Wie AI-Agenten methodisch saubere JahresOKR-Vorschläge liefern – und warum die wichtigsten Agenten trotzdem die Mitarbeiter bleiben.
1. „KI macht jetzt unsere OKRs.»
Diesen Satz höre ich von Geschäftsleitungen immer öfter. Und ich finde ihn falsch.
Was KI gut kann: aus einer strategischen Stossrichtung einen methodisch sauberen JahresOKR-Entwurf liefern. In Sekunden. Doerr-konform. Mit Stretch über Plan. Mit klaren Bezügen zur 5-Jahres-Trajektorie. Was KI nicht kann: das OKR verbindlich machen. Das passiert im Workshop, mit dem Team und der Geschäftsleitung. Die KI liefert Vorschläge, der Mensch entscheidet. Ich nenne meine Strategy-Skills „Agenten». Aber die wichtigsten Agenten im Unternehmen sind die Mitarbeiter.
In diesem Blog zeige ich, wie das konkret aussieht – an einer Schweizer KMU, mit dem vollen OKR-Output, den ein AI-Agent in dreissig Sekunden generiert hat.
2. Warum überhaupt OKR mit KI?
OKR ist methodisch streng. Fünf Kriterien pro Key Result: messbar, outcome-orientiert, ambitioniert, terminiert, beeinflussbar. Klingt einfach, ist es nicht. In der Praxis scheitert OKR oft an Disziplinverlust: Outputs werden als Outcomes verkauft, Baselines fehlen, KRs werden zu Aktivitätenlisten. Bei der Methode Furger – meinem Arbeitsrahmen – ist OKR ein strategisches Instrument auf Stossrichtungs-Ebene, nicht auf Mitarbeiter-Ebene. Jede Stossrichtung bekommt ein eigenes Jahres-OKR, das auf den 5-Jahres-Pfad einzahlt. Das ist methodisch anspruchsvoll. Und es passiert in vielen KMU nur halbgar, weil die Zeit fehlt.
Ein methodisch sauberer Erstvorschlag in wenigen Sekunden ist genau die Hilfe, die die Workshop-Praxis braucht. Er ersetzt den Workshop nicht – er bereitet ihn vor. Der Berater geht mit einem belastbaren Vorschlag ins Gespräch, statt mit einem leeren Blatt.
3. Die Architektur: drei Agenten statt ein Bot
Ein einziger Bot, der „mal eben» ein OKR generiert, ist methodisch wertlos. Was Nutzen bringt, sind drei spezialisierte Agenten mit klaren Rollen – plus zwei Stopps dazwischen, in denen das Führungsteam eingreift.
So sieht der Workflow aus:
Agent 1 – Eingabe-Prüfung. Reicht die Diagnose-Tiefe der Stossrichtung? Sind die methodisch wichtigen Felder (Zielsetzung, 5-Jahres-Ziel, Potenzial-Tabelle) substanziell befüllt? Bei Lücken: Stopp. Die Mitarbeiter ergänzen, bevor der nächste Schritt läuft.
→ Erster Stopp: derAnwender entscheidet, ob die Material-Basis trägt.
Agent 2 – Entwurf. Generiert das JahresOKR. Ein Objective qualitativ, drei bis fünf Key Results quantitativ. Mit Baseline, Zielwert, Messlogik und ehrlichem Outcome/Output-Marker pro KR. Stretch über den Potenzial-Plan, wo die Stossrichtung wirkt.
→ Zweiter Stopp: das SR-Team und die Geschäftsleitung diskutieren, schärfen, streichen, ergänzen. Der Vorschlag ist nicht heilig – er ist Material.
Agent 3 – Final-Check. Prüft den konsolidierten Stand gegen die fünf Doerr-Kriterien pro KR. Markiert methodische Lücken. Schreibt nichts neu. Wenn das Team einen schwachen KR drin lässt, wird das markiert, nicht repariert. Das letzte Wort hat die Geschäftsleitung.
Die drei AI-Agenten sind Hilfsmittel. Die wichtigsten Agenten bleiben die Mitarbeiter – das Team, das die Stossrichtung verantwortet, und die Geschäftsleitung, die das letzte Wort hat. Die KI liefert Material. Die Menschen entscheiden.
4. Das konkrete Beispiel: 4Fenster AG
Damit das nicht abstrakt bleibt, hier ein durchgespielter Fall.
Die Firma (anonymisiertes Beispielunternehmen): 4Fenster AG, Schweizer Hersteller von Holz-Alu-Fenstern, Sitz im Kanton St. Gallen, 95 Mitarbeitende, Umsatz 32 Mio. CHF, eigentümergeführt in zweiter Generation. Geografischer Fokus Deutschschweiz.
Das Geschäftsfeld: Holz-Alu-Fenster, Umsatz 18 Mio. CHF in 2025, Wachstum +4% pro Jahr seit 2022. Premium-Segment, klare Abgrenzung gegen Volumen-Anbieter.
Die Stossrichtung Nr. 33: „Stärkung der Kundenbindung durch nachhaltige Produkte». Bestehende Privatkunden und Architekten als Wiederkäufer und Empfehler ausbauen.
