AI-Automation im Schweizer E-Commerce: Intern vs. Extern

Zwei Wege zur AI-Automatisierung im Schweizer E-Commerce

Der Vergleich betrifft zwei Wege, um in einem 15-Personen-E-Commerce-Unternehmen in der Schweiz innerhalb von 8 Wochen eine AI-gestützte Automatisierung einzuführen. Option A ist der interne Aufbau: Zwei Entwickler und ein Produktmanager implementieren eine RAG-Pipeline mit pgvector und einem LLM-API-Anbieter, integriert in Google Workspace und das CRM. Option B ist die externe Zusammenarbeit mit einem AI-Studio wie Forfis: Ein fester Scope umfasst Prozess-Audit, Pilotentwicklung, Integration und Managed Operation. Beide Optionen zielen auf die Reduktion der First-Response-Time und die Automatisierung von Back-Office-Aufgaben wie Dokumentenextraktion und Predictive Scoring für das Candidate Screening. Der interne Ansatz nutzt vorhandene Ressourcen, der externe Ansatz bringt spezialisiertes MLOps-Wissen und eine bewährte Architektur mit.

Kriterien für die Bewertung

Die Bewertung erfolgt anhand von sechs Kriterien, die für ein 11-50-Personen-Team in der Schweiz relevant sind. Erstens: Zeit bis zur Produktivität (Time-to-Value). Zweitens: Gesamtkosten (TCO) über 8 Wochen. Drittens: Latenz der AI-Antworten im Ticket-System. Viertens: Vendor Lock-in und Flexibilität der Modellwahl. Fünftens: Compliance und Datenhoheit, auch wenn keine spezifischen Vorschriften gelten. Sechstens: Skalierbarkeit auf weitere Use Cases wie Invoice Processing oder Voice Agents. Diese Kriterien decken die operativen, finanziellen und strategischen Aspekte ab, die für die Entscheidung entscheidend sind.

Vergleichstabelle: Intern vs. Extern

Wann der interne Ansatz gewinnt

Option A gewinnt, wenn das Team bereits Erfahrung mit Python, PostgreSQL und API-Integrationen hat und die 8-Wochen-Timeline als „wünschenswert“ statt „verpflichtend“ betrachtet. Der interne Ansatz bietet volle Kontrolle über den Code und keine laufenden Kosten für ein externes Studio. Allerdings verzögert sich der Start oft, weil die Entwickler parallel zur Produktentwicklung arbeiten müssen. Die Latenz ist vergleichbar, aber die Fehlerquote bei der Prompt-Optimierung ist höher, da kein spezialisiertes MLOps-Team hintersteht. Für ein Team ohne AI-Erfahrung ist Option A riskant, da die 8-Wochen-Marke in 80 % der Fälle überschritten wird.

Wann der externe Ansatz gewinnt

Option B gewinnt, wenn die 8-Wochen-Timeline hart ist und das Team keine AI-Erfahrung hat. Das externe Studio bringt eine bewährte RAG-Architektur mit pgvector und model-agnosticen LLM-Anbindungen mit. Die Integration in Google Workspace und das CRM ist standardisiert und dauert 3 bis 4 Tage statt 2 Wochen. Die Kosten sind vergleichbar, aber der Time-to-Value ist um 2 bis 4 Wochen kürzer. Zudem ist die Architektur skalierbar: Nach dem Piloten können weitere Use Cases wie Invoice Processing oder Voice Agents hinzugefügt werden, ohne die Basis zu ändern. Für ein 15-Personen-Team in der Schweiz ist Option B die risikoärmere Wahl, wenn die First-Response-Time innerhalb von 8 Wochen messbar sinken soll.

Empfehlung für das Schweizer E-Commerce-Team

Für ein 11-50-Personen-E-Commerce-Unternehmen in der Schweiz ohne AI-Erfahrung und mit einer harten 8-Wochen-Timeline ist Option B (externes Studio) die klare Empfehlung. Die Gründe: Erstens, der Time-to-Value ist um 2 bis 4 Wochen kürzer, was die 8-Wochen-Marke realistisch macht. Zweitens, die Kosten sind vergleichbar, aber das Risiko einer Verzögerung ist geringer. Drittens, die model-agnostic Architektur und die standardisierten Integrationen in Google Workspace und CRM reduzieren den Wartungsaufwand. Viertens, die Skalierbarkeit auf weitere Use Cases wie Predictive Scoring für das Candidate Screening und Invoice Processing ist vordefiniert. Option A ist nur sinnvoll, wenn das Team bereits AI-Erfahrung hat und die Timeline flexibel ist.