# KI-Outsourcing vs. Inhouse-Team: Die Make-or-Buy-Entscheidung für Schweizer KMU

> Autor: Chris Jon Graf (KI-Stratege & CEO)
> Aktualisiert: 2026-08-05
> URL: https://ki-outsourcing.ch/ratgeber/ki-outsourcing-vs-inhouse-team-die-make-or-buy-entscheidung-fur-schweizer-kmu

## Zusammenfassung

Für die meisten Schweizer KMU ist KI-Outsourcing bei abgegrenzten Projekten schneller und günstiger, während sich ein Inhouse-Team erst bei einer dauerhaften, unternehmenskritischen KI-Funktion mit klarem IP-Vorteil lohnt. Der Mittelweg – ein eingebettetes Team mit eingebauter Governance – verbindet Tempo, Kostenkontrolle und Wissensaufbau.

## Salesforce tätigt grosse Investitionen in eigene KI‑Fähigkeiten – und jetzt?

Wenn ein Konzern wie Salesforce eine Milliarde Dollar in eigene KI-Fähigkeiten steckt, ist das für Schweizer KMU mehr als eine Randnotiz. Es zeigt, in welchem Tempo sich der Wettbewerb um KI-Kompetenz verschärft – und stellt jedes mittelständische Unternehmen vor dieselbe Grundsatzfrage: eigenes Team aufbauen oder Fähigkeiten extern beziehen? Die Antwort ist selten binär, aber sie muss bewusst getroffen werden.

**110.5** — KI-Spezialisten pro 100'000 Einwohner – Schweiz weltweit auf Platz 1 (Stanford AI Index 2026)

Genau hier liegt das Schweizer Paradox: Kein Land der Welt hat eine höhere Dichte an KI-Spezialisten – und trotzdem setzen laut KOF ETH Zürich nur 8% der kleinen Firmen KI produktiv ein, gegenüber 34% der grossen Unternehmen. Der Engpass ist nicht das Talent im Land, sondern der Zugang dazu für kleinere Organisationen. Eine Studie von HWZ und Swisscom zeigt zusätzlich: Nur 34% der Schweizer KMU haben überhaupt interne Regeln für den KI-Einsatz definiert, bei Firmen mit weniger als 10 Mitarbeitenden sind es sogar nur 23%.

## Was ein Inhouse-Team wirklich kostet

Die Gehälter für KI-Fachkräfte in der Schweiz bewegen sich je nach Rolle und Seniorität zwischen CHF 90'000 und über CHF 180'000 – mit einem Zürich-Aufschlag von rund 15%, Genf +10% und Basel +8%. Dazu kommen rund 22% Lohnnebenkosten für AHV/IV/EO, ALV, BVG, UVG und KTG. Wer diese Zahl als Vollkosten unterschätzt, kalkuliert von Anfang an falsch. Wie du diese Grössen für dein eigenes Business Case sauber gegenrechnest, zeigt der [CFO-Leitfaden zur KI-ROI-Messung](/ratgeber/ki-roi-messen-der-cfo-leitfaden-fur-schweizer-unternehmen).

- Grundgehalt: CHF 90'000–180'000+ je nach Rolle und Region
- Lohnnebenkosten: rund 22% zusätzlich (AHV/IV/EO, ALV, BVG, UVG, KTG)
- Rekrutierung, Onboarding und Führungsaufwand für eine neue Fachrolle
- Tooling, Infrastruktur und laufende Weiterbildung
- Versteckte Kosten: 60–70% der Gesamtkosten entfallen laut Praxisanalysen auf Datenaufbereitung, Change Management und technische Schuld – nicht auf die Lohnsumme

## Zeit ist ein Kostenfaktor: Time-to-Hire

Selbst in Märkten mit deutlich grösserem Talentpool dauert die Besetzung von KI-Rollen im Schnitt 5.2 Wochen, bei spezialisierten AI/ML-Positionen 6 bis über 10 Wochen. Hinzu kommen Rekrutierungskosten von 15–25% des Erstjahresgehalts. In der Schweiz, wo die Nachfrage nach KI-Spezialisten die Kapazität kleinerer Firmen strukturell übersteigt, ist dieser Zeitfaktor real: Jede Woche ohne Kompetenz ist eine Woche, in der Wettbewerber ihre Prozesse bereits automatisieren.

