Python Entwicklung: Agentur oder Freelancer beauftragen?
Der Berliner Python-Entwickler, den Sie letztes Jahr noch für 85€/Stunde bekommen haben? Der nimmt jetzt 120€ — wenn er überhaupt Zeit hat. Die Django-Agentur, die Ihnen vor zwei Jahren ein Angebot gemacht hat? Die macht jetzt nur noch KI-Projekte ab 100k Mindestbudget. Willkommen im Python-Markt 2024/25, wo die Nachfrage nach erfahrenen Entwicklern die Verfügbarkeit um Faktor 3 übersteigt.
Diese Zahlen sind keine Übertreibung. Wir sehen sie jeden Tag in unseren Gesprächen mit Mittelständlern: Ein Maschinenbauer aus Stuttgart sucht seit vier Monaten einen Python-Entwickler für sein Predictive-Maintenance-Projekt. Ein E-Commerce-Unternehmen aus Hamburg hat drei Freelancer verschlissen, bevor es zu uns kam. Die Entscheidung "Agentur oder Freelancer" ist 2024 keine Geschmacksfrage mehr — es geht um die Frage, ob Ihr Projekt überhaupt startet.
Warum ist die Lage so angespannt? Drei Faktoren treffen aufeinander: Erstens hat die KI-Revolution jeden zweiten Mittelständler aufgeweckt — plötzlich will jeder "was mit KI machen". Zweitens ist Python die Lingua Franca der KI-Entwicklung geworden. Und drittens haben die großen Tech-Unternehmen die Gehälter so hochgetrieben, dass ein Senior Python Developer in Berlin locker 95.000€ plus Aktien verlangen kann. Als Mittelständler konkurrieren Sie nicht mehr nur mit anderen Mittelständlern um Talent — Sie konkurrieren mit Google, Amazon und jedem gut finanzierten Startup.
Der deutsche Python-Markt: Zahlen, die wehtun
Schauen wir uns die harten Fakten an. Laut Stack Overflow Developer Survey 2024 ist Python die zweitbeliebteste Programmiersprache in Deutschland — aber nur 12% der Entwickler haben mehr als 5 Jahre Erfahrung damit. Bei Django sind es sogar nur 7%. Das bedeutet: Der Pool an wirklich erfahrenen Python-Entwicklern ist winzig.
Die Stundensätze? Ein Junior Python-Freelancer nimmt 60-80€. Klingt fair, aber für Ihr KI-Projekt brauchen Sie keinen Junior. Ein Senior mit Django- und ML-Erfahrung? 100-150€ sind Standard, in Berlin gehen die Spitzenkräfte bis 180€. Agenturen kalkulieren zwischen 120-200€ pro Entwicklerstunde, je nach Seniorität des eingesetzten Teams.
Typische Projektgrößen im deutschen Mittelstand: Eine Django-basierte Webanwendung mit grundlegenden Features startet bei 30.000€. Sobald KI ins Spiel kommt — ein Recommender System, eine intelligente Dokumentenverarbeitung, ein Chatbot mit RAG — sind Sie schnell bei 80.000-150.000€. Große Transformationsprojekte, bei denen Legacy-Systeme durch moderne Python-Architekturen ersetzt werden? 200.000€ aufwärts, Laufzeit 6-12 Monate.
Das Problem ist nicht nur das Geld. Es ist die Verfügbarkeit. Ein Recruiter erzählte uns letzte Woche: "Für eine Senior Python/Django Position bekomme ich 3 qualifizierte Bewerbungen. Vor zwei Jahren waren es 20." Die guten Leute sind entweder fest angestellt, arbeiten für internationale Remote-Unternehmen oder haben ihre Stundensätze so hochgeschraubt, dass nur noch Enterprise-Kunden sie sich leisten können.
Agentur-Modell: Die Maschine, die liefert
Eine Python Agentur ist keine Ansammlung von Freelancern mit gemeinsamer Rechnung. Es ist ein eingespieltes System mit klaren Prozessen, definierter Qualitätssicherung und — ganz wichtig — Redundanz.
Bei e-laborat arbeiten wir beispielsweise immer mit mindestens zwei Entwicklern pro Projekt. Nicht weil wir das Geld der Kunden verbrennen wollen, sondern weil wir aus Erfahrung wissen: Der beste Python-Entwickler der Welt wird auch mal krank, hat Urlaub oder bekommt ein Angebot, das er nicht ablehnen kann. Mit dem Zwei-Entwickler-Prinzip bleibt das Projektwissen immer im Team.
