Werkvertrag: das geschuldete Ergebnis im KI-Projekt

Ein Werkvertrag verpflichtet den Auftragnehmer nach den §§ 631 ff. BGB, ein vereinbartes Werk herzustellen, und den Auftraggeber, es nach der Abnahme zu vergüten. In KI-Projekten ist dieses Werk kein Gegenstand, sondern ein System mit messbarem Verhalten – und dieses Verhalten gehört in das Angebot, bevor die erste Zeile Code entsteht.

Werkvertrag: was das BGB verlangt

Das Gesetz meint mit einem Werk nicht nur körperliche Gegenstände, sondern jeden herbeigeführten Erfolg: eine Software, eine Auswertung, eine Schnittstelle. Entscheidend ist, dass ein Ergebnis geschuldet wird und nicht die Mühe, die dorthin führt. Der Auftragnehmer trägt das Risiko bis zur Abnahme, organisiert die Arbeit selbst und entscheidet, wer sie ausführt.

Drei Punkte muss deshalb jedes Angebot regeln:

• Beschreibung des Werks: Was soll am Ende vorhanden sein, und woran erkennt man es? Ohne diese Beschreibung fehlt der Maßstab für die Abnahme.
• Abnahme: die Erklärung des Auftraggebers, dass das Ergebnis vertragsgemäß ist. Mit ihr wird die Vergütung fällig, und ab ihr laufen die Fristen für Mängelansprüche.
• Mängelrechte: Zeigt sich ein Mangel, steht zuerst die Nacherfüllung an – der Auftragnehmer bekommt die Gelegenheit, nachzubessern.

Der Gegenstand: ein Modell ist kein Möbelstück

Bei einer Datenmigration lässt sich der Erfolg hart prüfen: Der Bestand ist übernommen, die Dubletten sind gezählt, die Summen stimmen. Ein Sprachmodell verhält sich anders. Es liefert für dieselbe Eingabe nicht zwingend dieselbe Ausgabe, und ob eine Antwort brauchbar ist, entscheidet oft das Urteil eines Fachmitarbeiters. Wer den geschuldeten Erfolg dann als „das Modell funktioniert“ beschreibt, hat nichts beschrieben.

Der Ausweg liegt darin, den Erfolg nicht am Modell festzumachen, sondern am System um das Modell herum. Prüfbar sind die Anbindung an die vorhandenen Systeme, die Verarbeitung eines festgelegten Satzes echter Fälle, das Verhalten bei Unsicherheit und die Protokollierung. Das Modell ist ein Bauteil darin, nicht der Vertragsgegenstand. Wie ein solches Vorhaben abläuft, beschreibt der Artikel KI-Implementierung: Ablauf in fünf Phasen.

Abnahme eines Werkvertrags im KI-Projekt

Ein belastbares Abnahmekriterium für ein KI-System besteht aus vier Teilen:

• Testmenge: echte Fälle aus dem Betrieb, vor dem Start gemeinsam ausgewählt, mit der bekannten richtigen Antwort versehen und danach eingefroren. Beide Seiten kennen sie.
• Messgröße: was gezählt wird – korrekt zugeordnete Belege, korrekt erkannte Wissenslücken, Vorgänge ohne manuelle Nacharbeit.
• Schwelle: der Wert, ab dem das Ergebnis als vertragsgemäß gilt, zusammen mit der Regel für alles darunter: Freigabe durch einen Menschen statt automatischer Verarbeitung.
• Verfahren: wer misst, wann gemessen wird, wie das Ergebnis protokolliert wird und was bei Streit über einen Einzelfall gilt.

Aus einem unscharfen Versprechen wird so ein prüfbarer Zustand. Ein Beispiel aus eigenen Projekten: Beim Abgleich von Zahlungseingängen wurden 1 268 Zahlungen offenen Rechnungen zugeordnet, 1 051 davon eindeutig über die Rechnungsnummer; die offenen Posten sanken von 1 725 auf 802, die Dauer eines Abgleichs von 12,3 auf 0,4 Sekunden. Solche Größen lassen sich abnehmen. „Bessere Zuordnung“ lässt sich nicht abnehmen.

Wenn das Ergebnis nicht deterministisch ist

Bleibt die Frage, was gilt, wenn dasselbe System bei zwei Durchläufen leicht unterschiedliche Antworten gibt. Drei Vereinbarungen haben sich bewährt. Erstens wird über die eingefrorene Testmenge im Ganzen bewertet, nicht über einzelne Fälle: Ein einzelner missglückter Fall ist kein Mangel, ein Absinken der Quote über die ganze Menge schon. Zweitens wird der Zufallsanteil bei der Texterzeugung für die Abnahmeläufe auf einen festen Wert gesetzt, damit die Messung wiederholbar ist. Drittens wird festgehalten, dass ein Wechsel des Basismodells beim Anbieter eine erneute Messung auslöst und nicht von allein als Mangel gilt.

Dazu kommt ein Punkt, der gern vergessen wird: woher der Maßstab stammt. Ist die Testmenge zu klein oder stammt sie aus einer untypischen Woche, misst sie nichts. Wer Halluzinationen bei Sprachmodellen in den Griff bekommen will, braucht ohnehin einen solchen Katalog – er dient dann beiden Zwecken.

Typische Fehler bei der Formulierung

• Erfolg ohne Maßstab: „Das System erkennt Rechnungen zuverlässig.“ Zuverlässig ist kein Wert.
• Maßstab ohne Verfahren: Eine Schwelle steht im Vertrag, aber niemand hat vereinbart, wer sie wann misst.
• Testmenge nach dem Start: Werden die Fälle erst gesammelt, wenn das System schon läuft, wählt man unbewusst jene aus, die es ohnehin beherrscht.
• Alles in einem Paket: Analyse, Anbindung und Betrieb als ein einziges Werk – dann hängt die Vergütung des Ganzen am unsichersten Baustein. Getrennte Abschnitte mit eigener Abnahme sind stabiler.
• Rechte unklar: Wem gehören Modelle, Prompts, Testmengen und Zwischenergebnisse? Das gehört in denselben Vertrag wie das Werk.

Wie wir Abnahmekriterien schreiben

Wir beschreiben in jedem Angebot zuerst die Testmenge und die Messgröße, dann das Ergebnis – nicht umgekehrt. Der Auftraggeber sieht vor der Beauftragung, woran wir gemessen werden, und hat Zugriff auf Code, Prompts und Zugänge vom ersten Tag an; geführt wird das Vorhaben von unserer Projektleitung, gearbeitet wird in unseren Umgebungen. Warum diese Trennung nicht nur eine Frage des Stils ist, zeigt die wann ein Vertrag rechtlich anders eingeordnet wird, als er heißt. Zur Ehrlichkeit gehört die Grenze unserer Arbeitsweise: Bei umfangreicher, gleichförmiger Arbeit setzen KI-Werkzeuge unser Tempo deutlich nach oben, bei Architekturentscheidungen entscheidet der Entwickler. Welche Preisform dazu passt, behandelt der Artikel Festpreis oder Tagessatz; die Umsetzung selbst beschreibt die Leistung KI-Implementierung für den Mittelstand.