Projekte, die zuvor die Bewertungsschwellen überschritten haben, werden systematisch als technologische Innovation reklassifiziert. Was ein Gutachter heute sucht, wie man erkennt, ob das eigene Projekt in der Risikozone ist und wann man akzeptieren muss, dass es keine F&E ist.
Bis zur ersten Hälfte des Jahres 2025 war die Einreichung eines Projekts, das künstliche Intelligenz, maschinelles Lernen oder natürliche Sprachverarbeitung umfasste, praktisch gleichbedeutend mit einem stichhaltigen Argument für den Zugang zu öffentlichen F&E-Förderungen, sowohl bei staatlichen als auch bei regionalen oder europäischen Ausschreibungen. Berichte, die prädiktive Modelle, auf maschinellem Lernen basierende Scoring-Systeme, personalisierte Empfehlungs-Engines oder multimodale Analyseplattformen beschrieben, erhielten mit einer gewissen Regelmäßigkeit positive Bewertungen. Die Quote der positiven Bewertungen bei dieser Art von Projekten war angemessen, und das Argument "wir wenden fortschrittliche KI an" diente als ausreichende technische Verankerung.
Ab dem zweiten Halbjahr 2025, und mit vollständiger Konsolidierung im ersten Quartal 2026, hat sich dieses Muster grundlegend geändert. Projekte, die im Wesentlichen denen ähneln, die ein Jahr zuvor als F&E eingestuft worden wären, werden systematisch als technologische Innovation reklassifiziert. Die Transformation ist weder eine administrative Angelegenheit noch eine konjunkturelle Verschärfung der Kriterien. Es ist ein Paradigmenwechsel in der Art und Weise, wie die bewertenden Stellen definieren, was Forschung und Entwicklung im aktuellen technologischen Kontext ausmacht.
Was bis Mitte 2025 als F&E galt
Um die Veränderung zu verstehen, ist es sinnvoll, zunächst die Art von Projekten zu charakterisieren, die in der vorherigen Phase gut angenommen wurden. Die damals erfolgreichen Berichte wiesen mehrere Merkmale auf.
- Sie beschrieben die Entwicklung prädiktiver Modelle, die auf überwachten und unüberwachten Machine-Learning-Techniken basierten, und präsentierten diese als technologische Innovation per se. Die bloße Erwähnung von rekurrenten neuronalen Netzen, LSTM-Modellen, Transformer-Architekturen oder natürlicher Sprachverarbeitung diente als Neuheitsargument, ohne dass nachgewiesen werden musste, dass die spezifische vorgeschlagene Kombination einen konkreten Stand der Technik übertraf.
- Sie bauten den Stand der Technik auf Vergleichen mit kommerziellen Wettbewerbern auf, nicht auf wissenschaftlicher Literatur. Ein Bericht konnte fünf Seiten darauf verwenden, zu erklären, warum das resultierende Produkt dem konkreter Marktunternehmen überlegen wäre, und dies wurde als ausreichende Begründung für die technische Positionierung akzeptiert.
- Sie enthielten produktorientierte Arbeitspläne: Voruntersuchung, Architekturentwurf, Modellentwicklung, Integration, Validierung mit Pilotprojekt und Bereitstellung. Die Struktur ähnelte eher einem Softwareentwicklungsprozess als einem experimentellen Forschungsprojekt, aber dies wurde selten beanstandet.
- Sie begründeten relevante Budgets, einschließlich Lizenzen für kommerzielle Software, Cloud-Dienste, SaaS-Tools von Drittanbietern und in einigen Fällen Kosten für die Nutzung von KI-APIs. Diese Kosten wurden als legitime F&E-Infrastruktur angesehen und ohne weitere Fragen in die Berechnungsgrundlagen der Förderungen einbezogen.
