Forschungszulage für KI & Machine Learning: was förderfähig ist
Kaum ein Feld passt so gut zur Forschungszulage wie KI: Wer Modelle entwickelt, trainiert und an die Grenzen des technisch Machbaren geht, leistet fast per Definition Forschung & Entwicklung. Der Haken: Eine fertige API einzubinden gehört nicht dazu.
KI-Projekte sind ein Paradebeispiel für förderfähige Forschung & Entwicklung — und trotzdem lassen viele Teams die Forschungszulage liegen, weil sie „nur Software” zu bauen glauben. Tatsächlich knüpft die Förderung nicht an ein Schlagwort wie „KI” an, sondern an die Art der Tätigkeit: Wird technische Ungewissheit systematisch überwunden?
Der Kern: technische Ungewissheit
Förderfähig ist KI-Entwicklung, deren Ergebnis zu Beginn nicht absehbar war — wo also unklar ist, ob ein Modell die geforderte Genauigkeit, Robustheit oder Performance überhaupt erreicht. Genau diese Ungewissheit ist im Machine Learning eher die Regel als die Ausnahme: Ob ein Ansatz funktioniert, zeigt sich oft erst nach Experimenten.
Diese KI-Arbeiten zählen typischerweise
- Neue Modelle & Algorithmen — eigene Architekturen, neue Trainingsverfahren, nicht-triviale Anpassungen bestehender Verfahren.
- Modelltraining & Feature-Engineering — eigene Datenpipelines, Datenaufbereitung, Hyperparameter-Suche mit offenem Ausgang.
- Deep Learning für Wahrnehmung — Objekt-, Muster- oder Spracherkennung, Bildverarbeitung, Simulation.
- Optimierung jenseits des Standards — Modelle für Latenz, Edge-Hardware oder Datenknappheit fit machen, wo Standardlösungen scheitern.
Was in der Regel nicht zählt
- Eine fertige KI-API einbinden (z. B. ein bestehendes Sprachmodell per Schnittstelle aufrufen) ohne eigene Modellentwicklung.
- Standard-Anwendersoftware und Informationssysteme, die nur bekannte Methoden und bestehende Tools nutzen.
- Konfiguration oder Anpassung vorhandener Modelle ohne wesentliche Änderung von Struktur oder Verfahren.
- Reines Prompt-Engineering ohne Entwicklung am Modell selbst.
Der Hebel: festhalten, was unklar war
Die Förderfähigkeit scheitert selten an der Arbeit, sondern an der Dokumentation. Halten Sie je Vorhaben fest, welche technische Frage offen war (z. B. „erreichen wir die nötige Trefferquote?”), welche Experimente Sie gefahren haben und wie viel Zeit hineinfloss. Git-Historie, Experiment-Tracking und Sprint-Notizen reichen als Grundlage meist aus.
Kurzes Praxisbeispiel
Ein mittelständisches IT-Unternehmen entwickelt eine Predictive-Maintenance-Plattform, die Sensordaten per Machine Learning auswertet — mit offenem Ausgang, ob die Vorhersagegüte praxistauglich wird. Ein großer Teil der Entwicklungsarbeit fließt in Modelltraining und eigene Pipelines. In vergleichbaren Fällen kommen schnell sechsstellige Beträge zusammen — Forschungszulagen von über 300.000 € sind in solchen KI-Projekten keine Seltenheit.
Die fachliche Bewertung, ob ein Vorhaben als F&E gilt, übernimmt die Bescheinigungsstelle Forschungszulage (BSFZ) — der Rechner hier gibt Ihnen vorab eine schnelle Einschätzung.
Zählt Ihre KI-Entwicklung als F&E?
Der kostenlose Check fragt die richtigen Punkte ab und schätzt Ihr Förderpotenzial als Spanne — in 60 Sekunden, ohne Anmeldung.
Anspruch prüfen →