Was kostet ein KI-Agent? Entwicklung, Betrieb und Wartung

„Was kostet ein KI-Agent?” ist eine der häufigsten Fragen in meinen Erstgesprächen – und eine der am schlechtesten beantworteten im Netz. Die typische Antwort ist entweder ein verdächtig niedriger Projektpreis („Agent ab 2.500 €”) oder ein nichtssagendes „kommt drauf an”. Beides hilft dir nicht bei der Budgetplanung.

Die ehrliche Antwort: Ein KI-Agent ist kein Produkt mit Listenpreis, sondern ein kleines Softwareprojekt mit laufenden Kosten. Wer nur den Entwicklungspreis vergleicht, rechnet an der Realität vorbei – denn Integration, Evaluation und Monitoring machen über die Lebensdauer oft mehr aus als der erste Aufbau. Dieser Artikel zerlegt die Kosten in nachvollziehbare Blöcke, benennt die Preistreiber und gibt dir ein Rechenmodell mit offen gelegten Annahmen, das du auf deinen Fall übertragen kannst. Er gehört zu unserem Cluster KI-Kosten und ROI und richtet sich an Geschäftsführung, Operations und IT in kleinen und mittleren Unternehmen.

Wichtig vorab: Alle Kostenangaben in diesem Artikel sind Bandbreiten mit genannten Annahmen, keine Angebote. Dein konkreter Fall kann darunter oder darüber liegen – wovon das abhängt, ist genau das Thema.

Begriffe: Was ist hier mit „KI-Agent” gemeint?

Drei Dinge werden im Markt unter „KI-Agent” verkauft, mit sehr unterschiedlichen Kostenprofilen:

• Ein konfigurierter Chatbot auf einer fertigen Plattform, der Fragen aus einer Wissensbasis beantwortet. Günstigste Variante, aber streng genommen kein Agent – er handelt nicht.
• Ein Workflow-Agent: Ein LLM trifft innerhalb eines definierten Prozesses Entscheidungen, ruft Werkzeuge auf (E-Mail lesen, CRM abfragen, Entwurf erstellen) und arbeitet Schritte ab – typischerweise gebaut auf einer Automatisierungsplattform wie n8n, das Workflow-Automatisierung mit KI-Funktionen und AI-Agent-Workflows kombiniert. Das ist der Fall, um den es in diesem Artikel primär geht, weil er für KMU das beste Verhältnis aus Nutzen und Kontrollierbarkeit bietet.
• Ein autonomer Agent, der eigenständig mehrstufige Aufgaben plant und in mehrere Systeme schreibt. Teuerste Variante – nicht wegen des Modells, sondern wegen der Absicherung, die nötig ist, damit er keinen Schaden anrichtet.

Wenn dir jemand einen „KI-Agenten” für ein paar hundert Euro anbietet, bekommst du fast sicher Variante eins. Das kann völlig in Ordnung sein – du solltest nur wissen, was du kaufst.

Welche Kostenblöcke gibt es?

Über die Lebensdauer eines Agenten fallen fünf Kostenblöcke an. Die ersten drei sind einmalig (Projekt), die letzten zwei laufend (Betrieb):

Kostenblock	Was gehört dazu	Typischer Anteil am Projekt	Wird im Angebot oft …
1. Konzeption	Use-Case-Abgrenzung, Prozessaufnahme, Datenlage, Erfolgskriterien, Risikobewertung	10–20 %	verkürzt („machen wir im Kickoff”)
2. Entwicklung & Integration	Agent-Logik, Prompts, Tool-Anbindungen (CRM, E-Mail, ERP …), Fehlerbehandlung, Freigabe-UI	40–60 %	als Gesamtpreis ausgewiesen
3. Evaluation & Tests	Testfälle, Qualitätsmessung an echten Daten, Korrekturschleifen vor Go-live	15–30 %	weggelassen – der teuerste Fehler
4. Betrieb (laufend)	Modell-API nach Verbrauch, Hosting/SaaS der Plattform, Lizenzen angebundener Dienste	monatlich	grob geschätzt
5. Wartung & Monitoring (laufend)	Stichprobenkontrolle, Prompt-Anpassungen, Updates bei API-/Prozessänderungen, Modellwechsel	monatlich	ganz vergessen

Die Prozentangaben sind Erfahrungswerte aus meiner Projektpraxis, keine Norm – aber die Richtung ist belastbar: Wenn ein Angebot Block 3 und 5 nicht ausweist, ist es nicht günstiger, sondern unvollständig. Genau deshalb wirken manche Projektpreise so niedrig. Mehr dazu im Detail behandelt übrigens unser Artikel zu versteckten Kosten in KI-Projekten (im selben Cluster).