- Und vor allem präsentierten sie die Integration von marktgängigen KI-Funktionen als zentrale technologische Innovation, wobei davon ausgegangen wurde, dass deren Einbindung in einen spezifischen Sektorbereich (Finanzen, Gesundheit, Bildung, Einzelhandel, Logistik) an sich einen vertretbaren F&E-Akt darstellte.
Diese Art von Projekt erhielt üblicherweise positive Bewertungen mit ausreichenden technischen Einschätzungen, um die in jedem Instrument geltenden Schwellenwerte zu überschreiten, insbesondere wenn der Geschäfts- oder Wirkungsaspekt gut aufgebaut war.
Warum sich das geändert hat: Die Reife von LLMs als disruptives Phänomen
Die zugrunde liegende Ursache der Veränderung ist nicht regulatorischer, sondern technologischer Natur. Das Aufkommen und die Konsolidierung kommerzieller großer Sprachmodelle (GPT-4, Claude, Gemini, DeepSeek, Qwen und ihre Open-Source-Äquivalente) hat die Grenze dessen, was Forschung erfordert, massiv verschoben.
Fähigkeiten, die bis 2024 Spitzenforschung waren (mehrsprachiges semantisches Verständnis, Entitätsextraktion in Fachtexten, kontextuelle Klassifizierung, Stimmungsanalyse, Generierung kohärenter Zusammenfassungen, Bild- und Videoverständnis, Audio-Transkription, spezialisierte Übersetzung, Schlussfolgerungen aus strukturierten Daten), sind heute über APIs für wenige Cent pro Abfrage zugängliche Commodities. Die implizite Schlussfolgerung des Gutachters ist klar: Wenn die vorgeschlagene technische Fähigkeit kommerziell verfügbar ist, gibt es keine technische Unsicherheit zu rechtfertigen. Es gibt keine Neuheit zu beweisen. Und daher gibt es im strengen Sinne keine F&E. Es gibt fortgeschrittene Integration, es gibt technologische Innovation, es gibt anspruchsvolle kommerzielle Entwicklung. Aber keine Forschung.
Diese Veränderung ist nicht auf eine einzige Organisation oder den spanischen Rahmen beschränkt. Sie spiegelt eine allgemeine Transformation wider, wie öffentliche Innovationsagenturen, regionale Programme, europäische Rahmenwerke und die administrative Auslegung des Frascati-Handbuchs selbst neu kalibrieren, was sie als F&E in angewandten KI-Projekten für förderfähig halten.
Die neue Bewertungslogik: Was ein Gutachter heute sieht
Der Gutachter verfügt heute über technische Analysefähigkeiten, die er vor zwei Jahren noch nicht hatte. Er kann innerhalb von Minuten überprüfen, ob eine in einem Bericht beschriebene Technik wirklich neuartig oder eine Standardanwendung ist. Er kann überprüfen, ob die vorgeschlagene Algorithmenkombination in der jüngsten Literatur erscheint. Er kann eine Analyse des Stands der Technik zu jedem technischen Teildomain anfordern. Was früher seltenes spezifisches Fachwissen erforderte, ist heute trivial überprüfbar.
Das Ergebnis ist, dass der Anschein technischer Raffinesse nicht mehr als Argument funktioniert. Das Auflisten beeindruckender Technologien schafft keine Glaubwürdigkeit mehr. Es erzeugt paradoxerweise Misstrauen. Wenn ein Bericht Deep Learning, neuronale Netze, Transformer, fortgeschrittenes NLP, skalierbare Cloud-Architekturen und automatisierte Entscheidungs-Engines erwähnt, fragt sich der Gutachter, wo die Eigenentwicklung bleibt. Wenn all das kommerziell verfügbar ist, was wird dann genau erforscht?
Es gibt drei Elemente, die der Gutachter aktiv sucht, um zu bestätigen, ob ein Projekt wirklich F&E oder fortgeschrittene Integration ist.
