KI-Tools: SaaS vs. Self-Hosting – Kosten und DSGVO im Vergleich

Wer KI-Tools für sein Unternehmen auswählt, stößt früher oder später auf dieselbe Weggabelung: fertiges SaaS-Tool eines US-Anbieters oder eigene, selbst gehostete Lösung? Die Frage klingt technisch, ist aber vor allem eine aus Kosten, Datenschutz und Kontrolle. Dieser Beitrag ordnet beide Wege anhand von Zahlen, die tatsächlich belegt sind – nicht anhand griffiger Faustregeln.

TL;DR

Laut dem Bitkom Cloud Report 2026 (öffnet in neuem Tab) halten 85 Prozent der befragten deutschen Unternehmen Deutschland für zu abhängig von US-Cloud-Anbietern – ein Anstieg von 78 Prozent im Vorjahr. Gleichzeitig beziehen laut Tagesspiegel/dpa-Bericht (öffnet in neuem Tab) zur selben Studie 71 Prozent der Unternehmen ihre Cloud-Angebote aus den USA, obwohl nur 8 Prozent das tatsächlich bevorzugen würden.
Bei der DSGVO ist ein SaaS-KI-Tool aus Sicht der Aufsichtsbehörden in aller Regel eine Auftragsverarbeitung nach Art. 28 DSGVO – das bedingt zwingend einen Auftragsverarbeitungsvertrag (AVV) mit dem Anbieter (IHK München (öffnet in neuem Tab)).
Self-Hosting löst das Datenabfluss-Problem strukturell: Die Daten verlassen laut PremAI (öffnet in neuem Tab) die eigene Infrastruktur gar nicht erst. Der Preis dafür ist Betriebsaufwand: Hardware, Wartung, Modellauswahl.
Reine API-Kosten für kleinere Sprachmodelle sind niedrig – GPT-4o mini kostet laut OpenAIs offizieller Preisliste (öffnet in neuem Tab) 0,15 US-Dollar pro einer Million Eingabe-Tokens. Self-Hosting rechnet sich laut PremAI vor allem bei hohem, planbarem Volumen, weil Hardware einmalig statt pro Anfrage bezahlt wird.
OpenAI bietet inzwischen Datenresidenz in Europa (öffnet in neuem Tab) für Enterprise-Kunden an – ein Zwischenweg, der SaaS-Komfort mit einer schwächeren Form von Datenkontrolle verbindet.

Warum diese Frage gerade jetzt an Bedeutung gewinnt

Die Abhängigkeit von US-Cloud-Anbietern ist kein abstraktes Thema mehr, sondern messbar gewachsen. Der Bitkom Cloud Report 2026 (öffnet in neuem Tab) hat 603 Unternehmen ab 20 Beschäftigten befragt und kommt zu einem eindeutigen Bild: 85 Prozent der Verantwortlichen halten Deutschland bei Cloud-Technologien für zu abhängig von US-Anbietern, ein Anstieg gegenüber 78 Prozent im Vorjahr. Der Tagesspiegel berichtet unter Berufung auf dieselbe Studie (öffnet in neuem Tab), dass 91 Prozent der Unternehmen einen deutschen Cloud-Anbieter bevorzugen würden – tatsächlich im Einsatz haben aber nur 53 Prozent einen. Bei der Zahlungsbereitschaft für mehr Datensouveränität ist die Kluft besonders deutlich: Nur 12 Prozent der befragten Unternehmen wären laut demselben Bericht bereit, einen 10 bis 20 Prozent höheren Preis für einen Cloud-Dienst zu zahlen, der Daten strikt in Deutschland verarbeitet.

Diese Zahlen beschreiben die Cloud-Nutzung allgemein, nicht speziell KI-Tools – aber sie zeigen die Stimmungslage, in der die Entscheidung SaaS vs. Self-Hosting bei KI-Werkzeugen aktuell getroffen wird.

Was die DSGVO tatsächlich verlangt

Der Einsatz eines SaaS-KI-Tools mit personenbezogenen Daten ist datenschutzrechtlich kein Sonderfall, sondern folgt den etablierten DSGVO-Kategorien. Die IHK München fasst zusammen (öffnet in neuem Tab): Ein KI-Anbieter ist in der Regel Auftragsverarbeiter im Sinne der DSGVO, das Unternehmen, das die KI einsetzt, ist Verantwortlicher. Das bedingt nach Art. 28 DSGVO zwingend einen Auftragsverarbeitungsvertrag zwischen beiden Parteien – ohne AVV ist die Verarbeitung unzulässig, unabhängig davon, wie gut der Dienst technisch abgesichert ist.

