KI-Tools für KMU: SaaS, RAG, Agent oder eigene Anwendung?

Das beste KI-Tool für ein KMU ist selten das technisch eindrucksvollste. Es ist die kleinste Lösung, die den konkreten Prozess zuverlässig verbessert und deren Datenzugriff, Kosten und Betrieb jemand verantworten kann. Für viele Aufgaben reicht ein bestehendes SaaS-Tool. Manchmal fehlt nur eine Integration. RAG, ein KI-Agent oder eine eigene Anwendung lohnen sich erst, wenn Standardsoftware am Prozess oder an den Kontrollanforderungen scheitert.

Dieser Leitfaden vergleicht sechs Wege: kaufen, konfigurieren, mit Wissen anreichern, integrieren, einen Agenten einsetzen oder eine Anwendung nach Mass bauen.

Die Kurzentscheidung#

Beginne mit dem Problem, nicht mit dem Modell:

1. Ein bestehendes Tool löst den wesentlichen Ablauf ohne kritischen Umweg? Kaufen und sauber einführen.
2. Das Tool funktioniert, aber ERP, CRM oder Dokumente fehlen? Integrieren.
3. Die Aufgabe ist vor allem «in unseren Dokumenten suchen und mit Quellen antworten»? RAG prüfen.
4. Die Aufgabe braucht mehrere Systemschritte und Entscheidungen bei unstrukturierten Eingaben? Einen schmalen Agenten pilotieren.
5. Ablauf, Oberfläche oder Governance sind wirklich unternehmensspezifisch? Eine eigene Anwendung erwägen.
6. Nutzen, Verantwortlicher oder Datenqualität sind unklar? Noch nicht bauen.

«Custom» ist damit keine Auszeichnung. Es ist die teuerste Option und muss sich durch einen besseren Prozess oder notwendige Kontrolle rechtfertigen.

Die Build-Buy-Integrate-Matrix#

Die Optionen schliessen einander nicht aus. Eine eigene Anwendung kann ein gekauftes Modell nutzen. Ein Agent kann über MCP auf eine vorhandene Integration zugreifen. Eine RAG-Suche kann Teil eines Assistenten sein, ohne dass dieser Schreibrechte erhält.

Option 1: Ein bestehendes KI-SaaS-Tool kaufen#

Kaufen ist richtig, wenn das Problem branchenüblich ist: Meetings transkribieren, Texte redigieren, Standard-Supportentwürfe erstellen, Bilder beschreiben oder Code ergänzen. Der Anbieter verteilt Entwicklung und Betrieb auf viele Kunden; eine Eigenentwicklung kann wirtschaftlich kaum mithalten.

Vor dem Einkauf solltest du trotzdem fünf Punkte prüfen:

• Ist der Zweck im Unternehmen klar, oder wird nur «KI eingeführt»?
• Welche Daten dürfen Mitarbeitende eingeben?
• Nutzt der Anbieter Eingaben für Training, und welche Vertragsvariante gilt?
• Gibt es Rollen, Löschfristen, Export und einen Auftragsbearbeitungsvertrag?
• Kann der Dienst bei einem Anbieterwechsel mit vertretbarem Aufwand ersetzt werden?

Ein SaaS-Tool ist nicht automatisch billig. Bei vielen Nutzern, Zusatzmodulen oder hohem Volumen können die laufenden Kosten die Integration überholen. Umgekehrt ist eine Eigenentwicklung nicht automatisch unabhängiger: Wenn sie vollständig an eine proprietäre Modellfunktion gebunden ist, bleibt der Lock-in bestehen, nur an einer anderen Stelle.

Option 2: Custom GPT, Assistant oder Workspace-Bot#

Ein konfigurierter Assistent innerhalb von Claude, ChatGPT oder einer vergleichbaren Arbeitsumgebung ist ein guter Zwischenschritt. Er kann feste Instruktionen, Vorlagen und freigegebene Dateien nutzen, ohne dass sofort Software entwickelt wird.

Das passt etwa für:

• Entwürfe nach einem internen Schreibstil;
• Checklisten aus einem überschaubaren Handbuch;
• Zusammenfassungen bereitgestellter Dokumente;
• einen geführten Fragenkatalog für Mitarbeitende.