Was beeinflusst den Entwicklungsaufwand?

Der Entwicklungsaufwand hängt weniger vom „KI-Teil” ab, als die meisten erwarten. Prompts und Modellauswahl sind selten der Engpass. Teuer oder günstig machen ein Projekt vier Faktoren:

1. Zahl und Qualität der Integrationen. Jedes System, das der Agent lesen oder beschreiben soll, bedeutet Schnittstellenarbeit: Authentifizierung, Datenformate, Sonderfälle, Fehlerbehandlung. Eine saubere REST-API mit Doku ist ein halber Tag; ein gewachsenes ERP ohne API kann Wochen kosten. Faustregel aus meinen Projekten: Ab der dritten Integration dominiert die Integrationsarbeit den Gesamtaufwand.

2. Fehlertoleranz des Prozesses. Ein Agent, der interne Rechercheentwürfe erstellt, darf sich irren – ein Mensch liest drüber. Ein Agent, der Kundenkommunikation verschickt oder Bestellungen auslöst, darf das praktisch nicht. Je geringer die Fehlertoleranz, desto mehr Aufwand fließt in Guardrails, Validierung und Tests. Das BSI weist in seiner Publikation zu generativen KI-Modellen darauf hin, dass deren Einsatz neuartige IT-Sicherheitsrisiken schafft und bestehende Bedrohungen verstärken kann – und empfiehlt eine systematische Risikoanalyse vor der Integration. Diese Analyse ist Aufwand, der in seriösen Angeboten drinsteckt.

3. Lese- oder Schreibrechte. Ein nur lesender Agent (Zusammenfassen, Klassifizieren, Entwürfe) ist die günstige Klasse. Sobald der Agent in Systeme schreibt, brauchst du Transaktionssicherheit, Rollback-Überlegungen und meist Freigabeschritte – der Aufwand springt spürbar.

4. Datenlage. Liegen die nötigen Informationen strukturiert und zugänglich vor, oder stecken sie in PDFs, Postfächern und Köpfen? Datenaufbereitung ist unglamourös und wird in Budgets chronisch unterschätzt.

Welche laufenden Kosten entstehen?

Hier lohnt sich Präzision, weil die Größenordnungen oft falsch eingeschätzt werden – meist wird die Modell-API über- und die Personalzeit unterschätzt.

Modell-API (nach Verbrauch). Abgerechnet wird pro Token. Zur Einordnung die aktuellen OpenAI-Listenpreise (Stand Juli 2026): Das Mittelklassemodell GPT-5.4 kostet 2,50 USD pro 1 Mio. Input-Token und 15,00 USD pro 1 Mio. Output-Token; das Sparmodell GPT-5.4-nano liegt bei 0,20/1,25 USD, das Topmodell GPT-5.5 bei 5,00/30,00 USD. Andere Anbieter liegen in ähnlichen Größenordnungen. Was das praktisch heißt, zeigt das Rechenmodell weiter unten – Spoiler: Bei moderatem Volumen sind die API-Kosten oft der kleinste Posten der Gesamtrechnung.

Plattform/Hosting. Läuft der Agent auf einer Automatisierungsplattform, zahlst du deren Gebühren: n8n Cloud etwa startet bei 20 €/Monat (Starter, 2.500 Workflow-Ausführungen) über 50 €/Monat (Pro, 10.000 Ausführungen) bis 667 €/Monat für den Business-Plan mit SSO und Self-Hosting-Features; die Standard-Self-Hosted-Version ist kostenlos, verlagert die Kosten aber auf eigenen Server- und Administrationsaufwand. Eigenentwicklungen brauchen stattdessen Cloud-Hosting, typischerweise im niedrigen zwei- bis dreistelligen Euro-Bereich pro Monat für KMU-Volumen (Annahme: kein GPU-Hosting, Modelle per API).

Lizenzen angebundener Dienste. Vektor-Datenbank, Transkriptionsdienst, Anreicherungs-APIs – je nach Use Case null bis mehrere hundert Euro monatlich.

Personalzeit. Der unterschätzte Block: Jemand muss Stichproben prüfen, Sonderfälle nachpflegen und entscheiden, wenn der Agent eskaliert. Realistisch sind anfangs mehrere Stunden pro Woche, eingeschwungen oft ein bis zwei – aber nicht null. Ein Agent ohne benannten fachlichen Owner verwahrlost.

