OpenAI-API in die eigene Software einbauen: Kosten, Datenschutz und Architektur

Die OpenAI-API bauen Sie in die eigene Software ein, indem Ihr Server die Schnittstelle von OpenAI mit einem geheimen API-Schlüssel aufruft und das Ergebnis an Ihre Anwendung weitergibt. Der Browser oder die App Ihrer Nutzer spricht nie direkt mit OpenAI. Dazwischen liegt Ihre eigene Logik: Login prüfen, Limits durchsetzen, Daten vorbereiten, Verbrauch protokollieren. Technisch ist das in wenigen Stunden lauffähig. Was ein Projekt erfolgreich oder teuer macht, entscheidet sich bei Architektur, Kosten und Datenschutz.

Dieser Leitfaden richtet sich an KMU und Gründer, die in einer Web-App, einem internen Werkzeug oder einem SaaS eine KI-Funktion anbieten wollen: Texte zusammenfassen, E-Mails vorformulieren, Dokumente auswerten, Fragen zu eigenen Inhalten beantworten. Er ersetzt keine Rechtsberatung, zeigt aber, welche Fragen Sie vor dem ersten produktiven Aufruf geklärt haben sollten.

ChatGPT und OpenAI-API: nicht dasselbe

ChatGPT ist eine fertige Anwendung, die Mitarbeitende im Browser nutzen und die als Abo bezahlt wird. Die OpenAI-API ist die Schnittstelle zu denselben Modellfamilien, aber ohne Oberfläche. Ihre Software schickt einen Text, die API schickt eine Antwort zurück. Wie Programmierschnittstellen grundsätzlich funktionieren, erklärt API-Schnittstelle erklärt. Abgerechnet wird nach Nutzung: nach der Menge verarbeiteter Tokens, also Textbausteine, getrennt nach Eingabe und Ausgabe und je nach Modell unterschiedlich teuer. Die aktuellen Preise stehen auf der Preisseite von OpenAI; wir nennen hier bewusst keine Beträge, weil sie sich regelmässig ändern.

Wofür sich die API eignet:

• Texte erzeugen und umformulieren: Antwortvorschläge, Produktbeschreibungen, Zusammenfassungen.
• Strukturieren: aus einer freien Kundenanfrage Name, Anliegen, Dringlichkeit und Ort als Felder herauslesen.
• Klassifizieren: eingehende Nachrichten nach Thema oder Priorität sortieren.
• Fragen zu eigenen Inhalten beantworten: mit RAG, also indem relevante Dokumente vorab gesucht und dem Modell mitgegeben werden.
• Werkzeuge aufrufen: das Modell entscheidet, welche Funktion Ihrer Software es braucht, etwa eine Terminabfrage. Das nennt sich Tool Calling.

Die Architektur, die sich bewährt hat

Der häufigste Anfängerfehler ist ein API-Aufruf direkt aus dem Browser. Er funktioniert sofort, und genau das ist das Problem: Der Schlüssel steckt dann im ausgelieferten Code, und jeder, der die Entwicklertools des Browsers öffnet, kann ihn kopieren. Die Rechnung kommt an Sie.

Die saubere Architektur hat vier Schichten:

Was der Server konkret tut

1. Authentifizieren: Nur eingeloggte Nutzer oder berechtigte Kunden dürfen die Funktion aufrufen.
2. Limits prüfen: Hat dieser Nutzer heute schon sein Kontingent verbraucht? Ist die Eingabe zu lang?
3. Anfrage aufbauen: Systemanweisung, relevante Daten und Nutzereingabe zusammensetzen. Die Systemanweisung bleibt auf dem Server, sonst lässt sie sich manipulieren.
4. Aufrufen und absichern: Zeitlimit setzen, Fehler und Überlastung abfangen, bei Ausfall eine verständliche Meldung zeigen statt einer leeren Seite.
5. Antwort prüfen: Wenn die Antwort weiterverarbeitet wird, etwa als strukturierte Daten, das Format validieren, bevor etwas gespeichert oder versendet wird.
6. Protokollieren: Modell, Token-Verbrauch, Nutzer und Dauer speichern, damit Sie Kosten pro Kunde und Fehlerquellen kennen.

Kosten pro Nutzer kontrollieren

Nutzungsabhängige Abrechnung ist fair, aber schwer vorherzusagen. Eine Funktion, die im Test ein paar Rappen kostet, kann im Betrieb mit vielen Nutzern und langen Dokumenten spürbar werden. Für ein SaaS mit KI-Funktion ist das eine Geschäftsfrage: Wenn ein Kunde ein festes Abo zahlt, aber unbegrenzt KI-Anfragen auslösen kann, frisst der intensivste Nutzer die Marge.

Bewährte Hebel:

• Ausgabenlimit im Anbieterkonto: die letzte Sicherung, falls alles andere versagt.
• Kontingente in der eigenen Software: pro Nutzer, pro Mandant und pro Tag. Freundliche Meldung, wenn das Kontingent erreicht ist.
• Modellwahl je Aufgabe: Klassifizieren und Extrahieren gelingen oft mit kleineren, deutlich günstigeren Modellen. Das grösste Modell nur dort, wo es spürbar besser ist.
• Eingaben kürzen: Nur die relevanten Abschnitte eines Dokuments mitschicken statt des ganzen Dokuments. Das senkt Kosten und verbessert oft die Antwort.
• Antwortlänge begrenzen: Ein Maximum an Ausgabe-Tokens setzen.
• Zwischenspeichern: Identische Anfragen, etwa die Zusammenfassung desselben Dokuments, nicht zweimal berechnen.
• Verbrauch pro Kunde auswerten: Erst mit diesen Daten lässt sich ein Abo-Preis seriös festlegen.