Die Grenze ist wichtig: Ein sauber formulierter Prompt ist keine Rollenverwaltung. Hochgeladene Dateien sind keine automatisch aktuelle Wissensbasis. Und ein Bot in einer Anbieteroberfläche ist keine eigene Anwendung, nur weil er einen Firmennamen und ein Icon trägt. Sobald aktuelle ERP-Daten, individuelle Berechtigungen oder kontrollierte Schreibaktionen nötig sind, braucht es eine Integrations- und Policy-Schicht.

Option 3: RAG für internes Wissen#

RAG steht für Retrieval-Augmented Generation. Vor einer Antwort sucht die Anwendung passende Abschnitte in freigegebenen Dokumenten und gibt sie dem Modell als Kontext. Das Modell antwortet damit aus dem Unternehmenswissen statt nur aus allgemeinem Modellwissen.

RAG ist sinnvoll für Fragen wie:

• «Welche Prüfungen verlangt unsere aktuelle Qualitätsrichtlinie?»
• «Welche Lieferbedingung gilt laut freigegebenem Vertrag?»
• «Wo ist der Ablauf für Reklamationen dokumentiert?»

Eine gute RAG-Lösung braucht mehr als eine Vektordatenbank. Dokumentversion, Gültigkeit, Quelle, Nutzerrecht und Löschung müssen bis zum einzelnen Abschnitt nachvollziehbar sein. Sonst findet das System zwar semantisch passenden Text, aber aus einer alten Preisliste oder einer Richtlinie, die der fragende Mitarbeiter nicht sehen dürfte.

RAG ist dagegen unnötig, wenn zehn gepflegte FAQ-Einträge genügen, oder ungeeignet, wenn die Antwort aus aktuellen Transaktionsdaten berechnet werden muss. Für «Welche Rechnungen sind offen?» ist ein direkter, lesender Bexio-Aufruf sauberer als eine Dokumentensuche.

Option 4: Ein bestehendes Tool integrieren#

Integration ist oft der wirtschaftlich stärkste Mittelweg. Die Oberfläche und das Modell bleiben Standard; eine eigene Brücke liefert genau die benötigten Daten oder Aktionen aus ERP, CRM, Webshop oder Mail.

Beispiele:

• Ein Vertriebsassistent liest den Status eines Bexio-Auftrags, statt dass jemand ihn in den Chat kopiert.
• Ein Website-Formular legt einen qualifizierten Lead im CRM an und übergibt Kampagnenkontext ohne Personendaten an Analytics.
• Ein Management-Report verbindet Marketing-, CRM- und ERP-Daten, ohne dass ein Agent Zahlen «interpretieren» muss.
• Eine eingehende PDF-Bestellung wird extrahiert, validiert und als Entwurf an Bexio übergeben.

Gerade das Dashboard-Beispiel zeigt eine wichtige Grenze: Nicht jedes KI-Projekt braucht generative KI. Umsatz, Marge, Leadstatus und Kampagnenkosten sollten deterministisch verbunden und berechnet werden. Ein Modell kann danach Abweichungen erklären oder Fragen zur Auswertung beantworten, aber es sollte nicht die Grundzahlen erfinden oder neu zusammenrechnen.

Unsere Leistungen ERP- & API-Integration und Datenintegration & BI trennen diese beiden Aufgaben: Systeme operativ verbinden versus Daten konsolidieren und berichten.

Option 5: Einen KI-Agenten einsetzen#

Ein Agent ist sinnvoll, wenn eine Aufgabe mehrere Werkzeuge braucht und der richtige nächste Schritt vom Inhalt abhängt. Ein typischer Innendienstfall:

1. Eine Offertenanfrage kommt als Freitext oder PDF.
2. Der Agent erkennt Kunde, Artikel, Menge und fehlende Angaben.
3. Er sucht Kontakt und Artikel im ERP.
4. Bei mehreren Treffern fragt er nach.
5. Er bereitet eine Offerte als Entwurf vor.
6. Ein Mitarbeiter prüft und versendet.

Hier bringt das Modell Flexibilität bei Sprache und Dokumenten; feste Regeln begrenzen die Fachaktion. Die Werkzeuge sollten klein sein: search_contacts ist besser als «voller ERP-Zugriff». Schreibaktionen brauchen eine serverseitige Freigabe oder das Entwurfsprinzip. Fehlerpfade, Kostenlimiten und eine Audit-Spur gehören zum Produkt, nicht in eine spätere Phase.

