Kurzfassung: KI- und Machine-Learning-Projekte erfüllen die FuE-Kriterien der Forschungszulage oft, aber nicht automatisch. Die BSFZ-Praxis 2025 und 2026 lehnt KI-Anträge dann ab, wenn die Neuartigkeit nur in der Anwendung etablierter Technologien liegt. Verbindlich seit dem Urteil des VG Berlin 8 K 153/23 vom 22.09.2025: die Neuartigkeit muss IM ALGORITHMUS oder IN DER ARCHITEKTUR bestehen, nicht in der Kombination verfügbarer APIs. Wer dieses Kriterium erfüllt, bekommt ab 2026 bis zu 124.800 EUR Forschungszulage pro Person und Jahr.

Du trainierst eigene Modelle, baust Daten-Pipelines oder entwickelst ML-basierte Produkte? Dann ist deine Arbeit potentiell förderfähig über die Forschungszulage. Das gilt für Freelancer, IT-Berater und Softwareentwickler gleichermaßen. Aber: KI-Anträge sind 2026 schwieriger geworden, weil die BSFZ den Kombinations-Aspekt verschärft prüft.

Warum KI-Projekte die FuE-Kriterien grundsätzlich erfüllen können

Die BSFZ prüft drei Kriterien. Bei sauberer KI-Forschungsarbeit greifen alle drei:

Neuartigkeit

Wenn du ein eigenes Modell entwickelst, eine bestehende Architektur für einen neuen Anwendungsfall adaptierst oder eigene Trainingsdaten-Pipelines baust, kann das neuartig sein. Entscheidend: Du leistest einen methodischen Beitrag, der über die Konfiguration bestehender Systeme hinausgeht.

Förderfähig: Eigene Modellarchitekturen, neuartige Loss-Funktionen, domänenspezifische Tokenizer, eigene Retrieval-Strategien mit messbar besserer Relevanz, neue Evaluationsmetriken, Multi-Modal-Ansätze mit eigenständigem Konzept.

Nicht förderfähig: Reine API-Aufrufe an OpenAI, Claude oder Gemini. Standard-Konfiguration von SaaS-Tools. Prompt Engineering ohne methodischen Eigenanteil. LoRA- oder Adapter-Fine-Tuning, wenn nicht ein konkreter algorithmischer Beitrag dokumentiert wird.

Technische Unwägbarkeit

Förderfähige Risiken sind technische Unsicherheiten, deren Ausgang vor Projektbeginn nicht vorhersagbar ist. Typische förderfähige Unwägbarkeiten in KI-Projekten: Konvergenz eines neuen Algorithmus bei begrenzten Trainingsdaten, Generalisierungsverhalten auf unsichtbare Domänen, Latenzanforderungen in Echtzeitsystemen, Erklärbarkeit komplexer Modelle, Bias-Erkennung in domänenspezifischen Datensätzen.

Achtung: Inhärente Aspekte sind keine förderfähigen Risiken. Domain-Shift, Bias durch Vortraining, oder fehlende Trainingsdaten sind bekannte Eigenschaften von Machine Learning. Wer diese als zentrale Forschungsrisiken angibt, riskiert eine Ablehnung.

Planmäßigkeit

KI-Forschung folgt einem natürlichen wissenschaftlichen Prozess: Hypothesenbildung, Datenbeschaffung und -aufbereitung, Modellselektion, Training, Evaluation gegen Benchmarks, Iteration. Dieser Ablauf lässt sich direkt in Arbeitspakete übersetzen.

VG Berlin 8 K 153/23: Was Softwareprojekte heute leisten müssen

Das Urteil des Verwaltungsgerichts Berlin vom 22.09.2025 (Aktenzeichen 8 K 153/23) ist der wichtigste Maßstab für KI- und Softwareanträge seit 2026. Kernaussage des Gerichts:

“Reine Kombination verfügbarer Technologien wie KI-APIs, Deep Convolutional Neural Networks oder Standard-Frameworks erfüllt nicht die Voraussetzungen einer Forschung und Entwicklung im Sinne von § 2 FZulG. Die Neuartigkeit muss in der Methodik selbst belegt werden.”

