnungen ein und zeigt, wie sie sich in der Planungsphase berücksichtigen lassen, sodass das Projekt nicht in der Mitte aus dem Ruder läuft.

Warum versteckte Kosten kein Anbieter-Problem sind.

Es liegt nahe, die Schuld an Budgetüberschreitungen beim Anbieter zu suchen, der bestimmte Positionen „nicht erwähnt“ hat. In den meisten Fällen ist das aber zu einfach. Anbieter verkaufen ihre Leistung, nicht das Gesamtsystem. Sie sind nicht verpflichtet, alle Aufwände aufzulisten, die im Kundenunternehmen anfallen — und sie können sie auch oft nicht beziffern, weil sie das interne Setup gar nicht kennen.

Die eigentliche Verantwortung liegt beim Kunden, präziser: bei der Person, die das Budget aufsetzt. Wer ein KI-Projekt einplant, muss die internen Aufwände selbst antizipieren — von der Datenaufbereitung über den Change-Management-Aufwand bis zur Qualitätskontrolle. Diese Positionen tauchen in keinem Anbieterangebot auf, weil sie intern erbracht werden.

Eine gute Faustregel: Für jeden Euro, der an externe Anbieter fließt, fallen 0,8 bis 1,5 Euro interner Aufwand an. Bei einem Lizenz- und Implementierungsbudget von 100.000 Euro entsteht also ein internes Volumen von 80.000 bis 150.000 Euro, das in Personalkapazität, Schulungszeit und Anpassungsaufwand gebunden ist. Wer diese Spiegelung nicht im Kopf hat, plant systematisch zu knapp.

Die acht häufigsten versteckten Kostenposten.

Über die Beratungspraxis hinweg wiederholen sich die gleichen Muster. Acht Positionen sind dabei die regelmäßigen Verdächtigen — sie tauchen in fast jedem mittelständischen KI-Projekt auf, in unterschiedlicher Größe.

1. Datenaufbereitung: 20 bis 40 Prozent des Projekts, häufig unterschätzt
2. Interner Projektaufwand: 0,3 bis 1 Vollzeit-Äquivalent über die Projektdauer
3. Change Management und Akzeptanz: 5 bis 15 Prozent des Projekts
4. Schulung Mitarbeitende: 4 bis 8 Stunden pro Person plus Lernkurvenkosten
5. Qualitätskontrolle und Stichproben: 5 bis 15 Prozent der bearbeiteten Vorgänge dauerhaft
6. Modellwartung und Drift-Behebung: 0,2 bis 0,8 Vollzeit-Äquivalente pro produktivem System
7. Compliance, Dokumentation, Datenschutz: 5.000 bis 25.000 Euro einmalig, 2.000 bis 8.000 Euro jährlich
8. Anpassungen und Erweiterungen im laufenden Betrieb: 10 bis 25 Prozent der jährlichen Betriebskosten

Die Liste ist nicht vollständig, deckt aber die häufigsten Brocken ab. Die meisten dieser Positionen sind nicht spektakulär — keine kostet allein das Projekt aus dem Budget. Aber sie summieren sich, und wenn keine davon im ursprünglichen Plan steht, addieren sie sich zu einer Überschreitung von 40 bis 80 Prozent.

Datenaufbereitung — der größte versteckte Posten.

Wenn ein KI-Projekt aus dem Ruder läuft, ist es in den meisten Fällen die Datenaufbereitung. Im Pilot funktionieren die Daten, weil sie sorgfältig ausgewählt wurden. Im Produktivbetrieb begegnen dem System Daten, die niemand vorher in dieser Form gesehen hat — alte Formate, inkonsistente Schreibweisen, fehlende Felder, widersprüchliche Einträge.

Konkretes Muster: Ein Mittelständler will Servicetickets mit KI klassifizieren. Im Pilot mit 500 ausgewählten Tickets erreicht das System 92 Prozent Genauigkeit. Beim Roll-out auf das Vollarchiv mit 75.000 Tickets fällt die Genauigkeit auf 68 Prozent — weil ältere Tickets andere Strukturen, andere Kategorisierungen, andere Tonalitäten haben. Nachbesserung: drei Monate Datenbereinigung, eine Vollzeitstelle. Diese Kosten standen in keinem Angebot.

