OpenAI API + LangChain + eigene Orchestrierung — oder eine fertige Plattform? Die ehrliche Kostenrechnung für beide Wege.
Die Versuchung des "Build"
Es klingt verlockend: OpenAI API anbinden, ein bisschen LangChain drumherum, Prompts tunen — fertig ist die eigene AI-Development-Pipeline. Warum für eine Plattform zahlen, wenn man es selbst bauen kann?
Die Antwort: Weil "selbst bauen" immer teurer wird, als es anfangs aussieht.
Was du wirklich bauen musst
Das sichtbare 20 %
- API-Integration mit einem AI-Modell
- Prompt-Templates für verschiedene Aufgaben
- Basis-Orchestrierung: Input rein, Output raus
Das dauert 2–4 Wochen mit einem erfahrenen Entwickler. Machbar.
Die unsichtbaren 80 %
Context Management:
Wie bekommt die AI den richtigen Kontext? Nicht nur die aktuelle Datei, sondern die relevanten Module, Architektur-Entscheidungen, Test-Patterns, Abhängigkeiten.
Multi-File-Änderungen:
Echte Features betreffen oft 5–20 Dateien. Wie stellt dein System sicher, dass alle Änderungen konsistent sind?
Error Recovery:
Was passiert, wenn die AI Fehler macht? Wie erkennt dein System das? Wie iteriert es?
Quality Gates:
Automatisierte Checks: Kompiliert der Code? Laufen die Tests? Sind Security-Standards eingehalten?
Feedback-Loops:
Wie lernt das System aus den Code Reviews deines Teams?
Modell-Management:
Welches Modell für welche Aufgabe? Fallback bei Ausfällen? Rate-Limiting?
Monitoring und Observability:
Wie viel kostet jeder Request? Wo sind die Bottlenecks? Wie ist die Qualität über Zeit?
Die ehrliche Kostenrechnung
Build: Eigene Pipeline
| Posten | Kosten (12 Monate) |
|---|---|
| Entwicklung (2 Senior-Devs, 3 Monate) | 60.000–90.000 Euro |
| Wartung und Weiterentwicklung (ongoing) | 40.000–60.000 Euro/Jahr |
| API-Kosten (Modelle) | 12.000–36.000 Euro/Jahr |
| Infrastruktur | 6.000–12.000 Euro/Jahr |
| Opportunitätskosten (Devs bauen nicht am Produkt) | Unbezahlbar |
| Gesamt Jahr 1 | 118.000–198.000 Euro |
Buy: AI-Development-Plattform
| Posten | Kosten (12 Monate) |
|---|---|
| Plattform-Lizenz | 6.000–36.000 Euro/Jahr |
| Einrichtung und Onboarding | 0–5.000 Euro |
| API-Kosten | Inkludiert |
| Gesamt Jahr 1 | 6.000–41.000 Euro |
Der Preisunterschied ist offensichtlich. Aber es geht nicht nur ums Geld.
Die versteckten Kosten von "Build"
Maintenance-Burden
Jedes AI-Modell-Update kann deine Pipeline brechen. Jede API-Änderung erfordert Anpassung. Das wird nicht weniger über Zeit — es wird mehr.
Opportunity Cost
Deine besten Entwickler bauen Infrastructure statt Features. In der kritischsten Wachstumsphase.
Expertise-Risiko
Was passiert, wenn der Entwickler, der die Pipeline gebaut hat, kündigt? Wer debuggt ein System, das nur eine Person versteht?
Feature-Gap
Plattform-Anbieter haben 10–50 Entwickler, die Vollzeit an der Plattform arbeiten. Dein Einzelkämpfer kann da nicht mithalten.
Wann "Build" trotzdem Sinn macht
Es gibt Szenarien, in denen eine eigene Pipeline die richtige Wahl ist:
1. Extrem spezialisierte Domäne
Medizinische Zertifizierung, Luft- und Raumfahrt, militärische Anwendungen — wenn kein Standard-Tool die Compliance-Anforderungen erfüllt.
2. Riesige Skaleneffekte
Wenn du 500+ Entwickler hast und die Plattform-Kosten jede Build-Investition überschreiten.
3. Kern-Differenzierung
Wenn AI-Development dein Produkt ist, nicht dein Tool.
Für 98 % der Teams trifft keiner dieser Fälle zu.
Die pragmatische Empfehlung
- 1.Starte mit Buy — Nutze eine Plattform, validiere den Use Case, sammle Daten
- 2.Identifiziere Gaps — Was kann die Plattform nicht, was du brauchst?
- 3.Erweitere gezielt — Wenn nötig, baue Custom-Extensions für spezifische Needs
- 4.Re-evaluiere nach 12 Monaten — Hat sich was geändert? Rechtfertigen die Gaps eine eigene Lösung?
Build vs. Buy ist keine religiöse Frage. Es ist eine Business-Entscheidung. Und die Zahlen sprechen in den meisten Fällen eine klare Sprache.