Konkrete Folgerungen für deinen Antrag:

• “Am Markt nicht existent” reicht nicht als Neuartigkeitsargument
• Ein erteilter WIPANO-Bescheid ist kein Beweis für FZulG-Förderfähigkeit
• Es besteht eine gesteigerte Darlegungs- und Beweislast für den Antragsteller
• Der konkrete algorithmische oder architektonische Beitrag muss benannt werden

Quelle: openjur.de zur VG Berlin Rechtsprechung sowie eigene Antrags-Praxis seit Q4 2025.

Reale Ablehnungsmuster 2025/2026 (anonymisiert)

Aus der eigenen Antragspraxis im KI/ML-Bereich lassen sich vier Ablehnungsmuster identifizieren, die in 2026 wiederkehrend von der BSFZ angewendet werden. Wer diese Muster vermeiden will, muss die Neuartigkeit gezielt anders argumentieren.

Muster 1: LoRA und Feinabstimmung als “etabliert”

LoRA, QLoRA und Adapter-basierte Feinabstimmung sind nach BSFZ-Praxis 2026 etablierte Verfahren. Ein Antrag, der Fine-Tuning eines vortrainierten Modells als zentrale Forschungsleistung darstellt, wird in der Regel abgelehnt, sofern nicht ein eigenständiger algorithmischer Beitrag oder eine neuartige Trainingsstrategie nachgewiesen wird.

Muster 2: Memorisierungsregularisierung als “Parametrierung”

Verfahren zur Reduktion von Trainingsdaten-Memorisierung (z. B. differential privacy, output filtering, gradient clipping) gelten der BSFZ in der Regel als Parametrierung. Förderfähig werden sie nur, wenn das Verfahren selbst ein offenes wissenschaftliches Problem adressiert und der eigene Lösungsbeitrag belegt wird.

Muster 3: Synthetische Datengenerierung mit bestehenden Modellen

Wenn du synthetische Trainingsdaten erzeugst, indem du ein bestehendes Generatormodell (z. B. GPT-4, Llama) verwendest, ist das “Anwendung verfügbarer Verfahren”. Förderfähig kann werden: ein neuartiger Generator, eine neue Verifikations-Pipeline für synthetische Daten, oder eine wissenschaftlich evaluierte Strategie zur Kontrolle von Halluzinationen.

Muster 4: Branchenspezifische Anwendung von KI-APIs

Wer ein LLM für einen Branchenanwendungsfall einsetzt (Recht, Medizin, Architektur), darf nicht erwarten, dass die Domänen-Anwendung an sich Neuartigkeit begründet. Die BSFZ trennt zwischen “Anwendung in einer neuen Branche” und “neuer Algorithmus für eine Branche”. Nur Letzteres ist FuE.

Was Forschungszulage-fähig bleibt: konkrete Patterns

Trotz strengerer Prüfung gibt es klare Pattern, mit denen KI-Projekte 2026 förderfähig bleiben:

Du bist unsicher, ob dein KI-Projekt nach diesen Mustern förderfähig ist? Schreib mir per WhatsApp oder starte den QuickCheck.

Was bringt das finanziell?

Konkretes Beispiel: Du bist Freelance-ML-Engineer und investierst 60 % deiner Arbeitszeit in eigene Modellentwicklung mit nachweisbarem methodischem Beitrag.

Über 52.000 EUR Steuererstattung pro Jahr. Die genaue Berechnung mit deinen Zahlen liefert der Rechner. Wie die Eigenleistung im Detail berechnet wird, erklärt der separate Beitrag.

Abgrenzung im konkreten Fall

FuE-fähig: Du entwickelst einen eigenen Klassifikator für medizinische Bilddaten mit einer neuartigen Aufmerksamkeits-Architektur und weißt nicht, ob die Accuracy für den klinischen Einsatz reicht. Du baust eine Echtzeit-Anomalieerkennung für IoT-Sensordaten mit einer eigenen Sequenz-Encoding-Methode bei 100 ms Latenz.

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 eigenen algorithmischen Beitrag. Du fragst eine Bildgenerierungs-API an und filterst die Ergebnisse nachgelagert.

Die Abgrenzung ist nicht trivial. Bei der Antragsformulierung kommt es darauf an, den methodischen Eigenanteil deutlich zu markieren und die Risiken so zu beschreiben, dass der wissenschaftliche Charakter klar wird. Mehr zu Ablehnung und Widerspruch im separaten Beitrag.