Vermeidbar ist dieser Effekt durch zwei Maßnahmen. Erstens: Pilot mit realistischer Datenmenge — nicht nur mit den schönsten Beispielen. Zweitens: ein expliziter Datenaufbereitungspuffer im Budget, mindestens 20 Prozent der direkten Implementierungskosten. Wer beides nicht macht, sieht die Datenaufbereitung als Überraschung im fünften Monat — und das ist die häufigste Ursache von Budgetkrisen.

Der interne Aufwand, den niemand zählt.

KI-Projekte verlangen interne Kapazität: einen Projektverantwortlichen, Fachexperten, IT-Support, Datenschutzbeauftragte, Betriebsrat, Kommunikation in die Belegschaft. Diese Stunden tauchen in keinem Buchungssystem als Projektkosten auf — aber sie sind real, sie werden bezahlt, und sie blockieren Kapazität für andere Aufgaben.

In einem typischen mittelständischen KI-Projekt summiert sich der interne Aufwand auf 0,3 bis 1 Vollzeit-Äquivalent über die ersten zwölf Monate. Bei einem Vollkostensatz von 80.000 bis 120.000 Euro pro Vollzeit-Äquivalent entstehen interne Kosten zwischen 24.000 und 120.000 Euro — Kosten, die im externen Angebot nicht auftauchen, aber das Unternehmen real belasten.

Die Gegenfrage ist nicht „Wie verhindere ich diesen Aufwand?“, sondern „Wie plane ich ihn realistisch ein?“. In der Praxis hilft es, einen klaren Projektleiter zu benennen, dessen Stundenkontingent vorab geblockt wird — typischerweise 20 bis 40 Prozent seiner Kapazität für die Dauer des Projekts. Wenn diese Person daneben das Tagesgeschäft führen soll, läuft beides schlecht.

Change Management — die unterschätzte Akzeptanzfrage.

Eine technisch funktionierende KI-Lösung scheitert häufig an der Akzeptanz der Mitarbeitenden. Wer das ignoriert, hat ein System, das niemand nutzt — und damit ein Projekt, dessen TCO sich nicht amortisiert. Change Management ist deshalb kein soft skill, sondern eine harte Kostenposition.

Konkret fallen drei Aufwände an: Erstens die initiale Kommunikation und Beteiligung — Workshops, Informationsveranstaltungen, Einbindung von Mitarbeitervertretungen. Zweitens die fortlaufende Begleitung in den ersten sechs Monaten — Feedback-Sessions, Anpassungen, Pilotnutzer-Betreuung. Drittens die langfristige Verankerung — Erfolgsgeschichten, Mikroschulungen, Anerkennung von Power-Usern.

In Summe entspricht das einem Aufwand von 5 bis 15 Prozent der Projektkosten — verteilt auf interne Kapazitäten und teils externe Begleitung. Wer hier spart, spart am falschen Ende. Eine Studie aus der Beratungspraxis: Projekte mit professionellem Change Management erreichen ihre Effizienzziele im Schnitt zu 75 Prozent. Projekte ohne kommen auf 35 Prozent. Der Aufwand für Change Management rentiert sich damit zigfach.

Qualitätssicherung im laufenden Betrieb.

Eine KI-Lösung, die einmal läuft, läuft nicht für immer in gleicher Qualität. Modelle driften: Eingabedaten ändern sich, Kunden formulieren neu, Geschäftsfälle entstehen, an die niemand gedacht hat. Ohne aktive Qualitätssicherung sinkt die Leistung über die Zeit — und mit ihr die Akzeptanz.

Konkret bedeutet das: 5 bis 15 Prozent der bearbeiteten Vorgänge werden manuell überprüft, um die KI-Qualität zu messen. Bei 30.000 Vorgängen pro Jahr sind das 1.500 bis 4.500 manuelle Prüfungen — entsprechend einer halben bis ganzen Vollzeitstelle. Diese Stelle ist nicht „Datenwissenschaft“, sondern Sachbearbeitung mit dem zusätzlichen Mandat, KI-Ausgaben zu beurteilen.