Die Team-Struktur einer professionellen Python-Agentur für KI-Projekte sieht typischerweise so aus: Ein Technical Lead (Senior Python Developer mit Architektur-Erfahrung), ein bis zwei Python Backend-Entwickler, ein ML Engineer für die KI-Komponenten, ein Data Scientist für Modell-Entwicklung und -Optimierung. Dazu kommt ein Project Manager, der die Kommunikation zum Kunden übernimmt. Klingt nach Overhead? Ist es auch — aber es ist der Overhead, der dafür sorgt, dass Ihr Projekt pünktlich und im Budget fertig wird.
Qualitätssicherung in einer Agentur bedeutet: Code Reviews sind Standard, nicht optional. Jede Zeile Code, die in Production geht, haben mindestens zwei Augenpaare gesehen. Automatisierte Tests? Selbstverständlich. CI/CD Pipeline? Wird am ersten Tag aufgesetzt. Dokumentation? Ist Teil der Definition of Done, nicht das, was man macht, wenn noch Zeit übrig ist.
Besonders bei KI/ML-Projekten zeigt sich der Agentur-Vorteil: Datenschutz und Compliance sind keine Nebensache, sondern integral im Prozess. Wir haben einen Datenschutzbeauftragten, der jeden KI-Anwendungsfall prüft. Ist das Training des Modells DSGVO-konform? Wo werden die Daten gespeichert? Welche Lösch-Konzepte gibt es? Ein Freelancer mag technisch brillant sein — aber hat er diese Prozesse?
Langfristige Wartung ist der unterschätzte Faktor. Ihr Django-Projekt ist fertig, läuft in Production — und dann? Django released alle vier Monate eine neue Version. Python Updated. Ihre Dependencies haben Sicherheitslücken. Mit einer Agentur haben Sie einen Partner, der SLAs anbietet, ein Ticket-System betreibt und im Notfall innerhalb von 4 Stunden reagiert. Versuchen Sie mal, Ihren Freelancer im Urlaub zu erreichen.
Freelancer: Der Spezialist, wenn die Sterne richtig stehen
Freelancer sind keine schlechte Wahl per se. Sie sind eine spezifische Wahl für spezifische Situationen. Der Django-Experte, der seit 10 Jahren nichts anderes macht? Gold wert — wenn Sie genau Django-Expertise brauchen und sonst nichts.
Die Verfügbarkeit ist das erste Problem. Gute Python-Freelancer sind ausgebucht. Nicht für die nächsten zwei Wochen — für die nächsten sechs Monate. Wenn Sie einen finden, der sofort anfangen kann, fragen Sie sich: Warum hat der gerade Zeit? Die ehrliche Antwort ist oft: Weil er nicht gut genug ist für die ausgebuchten Tagessätze.
Spezialisierungen bei Freelancern sind Fluch und Segen zugleich. Sie bekommen Deep Expertise in einem Bereich — Django, FastAPI, Data Science mit PyTorch. Aber sobald Ihr Projekt breiter wird, brauchen Sie einen zweiten, dritten Freelancer. Und dann managen Sie plötzlich ein loses Team ohne gemeinsame Prozesse, Tools oder Kommunikationskultur.
Integration in bestehende Teams? Theoretisch einfach — Zugänge einrichten, Onboarding, los geht's. Praktisch? Ihr internes Team nutzt Jira, der Freelancer schwört auf Linear. Ihr Team macht Daily Standups, der Freelancer arbeitet asynchron. Ihr Team dokumentiert in Confluence, der Freelancer schreibt Markdown in Git. Drei Monate später haben Sie zwei Teams, die aneinander vorbei arbeiten.
Der Wissenstransfer ist die Achillesferse jedes Freelancer-Projekts. Wenn der Freelancer geht — und er wird gehen, es ist sein Geschäftsmodell — was bleibt dann? Im besten Fall sauberer, dokumentierter Code. Im realistischen Fall? Code, der funktioniert, aber den niemand versteht. "Bus Factor 1" nennen wir das: Wenn der Freelancer vom Bus überfahren wird, ist das Wissen weg.
Risikomanagement bei Freelancern bedeutet vor allem: Verträge, die greifen. Kündigungsfristen, die beide Seiten schützen. IP-Klauseln, die klar regeln, wem der Code gehört. Haftungsregelungen für den Fall, dass der OAuth-Flow, den der Freelancer gebaut hat, gehackt wird. Geheimhaltungsvereinbarungen, die auch nach Projektende gelten. Klingt nach Anwaltskram? Ist es auch — und es ist der Kram, den Sie brauchen, wenn es schiefgeht.