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, Weights and Biases), Jupyter Notebooks und Dokumentation eigener Modellentwicklung sind starke Nachweise für rückwirkende Anträge. Ein Stundenzettel ergänzt die technischen Belege. Alle relevanten Fristen solltest du im Blick behalten.

Was der BSFZ-Prüfleitfaden 10/2025 zum IKT-Bereich sagt

Der aktuelle BSFZ-Prüfleitfaden (Stand 10/2025, herausgegeben am 29.10.2025) kodifiziert in Kap. 2.4.1 die IKT-spezifischen Ablehnungsgründe explizit. Der Volltext ist unmissverständlich:

Vorhaben, die ausschließlich folgende Tätigkeiten aufweisen, sind nicht bescheinigungsfähig: Einsatz bestehender Methoden zur Gewährleistung von Datensicherheit; Arbeiten zur Zertifizierung bestehender Produkte oder Programme; Einrichtung von Rechenzentren, Firewalls, Monitoring- oder Hosting-Diensten; Installation und Konfiguration bestehender Server-Client-Lösungen, Cloud-/Edge-Lösungen; Einrichtung von Fernzugriff oder Standortvernetzung, Datenmigration; Einführung und Konfiguration von etablierter Software oder Hardware; Portierung von Software (z.B. Standalone zu Cloud); Baukastenbasierte Zusammensetzung oder Anwendung (automatisierter) Software-Lösungen ohne wissenschaftliche oder technische Risiken; Übliche Problemstellungen bei der Softwareentwicklung, welchen mit routinemäßigen Verfahrensweisen begegnet werden kann; Routinemäßige Entwicklungstätigkeiten der Software-/Hardware-Entwicklung sowie damit verbundene ergänzende Tätigkeiten (z.B. Anforderungsanalyse, Testing, Debugging, Dokumentation); Hinterlegen von Inhalten in einer digitalen Lernplattform.

Und besonders wichtig für KI/ML-Projekte:

Allgemein sind vor diesem Hintergrund datenschutzrechtliche Bedenken nicht als Unwägbarkeiten / Risiken zu werten.

Quelle: BSFZ-Prüfleitfaden Stand 10/2025, Kap. 2.4.1 Informations- und Kommunikationstechnologien (S. 15).

Externe Quellen und Gesetze

Gesetze und EU-Recht:

• § 2 FZulG — Begünstigte FuE-Vorhaben
• § 3 FZulG — Förderfähige Aufwendungen
• AGVO Art. 2 Nr. 86 — Experimentelle Entwicklung

BSFZ-Dokumente:

• BSFZ-Prüfleitfaden Stand 10/2025 — Kap. 2.4.1 IKT-Vorhaben + Kap. 1.1.2 Unwägbarkeit (DSGVO-Klausel)
• BSFZ-Aktuelle Zahlen — 48.863 Anträge bis Q1/2026

Gerichtsurteile:

• VG Berlin, Urteil vom 22.09.2025, Az. 8 K 153/23 — Neuartigkeit Software/KI, WIPANO-Wert
• VG Berlin, Urteil vom 14.02.2025, Az. 8 K 7/23 — AGVO-Primat, Arbeitsplan-Pflicht

Lass mich deinen KI-Antrag formulieren

KI-Anträge erfordern eine präzise Balance: technisch genug für die BSFZ-Gutachter, aber nicht so spezialisiert, dass die Förderfähigkeit nicht mehr klar erkennbar ist. Seit dem VG-Berlin-Urteil 8 K 153/23 muss der algorithmische oder architektonische Eigenanteil sauber benannt werden. Ich formuliere deinen Antrag so, dass Neuartigkeit und Unwägbarkeit den heute strengeren Maßstäben standhalten.

Das gilt auch für Solo-Selbständige ohne GmbH und für IT-Freelancer in der Praxis.

Mein Honorar: 0 EUR im Voraus, 15 % der ausgezahlten Förderung. Was andere Berater verlangen und welche Honorarmodelle es gibt, erklärt der Vergleich.

Schreib mir per WhatsApp oder nutze den QuickCheck, um in 2 Minuten zu prüfen, ob dein KI-Projekt nach den 2026er-Maßstäben tragfähig ist.