Mitarbeiter sind die besten Agenten

Vor gut zehn Jahren legte ich meine Thesen Mitarbeiter sind die besten Strategen dem Chef einer Beratungsfirma vor. Sein erster Satz: «Aber dann kann ich ja die Berater nicht mehr verrechnen.»

Das sagt alles.

Die These hat sich seither bestätigt. Strategien, die im kleinen Kreis im Topmanagement entstehen – oft mit externer Beraterhilfe – erreichen selten Kopf und Herz der Mitarbeiter und scheitern in der Umsetzung. Gemeinsam erarbeitete Strategien dagegen werden getragen. Daran hat sich nichts geändert. Im Gegenteil.

Was sich geändert hat, ist das Werkzeug.

Künstliche Intelligenz – konkret: generative KI und KI-Agenten – ist in den letzten Jahren zum mächtigsten Denkpartner geworden, den Strategiearbeit je hatte. Sie analysiert, strukturiert, formuliert, hinterfragt, widerspricht.

Viele Unternehmen ziehen daraus den Fehlschluss, KI sei vor allem ein Effizienzwerkzeug: schneller Daten aufbereiten, schneller Strategiepapiere schreiben, schneller Meetings vorbereiten.

Doch genau das verfehlt den Punkt.

Führungskräfte ertrinken in Informationen, sind in Meetings gefangen, treffen folgenschwere Entscheidungen ohne Zeit zum Nachdenken. Mehr Tools haben das Problem nicht gelöst – sie haben es verstärkt. Wie Barry O’Reilly schreibt: AI isn’t replacing leaders. It’s exposing them.

Strategiearbeit ist Entscheidungsarbeit unter Unsicherheit. Was KI verändert, ist nicht die Geschwindigkeit der Arbeit, sondern die Qualität der Entscheidungen – wenn man sie richtig einsetzt.

Das gilt aber nicht nur für die Spitze.

Eine echte Veränderung entsteht erst, wenn jeder Mitarbeiter KI als Denkpartner einsetzt – wenn die Geschäftsleitung das vorlebt und das Lernen geteilt wird. Erst dann entsteht das, was O’Reilly Judgment Infrastructure nennt: ein Gefüge aus Praktiken, Routinen und Werkzeugen, das es Menschen ermöglicht, auch unter Druck und Unsicherheit gut zu urteilen – verteilt über das ganze Unternehmen, nicht nur an der Spitze.

Genau das ist der Grund, warum die besten Agenten eines Unternehmens nicht KI-Agenten sind, sondern seine eigenen Mitarbeiter. Ein KI-Agent hat Werkzeuge, aber keinen Kontext. Was Mitarbeiter schon hatten – Kontext, Erfahrung, Loyalität, Vertrauen, Verantwortung – wird durch KI verstärkt. Ein Mitarbeiter mit KI ist ein Agent, den kein KI-Agent je einholt. Und ein KI-Agent ist nur so gut wie der Mitarbeiter, der ihn führt.

Einverstanden?

Wenn nicht, lesen Sie meine 10 Thesen. Sie beschreiben, wie Strategieentwicklung im KI-Zeitalter funktioniert – und wie sie nicht funktioniert.

KI in der Strategieentwicklung – Use Case OKR

Wie AI-Agenten methodisch saubere JahresOKR-Vorschläge liefern – und warum die wichtigsten Agenten trotzdem die Mitarbeiter bleiben.

1. „KI macht jetzt unsere OKRs.»

Diese Satz ist gefährlich.

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 den 5-Jahres-Zielen der Strategie. 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».

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.

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.

Use Case: Kundennutzenanalyse – eine KI die zurückfrägt

Seit längerem arbeite ich an einer Frage, die mich nicht loslässt: Wie kann KI in der Strategiearbeit einen substantiellen Beitrag leisten, ohne den Anwender zu ersetzen? Mein Ansatz: KI nicht als Antwortmaschine, sondern als Denkpartner. Eine KI, die die Lücken im Wissen sichtbar macht. Eine KI, die den Anwender fordert. Wie das konkret aussieht, zeige ich am Anwendungsfall der Kundennutzen-Analyse – methodisch verankert im St. Galler Management-Modell.

Der Anwendungsfall: Kundennutzen-Analyse

Die Kundennutzen-Analyse ist ein zentrales Werkzeug der strategischen Diagnose im St. Galler Management-Modell. Sie beantwortet eine harte Frage: Wie gut sind wir aus Sicht des Kunden positioniert – im Vergleich zu unseren Wettbewerbern?

Methodisch zerlegt sie diese Frage in messbare Bestandteile:

• Was sind die Kaufkriterien des Kunden, jenseits des Preises?
• Wie wichtig ist jedes Kriterium aus Kundensicht?
• Wie schneiden wir bei jedem Kriterium ab?
• Wie schneiden die Wettbewerber ab?
• Wie verhält sich unser Preis zur gebotenen Qualität?