Zusätzlich gelten die allgemeinen DSGVO-Grundsätze: Rechtmäßigkeit, Zweckbindung, Transparenz, Datenminimierung. Bei KI-Systemen kommt laut IHK München eine Besonderheit hinzu: Die Grenze zur reinen Auftragsverarbeitung ist überschritten, wenn eingegebene personenbezogene Daten auch zur Verbesserung des Modells selbst verwendet werden – dann verfolgt der Anbieter ein eigenes Interesse an der Verarbeitung, was die rechtliche Einordnung verändert. Genau das ist bei vielen SaaS-KI-Tools im Standardtarif eine offene Frage, die vor dem Einsatz vertraglich geklärt werden muss.

Praktisch heißt das: Ein SaaS-Tool ist nicht automatisch unzulässig, aber es verlangt Sorgfalt beim Vertrag – AVV, Prüfung der Trainingsdatenklausel, gegebenenfalls eine Datenschutz-Folgenabschätzung bei höherem Risiko.

Der Datenresidenz-Zwischenweg

Große Anbieter reagieren auf genau diesen Druck. OpenAI hat Datenresidenz in Europa (öffnet in neuem Tab) für Enterprise-Kunden eingeführt, ergänzt um ein Data Processing Addendum, das laut eigener Dokumentation die Rollen und Pflichten unter der DSGVO klärt. Das löst das Problem des physischen Speicherorts, aber nicht die grundsätzliche Frage der Kontrolle: Die Infrastruktur bleibt beim Anbieter, und der US CLOUD Act kann US-Unternehmen weiterhin zur Herausgabe von Daten verpflichten, unabhängig vom Serverstandort – dieser rechtliche Konflikt zwischen CLOUD Act und DSGVO ist in der Fachdiskussion anerkannt, auch wenn er in der Praxis selten zum offenen Streitfall wird.

Was Self-Hosting an dieser Stelle ändert

Self-Hosting verschiebt die Antwort auf die Datenschutzfrage strukturell: Wenn ein Sprachmodell auf eigener Infrastruktur läuft, verlassen die Daten laut PremAI (öffnet in neuem Tab) das eigene Netzwerk gar nicht erst. Es gibt keine Aufbewahrungsrichtlinie eines Drittanbieters zu prüfen, weil kein Drittanbieter im Datenfluss steht. Für Branchen mit besonders sensiblen Daten – Gesundheitswesen, Finanzwesen, Recht – ist das laut PremAI oft keine Option unter mehreren, sondern eine Compliance-Voraussetzung.

Der Preis dafür ist Betriebsverantwortung. Wer selbst hostet, muss:

ein passendes offenes Modell auswählen (Lizenzfragen prüfen – die meisten aktuellen Modelle wie Llama, Qwen oder Mistral erlauben kommerzielle Nutzung, aber jede Modellfamilie hat eigene Nutzungsbedingungen),
Hardware dimensionieren (GPU-Speicher ist laut PremAI der limitierende Faktor: Als Faustregel braucht ein Modell bei 4-Bit-Quantisierung etwa 0,5 GB VRAM pro Milliarde Parameter),
die Inferenz-Software betreiben und aktuell halten (Ollama für Einzelnutzer und Prototypen, vLLM für produktive Mehrnutzer-Szenarien mit laut PremAI deutlich höherem Durchsatz),
und das Ganze laufend warten – Sicherheitsupdates, Monitoring, Kapazitätsplanung.

Das ist kein Plug-and-Play, sondern ein IT-Projekt mit laufendem Betrieb.

Was es wirklich kostet

Bei den reinen API-Kosten für SaaS-Tools ist die Rechnung zunächst günstig: Nach der offiziellen Preisliste von OpenAI (öffnet in neuem Tab) kostet das kleinere Modell GPT-4o mini 0,15 US-Dollar pro einer Million Eingabe-Tokens und 0,60 US-Dollar pro einer Million Ausgabe-Tokens. Für viele Anwendungen mit moderatem Volumen bleibt das über lange Zeit die günstigere Variante, weil keine eigene Hardware angeschafft werden muss.

Self-Hosting kehrt diese Kostenlogik bei hohem, planbarem Volumen um: Statt pro Anfrage zu zahlen, wird Hardware einmalig oder als laufende Miete bezahlt. GPU-Rechenzeit für größere Modelle liegt laut Lambda (öffnet in neuem Tab) aktuell bei rund 3,29 bis 6,69 US-Dollar pro Stunde für eine H100-GPU – eine Zahl, die sich nur für Organisationen rechnet, die diese Kapazität auch kontinuierlich auslasten. Bei niedrigem oder unregelmäßigem Volumen bleibt eine API in der Regel die kostengünstigere Wahl; erst ab einem bestimmten, unternehmensspezifischen Nutzungsvolumen kippt die Rechnung zugunsten der eigenen Infrastruktur. Eine pauschale Bruchzahl dafür gibt es nicht – sie hängt von Modellgröße, Nutzungsmuster und den eigenen Stromkosten ab.