- Erstens, schaut er sich das Budget an. Wenn Posten für Dienste von OpenAI, Anthropic, Gemini, KI-APIs im Allgemeinen, Token-Kosten, Inferenzkosten, Lizenzen für kommerzielle Plattformen, die das Problem bereits lösen (Scoring-Engines, Identitätsprüfungs-Tools, vorgefertigte KI-Plattformen), auftauchen, entlarvt sich das Projekt selbst als Integration. Die Rechnung ist brutal: Wenn das intelligente Herz des Produkts auf fremder Infrastruktur läuft und nach Verbrauch bezahlt wird, wird keine eigene technische Kapazität aufgebaut.
- Zweitens, sehen Sie sich die technische Beschreibung an. Wenn die Dokumentation explizit kommerzielle KI-Anbieter als zu integrierende Technologie nennt, wenn sie Multi-Anbieter-Architekturen zur Orchestrierung mehrerer kommerzieller LLMs beschreibt, wenn sie die kombinierte Nutzung externer Dienste als Innovation darstellt, fällt das Projekt automatisch aus dem F&E-Rahmen.
- Drittens, sehen Sie sich die Zielformulierung an. Wenn die Ziele vom Typ "ein System entwickeln, das...", "eine Plattform implementieren für...", "Fähigkeiten integrieren von..." sind, handelt es sich um ein Produktprojekt. Gültige F&E-Ziele haben die Form einer Hypothese: "validieren, ob die Kombination X den in der Literatur veröffentlichten Benchmark Y übertrifft und unter den Bedingungen C einen Wert Z in der Metrik W erreicht."
So erkennen Sie, ob ein Projekt in der Risikozone ist
Bevor Sie Mühe in die Ausarbeitung einer F&E-Dokumentation investieren, sei es für eine Ausschreibung, eine direkte Förderung, ein europäisches Programm oder ein anderes öffentliches Anreizinstrument, empfiehlt es sich, einen internen Filter mit vier Fragen anzuwenden. Wenn die ehrliche Antwort auf drei oder mehr davon positiv ist, wird das Projekt im aktuellen Kontext nicht als F&E erfolgreich sein, und die Strategie sollte überdacht werden.
Wird der technische Kern des Projekts durch Aufrufe kommerzieller KI-APIs ausgeführt? Wenn das System funktioniert, indem es Daten an OpenAI, Anthropic, Google oder einen ähnlichen Anbieter sendet und das verarbeitete Ergebnis empfängt, wird der technische Wert nicht intern aufgebaut. Er wird gemietet. Dies ist definitionsgemäß angewandte Innovation, keine Forschung.
Sind die gelisteten "innovativen Technologien" öffentlich zugängliche Techniken mit verfügbarer Dokumentation? Wenn ein kompetenter Entwickler das Beschriebene durch das Lesen von Tutorials und offizieller Dokumentation implementieren kann, gibt es keine technische Grenze zu überschreiten. Random Forest, Gradient Boosting, vortrainiertes BERT, Kubernetes, Apache Kafka, Standard-Convolutional Neural Networks: All dies ist im Jahr 2026 Ingenieurwesen, keine Forschung.
Enthält das Budget signifikante Posten für kommerzielle Software, die das gestellte technische Problem von sich aus löst? Wenn Lizenzen für Plattformen auftauchen, die bereits das leisten, was die Dokumentation als Herausforderung darstellt, widerspricht sich das Projekt selbst. Wenn die Dokumentation vorschlägt, Kredit-Scoring zu erforschen und gleichzeitig Lizenzen für kommerzielle Scoring-Büros budgetiert, erkennt der Gutachter die Inkonsistenz sofort.
Ist der Unterschied zwischen dem Projektergebnis und dem, was ein Wettbewerber durch den Kauf derselben Dienste erreichen könnte, operativ und nicht technisch? Wenn die Antwort ja ist, dass der Unterschied im Go-to-Market, in der Benutzererfahrung, in der Integration mit Geschäftsprozessen oder in der Kundenakquise liegt, ist das Projekt legitim, gehört aber zur Kategorie der angewandten Innovation. Die wettbewerbsorientierte Differenzierung basierend auf Produkt und Markt ist nicht dasselbe wie die technische Differenzierung basierend auf Forschung.
