# KI bauen, kaufen oder per Fine-Tuning anpassen: Ein Leitfaden für Gründer Source: https://normanholz.de/articles/build-buy-fine-tune-ai-framework-founders/ Language: de Last updated: 2025-05-13 Reading time: 5 Minuten Lesezeit Jede KI-Funktion hat drei Wege: kaufen, bauen oder Fine-Tuning nutzen. Wer den falschen wählt, verbrennt Geld für Komplexität, die nie nötig war. Die meisten KI-Funktionen scheitern nicht, weil das Modell zu schwach ist. Sie scheitern, weil das Team den falschen Weg gewählt hat, bevor der erste Prototyp gebaut war. Jede KI-Funktion hat drei Grundoptionen: kaufen, bauen oder Fine-Tuning nutzen. Der teure Fehler ist, diese Optionen für gleich attraktiv zu halten. Das sind sie nicht. Kaufen ist meistens der Standard. Bauen ist manchmal richtig. Fine-Tuning ist fast nie der erste Schritt. Das ist der Leitfaden, den ich mit Gründern nutze, bevor sie sechsstellige Beträge, drei Entwickler und ein halbes Jahr Roadmap in eine KI-Funktion stecken, die vielleicht mit einem langweiligen SaaS-Abo gelöst gewesen wäre. ## 1. Kaufen, wenn das Problem nicht dein schwer kopierbarer Vorteil ist Dein schwer kopierbarer Vorteil ist das, was Wettbewerber nicht leicht nachbauen können. Alles andere ist Infrastruktur. Kundensupport automatisieren? Kaufen. Meeting-Zusammenfassungen? Kaufen. Dokumente auslesen? Kaufen. Einfache Stimmungsanalyse für Support-Tickets? Kaufen. Rechnungen auslesen? Wahrscheinlich kaufen. Diese Probleme sind nicht simpel. Aber sie sind auch nicht einzigartig für dich. Ein Anbieter mit echtem Volumen, vielen Sonderfällen und Auswertungsdaten wird darin nach drei Monaten Experimenten wahrscheinlich besser sein als dein Team. Selbst wenn dein Team eine funktionierende Version bauen kann, sind das nicht die echten Kosten. Die echten Kosten sind Wartung, Monitoring, Evaluation und jemand, der nachts reagieren muss, wenn ein Lieferant sein Rechnungslayout ändert. Die echten Kosten sind dein bester Entwickler, der noch einen Sprint an einer Standardfunktion arbeitet, statt an dem Teil, der dein Unternehmen schwer kopierbar macht. Kaufen ist nicht faul. Kaufen ist Fokus. ## 2. Bau, wenn die Funktion das Produkt ist Bau, wenn die KI-Funktion nah an deinem Kernwert liegt. Meist heißt das eines von drei Dingen: - Du hast eigene Daten - Du hast einen eigenen Arbeitsablauf - Du brauchst eine Nutzererfahrung, die keinem Anbieter wichtig genug sein wird Das Alpha-Modell einer Trading-Firma kaufst du nicht auf einem SaaS-Marktplatz. Die Dokumentvergleichsmaschine eines Legal-Startups kann es wert sein, sie selbst zu besitzen, wenn sie wegen des eigenen Korpus und Review-Prozesses funktioniert. Ein medizinischer Arbeitsablauf muss vielleicht gebaut werden, weil der Wert nicht nur in der Antwort liegt. Er liegt darin, wie die Antwort entsteht, erklärt, geprüft und übergeben wird. Hier ergibt "bauen" Sinn. Aber bauen heißt nicht "wir trainieren unser eigenes Foundation-Model". Für die meisten Teams wäre das Unsinn. 