Build, Buy, Borrow: Warum KI-Projekte nicht an der Technik, sondern an der falschen Entscheidung scheitern

Kaum ein Unternehmen kann es sich aktuell leisten, beim Thema Künstliche Intelligenz keine Haltung zu haben. In Geschäftsführung, Innovationsteams und Strategierunden ist KI längst vom Trendthema zur Erwartung geworden. Der Druck ist da, die Budgets häufig auch. Was oft fehlt, ist jedoch eine belastbare Entscheidungslogik.

Denn in der Praxis scheitern KI-Initiativen selten daran, dass die Technologie grundsätzlich ungeeignet wäre. Sie scheitern meist früher. Unternehmen diskutieren Modelle, Tools und Plattformen, obwohl die eigentliche Grundsatzfrage noch gar nicht beantwortet ist. Sie starten Pilotprojekte ohne klaren geschäftlichen Hebel. Oder sie kaufen Lösungen ein, weil der Markt laut ist, ohne zu prüfen, ob daraus langfristige Abhängigkeiten entstehen.

Die teuersten Fehler passieren deshalb nicht im Modelltraining, sondern in der strategischen Einordnung. Genau hier wird die Rolle eines externen CTOs relevant. Nicht als Ersatz für interne Teams, sondern als verbindende Instanz zwischen Business-Zielen, technischer Realität und operativer Umsetzbarkeit.

Dieser Beitrag ist ein Gastartikel von Philipp Deutscher.

Quelle: Philipp Deutscher Consulting

Die eigentliche Entscheidung kommt vor der Technologie

In vielen Unternehmen verläuft die Diskussion rund um KI erstaunlich ähnlich. Irgendwann fällt der Satz, man müsse jetzt „auch etwas mit KI machen“. Danach beginnt meist hektische Orientierung. Welche Tools sind relevant? Welche Anbieter gelten als führend? Was machen Wettbewerber? Wo lässt sich schnell ein erster Use Case zeigen?

Das Problem ist nicht die Geschwindigkeit. Das Problem ist der fehlende Rahmen. Ohne klare Entscheidungslogik wird aus Dynamik schnell Aktionismus.

Eine tragfähige KI-Strategie beginnt nicht mit einem Modell und auch nicht mit einer Plattform. Sie beginnt mit einer unternehmerischen Einordnung: Soll diese Fähigkeit im eigenen Haus aufgebaut werden, sollte sie eingekauft werden oder ist es sinnvoll, sie zunächst temporär von außen zu nutzen?

Damit sind wir bei einer der wichtigsten Unterscheidungen im KI-Kontext: Build, Buy oder Borrow.

Build, Buy oder Borrow ist keine Technikfrage, sondern eine Geschäftsentscheidung

Die Versuchung, KI sofort selbst bauen zu wollen, ist groß. Schließlich klingt Eigenentwicklung nach Kontrolle, Innovation und Differenzierung. Und in manchen Fällen ist genau das richtig. Wenn KI direkt mit der eigenen Wertschöpfung verknüpft ist, proprietäre Daten eine zentrale Rolle spielen oder ein echter Wettbewerbsvorteil nur durch eine eigene Lösung entsteht, kann Build der richtige Weg sein.

Aber genau hier liegt ein häufiger Denkfehler. Nur weil ein Thema strategisch wichtig ist, heißt das noch lange nicht, dass es intern entwickelt werden sollte. Wer selbst baut, übernimmt nicht nur die Entwicklung, sondern auch Verantwortung für Betrieb, Qualität, Weiterentwicklung, Governance, Sicherheit und Skalierung.

Auf der anderen Seite ist Buy oft deutlich sinnvoller, als viele Organisationen wahrhaben wollen. Gerade dort, wo KI keine Alleinstellung erzeugen muss, sondern Prozesse effizienter, schneller oder robuster machen soll, sind bestehende Lösungen häufig die bessere Wahl. Das gilt etwa für Support, Dokumentation, Wissensmanagement oder administrative Abläufe. Nicht jede KI-Komponente muss zum eigenen Produktkern werden.