Wie wirken Freigaben und Integrationen auf die Kosten?

Diese beiden Faktoren verdienen einen eigenen Abschnitt, weil sie erklären, warum zwei „gleich klingende” Agenten sich im Preis um den Faktor drei bis fünf unterscheiden können.

Freigaben (Human-in-the-Loop) kosten doppelt: einmalig in der Entwicklung (Freigabe-Oberfläche oder -Kanal, Benachrichtigungen, Zeitüberschreitungs- und Eskalationslogik) und laufend in Personalzeit. Trotzdem rate ich in fast jedem KMU-Projekt dazu, mit Freigaben zu starten. Der Grund ist eine einfache Asymmetrie: Der Freigabeklick kostet Sekunden, ein falsch verschicktes Kundenangebot kostet Vertrauen. Freigaben sind außerdem dein bestes Evaluationswerkzeug – jede Korrektur zeigt dir, wo der Agent noch schwach ist. Erst wenn die Korrekturquote über Wochen niedrig und stabil ist, lohnt es sich, einzelne Schritte auf automatische Durchführung mit nachgelagerter Stichprobe umzustellen.

Integrationen skalieren die Kosten nicht linear, sondern überproportional: Jedes zusätzliche System bringt eigene Fehlerfälle mit, und die Kombinationen wollen getestet sein. Die wirksamste Kostenbremse ist deshalb Scope-Disziplin: Version 1 mit ein bis zwei Integrationen und einem klaren Teilprozess, Ausbau erst nach bewährtem Betrieb.

Rechenmodell: Ein Agent für die E-Mail-Vorqualifizierung

Damit die Blöcke greifbar werden, ein durchgerechnetes Beispiel mit offen gelegten Annahmen. Alle Zahlen sind Modellannahmen zur Illustration, kein Angebot – ersetze sie durch deine Werte.

Szenario: Ein Agent liest eingehende Anfragen im Sammelpostfach eines KMU, klassifiziert sie, zieht Kontext aus dem CRM und legt einen Antwortentwurf zur Freigabe vor.

Annahmen: 1.500 Anfragen/Monat; pro Anfrage ca. 20.000 Input- und 1.500 Output-Token (E-Mail + CRM-Kontext + Anweisungen); Mittelklassemodell zu 2,50/15,00 USD pro 1 Mio. Token (OpenAI-Listenpreis GPT-5.4, Stand Juli 2026); Plattform n8n Cloud Pro zu 50 €/Monat; externer Dienstleister-Tagessatz als Annahme 800–1.200 €; interne Mitarbeit nicht eingepreist.

Position	Rechnung (Annahmen s. o.)	Bandbreite
Konzeption & Prozessaufnahme	2–4 Tage × 800–1.200 €	1.600–4.800 €
Entwicklung & Integration (Postfach + CRM + Freigabe)	8–15 Tage × 800–1.200 €	6.400–18.000 €
Evaluation & Tests an echten Daten	3–6 Tage × 800–1.200 €	2.400–7.200 €
Einmalig gesamt		ca. 10.000–30.000 €
Modell-API	1.500 × (20k × 2,50 + 1,5k × 15,00 USD/1 Mio.) ≈ 109 USD	≈ 100–150 €/Monat
Plattform (n8n Cloud Pro)	Listenpreis	50 €/Monat
Wartung/Monitoring extern	0,5–1 Tag/Monat × 800–1.200 €	400–1.200 €/Monat
Interne Freigabezeit	~1 Min./Anfrage ≈ 25 Std./Monat, nicht extern bezahlt	Personalzeit
Laufend gesamt (extern)		ca. 550–1.400 €/Monat

Zwei Beobachtungen, die sich in fast jedem realen Projekt wiederholen: Erstens sind die reinen Modellkosten mit rund 100–150 € pro Monat fast vernachlässigbar gegenüber Entwicklungs- und Wartungsaufwand – „die KI” ist nicht der Kostentreiber, die Softwarearbeit drumherum ist es. Zweitens liegen die Betriebskosten über drei Jahre (grob 20.000–50.000 € in diesem Modell) in derselben Größenordnung wie die Erstellung. Ein Angebot, das nur den Projektpreis nennt, zeigt dir also etwa die Hälfte des Bildes.

Wann lohnt ein Pilot?

