Managed AI Agents vs. internes AI-Team: Kosten- und Geschwindigkeitsvergleich 2026

Das ist eine der häufigsten Fragen, die wir von Gründern hören, die ein AI-Agents-Dienstleistungsunternehmen evaluieren: Sollten wir nicht einfach einen AI-Engineer einstellen und es selbst machen? Die ehrliche Antwort ist, dass es von drei Variablen abhängt — wie viele Workflows Sie wollen, ob diese Workflows Kernbestandteil Ihres Produkts oder rein operativ sind und ob Sie AI-Talente in Ihrer Geografie überhaupt rekrutieren können. Wir gehen jede durch.

Die vollständig belasteten Kosten eines internen AI-Teams

Den Fehler, den die meisten Käufer machen, ist, einen Managed-Service-Preis mit dem Gehalt eines einzelnen Engineers zu vergleichen. Der echte Vergleich ist Managed Service zu einem funktionierenden internen Team, und ein einzelner Engineer ist das nicht.

Das minimal funktionsfähige interne AI-Team 2026 sieht so aus: ein Senior AI Engineer, der Agents end-to-end ausliefern kann (110k–160k € Grundgehalt in Westeuropa, 70k–110k € in Mittel-/Osteuropa, plus 25–35 % belastete Kosten für Sozialabgaben, Steuern und Ausstattung), ein Produkt- oder Operations-Partner, der den Workflow geschäftsseitig verantwortet (60k–90k € belastet), und entweder ein Teilzeit-Data-Engineer oder ein Vertrag für Integrationsarbeit (20k–40k €/Jahr). Hinzu kommen Modellkosten nach Nutzung (500–3.000 €/Monat pro aktivem Workflow), Observability-Tooling (500–2.000 €/Monat), eine Eval-Plattform (500–1.500 €/Monat) und ein Vector Store oder RAG-Infrastruktur (200–800 €/Monat).

Gesamte Jahr-1-Kosten eines minimalen internen AI-Teams, das ein bis drei Workflows betreibt: 220.000–380.000 € in Westeuropa, 160.000–260.000 € in Mittel-/Osteuropa. Jahr zwei sinkt um 10–15 %, sobald Recruiting- und Onboarding-Kosten amortisiert sind.

Ein produktisierter Managed-AI-Service, der dieselben ein bis drei Workflows betreibt, kostet 60.000–180.000 €/Jahr all-in zu EU-Standardsätzen. Die volle Preisaufschlüsselung liegt in unserem Managed AI agents pricing guide.

Time-to-First-Value

Kosten sind nur die halbe Gleichung. Geschwindigkeit ist meist der größere Faktor für Unternehmen unter 60 Personen.

Einen internen AI-Engineer einzustellen dauert 8–16 Wochen in einem gesunden Markt und 16–24 Wochen in einem engen. Onboarding ergänzt 4–6 Wochen, bevor sie etwas Tragendes ausliefern. Der erste Workflow in Produktion liegt typischerweise bei 12–20 Wochen nach Hiring-Kickoff, das heißt 20–36 Wochen ab dem Moment, in dem Sie entscheiden, das intern zu machen.

Ein Managed-AI-Agents-Service liefert den ersten Mehrwert 4–8 Wochen nach Vertragsunterschrift. Stabiler Betrieb in 12–16 Wochen. Die First-Workflow-Timeline ist 3–5× schneller, fast vollständig deshalb, weil der Anbieter eine funktionierende Plattform mitbringt, einen Operator, der das bereits ausgeliefert hat, und eine Eval-Disziplin, die nicht erst erfunden werden muss.

Wenn Ihre Timeline „wir brauchen das vor der nächsten Vorstandssitzung" oder „wir brauchen das in Produktion vor der Q4-Planung" lautet, ist intern strukturell unmöglich. Managed Services sind die einzige Option, die die Timeline einhält.

Was in welcher Phase bricht

Die Kosten- und Geschwindigkeitszahlen setzen voraus, dass es gut läuft. Tut es meist nicht.

Interne Failure-Modes. Der Engineer, den Sie eingestellt haben, ist mit klassischem ML wohler als mit agentischen Systemen, und die Produktivitätsrampe ist 6 Monate statt 2. Der Produkt-Partner, den Sie zugewiesen haben, macht auch drei andere Dinge, und der Workflow driftet, weil niemand der tägliche Owner ist. Der Modellanbieter kündigt ein Modell ab, und Ihr einziger Engineer wird zum Migrationsteam. Der Engineer geht in Monat 14 und Sie haben einen Workflow, den niemand versteht.

Managed-Service-Failure-Modes. Der Operator, mit dem Sie gestartet sind, rotiert nach 6 Monaten ab und die Vertretung hat den Kontext nicht. Die Plattform des Anbieters trifft Annahmen, die zu Ihrem Workflow nicht passen, und der Anbieter passt nicht an. Die Preise des Anbieters steigen mit Ihrem Wachstum. Der Anbieter wechselt seinen Tech-Stack und Sie erben das Migrationsrisiko. Die Eval-Disziplin des Anbieters ist flach und der Workflow degradiert leise.

Keiner der Pfade ist risikolos. Die ehrliche Formulierung ist, dass intern Risiko auf Hiring und Retention konzentriert; Managed Services konzentrieren Risiko auf Anbieterauswahl und Vertragsstruktur. Ersteres ist im laufenden Betrieb schwieriger zu reparieren; Zweiteres ist einfacher.

Wann intern strukturell gewinnt

Es gibt drei Fälle, in denen intern strukturell die richtige Wahl ist, selbst bei höheren Kosten und langsamerer Timeline.