KI-spezifische Entscheidungskriterien: Hier trennt sich die Spreu vom Weizen
KI-Entwicklung ist nicht einfach "Python-Entwicklung mit fancy Libraries". Es ist ein komplett anderes Spiel mit eigenen Regeln, Risiken und Anforderungen.LLM-Integration klingt einfach: OpenAI API Key, drei Zeilen Python, fertig ist der Chatbot. Die Realität? Prompt Engineering, das tatsächlich funktioniert. Token-Kosten-Optimierung, damit Ihr Chatbot Sie nicht arm macht. Fallback-Strategien für wenn die API down ist. Und vor allem: RAG-Systeme, die Ihre Unternehmensdaten sinnvoll einbinden, ohne sie an OpenAI zu verfüttern.
Ein Freelancer kann Ihnen einen Proof of Concept bauen, der beeindruckt. Aber kann er auch ein RAG-System designen, das mit 100.000 Dokumenten performant bleibt? Kann er Vector Stores so optimieren, dass die Retrieval-Qualität bei 95% liegt? Kann er ein Monitoring aufsetzen, das Ihnen sagt, wann das LLM halluziniert?
Datenschutz bei KI-Projekten ist kein Nice-to-have, es ist ein Must-have. Ihre Kundendaten ins GPT-4 Training zu füttern? DSGVO-Verstoß. Personenbezogene Daten in Embeddings zu speichern? Rechtliche Grauzone. Die Lösch-Anfrage eines Kunden umzusetzen, wenn seine Daten in einem Fine-tuned Model stecken? Technisch unmöglich.
Eine spezialisierte Agentur hat diese Probleme schon zehnmal gelöst. Wir nutzen Azure OpenAI mit europäischen Rechenzentren. Wir bauen Abstraktions-Layer, die PII (Personally Identifiable Information) filtern, bevor sie ans LLM gehen. Wir designen Architekturen, bei denen das Löschen von Kundendaten tatsächlich möglich ist.
Skalierbarkeit von ML-Modellen ist der Punkt, an dem viele Projekte scheitern. Der Prototype funktioniert super mit 100 Anfragen am Tag. In Production sind es 10.000. Plötzlich explodieren die Kosten, die Latenz geht durch die Decke, und die Accuracy dropped, weil das Modell mit echten Daten anders performt als mit Testdaten.
Ethische KI-Entwicklung — klingt nach Buzzword-Bingo, ist aber geschäftskritisch. Ihr Recruiting-Algorithmus diskriminiert gegen Frauen? Lawsuit incoming. Ihr Chatbot gibt medizinische Ratschläge? Haftungsrisiko. Ihre Predictive-Maintenance-KI empfiehlt unnötige Wartungen? Vertrauensverlust beim Kunden.
Die Entscheidungsmatrix: Zahlen statt Bauchgefühl
Nehmen wir ein konkretes Beispiel: Ihr Projekt ist eine KI-gestützte Dokumentenverarbeitung für Ihre Buchhaltung.
Scoring (1-5, höher ist besser für das jeweilige Modell):
- Projektkomplexität (25%): Agentur 5, Freelancer 2 → Mehrere Komponenten (OCR, NLP, Integration)
- Budget (20%): Agentur 2, Freelancer 4 → 120k vs 70k
- Zeitrahmen (20%): Agentur 4, Freelancer 3 → 4 Monate vs 6 Monate
- Risikotoleranz (15%): Agentur 5, Freelancer 2 → Geschäftskritisch
- Teamintegration (10%): Agentur 4, Freelancer 3 → Standardprozesse vs Einzelkämpfer
- Wartung (10%): Agentur 5, Freelancer 1 → SLA vs "best effort"
Die Agentur gewinnt klar, obwohl sie teurer ist. Warum? Weil bei geschäftskritischen KI-Projekten die Komplexität und das Risiko die Kostendifferenz mehr als aufwiegen.
Fallstudien: So lief es wirklich
Fall 1: E-Commerce-Unternehmen, Django-MigrationEin Berliner Fashion-Retailer, 50 Mio. Jahresumsatz, Legacy-PHP-System. Entscheidung für Agentur nach gescheitertem Freelancer-Versuch.
Der erste Freelancer (85€/h) hatte nach drei Monaten ein Django-Grundgerüst stehen. Dann bekam er ein besseres Angebot. Der zweite Freelancer (95€/h) wollte alles neu machen — "der Code vom Vorgänger ist Müll". Nach sechs Monaten und 70k Budget: Neustart mit einer Django Agentur.
Die Agentur (140€/h Blended Rate) lieferte in vier Monaten: Vollständige Migration, Zero-Downtime-Deployment, Performance-Optimierung (Seitenladezeit von 3,2s auf 0,8s). Gesamtkosten: 180k. Teurer? Ja. Fertig? Auch ja.
Fall 2: Maschinenbauer, Predictive MaintenanceSchwäbischer Mittelständler, 1.200 Mitarbeiter, will Wartungskosten senken. Freelancer-Team: Ein Data Scientist (120€/h), ein Python-Entwickler (90€/h), koordiniert vom internen IT-Leiter.