Das 5-Jahres-Ziel: Bis 2031 führende Marke für nachhaltige Holz-Alu-Fenster in der Deutschschweiz. Marktanteil im Sanierungs-Segment 12% (heute 7%). Wiederkäufer-Quote 30%, NPS 60. Umsatz 26 Mio. CHF.
Was Agent 2 in dreissig Sekunden geliefert hat:
Objective: 4Fenster wird 2026 zur bevorzugten Nachhaltigkeits-Marke für Holz-Alu-Fenster bei Schweizer Privat- und Architektenkunden.
KR1: Umsatz im Geschäftsfeld Holz-Alu steigt auf 19.0 Mio. CHF. Baseline 18.0 Mio. CHF | Stretch +2.7% über Potenzial-Plan (18.5 Mio. CHF) | Outcome
KR2: Net Promoter Score (NPS) bei Privat- und Architektenkunden steigt von 42 auf 50 Punkte. Outcome
KR3: Wiederkäufer-Quote bei Privatkunden steigt von 18% auf 22%. Outcome
KR4: Sechs Nachhaltigkeits-Datenblätter publiziert und in mindestens 40% der Architekten-Offerten eingesetzt. Output (ehrlich markiert)
Plus expliziter Bezug zur Stossrichtung und zum 5-Jahres-Pfad: Wiederkäufer 18% → 22% → 30% in 2031, NPS 42 → 50 → 60, Umsatz 18.0 → 19.0 → 26.0 Mio. CHF.
Was Agent 3 dazu beobachtet hat:
Drei KRs erfüllen alle fünf Doerr-Kriterien. KR4 ist als Output markiert – methodisch korrekt, aber ein Hinweis an den Workshop: wäre eine Outcome-Variante (z.B. Auftragswert pro Architekten-Offerte) belastbarer? Plus eine Cross-Field-Beobachtung: die NPS-Baseline 42 stand im Bezug-Text, aber zunächst nicht im KR-Feld selbst – der Agent hat das aufgefangen und für den Workshop sichtbar gemacht.
Das ist nicht die fertige OKR-Lösung. Das ist die Material-Basis, mit der der Workshop arbeitet.
5. Zwei methodische Lessons aus dem Bau
Beim Bau dieser drei Agenten sind methodische Stolpersteine aufgetaucht, die ich heute im Skill verankert habe. Zwei davon will ich hier zeigen, weil sie für jeden OKR-Workshop relevant sind, mit oder ohne KI.
Lesson 1: Stretch über Plan ist Methodik, nicht Wunschdenken.
Die erste Version des Entwurfs-Agenten hat KR-Zielwerte direkt vom Potenzial-Plan abgelesen. Wenn der Plan 18.5 Mio. CHF Umsatz für 2026 vorsah, hat der Agent 18.5 Mio. CHF als KR-Zielwert gesetzt. Methodisch falsch. Der Plan ist die Basis-Erwartung ohne strategische Anstrengung. Wenn die Stossrichtung wirkt, muss sie über den Plan hinaus wirken – sonst ist sie kein Hebel, sondern Buchhaltung. Heute liefert der Agent KR1 mit 19.0 Mio. CHF – Stretch von 2.7% über Plan, mit Begründung im Bezug-Feld.
Lesson 2: Outputs ehrlich als Outputs markieren.
Outcome-KRs sind methodisch besser. Aber nicht jeder KR lässt sich als Outcome formulieren. KR4 im Beispiel misst Datenblätter-Publikation und Offerten-Einsatz – das ist Aktivität, nicht direktes Ergebnis in der Kundenwelt. Die Versuchung wäre, das als Outcome zu verkleiden („Nachhaltigkeits-Wahrnehmung gesteigert»). Der Agent macht das nicht. Er markiert ehrlich als output. Im Workshop ist das diskutierbar – aber es ist sichtbar. Diese Ehrlichkeit ist methodisch wertvoller als gut klingende Verschleierung.
6. Ausblick
Stufe 1 des OKR-Workflows – das JahresOKR – ist gebaut und produktiv getestet. Im Backlog steht Stufe 2: der ZyklusOKR-Agent. Pro Stossrichtung und pro Zyklus (drei oder vier Zyklen pro Jahr, asymmetrisch erlaubt) ein eigener Zyklus-OKR, der sich aus dem Jahres-Anker ableitet und den Stand des Vor-Zyklus berücksichtigt. Im nächsten Blog mehr dazu.
Stufe 3 ist ein Review-Agent, der bestehende OKRs gegen die fünf Doerr-Kriterien prüft und Anti-Patterns aufdeckt: Boni-Kopplung, Top-down-Kaskadierung, Aktivitätenlisten statt Ergebnisziele.
Die Agenten werden mehr. Die Mitarbeiter bleiben die wichtigsten.
Wenn Sie OKR in Ihrer Strategie einsetzen oder einsetzen wollen, schreiben Sie mir – ich erzähle Ihnen gerne mehr …
Dieser Blog ist Teil einer Serie zu AI-gestützter Strategieentwicklung mit der Methode Furger und dem St. Galler Management Modell.
