Forschungszulage für KI- und Machine-Learning-Projekte.

Sind KI-Projekte förderfähig?

Häufig ja. Machine Learning ist von Natur aus experimentell: Ob ein Modell die geforderte Genauigkeit erreicht, welche Architektur funktioniert und welche Daten dafür nötig sind, steht zu Beginn selten fest. Genau diese technische Unwägbarkeit verlangt die Forschungszulage.

Die Grenze verläuft zwischen KI entwickeln und KI anwenden. Wer ein bestehendes Sprachmodell per Schnittstelle anbindet, löst meist eine Integrationsaufgabe. Wer eigene Modelle, Trainings- oder Evaluationsverfahren entwickelt, betreibt oft Forschung und Entwicklung.

Was bei KI typischerweise förderfähig ist

• Eigene Modellarchitekturen oder wesentliche Anpassungen bestehender Architekturen für ein neues Problem
• Neue Trainingsverfahren, z. B. für kleine, unausgewogene oder verrauschte Datensätze
• Evaluationsmethoden für Anwendungsfälle, für die es keine etablierten Metriken gibt
• Datenpipelines und Vorverarbeitung an der Grenze des technisch Machbaren, etwa für Echtzeit- oder Sensordaten
• KI auf eingeschränkter Hardware (Edge AI), bei der Genauigkeit und Ressourcen neu austariert werden müssen
• KI in Maschinen und Anlagen, etwa für vorausschauende Wartung, optische Qualitätsprüfung oder selbstoptimierende Prozessregelung – mehr unter Forschungszulage im Maschinenbau
• Fine-Tuning und Retrieval-Verfahren, wenn offen ist, ob die geforderte Qualität überhaupt erreichbar ist – und das systematisch untersucht wird

Was meist nicht reicht

• Ein bestehendes Modell über eine Standard-API in ein Produkt einbinden
• Prompts für einen Chatbot schreiben und optimieren, ohne systematische technische Fragestellung
• Fertige AutoML- oder No-Code-Werkzeuge auf eigene Daten anwenden
• Dashboards und Oberflächen rund um ein KI-Modell

Auch hier gilt: Ein Produkt kann beides enthalten. Die Anbindung ist Routine, die Entwicklung eines neuen Verfahrens zur Qualitätsprüfung der Modellausgaben vielleicht nicht. Mehr zur Abgrenzung bei Software steht unter Forschungszulage für Softwareentwicklung.

Wie ihr die Unwägbarkeit belegt

Bei KI-Vorhaben lässt sich die technische Ungewissheit besonders gut zeigen, wenn ihr sie konkret macht:

• Zielgröße: Welche Genauigkeit, Latenz oder Robustheit muss erreicht werden – und warum reichen bekannte Modelle dafür nicht?
• Hypothesen: Welche Ansätze wurden geprüft, welche verworfen und warum?
• Experimente: Wie wurde gemessen? Welche Baselines gab es?

Welche Kosten in KI-Projekten zählen

Förderfähig sind vor allem die Personalkosten von Data Scientists, ML-Engineers und Entwicklern, anteilig für ihre Zeit im Vorhaben. Externe Forschungsleistungen zählen als Auftragsforschung mit 70 % des Entgelts. GPU-Server, die ausschließlich im Vorhaben eingesetzt werden und dafür erforderlich sind, können über die Abschreibung berücksichtigt werden. Rechenzeit in der Cloud ist kein eigener Kostenposten, wird für Vorhaben ab 2026 aber über die 20-%-Gemeinkostenpauschale teilweise abgedeckt. Wie viel insgesamt zusammenkommt, zeigt der Forschungszulage-Rechner.

Tipps für den Antrag

1. Beschreibt das technische Problem, nicht den Anwendungsfall oder das Geschäftsmodell.
2. Benennt den Stand der Technik konkret: welche Modelle und Verfahren es gibt und wo sie versagen.
3. Trennt das Vorhaben sauber von Produktarbeit wie Oberflächen, Integration und Betrieb.
4. Ordnet die Arbeitszeit der Beteiligten nachvollziehbar dem Vorhaben zu.

Der vollständige Ablauf steht unter Forschungszulage beantragen.

Weiterlesen