Entscheidungshilfe

Fragen, die sich vor der Wahl stellen lassen:

Werden personenbezogene oder anderweitig sensible Daten verarbeitet? Falls ja: Ein AVV mit dem SaaS-Anbieter ist Pflicht, keine Option. Prüfen Sie, ob die Trainingsdatenklausel des Anbieters für Ihren Anwendungsfall akzeptabel ist.
Wie hoch und wie planbar ist das Nutzungsvolumen? Niedriges, unregelmäßiges Volumen spricht für eine API mit nutzungsabhängiger Abrechnung. Hohes, konstantes Volumen kann Self-Hosting wirtschaftlich machen.
Ist eigenes IT-Betriebs-Know-how vorhanden oder aufbaubar? Self-Hosting ist kein einmaliges Projekt, sondern laufender Betrieb – Wartung, Updates, Kapazitätsplanung.
Wie kritisch ist physische Datenkontrolle für Ihre Branche oder Kunden? Datenresidenz-Angebote wie das von OpenAI lösen die Standortfrage, nicht die grundsätzliche Kontrollfrage über den CLOUD Act.
Wie zahlungsbereit ist Ihr Unternehmen für mehr Souveränität? Laut Bitkom-Zahlen ist diese Bereitschaft in der Breite gering – umso wichtiger, den Business Case für den eigenen Fall konkret zu rechnen statt sich an allgemeiner Stimmung zu orientieren.

Häufige Fragen

Ist ein SaaS-KI-Tool automatisch DSGVO-widrig?

Nein. Es ist in der Regel eine zulässige Auftragsverarbeitung, sofern ein Auftragsverarbeitungsvertrag nach Art. 28 DSGVO besteht und die üblichen DSGVO-Grundsätze eingehalten werden. Kritisch wird es, wenn eingegebene Daten auch zum Training des Anbieter-Modells verwendet werden – das sollte vertraglich ausgeschlossen oder zumindest transparent geregelt sein.

Ab wann lohnt sich Self-Hosting finanziell?

Es gibt keine allgemeingültige Schwelle. Bei niedrigem oder unregelmäßigem Nutzungsvolumen bleibt eine API in aller Regel günstiger, weil keine Hardware-Investition und kein Betriebsaufwand anfallen. Bei hohem, kontinuierlichem Volumen kann sich die einmalige beziehungsweise laufende Hardware-Miete gegenüber der Pro-Anfrage-Abrechnung rechnen – die genaue Grenze hängt von Modellgröße, Nutzungsmuster und Stromkosten ab und sollte im Einzelfall durchgerechnet werden.

Löst ein europäischer Serverstandort das Datenschutzproblem vollständig?

Er löst die Frage des physischen Speicherorts, nicht die Frage der rechtlichen Zugriffsmöglichkeiten. Der US CLOUD Act kann US-Unternehmen weiterhin zur Datenherausgabe verpflichten, unabhängig vom Serverstandort. Für viele Anwendungsfälle ist Datenresidenz dennoch ein sinnvoller Kompromiss zwischen SaaS-Komfort und Datenkontrolle.

Welche offenen Modelle eignen sich für Self-Hosting?

Laut PremAI kommen je nach Anwendungsfall unterschiedliche Modelle infrage – etwa größere Modelle für allgemeines Reasoning oder kleinere, ressourcenschonende Modelle für begrenzte Hardware. Die passende Wahl hängt von der verfügbaren GPU-Kapazität und dem konkreten Anwendungsfall ab; eine pauschale Empfehlung wäre hier nicht seriös.

Brauche ich für Self-Hosting ein eigenes Rechenzentrum?

Nein. Viele Unternehmen mieten GPU-Kapazität stunden- oder monatsweise bei spezialisierten Anbietern, statt eigene Hardware zu kaufen. Das senkt die Einstiegshürde, ändert aber nichts an der laufenden Betriebsverantwortung für Modell, Software und Sicherheit.

Fazit

Die Entscheidung zwischen SaaS-KI-Tools und Self-Hosting ist keine grundsätzliche Frage von richtig oder falsch, sondern eine, die von Datensensibilität, Nutzungsvolumen und vorhandenem IT-Betriebs-Know-how abhängt. Die Bitkom-Zahlen zeigen eine wachsende Unzufriedenheit mit der US-Cloud-Abhängigkeit in der Breite – aber auch eine geringe Zahlungsbereitschaft, dafür draufzuzahlen. Wer die Entscheidung nicht an der allgemeinen Stimmung, sondern am eigenen Anwendungsfall trifft, kommt an drei Fragen nicht vorbei: Wie sensibel sind die Daten, wie hoch ist das Volumen, und wie viel Betriebsaufwand ist das Unternehmen bereit zu tragen.

Wenn Sie diese Fragen für Ihr Unternehmen konkret durchrechnen wollen, sprechen wir gern darüber, welcher Weg für Ihren Anwendungsfall tragfähig ist.