## Wann bauen, wann kaufen? Der Entscheidungsrahmen

### Für ein Inhouse-Team spricht

- KI wird zur dauerhaften, zentralen Unternehmensfunktion – nicht zu einem Projekt mit Enddatum
- Es entsteht ein klarer Wettbewerbsvorteil durch proprietäres Wissen oder eigene Daten (IP-Vorteil)
- Der Business Case zielt auf strategische Fähigkeiten mit langem Horizont – Payback-Zeiten von 24+ Monaten sind akzeptabel
- Das Unternehmen hat bereits die Grösse und Governance-Reife, um eine Fachfunktion nachhaltig zu tragen

### Für Outsourcing spricht

- Das Projekt ist klar abgegrenzt (Scope, Zeitrahmen, Budget)
- Geschwindigkeit zählt mehr als Besitz – etwa bei Vertriebsautomatisierung mit 6–9 Monaten Payback oder Marketing-Automatisierung mit 9–12 Monaten
- Kostenkontrolle hat Priorität, und das Risiko einer Fehlbesetzung soll vermieden werden
- Das Unternehmen will die Gartner-Falle umgehen, wonach 49% aller KI-Projekte nie über die Pilotphase hinauskommen, und die durchschnittliche Budgetüberschreitung von 2.7x laut McKinsey nicht selbst tragen

## Der Mittelweg: das eingebettete Team-Modell

Zwischen reinem Inhousing und klassischem Outsourcing hat sich ein drittes Modell etabliert: das eingebettete Team. Es arbeitet direkt in deinen Systemen, baut Governance von Anfang an ein statt sie nachträglich aufzusetzen, transferiert Wissen an dein internes Team und skaliert mit dem tatsächlichen Arbeitsvolumen. Wie ein solches Modell konkret den Sprung von der Pilot-Falle zum produktiven Betrieb schafft, beschreibt der Beitrag [Von der Pilot-Falle zum ROI](/ratgeber/von-der-pilot-falle-zum-roi-wie-schweizer-kmu-ki-agenten-erfolgreich-skalieren).

> **Die Governance-Lücke ist die teuerste versteckte Kostenposition**
>
> Beim günstigsten Outsourcing-Angebot fehlt oft genau das, was am Ende am meisten kostet: Audit-Trail, Review-Gates und laufendes Monitoring werden dem Kunden überlassen. Wer Governance nicht von Anfang an mitdenkt, zahlt sie später doppelt – in Nacharbeit und in Vertrauen.

## Die 3-Jahres-TCO-Rechnung

Eine einzelne Inhouse-Fachkraft mit CHF 130'000 Grundgehalt kostet mit 22% Lohnnebenkosten rund CHF 158'600 pro Jahr – ohne Rekrutierung, Tooling und Führungsaufwand. Über drei Jahre und mit realistischem Team‑Aufbau (nicht nur eine Person) kann die Gesamtsumme leicht mehrere hunderttausend Franken erreichen, sobald man die dokumentierten 60–70% versteckten Kosten für Datenaufbereitung und Change Management einrechnet. Outsourcing-Modelle verschieben diese Kostenstruktur: laufende, planbare Kosten statt Fixkosten, aber ebenfalls mit 40–60% versteckten Kostenanteilen, wenn Governance und Integration nicht im Angebot enthalten sind.

- Inhouse: hohe Fixkosten, langer Time-to-Value (5+ Wochen allein für die erste Einstellung), dafür langfristiger Wissensaufbau im Haus
- Klassisches Outsourcing: niedrigere Einstiegskosten, schneller Start, aber Risiko versteckter Governance-Lücken
- Eingebettetes Team: mittlere, planbare Kosten mit eingebauter Governance und geregeltem Wissenstransfer an dein Unternehmen

## Risikoanalyse: Talentbindung und Wissensverlust

Das grösste Inhouse-Risiko ist die Abhängigkeit von einzelnen Personen: Verlässt die eine KI-Fachkraft das Unternehmen, geht oft auch das gesamte implizite Wissen. Das grösste Outsourcing-Risiko ist der umgekehrte Fall – Wissen bleibt beim Anbieter statt im Unternehmen. Die Zahlen der OECD D4SME-Analyse 2026 sind hier aufschlussreich: 76% der KI-nutzenden KMU verharren auf Novizen-Niveau, nur 3.6% erreichen Champion-Status. Eine Synthese verfügbarer Daten zeigt zudem eine dreifach höhere Erfolgsquote für Unternehmen, die auf Outsourcing statt auf reinen Eigenaufbau setzen. Warum so viele Firmen in der Novizen-Phase stecken bleiben, analysiert der Beitrag [Das 76%-Paradox](/ratgeber/das-76-paradox-warum-schweizer-kmu-bei-ki-adoption-novizen-bleiben) im Detail.

**76% / 3.6%** — Anteil KI-nutzender KMU auf Novizen-Stufe vs. Champion-Stufe (OECD D4SME, 2026)

## Vendor-Evaluationskriterien für Schweizer KMU

Nicht jeder Anbieter ist gleich. Bevor du dich für einen Partner entscheidest, lohnt sich eine strukturierte Prüfung anhand harter Kriterien statt reiner Preisvergleiche.