MCP kann denselben Werkzeugkatalog mehreren KI-Clients anbieten. Der Artikel Agentic AI, KI-Agenten und MCP erklärt Protokoll, Datenfluss und Kontrollen im Detail. Der Bexio-Sachbearbeiter-Copilot zeigt die bestehende direkte Tool-Calling-Schicht mit fiktiven Testdaten; die Bexio-MCP-Seite kennzeichnet den Protokolladapter ausdrücklich als Architekturvorschau.

Option 6: Eine massgeschneiderte KI-Anwendung bauen#

Eine eigene Anwendung lohnt sich, wenn mindestens einer dieser Gründe geschäftskritisch ist:

• der Prozess unterscheidet das Unternehmen vom Wettbewerb;
• Mitarbeitende brauchen eine genau geführte Oberfläche statt einer offenen Chatbox;
• mehrere Systeme und Rollen müssen in einem Ablauf zusammenspielen;
• Daten müssen vor dem Modell gefiltert oder tokenisiert werden;
• Freigaben, Nachvollziehbarkeit und Fehlerbehandlung lassen sich im Standardtool nicht erzwingen;
• der Ablauf wird so häufig genutzt, dass Lizenz- oder Handarbeitskosten den Betrieb einer eigenen Lösung rechtfertigen.

«Wir wollen unsere eigene KI» ist kein ausreichender Grund. Das Modell wird fast immer von einem spezialisierten Anbieter kommen. Eigen sind vor allem Prozess, Datenvertrag, Benutzeroberfläche, Werkzeugschicht und Governance. Genau dort liegt auch der dauerhafte Wert — und die Wartungsverantwortung.

Datenresidenz: Wo liegen welche Daten wirklich?#

«Swiss hosted» beantwortet nur einen Teil der Frage. Eine KI-Lösung kann ihre Anwendung und Datenbank in der Schweiz betreiben und trotzdem Modellkontext an einen Anbieter im Ausland senden. Für eine saubere Entscheidung musst du den Datenfluss in Teile zerlegen:

Tokenisierung kann Namen, E-Mail-Adressen oder IBANs ersetzen, bevor der Modellanbieter Kontext erhält. Sie reduziert das Risiko, macht personenbezogene Daten aber nicht automatisch anonym. Details zeigt unsere Praxisanleitung zur Tokenisierung, während die Architekturseite die technischen Schichten und Betriebsvarianten zusammenführt.

Lock-in: Nicht nur auf das Sprachmodell schauen#

Modellwechsel ist nur eine von fünf Abhängigkeiten:

1. Daten-Lock-in: Können Konversationen, Dokumente und Metadaten exportiert werden?
2. Workflow-Lock-in: Liegt Geschäftslogik in undurchsichtigen No-Code-Flows oder dokumentiertem Code?
3. Tool-Lock-in: Sind ERP-Funktionen als eigene, stabile Verträge definiert oder direkt an ein Modell-SDK gekoppelt?
4. Modell-Lock-in: Funktionieren Prompts, strukturierte Ausgaben und Tool Calls auch mit einem zweiten Anbieter?
5. Betriebs-Lock-in: Kann ein anderes Team Monitoring, Geheimnisse, Deployments und Fehlerfälle übernehmen?

MCP kann Tool-Verträge über mehrere kompatible Clients wiederverwendbar machen. Es beseitigt aber weder Anbieterunterschiede noch schlechte Datenmodelle. Wirkliche Wechselbarkeit entsteht durch kleine Schnittstellen, Tests mit repräsentativen Fällen, dokumentierte Policies und die Trennung von Fachlogik und Modellantwort.

Was kostet ein KI-Tool wirklich?#

Vergleiche nicht nur Abo gegen Entwicklungsrechnung. Der vollständige Kostenrahmen besteht aus:

• Einführung: Auswahl, Datenschutzprüfung, Konfiguration und Schulung;
• Integration: APIs, Datenbereinigung, Rollen und Fehlerbehandlung;
• Nutzung: Lizenzen, Modell-Tokens, Suchindex und externe Dienste;
• Betrieb: Hosting, Monitoring, Backups, Support und Sicherheitsupdates;
• Änderung: neue API-Versionen, Modellverhalten, Prozesse und Anforderungen;
• Kontrolle: Tests, Freigaben, Log-Auswertung und periodische Rechteprüfung;
• Ausstieg: Datenexport, Ablösung und Migration.