Nach acht Monaten: ML-Modell funktioniert im Lab (87% Accuracy), aber keine Production-ready Lösung. Probleme: Keine einheitliche Architektur, Daten-Pipeline instabil, kein Monitoring. Übergabe an Agentur zur "Productionization": Weitere 120k, drei Monate.
Learning: Freelancer-Teams funktionieren, wenn Sie selbst die Projektleitung übernehmen können. Sonst wird's teurer als die Agentur.
Fall 3: Finanzdienstleister, Compliance-AutomationFrankfurter FinTech, 5 Mio. AuM, braucht automatisierte Compliance-Prüfung. Direkt zur Agentur wegen Regulatorik-Komplexität.
Projekt: Python-basiertes System, das Transaktionen gegen Sanctions-Listen prüft, verdächtige Muster erkennt, Reports generiert. Besonderheit: BaFin-konforme Dokumentation, Audit-Trail, Vier-Augen-Prinzip in der Software abgebildet.
Kosten: 250k, Laufzeit: 6 Monate. ROI nach 14 Monaten durch eingesparte Compliance-Mitarbeiter und vermiedene Strafen. Mit Freelancern? "Hätten wir uns nicht getraut", sagt der CTO.
Checklisten für die Praxis
Agentur-Auswahlkriterien:- [ ] Mindestens 10 Entwickler (sonst ist es keine echte Redundanz)
- [ ] Nachweisbare Python/Django-Projekte der letzten 12 Monate
- [ ] Festpreisangebot möglich (zeigt Erfahrung in Projektschätzung)
- [ ] Code-Beispiele und Case Studies auf GitHub/Website
- [ ] Strukturierter Entwicklungsprozess (Agile, aber nicht religiös)
- [ ] SLA für Wartung/Support verfügbar
- [ ] Datenschutzbeauftragter vorhanden
- [ ] Versicherung für IT-Projektrisiken
- 🚩 Sofort verfügbar ohne Begründung
- 🚩 Keine Referenzen der letzten 6 Monate
- 🚩 "Ich kann alles" — Full-Stack plus DevOps plus KI
- 🚩 Keine Fragen zu Ihren bestehenden Systemen
- 🚩 Stundensatz deutlich unter Markt (unter 70€ für Senior)
- 🚩 Kein eigener Standardvertrag vorhanden
- 🚩 Ablehnung von Code Reviews oder Pair Programming
- 🚩 "Dokumentation mache ich am Ende"
- Kündigungsfrist beidseitig max. 4 Wochen
- IP-Rechte gehen mit Zahlung auf Auftraggeber über
- Quellcode-Hinterlegung bei langfristigen Projekten
- Konventionalstrafen bei Datenschutzverletzungen
- Haftungshöchstgrenzen definiert
- Change-Request-Prozess festgelegt
- Definition of Done schriftlich fixiert
- Schweigepflicht auch nach Projektende
So geht's jetzt weiter
Die Entscheidung zwischen Agentur und Freelancer ist keine Glaubensfrage — es ist eine Projektmanagement-Entscheidung. Fragen Sie sich:
Wie geschäftskritisch ist das Projekt? Wenn die Antwort nicht "völlig unkritisch" ist, tendiert die Waage zur Agentur.
Haben Sie interne Ressourcen für Projektmanagement? Wenn nicht, wird das Freelancer-Modell zur Kostenfalle.
Brauchen Sie das System länger als 12 Monate? Dann zahlt sich die Anfangsinvestition in eine Agentur-Partnerschaft aus.
Der häufigste Fehler, den wir sehen: Unternehmen starten mit einem Freelancer, um Geld zu sparen. Nach 6-12 Monaten wechseln sie zur Agentur — und zahlen doppelt, weil vieles neu entwickelt werden muss.
Unser Rat: Definieren Sie zuerst Ihre Nicht-Verhandelbaren. Fester Zeitrahmen? Regulatorische Anforderungen? Langfristige Wartung? Je mehr davon zutrifft, desto klarer die Agentur-Entscheidung.
Bei e-laborat kennen wir beide Welten. Wir haben als Freelancer angefangen, sind zur Agentur gewachsen. Wir arbeiten auch mit Freelancern zusammen, wenn es passt. Manchmal sagen wir Kunden sogar: "Für dieses Projekt brauchen Sie keine Agentur."
Wenn Sie unsicher sind, was für Ihr Python- oder KI-Projekt der richtige Weg ist: Reden wir darüber. 30 Minuten Video-Call, kostenlos, ohne Verkaufsdruck. Wir schauen uns Ihre Situation an und geben eine ehrliche Einschätzung — auch wenn die Empfehlung "Freelancer" lautet.
Kostenloses Beratungsgespräch buchen →