1. Governance von Anfang an: Audit-Trail, Review-Gates und Monitoring sind Teil des Angebots, nicht Zusatzoption
2. Eingebettetes statt Black-Box-Arbeiten: Der Partner arbeitet sichtbar in deinen Systemen, nicht isoliert daneben
3. Wissenstransfer vertraglich geregelt: Dokumentation und Übergabe an dein Team sind definierter Bestandteil, nicht Kulanz
4. Transparente Kostenstruktur ohne versteckte Positionen für Datenaufbereitung oder Change Management
5. Skalierbarkeit: Das Modell wächst mit dem Arbeitsvolumen, ohne dass ein komplett neuer Vertrag nötig wird
6. Nachweisbare Umsetzungserfahrung statt reiner Beratungskompetenz

## Fazit: Die Entscheidung, die zählt

Laut McKinsey State of AI 2025 berichten 64% der Unternehmen bereits von Innovationswirkung durch KI, 39% sehen einen messbaren EBIT-Effekt, und 62% experimentieren aktuell mit KI-Agenten. Die Frage ist also nicht mehr, ob KI-Kompetenz aufgebaut wird, sondern wie schnell und wie risikoarm. Für die meisten Schweizer KMU ist die Antwort weder reines Inhousing noch anonymes Outsourcing, sondern ein eingebettetes Modell mit eingebauter Governance. Eine vertiefte Einordnung der strategischen Fallstricke findest du auch im [Schweizer KI-Podcast zur KMU-Strategie](https://www.ki-podcast.ch/ki-standort-schweiz-kmu-strategie-und-globales-rennen).

## Häufige Fragen

### Ist KI-Outsourcing günstiger als ein eigenes Team?

In der Regel ja, wenn es um abgegrenzte Projekte geht: Ein Inhouse-Team verursacht Fixkosten ab CHF 90'000–180'000 Grundgehalt plus rund 22% Lohnnebenkosten, während Outsourcing planbare, laufende Kosten ermöglicht. Bei dauerhafter, unternehmenskritischer KI-Funktion kann sich Inhousing langfristig lohnen – entscheidend ist der Zeithorizont und der strategische Wert der Fähigkeit.

### Wie lange dauert es, ein KI-Team aufzubauen?

Die reine Besetzung einer KI-Rolle dauert im Schnitt 5.2 Wochen, bei spezialisierten AI/ML-Positionen 6 bis über 10 Wochen. Onboarding und produktive Einarbeitung kommen zusätzlich hinzu, bevor das Team tatsächlich Wert liefert.

### Was ist ein eingebettetes KI-Team?

Ein eingebettetes Team arbeitet direkt in den Systemen des Kunden, baut Governance-Strukturen wie Audit-Trails und Review-Gates von Beginn an ein, transferiert Wissen laufend an das interne Team und skaliert flexibel mit dem tatsächlichen Arbeitsvolumen – ein Mittelweg zwischen Inhousing und klassischem Outsourcing.

### Welche Schweizer KMU sollten KI-Kompetenz inhouse aufbauen?

Unternehmen, für die KI zu einer dauerhaften, zentralen Funktion wird und die einen klaren IP-Vorteil durch proprietäres Wissen oder eigene Daten erzielen, profitieren eher von einem Inhouse-Aufbau. Bei zeitlich begrenzten Projekten oder wenn Geschwindigkeit und Kostenkontrolle im Vordergrund stehen, ist Outsourcing oder ein eingebettetes Modell meist die risikoärmere Wahl.

### Wie hoch ist das Risiko, dass ein KI-Projekt scheitert?

Laut Gartner (2025) kommen 49% aller KI-Projekte nie über die Pilotphase hinaus, und McKinsey beziffert die durchschnittliche Budgetüberschreitung bei KI-Projekten auf das 2.7-Fache. Ein strukturierter Make-or-Buy-Entscheid mit klarer Governance reduziert dieses Risiko deutlich.

## Quellen

- [Switzerland's AI Paradox: Top Talent, Laggard SME Uptake (Pupsic, Jun 2026)](https://pupsic.ch/switzerland-ai-paradox-sme/)
- [AI Salaries in Switzerland 2025 (Swisslinx, Feb 2025)](https://www.swisslinx.com/news/ai-salary-guide-2025-what-top-ai-talent-really-costs-in-switzerland)
- [The Real Cost of Building AI In-House vs. Outsourcing: A 2026 Framework (Medium, Apr 2026)](https://medium.com/codex/ai-build-vs-outsource-in-2026-the-real-cost-framework-616603a46ae6)
- [Machine Learning Engineer salaries (IT Jobs Watch, Jul 2026)](https://www.itjobswatch.co.uk/jobs/uk/machine%20learning%20engineer.do)
- [The State of AI: Global Survey 2025 (McKinsey, Nov 2025)](https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai)
- [The Business Case for AI: ROI, Timeline & Budget Planning (Helium42, Mar 2026)](https://helium42.com/blog/ai-business-case-roi)
- [Outsourced AI team vs hiring in-house: the SME decision (GovernanceAI, Jul 2026)](https://governanceai.io/blog/outsourced-ai-team-vs-hiring)