Ein günstiges Abo gewinnt bei einer Standardaufgabe. Eine Integration kann bei vielen Nutzern oder hohem manuellen Aufwand besser skalieren. Eine eigene Anwendung lohnt sich erst, wenn der wiederkehrende Nutzen die dauerhafte Produktverantwortung trägt.

EverDigital bietet für ausgewählte Schweizer KMU einen kostenlosen 10-Tage-Prototyp, um Machbarkeit und Datenqualität an einem kleinen Ausschnitt zu prüfen. Bestehende Bexio- und Innendienst-Piloten starten bei CHF 5'900 exklusive MwSt.; individuelle Anwendungen erhalten nach dem Scoping eine abgegrenzte Fixofferte. Modell-, Infrastruktur- und Betriebskosten müssen dabei separat sichtbar bleiben.

Die Wartung nach dem ersten guten Ergebnis#

Ein überzeugender Demo-Dialog beweist noch keinen stabilen Betrieb. Vor der Freigabe braucht es ein Testset mit Normalfällen, Mehrdeutigkeiten, fehlenden Daten und Systemfehlern. Danach müssen mindestens diese Änderungen beobachtet werden:

• Das Sprachmodell oder sein Antwortformat ändert sich.
• Eine ERP-API ergänzt Pflichtfelder oder drosselt Aufrufe.
• Rollen und Mitarbeitende ändern sich.
• Dokumente im RAG-Index werden veraltet oder widersprechen einander.
• Nutzung und Kosten steigen anders als erwartet.
• Ein neuer Use Case erweitert unbemerkt den Datenzugriff.

Deshalb gehören Verantwortlicher, Monitoring, Budgetgrenze, Incident-Ablauf und Abschaltmöglichkeit bereits in den Pilot. Wer diese Aufgaben nicht dauerhaft tragen will, sollte ein betreutes SaaS-Tool bevorzugen oder den Prozess bewusst klein halten.

Wann du nicht bauen solltest#

Baue keine KI-Anwendung, wenn einer dieser Punkte zutrifft:

• Der Prozess kommt selten vor und spart weniger Zeit als seine Wartung kostet.
• Ein vorhandenes Tool löst die Aufgabe ausreichend und erfüllt die Schutzanforderungen.
• Quelldaten und Zuständigkeiten sind ungeklärt.
• Es gibt keinen fachlichen Verantwortlichen, der Resultate und Ausnahmen prüft.
• Die Aufgabe ist mit einer festen Regel, einem Formular oder einer normalen API-Integration zuverlässiger lösbar.
• Erfolg lässt sich nicht als Zeit, Qualität, Durchlauf, Fehlerquote oder Geschäftsergebnis prüfen.
• Der einzige Grund lautet «Wir müssen etwas mit KI machen».

Manchmal ist die richtige Empfehlung eine Prozessbereinigung, ein Dashboard oder eine kleine Schnittstelle. Das ist kein gescheitertes KI-Projekt, sondern eine bessere Investitionsentscheidung.

Eine praktische Auswahl in vier Schritten#

1. Beschreibe einen Vorgang. Auslöser, Eingaben, Ergebnis, Häufigkeit und heutiger Aufwand — nicht «einen KI-Assistenten für alles».
2. Markiere Risiko und Verantwortung. Welche Daten sind sensibel, welche Aktion darf nie ungeprüft laufen, wer entscheidet bei einer Ausnahme?
3. Vergleiche die kleinsten Optionen. SaaS, Konfiguration, RAG, Integration, Agent und Eigenbau nach demselben Testfall bewerten.
4. Pilotieren und stoppen dürfen. Ein repräsentativer Ausschnitt muss Nutzen, Fehlergrenzen und Folgekosten zeigen. Wenn Standardsoftware gewinnt, wird nicht weitergebaut.

Wer für diese Entscheidung eine technische und wirtschaftliche Gegenprüfung sucht, startet bei unserer KI-Agentur für Schweizer KMU. Wer bereits weiss, dass ein Agent oder MCP-Werkzeugkatalog benötigt wird, findet die Umsetzung unter KI-Agents & MCP-Server.