Der Artikel von Sara Nóbrega (Towards Data Science, Mai 2026) adressiert sechs Entscheidungen, die in Universitätskursen selten gelehrt werden, aber in der Praxis den Unterschied machen. Beim Build-vs-Buy-Dilemma zeigt ein Omdia-Survey von 2025 (n=376): 95 % der Befragten sehen mehr Kontrolle beim Selbstbauen, 91 % sehen schnellere Markteinführung bei Plattformen – beides ist gleichzeitig wahr. Unter 100.000 täglichen Anfragen ist API-Nutzung (z. B. GPT-4o Mini) meist sinnvoller; ab einer Million Anfragen fressen Token-Kosten die Marge. Oft übersehen: Personal macht 70–80 % der Selbst-Hosting-Kosten aus, Hardware und Strom nur 20–30 %. Beim Thema Modellkomplexität verweist Nóbrega auf das CACE-Prinzip aus einem bekannten Google-Paper: In ML-Systemen zieht jede Änderung überraschende Folgen nach sich. Datenkomplexität ist dabei teurer als Codekomplexität. Zur Datenqualität: Jenseits eines Rausch-Schwellenwerts stagniert oder verschlechtert sich die Modellleistung durch mehr Daten, wie Forschungsergebnisse belegen. Medizinische KI-Projekte mit kleinen, sorgfältig annotierten Datensätzen schlagen regelmäßig größere, schlechter gelabelte Datenmengen. Der Artikel schließt mit Prompt Engineering vs. Fine-Tuning sowie dem Automatisierungs- vs. Human-in-the-Loop-Trade-off.