Hinzu kommen punktuelle Anpassungen: Wenn die Qualität sinkt, muss das Modell nachtrainiert werden. Wenn neue Geschäftsfälle entstehen, müssen Regeln ergänzt werden. Wenn ein Mitarbeiter eine bessere Vorlage entwickelt, sollte sie ins System einfließen. Diese kontinuierliche Pflege kostet 0,2 bis 0,5 Vollzeit-Äquivalente pro produktivem System — und sie ist kein optionaler Posten, sondern Voraussetzung für dauerhafte Wirkung.

Drei Beispiele aus der Praxis.

Drei kurze Skizzen, anonymisiert, aber realistisch für mittelständische Verhältnisse — sie zeigen, wo die versteckten Kosten konkret zugeschlagen haben.

Mittelständischer Handelskonzern, 380 Mitarbeitende: Einführung eines KI-gestützten Kundenservice-Systems. Lizenz und Implementierung 120.000 Euro laut Angebot. Realer Aufwand nach zwölf Monaten 280.000 Euro. Die Differenz verteilte sich auf Datenaufbereitung (45.000 Euro), interne Projektkapazität (50.000 Euro), Change Management (25.000 Euro), Qualitätssicherung über zwölf Monate (40.000 Euro).

Maschinenbauer, 145 Mitarbeitende: Predictive-Maintenance-Pilot. Geplant 90.000 Euro, real 175.000 Euro. Hauptursachen: Sensorik-Nachrüstung in zwei älteren Anlagen (35.000 Euro), Datenkonsolidierung über drei Steuerungssysteme (28.000 Euro), Schulung der Instandhaltungsmannschaft (22.000 Euro).

Dienstleistungsunternehmen, 95 Mitarbeitende: Office-Copilot-Roll-out für 60 Nutzer. Geplant 35.000 Euro Lizenz und Implementierung pro Jahr. Real 78.000 Euro nach zwölf Monaten — wegen verlängerter Einarbeitungsphase, zusätzlicher Workshops, einer halben internen Stelle für Power-User-Support. Trotzdem amortisiert: Die Effizienzgewinne lagen am Jahresende bei rund 130.000 Euro, vor allem in der Angebotserstellung.

Wie sich versteckte Kosten in die Planung holen lassen.

Versteckte Kosten lassen sich nicht eliminieren — aber sie lassen sich planen. Drei Disziplinen, die in der Praxis spürbar helfen.

Erstens: Eine eigene Budgetposition „interne Aufwände“. Statt diese im Excel der externen Kosten zu vergessen, wird sie explizit ausgewiesen — mit Stundenkontingenten pro Rolle, hinterlegten Vollkostensätzen und einer Quartalsfortschreibung. Allein diese Sichtbarkeit verhindert die häufigste Form versteckter Kosten.

Zweitens: Ein expliziter Risiko-Puffer von 20 bis 30 Prozent auf alle externen Kosten. Wer mit 100.000 Euro extern plant, kalkuliert intern mit 130.000 Euro. Dieser Puffer ist kein Verschwendungsbeleg, sondern eine ehrliche Anerkennung, dass jedes komplexe Projekt streut. Wenn er nicht gebraucht wird, fließt er zurück. Wenn er gebraucht wird, gibt es keine Krise.

Drittens: Quartalsweise Soll-Ist-Vergleiche. Nach drei Monaten wird geprüft, welche Posten über- und unterplant waren — und die Prognose für das Restjahr angepasst. Wer einmal pro Jahr aufs Budget schaut, sieht die Probleme zu spät. Wer einmal pro Quartal hinschaut, kann gegensteuern, bevor sie das Budget kippen.

Sie wollen die versteckten Kostenposten in Ihrem KI-Projekt von Anfang an sichtbar machen? Unverbindlich anfragen — wir gehen gemeinsam die typischen acht Posten durch und bauen einen Budgetplan, der auch im dritten Quartal noch trägt.