Wie man ein Projekt neu ausrichtet, damit es ein tragfähiges F&E-Projekt wird
Ein Projekt von der "Integration kommerzieller KI" hin zu "Forschung mit eigenem technischen Kern" neu auszurichten, ist nicht immer möglich. Manchmal ist das Projekt schlichtweg angewandte Innovation, und es ist ratsam, es auch so darzustellen, wobei man davon ausgeht, dass die finanziellen Konditionen weniger vorteilhaft, aber realistisch sein werden. Doch wenn sich ein echter technischer Kern unter Schichten von Produktbeschreibungen verbirgt, gibt es konkrete Wege, ihn zum Vorschein zu bringen.
- Die domänenspezifische Einschränkung identifizieren, die die kommerzielle Lösung ungültig macht. Viele Projekte, die wie die Integration kommerzieller LLMs aussehen, haben in Wirklichkeit einen technischen Grund, warum diese Integration nicht funktioniert oder rechtlich nicht umsetzbar ist. Die Gesundheitsvorschriften, die das Senden klinischer Daten an Server Dritter verhindern. Die Echtzeit-Latenzanforderung, die APIs nicht unterstützen. Der spezialisierte Bereich, in dem allgemeine Modelle systematisch versagen, weil sie nicht mit diesem Vokabular oder diesen Strukturen trainiert wurden. Wenn diese Einschränkung besteht, besteht der richtige Ansatz darin, eigene technische Fähigkeiten zu entwickeln, eben weil die kommerziellen Lösungen nicht ausreichen, und das stellt tatsächlich F&E dar.
- Das Projekt auf den proprietären Datensatz konzentrieren, nicht auf die Techniken. Wenn das Unternehmen über einzigartige Daten verfügt (aufgrund jahrelanger Tätigkeit, physischer Integrationen, privilegierten Zugangs, Kundentypen oder eigener Sensoren), muss das Projekt als zentrale Hypothese formulieren, ob diese Daten ausreichend prädiktive Signale enthalten und wie diese mittels spezifischer Methodik extrahiert werden können. Die Techniken können Standard sein, aber die Neuheit liegt in der Kombination aus Datensatz, Methodik und Ergebnis, die kein Wettbewerber durch den Kauf von APIs replizieren kann.
- Den Stand der Technik auf wissenschaftlicher Literatur aufbauen, nicht auf Wettbewerbern. Tragfähige F&E-Berichte zitieren Papers von IEEE, ACM, Fachzeitschriften, aktuelle Preprints auf arXiv. Sie basieren nicht auf Marktanalysen von Wettbewerbsunternehmen. Diese scheinbar formale Disziplin vermittelt dem Gutachter, dass das Team seinen Vorschlag im Hinblick auf die tatsächliche technische Grenze positioniert hat, nicht im Hinblick auf das kommerzielle Umfeld.
- Budgetposten streichen, die auf Integration hindeuten. Kommerzielle KI-APIs, Lizenzen für SaaS-Plattformen, die das Problem lösen, die Kosten für Tokens und Inferenz: all dies muss aus dem F&E-Budget gestrichen werden. Wenn sie für das Endprodukt unerlässlich sind, sind dies operative Kosten nach dem Projekt, keine Forschungskosten. Sie im Budget zu belassen, liefert dem Gutachter den Beweis, dass das Projekt eine Integration ist.
- Das echte technische Risiko explizit machen. Ein tragfähiges F&E-Projekt birgt glaubwürdige Risiken, die die technische Entwicklung scheitern lassen können. "Es ist möglich, dass die vorgeschlagenen Variablen nach Kontrolle durch traditionelle Variablen keine signifikante inkrementelle Vorhersagekraft liefern." "Es ist unklar, ob die vorgeschlagene Architektur unter realen Lastbedingungen Latenzen unterhalb des erforderlichen Schwellenwerts aufrechterhalten kann." "Die Generalisierung des Modells zwischen Subpopulationen ist möglicherweise nicht gültig und erfordert ein spezifisches erneutes Training." Diese Risiken vermitteln, dass es eine reale Unsicherheit gibt, die die Forschung zu reduzieren beabsichtigt.