Der AI-Workflow IST Ihr Produkt. Wenn Ihr Unternehmen ein AI-getriebenes SaaS verkauft, ist die Agent-Logik Ihr Burggraben. Die Konstruktion Ihres Burggrabens an einen Dritten zu vergeben, ist eine seltsame Entscheidung, und die meisten Käufer werden Sie dafür abwerten.

Sie haben fünf oder mehr Produktions-Workflows, die sich berühren. In dieser Größe übersteigt die Integrationssteuer mehrerer Anbieter die Einsparungen, und Sie brauchen eine geteilte Plattformschicht, die ein internes Team bauen kann, ein Anbieter aber nicht.

Sie sind in einer regulierten Umgebung, in der der Workflow bis zur Datenherkunft jedes Prompts auditierbar sein muss. Die meisten Managed Services geben Ihnen diese Tiefe nicht. Ein internes Team schon, weil es muss.

Außerhalb dieser drei ist intern vor Jahr drei selten die bessere ökonomische Entscheidung. Wir entpacken die Frage weiter in Build vs managed AI agents.

Ökonomie in Jahr zwei und drei

Die Kostenlücke zwischen Managed und intern verengt sich über die Zeit. Die Gebühren eines Managed Service skalieren etwa linear mit der Workflow-Anzahl: ein Workflow bei 4k €/Monat, drei Workflows bei 11k €/Monat, sechs Workflows bei 20k €/Monat. Die Fixkosten eines internen Teams (ein Senior Engineer + ein Operator + Tooling) tragen zwei Workflows oder acht mit ähnlichem Overhead — die Grenzkosten des siebten Workflows liegen in Cash-Begriffen nahe null, in Aufmerksamkeit aber hoch.

Der Kreuzungspunkt für ein typisches EU-SaaS oder Dienstleistungsunternehmen liegt bei rund fünf parallelen Produktions-Workflows, die zentral genug sind, um Kontrolle zu rechtfertigen. Darunter gewinnt Managed auf jeder Dimension. Darüber kippt die Mathematik Richtung intern, wenn Sie das Team einstellen, halten und führen können — drei „Wenn", die nicht jedes Unternehmen schafft.

Ein Muster, das wir konsistent sehen: Unternehmen, die zu früh intern gehen, enden mit einem Senior AI Engineer, der einen Produktions-Workflow plus einen Backlog halbfertiger Experimente fährt. Der Engineer langweilt sich, die Experimente werden nicht ausgeliefert, weil die Operator-Kapazität fehlt, und der laufende Workflow wird brüchig, weil niemand Zeit für die Evals hat. Jahr-zwei-Retention auf den AI-Engineer-Hire ist der nachlaufende Indikator dafür, und bis dahin müssen Sie neu rekrutieren.

Der Hybridpfad, den die meisten Unternehmen prüfen sollten

Die ehrliche Antwort für die meisten 15–60-Personen-B2B-Unternehmen ist weder rein intern noch rein outgesourct. Sie lautet: Managed Services für operative Workflows in Jahr eins und zwei, mit einem internen AI-Owner (eine Person, oft der Head of Operations oder ein Senior Engineer mit 30 % seiner Zeit auf AI), der die Anbieterbeziehungen führt und die Disziplin lernt. Wenn Sie fünf oder mehr Workflows erreichen, wird dieser interne Owner zum ersten Hire eines kleinen internen Teams, das die strategischsten Workflows übernimmt, während Managed Services den Rest weiter betreiben.

Das ist kein Hedge. Das ist, was die Kostenkurve und der Talentmarkt 2026 tatsächlich tragen. Die ersten 18 Monate dienen der Validierung, dass AI-Agents für Ihr Geschäft funktionieren; die nächsten 18 Monate dem Entscheid, welche davon differenziert genug sind, um intern zu landen.

Entscheidungsrahmen

Nutzen Sie diesen kurzen Rahmen vor der Entscheidung.

• Sind die Workflows Kern Ihres Produkts oder operativ? Wenn Produkt, neigen Sie zu intern. Wenn operativ, zu Managed.
• Wie viele Workflows in den ersten 12 Monaten? Eins bis drei: Managed. Fünf oder mehr: interner Pfad beginnt Sinn zu ergeben.
• Haben Sie einen internen Owner mit 30 % seiner Zeit? Falls nein, funktioniert keiner der Pfade — fixen Sie das zuerst.
• Können Sie in Ihrer Geografie einen Senior AI Engineer in unter 12 Wochen rekrutieren? Falls nein, ist Managed die einzige realistische Option.
• Wie ist die Timeline? Unter 12 Wochen bis Wert: Managed. Mehr als sechs Monate akzeptabel: beides funktioniert.
• Wie ist das Budget? Unter 200k €/Jahr für AI-Arbeit: Managed. Über 400k €/Jahr und steigend: intern wird tragfähig.

Die meisten unserer Kunden landen in der „Managed jetzt, mit einem internen Owner, der später ein kleines Team aufbaut"-Zone. Das ist die günstigste Lernkurve und sie verbaut nicht die Option, später zu insourcen.

Wo Logitelia hineinpasst

Logitelia läuft als produktisierter Managed Service für Umsatz- und Finanz-Workflows: Monatspauschale pro Workflow, EU-gehostet, voller Export beim Austritt. Wenn Sie Managed gegen intern abwägen und ein 30-minütiges Gespräch zur Phasenpassung wollen, buchen Sie einen Intro-Call. Wir sagen Ihnen, wann intern die bessere Antwort für Ihren Fall ist — dieses Gespräch hat mehr als einmal stattgefunden.

Für den breiteren Käuferrahmen lesen Sie die Säule Wie wählt man 2026 ein AI-Agents-Dienstleistungsunternehmen aus. Für die Lieferseite der Frage siehe Was liefert ein AI-Agents-Dienstleistungsunternehmen wirklich?.