Forschungszulage für KI-Entwicklung: Warum Machine Learning fast immer förderfähig ist
Kurzfassung: KI- und Machine-Learning-Projekte erfüllen die FuE-Kriterien der Forschungszulage fast automatisch: Training eigener Modelle ist neuartig, Konvergenz und Generalisierung sind technisch unwägbar, und die Arbeit folgt einem systematischen Entwicklungsprozess. Einzelunternehmer und Freelancer können ab 2026 bis zu 87.360 EUR pro Jahr für ihre KI-Entwicklungsarbeit erhalten.
Du trainierst eigene Modelle, baust Daten-Pipelines oder entwickelst ML-basierte Produkte? Dann ist deine Arbeit mit hoher Wahrscheinlichkeit förderfähig über die Forschungszulage. Das gilt für Freelancer, IT-Berater und Softwareentwickler gleichermaßen. Besonders Freelance-Softwareentwickler mit eigenen ML-Projekten profitieren. KI-Entwicklung ist einer der klarsten Anwendungsfälle des Forschungszulagengesetzes, weil die drei Förderkriterien bei ML-Projekten fast immer erfüllt sind.
Warum KI-Projekte die FuE-Kriterien erfüllen
Die BSFZ prüft drei Kriterien. Bei KI-Entwicklung greifen alle drei besonders deutlich:
Neuartigkeit
Wenn du ein eigenes Modell entwickelst, eine bestehende Architektur für einen neuen Anwendungsfall adaptierst oder eigene Trainingsdaten-Pipelines baust, ist das per Definition neuartig. Entscheidend: Du machst etwas, das über die Konfiguration bestehender APIs hinausgeht.
Förderfähig: Eigene Modellarchitekturen, domänenspezifisches Fine-Tuning mit eigenen Datensätzen, Custom Feature Engineering, neuartige Evaluationsmetriken, Multi-Modal-Ansätze.
Nicht förderfähig: Reine API-Aufrufe an OpenAI/Claude/Gemini, Standard-Konfiguration von SaaS-Tools, Prompt Engineering ohne eigene Modellentwicklung.
Technische Unwägbarkeit
Das ist der stärkste Punkt bei ML-Projekten. Ob ein Modell konvergiert, wie gut es generalisiert, ob die Datenqualität ausreicht, ob Edge Cases behandelt werden können, all das ist vor Projektbeginn nicht vorhersagbar. Genau das meint das FZulG mit “technischer Unwägbarkeit”.
Typische Unwägbarkeiten in KI-Projekten: Modellkonvergenz bei begrenzten Trainingsdaten, Generalisierung auf unsichtbare Domänen, Latenzanforderungen in Echtzeitsystemen, Interpretierbarkeit und Erklärbarkeit, Bias-Erkennung und Fairness.
Planmäßigkeit
ML-Entwicklung folgt einem natürlichen Prozess: Datenbeschaffung, Preprocessing, Feature Engineering, Modellselektion, Training, Evaluation, Deployment. Dieser Ablauf lässt sich direkt in Arbeitspakete übersetzen.
Welche KI-Projekte sind typischerweise förderfähig?
| Projekttyp | Neuartigkeit | Unwägbarkeit | FuE-Potenzial |
|---|---|---|---|
| Eigenes NLP-Modell für Domäne X | Hoch | Hoch | Sehr gut |
| Computer Vision Pipeline | Hoch | Hoch | Sehr gut |
| Recommender-System mit eigenen Features | Mittel-Hoch | Mittel | Gut |
| Anomalie-Erkennung in Zeitreihen | Hoch | Hoch | Sehr gut |
| Eigener Chatbot mit RAG-Architektur | Mittel | Mittel | Gut |
| AutoML-Pipeline für spezifische Domäne | Hoch | Hoch | Sehr gut |
| Federated Learning / Privacy-Preserving ML | Sehr hoch | Sehr hoch | Exzellent |
| Edge-Deployment (TinyML, ONNX) | Hoch | Hoch | Sehr gut |
Du bist unsicher, ob dein KI-Projekt förderfähig ist? Finde es in 2 Minuten heraus: Zum QuickCheck
Was bringt das finanziell?
Ein konkretes Beispiel: Du bist Freelance-ML-Engineer und investierst 60% deiner Arbeitszeit in die Entwicklung eigener Modelle.
| Wert | |
|---|---|
| Dokumentierte FuE-Stunden/Jahr | 1.248 (60% von 2.080) |
| Stundensatz (ab 2026) | 100 EUR |
| Eigenleistung | 124.800 EUR |
| Gemeinkostenzuschlag (20%) | 149.760 EUR Bemessungsgrundlage |
| Fördersatz (35% KMU) | 52.416 EUR Forschungszulage |
Über 52.000 EUR Steuererstattung pro Jahr. Und das für Arbeit, die du sowieso machst. Die genaue Berechnung mit deinen Zahlen kannst du im Rechner durchspielen. Wie die Eigenleistung im Detail berechnet wird, erklärt der separate Beitrag.
Abgrenzung: Was ist FuE, was ist Routine?
Die Grenze verläuft dort, wo die technische Unsicherheit aufhört:
FuE: Du entwickelst einen eigenen Klassifikator für medizinische Bilddaten (mehr dazu auf der Seite Medizintechnik) und weißt nicht, ob die Accuracy für den klinischen Einsatz reicht. Du baust eine Echtzeit-Anomalieerkennung für IoT-Sensordaten und musst herausfinden, welche Architektur bei 100ms-Latenz noch funktioniert.
Keine FuE: Du bindest die OpenAI API an und baust ein Frontend drum. Du konfigurierst ein Standard-ML-Framework mit Default-Parametern. Du deployst ein vortrainiertes Modell ohne eigene Anpassungen.
Die Abgrenzung ist nicht immer trivial. Deshalb formuliere ich den BSFZ-Antrag so, dass die technische Tiefe deiner Arbeit für die Gutachter erkennbar wird.
Rückwirkend beantragen
Du hast in den letzten Jahren KI-Modelle entwickelt, ohne die Forschungszulage zu kennen? Du kannst rückwirkend bis zu 4 Jahre geltend machen. Für 2022 läuft die Frist Ende 2026 ab.
Git-Historien, Experiment-Tracking (MLflow, W&B), Jupyter Notebooks und Dokumentation eigener Modellentwicklung sind starke Nachweise. Ein Stundenzettel ergänzt die technischen Belege.
Lass mich deinen Antrag formulieren
KI-Anträge erfordern eine präzise Balance: technisch genug für die BSFZ-Gutachter, aber nicht so spezialisiert, dass der Überblick verloren geht. Ich formuliere deinen Antrag so, dass Neuartigkeit und Unwägbarkeit klar hervorgehen, ohne GmbH und ohne Angestellte.
Mein Honorar: 0 EUR im Voraus, 15% der ausgezahlten Förderung. Was andere Berater verlangen und welche Honorarmodelle es gibt, kannst du im Vergleich nachlesen.
Schreib mir per WhatsApp oder nutze den QuickCheck.