- Die Zusammenarbeit mit Forschungszentren in Betracht ziehen. Eine formelle Zusammenarbeit mit einer Universität, einer öffentlichen Forschungseinrichtung oder einem Technologiezentrum verleiht dem Projekt als authentisches F&E-Projekt Glaubwürdigkeit, insbesondere wenn sie methodische Fähigkeiten einbringt, die das Unternehmen allein nicht besitzt. Diese Art der Zusammenarbeit wird bei praktisch allen öffentlichen Förderinstrumenten positiv bewertet.
Wann man akzeptieren sollte, dass ein Projekt Innovation und keine F&E ist
Es gibt einen Punkt, den man ehrlich anerkennen sollte: Die meisten Unternehmensprojekte, die 2026 KI integrieren, sind keine F&E, und das mindert weder ihren Wert noch ihre Legitimität. Instrumente, die für technologische und angewandte Innovation konzipiert wurden, sind genau für Projekte gedacht, die ausgereifte Technologien in Produktionsprozesse oder kommerzielle Produkte mit moderatem technischem Risiko integrieren, wie zum Beispiel die LIC-Linie von CDTI.
Das Beharren darauf, als F&E darzustellen, was das System bereits als angewandte Innovation eingestuft hat, führt zu Ressourcenverschwendung bei der Erstellung von Berichten, die nicht erfolgreich sein werden; zu Verzögerungen bei der Finanzierungsbeschaffung, da jeder Ablehnungs- und Neuantragszyklus Monate hinzufügt; und zu einem Glaubwürdigkeitsverlust bei den bewertenden Stellen, wenn sich Herabstufungen häufen.
Der Trend geht weiter
Die Verschärfung der F&E-Kriterien bei KI-Projekten ist weder vorübergehend noch reversibel. Kommerzielle Modelle werden sich weiter verbessern, was bedeutet, dass die Grenze dessen, "was als Forschung zählt", sich weiter nach oben verschieben wird. Fähigkeiten, die heute noch als Spitzenleistung gelten (spezialisiertes Fine-Tuning, autonome Agenten in komplexen Domänen, Schlussfolgerungen aus multimodalen Daten), werden in achtzehn bis vierundzwanzig Monaten zu Commodities werden.
Die nachhaltige Strategie für Unternehmen, die bei KI-Projekten auf öffentliche Finanzierung angewiesen sind, besteht darin, nicht-replizierbare technische Assets durch die Nutzung von APIs aufzubauen. Dies bedeutet im Wesentlichen einzigartige Daten, tiefgreifendes Domänenwissen, das sich in spezifischer Methodik niederschlägt, physische Integrationen mit Hardware oder Sensoren, Präsenz in regulierten Sektoren mit Einschränkungen, die die Nutzung kommerzieller Modelle verhindern, oder die Fähigkeit, Computerwissenschaft zu betreiben, die über das Prompt Engineering hinausgeht. Alles andere, so ausgeklügelt das Endergebnis auch erscheinen mag, wird zunehmend als technologische Innovation und immer weniger als F&E eingestuft werden.
Wenn Sie Zweifel haben, ob Ihr Projekt als F&E oder technologische Innovation einzustufen ist, oder wenn Sie bewerten möchten, wie Sie Ihren Antrag vor der Einreichung bei einer Ausschreibung neu ausrichten können, können wir dies gerne mit Ihnen besprechen. Bei Intelectium verwalten wir seit 21 Jahren solche Projekte und wissen aus erster Hand, wie die Behörden heute bewerten. Schreiben Sie uns an dealflow@intelectium.com