Fast immer – und zwar aus Kostensicht, nicht aus Vorsicht. Die teuerste Variante eines KI-Agenten ist der, der gebaut wird und dann nicht die Qualität erreicht, bei der sich sein Betrieb trägt. Ein Pilot beantwortet genau diese Frage, bevor das große Budget fließt:

• Zuschnitt: ein Teilprozess, ein bis zwei Integrationen, vier bis acht Wochen Laufzeit.
• Budgetrahmen: typischerweise ein Drittel bis die Hälfte des Vollausbaus (im Beispielmodell oben also grob im mittleren vierstelligen bis niedrigen fünfstelligen Bereich – abhängig von denselben Annahmen).
• Erfolgskriterien vorher festlegen: z. B. Anteil der Entwürfe, die ohne Änderung freigegeben werden; Bearbeitungszeit pro Vorgang; Eskalationsquote. Ohne Messkriterien ist ein Pilot nur ein teures Spielzeug.
• Ausstieg einpreisen: Ein Pilot darf ergebnisoffen sein. „Wir bauen das nicht aus” ist ein legitimes, günstiges Ergebnis.

Überspringen kannst du den Pilot dann, wenn der Use Case eng, die Fehlertoleranz hoch und die Datenlage geklärt ist – etwa bei rein internen Entwurfs- und Rechercheagenten.

Risiken und Grenzen der Kalkulation

Auch mit sauberem Modell bleiben Unsicherheiten, die du kennen solltest:

• Token-Preise und Modelle ändern sich. Die genannten API-Preise sind Listenpreise mit Stand Juli 2026; Anbieter ändern Preise und stellen Modelle ein. Plane einen Modellwechsel über die Laufzeit ein – das ist ein Wartungs-, kein Katastrophenfall.
• Volumenschwankungen. Verbrauchsbasierte Kosten steigen mit dem Erfolg. Setze Budgetalarme, bevor du sie brauchst.
• Qualität ist nicht garantierbar. Niemand kann dir seriös eine bestimmte Automatisierungsquote oder Einsparung zusichern, bevor der Agent an deinen echten Daten evaluiert wurde. Versprechen dieser Art im Angebot sind ein Warnsignal, kein Verkaufsargument.
• Sicherheits- und Compliance-Aufwand. Je nach Daten und Branche kommen Aufwände für Datenschutzprüfung und Absicherung hinzu (Stand Juli 2026; dieser Artikel ist keine Rechtsberatung). Die BSI-Publikation zu generativen KI-Modellen ist ein guter, kostenloser Startpunkt für die Risikoanalyse.
• Der Prozess ändert sich. Agenten sind an Prozesse gekoppelt; ändert sich das CRM, die Zuständigkeit oder das E-Mail-Routing, braucht der Agent ein Update. Deshalb gehört Wartung ins Budget, nicht in die Hoffnung.

Wenn dein Team Agenten künftig selbst pflegen oder weiterentwickeln soll, ist eine Schulung oft die günstigere Alternative zu dauerhafter externer Wartung.

Checkliste: Bevor du ein Angebot unterschreibst

1. Sind alle fünf Kostenblöcke ausgewiesen – auch Evaluation und laufende Wartung?
2. Ist der Use Case so eng abgegrenzt, dass Erfolg messbar ist?
3. Steht im Angebot, welche Systeme integriert werden und wer die API-Zugänge liefert?
4. Gibt es Freigabeschritte für alles, was das Unternehmen verlässt oder in Systeme schreibt?
5. Sind Erfolgskriterien und ein Abbruchpunkt für den Piloten definiert?
6. Sind laufende Kosten als Bandbreite mit Annahmen kalkuliert (Volumen, Modell, Plattform)?
7. Ist ein interner Owner benannt, der Stichproben prüft und Eskalationen entscheidet?
8. Ist geregelt, wem Workflows, Prompts und Zugänge gehören, falls ihr den Dienstleister wechselt?
9. Gibt es Budgetalarme für verbrauchsbasierte Kosten?
10. Fehlt jedes Versprechen garantierter Einsparungen oder Quoten? (Gut so.)

Wenn du unsicher bist, ob dein Use Case die Investition trägt: In der KI-Beratung prüfe ich genau das – Prozess, Datenlage und eine ehrliche Kostenschätzung mit Annahmen, bevor irgendetwas gebaut wird. Ein Erstgespräch kostet nichts und klärt meist schon, in welcher der drei Agenten-Klassen dein Vorhaben überhaupt liegt.