Einen breiteren Blick auf KI-Budgets, inklusive Abos und indirekter Aufwände, gibt Was KI wirklich kostet.

Datenschutz: was die OpenAI-Dokumentation sagt

Für Schweizer KMU ist das die heikelste Frage, und sie lässt sich nur mit den aktuellen Dokumenten des Anbieters beantworten. Stand unserer Prüfung am 10.10.2026 sagt die OpenAI-Dokumentation zu Datenkontrollen auf der API-Plattform Folgendes:

• Training: Daten, die seit dem 1. März 2023 an die API gesendet werden, nutzt OpenAI standardmässig nicht zum Training oder zur Verbesserung der Modelle, es sei denn, Sie stimmen dem ausdrücklich zu.
• Missbrauchsüberwachung: Standardmässig entstehen Protokolle, die bis zu 30 Tage aufbewahrt werden, ausser eine längere Aufbewahrung ist gesetzlich vorgeschrieben. Sie können Eingaben und Antworten enthalten.
• Zero Data Retention: Berechtigte Kunden können nach Prüfung und Freigabe durch OpenAI erreichen, dass Inhalte von diesen Protokollen ausgenommen werden. Das ist kein Standard, sondern ein Antrag.
• Datenhaltung in Europa: Seit Februar 2025 können berechtigte API-Kunden für neue Projekte Europa als Region wählen. Die Region wird beim Anlegen des Projekts festgelegt, bestehende Projekte lassen sich nicht umstellen.

Quellen: OpenAI, Plattform-Dokumentation «Your data» und Ankündigung «Introducing data residency in Europe» (Februar 2025). Stand der Prüfung: 10.10.2026. Die Bedingungen ändern sich; vor dem produktiven Einsatz aktuelle Fassung und Auftragsverarbeitungsvertrag prüfen.

Für die eigene Software heisst das praktisch:

• Datensparsam arbeiten: Nur senden, was für die Aufgabe nötig ist. Namen, Adressen oder Gesundheitsdaten lassen sich oft vorher entfernen oder ersetzen.
• Datenschutzerklärung anpassen: Wer Personendaten an einen KI-Anbieter übermittelt, muss das offenlegen, inklusive Empfänger und Land.
• Auftragsverarbeitung regeln: Den Auftragsverarbeitungsvertrag des Anbieters abschliessen und ablegen.
• Besonders schützenswerte Daten: Bei Gesundheits-, Finanz- oder Personaldaten ist eine sorgfältige Prüfung nötig, oft auch die Frage, ob ein europäischer Anbieter oder ein lokal betriebenes Modell besser passt.

Den rechtlichen Rahmen in der Schweiz behandelt KI-Compliance in der Schweiz.

Alternativen zur OpenAI-API

OpenAI ist nicht die einzige Wahl. Je nach Anforderung kommen andere Anbieter oder eigene Modelle in Frage. Wichtig ist, die Software so zu bauen, dass der Anbieter austauschbar bleibt: Die KI-Anbindung gehört in eine eigene Schicht, damit ein Wechsel nicht die ganze Anwendung betrifft. Das schützt auch vor Vendor Lock-in.

• Europäische Anbieter: Eine Einordnung von Mistral finden Sie in Mistral AI: die europäische Alternative.
• Lokale Modelle: Wann ein selbst betriebenes Modell sinnvoll ist und wann nicht, zeigt Lokale LLMs oder Cloud?.
• Andere grosse Anbieter: Einen Vergleich der Assistenten aus Business-Sicht bietet ChatGPT, Claude oder Gemini.

Beispiel: KI-Funktion in einem Kundenportal

Ein Dienstleister bietet Kunden ein Portal, in dem sie Anfragen erfassen. Neu soll eine KI-Funktion freie Beschreibungen in strukturierte Felder übersetzen: Art des Anliegens, Dringlichkeit, Ort, gewünschter Zeitraum. So entsteht ein vollständiger Auftrag, ohne dass jemand nachtelefonieren muss.

Die Umsetzung folgt der Architektur oben: Das Formular schickt den Text an den eigenen Server. Dieser prüft das Login und das Tageskontingent, entfernt Telefonnummern und E-Mail-Adressen aus dem Text, ruft ein kleines Modell mit einer festen Feldstruktur auf und prüft die Antwort gegen diese Struktur. Erst dann zeigt das Portal dem Kunden die vorausgefüllten Felder zur Bestätigung. Der Mensch bestätigt, die KI schlägt vor. Jeder Aufruf wird mit Modell, Tokens und Mandant protokolliert, sodass die Kosten pro Kunde jederzeit sichtbar sind.

Das Beispiel ist bewusst unspektakulär. Gerade solche kleinen, klar begrenzten Funktionen bringen im Alltag oft mehr als ein allgemeiner Chatbot, und sie lassen sich in einem Prototyp schnell prüfen.

Der Weg zur eigenen KI-Funktion

Beginnen Sie mit einer klar umrissenen Aufgabe und echten Beispieldaten. Messen Sie, wie oft die Antwort stimmt, bevor Sie eine Oberfläche bauen. Planen Sie Limits, Protokoll und Datenschutz von Anfang an ein statt nach dem ersten Kostenschreck. Wie wir KI-Funktionen und Agenten in Software einbauen, beschreibt KI-Agent entwickeln lassen; wie wir KI selbst in der Entwicklung einsetzen, zeigt KI-gestützte Entwicklung. Für ein neues Produkt mit KI-Kern beginnt ein Prototyp oder MVP bei CHF 10'000, wie in Proof of Concept, Prototyp oder MVP? beschrieben.

Ob ein Large Language Model eine Aufgabe gut genug löst, lässt sich vorher nicht versprechen, nur prüfen. Genau dafür ist der erste, kleine Schritt da.