Die dritte Option, Borrow, wird im Unternehmensalltag besonders unterschätzt. Gemeint ist die bewusste Nutzung externer Tools, Services oder Speziallösungen auf Zeit. Nicht als Dauerlösung, sondern als Lernphase. Unternehmen gewinnen dadurch Geschwindigkeit, sammeln Erfahrung und bauen intern Kompetenz auf, ohne sich sofort dauerhaft festzulegen. Gerade in frühen Phasen ist das oft der klügste Weg, weil er Erkenntnis ermöglicht, ohne vorschnell hohe strukturelle Kosten zu erzeugen.

Ein externer CTO bringt an dieser Stelle den notwendigen Abstand mit. Er bewertet nicht nach Hype oder Präferenz, sondern entlang einer einfachen Frage: Wo entsteht im konkreten Fall tatsächlich Wert und mit welchem Risiko?

Der größte Fehler: Unternehmen starten beim Tool statt bei der Fähigkeit

Ein typisches Muster in KI-Projekten ist der falsche Einstiegspunkt. Die Diskussion beginnt mit einem Toolnamen oder mit einer konkreten Technologie. Dann geht es plötzlich um Sprachmodelle, Assistenten, APIs oder Automatisierungslösungen, obwohl noch gar nicht klar ist, welche Fähigkeit im Unternehmen eigentlich gestärkt werden soll.

Sinnvoller ist der umgekehrte Weg. Also nicht zu fragen: „Wo können wir KI einsetzen?“, sondern: „In welchen Bereichen unseres Unternehmens kann KI konkret Wirkung entfalten?“

Genau diese Verschiebung macht strategisch einen enormen Unterschied. Denn erst dadurch wird sichtbar, wo Beschleunigung wirklich sinnvoll ist. Vielleicht geht es um Wissenszugriff im Support. Vielleicht um bessere Prognosen im Vertrieb. Vielleicht um Qualitätsverbesserung in datengetriebenen Entscheidungen. Vielleicht aber auch um hochsensible Felder wie HR oder Legal, in denen der Einsatz zwar technisch machbar, aber organisatorisch oder reputativ riskant wäre.

Wer diese Einordnung überspringt, landet fast zwangsläufig bei KI als Symbolprojekt. Wer sie sauber macht, schafft die Grundlage für belastbare Prioritäten.

Zwischen Quick Win und Millionen-Rollout liegt mehr als nur Budget

Ein weiterer Grund, warum KI-Initiativen entgleisen, ist die fehlende Unterscheidung zwischen Experiment und Investition. Viele Organisationen behandeln beides gleich. Ein kleiner Pilot wird intern schon so diskutiert, als stünde der große Rollout bevor. Oder umgekehrt: Eine groß angelegte Einführung wird fast so leichtfertig beschlossen wie ein Testlauf.

Dabei gelten für beides unterschiedliche Spielregeln.

Ein Pilotprojekt darf scheitern, solange es gezielt Wissen erzeugt. Ein überschaubarer Test für einen klar umrissenen Anwendungsfall ist kein Problem, wenn am Ende sichtbar wird, was funktioniert und was nicht. Kritisch wird es dann, wenn aus einem Pilot ohne harte Bewertungskriterien schleichend ein Dauerzustand wird. Dann entstehen Zombie-Projekte: sichtbar aktiv, aber ohne echten Nutzen, ohne klare Verantwortung und ohne saubere Entscheidung über Fortführung oder Abbruch.

Gerade bei größeren KI-Vorhaben braucht es deshalb mehr Disziplin. Es braucht eine gestufte ROI-Logik. Kleine Initiativen müssen nachweisen, dass sie reale Wirkung erzeugen. Größere Investitionen brauchen klare Stop-Signale, falls Annahmen sich nicht bestätigen. Und Risiken wie Bias, Sicherheitslücken, Qualitätsabfall oder Modellverhalten im realen Betrieb dürfen nicht erst diskutiert werden, wenn das System bereits live ist.

Ein externer CTO bringt diese Logik oft konsequenter ein als interne Strukturen, die bereits unter Entscheidungsdruck stehen. Das bremst Innovation nicht. Es macht sie belastbar.

Vendor-Lock-in wird oft viel zu spät verstanden

Ein Problem, das in der Euphorie vieler KI-Projekte gerne verdrängt wird, ist die Frage nach der Abhängigkeit. Solange ein Tool beeindruckt und ein Prototyp funktioniert, wirkt das Thema zweitrangig. Doch genau hier werden oft die Weichen falsch gestellt.