2025 heißt bauen meistens: Nimm ein starkes Foundation-Model, verbinde es mit deinem Produkt, lege deine Daten darum, entwirf den Arbeitsablauf, baue die Evaluationsschicht und verantworte die Nutzererfahrung. Das Modell ist Infrastruktur. Deine Daten, dein Arbeitsablauf und dein Produkturteil sind der schwer kopierbare Vorteil. ## 3. Fine-Tuning nur, wenn knapp daneben nicht reicht Fine-Tuning ist die Option, die Gründer gern aussprechen und Teams selten brauchen. Es klingt ernst. Es klingt technisch. Es klingt nach Fortschritt. Meistens ist es zu früh. Ein Fine-Tune ist kein magisches Upgrade. Er löst keine unklaren Produktanforderungen, schlechte Daten, fehlende Suche oder undefinierte Aufgaben. Fine-Tuning erst dann, wenn all das stimmt: - Du hast hochwertige gelabelte Beispiele, meist Tausende, nicht ein paar Dutzend - Du hast Prompting sauber getestet - Du hast Retrieval getestet - Du kannst den Fehler klar messen - Die Aufgabe ist eng genug, damit ein Fine-Tune helfen kann - Du kannst ihn warten, wenn Modelle, Daten oder Anforderungen sich ändern Die meisten Teams, die glauben, sie brauchen Fine-Tuning, brauchen bessere Evaluation. Sie wissen nicht, wie gut das aktuelle System ist, wo es scheitert oder ob der Fehler vom Modell, Prompt, Retrieval, den Daten oder dem Produktfluss kommt. Fine-Tuning vor Evaluation ist teures Raten. ## 4. Nutze die langweilige Reihenfolge Starte nicht mit der komplexesten Option. Starte mit dem günstigsten Weg, der die Funktion beweisen oder widerlegen kann. Geh für jede KI-Funktion diese Reihenfolge durch: 1. Kann ein Anbieter das gut genug lösen? 2. Kann ein Foundation-Model das mit einem guten Prompt lösen? 3. Kann Retrieval die übrige Lücke schließen? 4. Kann besseres Workflow-Design den Bedarf an Modellintelligenz senken? 5. Ist der verbleibende Fehler eng, häufig und messbar? 6. Ist die Funktion wichtig genug, um mehr vom Stack selbst zu besitzen? 7. Erst dann über Fine-Tuning nachdenken. Die meisten Funktionen stoppen bei Schritt zwei oder drei. Das ist kein Scheitern. Das ist gute technische Arbeit. Die Aufgabe ist nicht, das beeindruckendste KI-System zu bauen. Die Aufgabe ist, das Geschäftsproblem mit möglichst wenig unnötiger Maschinerie zu lösen. ## 5. Vorsicht vor Gründer-Theater Der gefährliche Satz lautet: "Wir trainieren unser eigenes Modell." Das klingt in einem Pitch gut. Es klingt nach Deep Tech. Es klingt nach Verteidigbarkeit. Manchmal stimmt das. Meistens ist es ein teurer Weg, nicht zuzugeben, dass das Produktproblem noch unklar ist. Kunden interessiert nicht, dass du ein Modell per Fine-Tuning angepasst hast. Sie interessiert, ob die Funktion funktioniert, Zeit spart, Fehler reduziert, Entscheidungen verbessert oder einen nervigen Arbeitsablauf verschwinden lässt. Starte günstig. Miss ehrlich. Füge Komplexität erst hinzu, wenn der einfachere Weg wirklich gescheitert ist. Nicht weil es technischer wirkt. Nicht weil es in der Präsentation besser klingt. Sondern weil die Daten sagen, dass du musst. ## 6. Die eigentliche Entscheidungsregel Die einfache Version lautet: Kaufen, wenn das Problem verbreitet ist. Bauen, wenn der Arbeitsablauf dein Produkt ist. Fine-Tuning, wenn das Modell nah dran ist, die Lücke messbar ist und alle günstigeren Optionen an eine Grenze gestoßen sind. Alles andere ist Ego, Verwirrung oder zu frühe Optimierung. Und das ist teuer. Wenn du eine KI-Strategie planst und vor einer großen Wette einen Realitätscheck brauchst, [dafür sind Fractional-CTO-Mandate da](/).