Wer KI zu eng an einen einzelnen Anbieter koppelt, verliert mit der Zeit Handlungsfreiheit. Das kann durch proprietäre Schnittstellen passieren, durch schwer portierbare Datenflüsse oder durch tiefe Abhängigkeit von bestimmten Plattformlogiken. Anfangs scheint das effizient. Später wird es teuer.

Denn Märkte verändern sich. Anbieter ändern Preise, Verfügbarkeiten oder Bedingungen. Technologische Standards verschieben sich. Was heute als logischer Stack erscheint, kann in 18 Monaten ein strategischer Klotz am Bein sein.

Deshalb sollte Lock-in-Resistenz von Anfang an Teil der Architektur sein. Dazu gehören saubere API-Schichten, nachvollziehbare Datenhaltung, alternative Modellpfade und die bewusste Trennung zwischen eigener Wertschöpfung und extern bezogener Leistung.

KI skaliert nur dann, wenn Verantwortlichkeiten klar sind

Ein besonders hartnäckiger Irrtum lautet, dass gute Technologie sich intern schon irgendwie durchsetzen werde. In der Realität passiert meist das Gegenteil. Ohne klares Operating Model bleibt KI ein Nebensystem, das Aufmerksamkeit erzeugt, aber keinen stabilen Geschäftswert liefert.

Sobald KI in Prozesse eingreift, braucht es Verantwortlichkeiten. Jemand muss Geschäftsziele in sinnvolle Use Cases übersetzen. Jemand muss Datenqualität, Nachvollziehbarkeit und Compliance im Blick behalten. Jemand muss dafür sorgen, dass Lösungen im Betrieb nicht nur starten, sondern auch stabil laufen, überwacht werden und skalieren können.

Genau daran hapert es in vielen Unternehmen. Die Technologie wird angeschafft, aber das Betriebsmodell bleibt diffus. Dann ist zwar theoretisch eine Lösung vorhanden, praktisch fehlt aber die organisatorische Form, in der sie wirken kann.

Ein externer CTO kann hier in kurzer Zeit Struktur schaffen, weil er nicht nur über Systeme spricht, sondern über Verantwortung, Entscheidungswege und Betriebsfähigkeit.

Fazit

Künstliche Intelligenz ist für Unternehmen heute kein optionales Zukunftsthema mehr. Aber genau deshalb wird es immer gefährlicher, sie unstrukturiert anzugehen. Die teuersten Fehler entstehen nicht dadurch, dass ein Modell zu wenig kann. Sie entstehen dadurch, dass Unternehmen die falsche Integrationsentscheidung treffen.

Die eigentliche Führungsfrage lautet daher nicht: Welche KI nutzen wir? Sie lautet: Was sollten wir selbst aufbauen, was sollten wir einkaufen und was sollten wir zunächst bewusst nur nutzen, um schneller zu lernen?

Wer diese Frage sauber beantwortet, reduziert Risiko, erhöht die Wirksamkeit und schafft aus KI keine kurzfristige Inszenierung, sondern einen belastbaren Hebel für das Unternehmen. Genau dabei kann ein externer CTO den Unterschied machen: als neutraler Sparringspartner, als strategischer Architekt und als Verbindung zwischen technischer Möglichkeit und unternehmerischer Realität.

Über den Autor

Philipp Deutscher begleitet Unternehmen an der Schnittstelle von Technologie, Führung und Umsetzung. Als erfahrener CTO unterstützt er Organisationen in Übergangsphasen, bei strategischen Technologieentscheidungen und beim Aufbau belastbarer Strukturen, etwa als externer, Interim oder Fractional CTO. Darüber hinaus unterstützt er mit CTO Coaching Führungskräfte und angehende Tech Leader dabei, ihre Rolle wirksam auszufüllen, bessere Entscheidungen zu treffen und technische Exzellenz mit unternehmerischer Verantwortung zu verbinden. Sein Fokus liegt nicht auf Technologie um ihrer selbst willen, sondern darauf, aus technischer Komplexität Klarheit, Richtung und echte Wirksamkeit zu machen.