Aus diesen Bewertungen entstehen zwei Diagnoseinstrumente, die mit einem Blick zeigen, wo das Unternehmen steht: die Value Map (relative Qualität gegen relativen Preis) und das Attribute Chart (Differenz zum Wettbewerb pro Kriterium, gewichtet nach Kundenrelevanz). Beide bilden die strategische Position ab und zeigen, wo Hebel liegen.

Traditionell dauert eine solche Analyse zwei Tage Aufwand pro Geschäftsfeld: Mandantengespräche oder interne Workshops, Wettbewerbsrecherche, Diskussion der Gewichtungen, Auswertung. Bei einem Unternehmen mit drei oder fünf Geschäftsfeldern summiert sich das schnell zu zwei Wochen. Anwender sind Strategieberater, die für ihre Mandanten arbeiten – aber genauso Geschäftsleiter, die ihre Strategie selbst in die Hand nehmen, oder Strategieverantwortliche im Unternehmen.

Was wir gebaut haben

Der Workflow läuft in sieben Schritten ab. Jeder Schritt ist ein eigener AI-Skill, der einen klar definierten Input nimmt und einen strukturierten Output produziert. Die Skills bauen aufeinander auf wie eine Treppenkonstruktion.

Schritt 0 – Eingabe. Der Anwender gibt das Geschäftsfeld und den Unternehmenskontext. Die KI ergänzt aus öffentlichen Quellen die typischen Kaufkriterien der Branche und identifiziert die relevanten Wettbewerber. Bei einem neuen Online-Shop für Sanitätsprodukte führt das zu neun Kaufkriterien (Funktionalität, Sicherheit, Qualität des Produkts, Design, Lieferfrist, Verfügbarkeit, Präsentation, Image, Sortiment) und vier Wettbewerbergruppen: stationäre Sanitätshäuser, Sportgeschäfte, Orthopäden mit eigenem Verkauf, andere Online-Shops.

Schritt 1 – Gewichtung. Wie wichtig ist jedes Kriterium aus Sicht des Kunden? Die KI macht einen ersten Vorschlag, der sich an Branchenwissen orientiert: Lieferfrist und Verfügbarkeit gewinnen im Online-Handel überproportional an Gewicht, weil Kunden dort schnelle Lieferung erwarten. Funktionalität, Sicherheit und Produktqualität bleiben das Fundament. Image und Sortiment haben niedrigere Gewichtung, sind aber für Neueinsteiger differenzierend. Summe genau 100 Prozent.

Schritt 2 – Selbstbewertung. Wie schneiden wir bei jedem Kriterium ab, auf einer Skala von eins bis zehn? Hier zeigt sich der erste methodische Bruchpunkt – die Eigenwahrnehmung aus Marketingmaterial liest sich systematisch optimistischer als die Realität. Genau deshalb ist dieser Schritt im produktiven Workflow ein Pflicht-Reviewpunkt für den Anwender.

Schritt 3 – Wettbewerberbewertung. Die KI bewertet jeden Wettbewerber bei jedem Kriterium auf derselben Skala. Hier kommt der entscheidende Mechanismus zum Tragen, auf den ich gleich ausführlich eingehe.

Schritt 4 – Preisindex. Wie verhalten sich die Preise der Wettbewerber zum eigenen Preisniveau? Wir setzen unser Preisniveau auf 100 als Referenz; die Wettbewerber werden relativ dazu eingeordnet. Orthopäden mit eigenem Verkauf liegen typischerweise deutlich über 100, weil Beratungsleistung und Maßanfertigung den Preis treiben – belegbar aus öffentlichen Preislisten und Krankenkassen-Tarifen.

Schritt 5 – Preis-Qualitäts-Verhältnis. Eine methodische Setzung: Wie verteilt sich die Gewichtung beim Kunden zwischen Preis und Qualität? Bei einem Premium-Online-Shop mit hohem Funktionalitäts- und Sicherheitsanspruch lassen sich beispielsweise 35 Prozent für den Preis und 65 Prozent für die Qualität ansetzen.

Schritt 6 – Aggregation. Die konsolidierten Outputs aller vorherigen Schritte werden zu den beiden zentralen Auswertungen verdichtet. Die aggregierten Kundennutzenwerte werden gerechnet, die relative Qualität ermittelt, die Differenz zur Marktposition bestimmt. Was dabei in Sekunden entsteht, hat manuell mehrere Stunden gedauert.

Das Endprodukt sind zwei aussagekräftige Charts: eine Value Map, die das eigene Unternehmen und die Wettbewerber im Spannungsfeld von relativem Preis und relativer Qualität verortet, und ein Attribute Chart, das pro Kaufkriterium die gewichtete Differenz zum Wettbewerb zeigt. Damit liegt die strategische Position auf dem Tisch – bereit für das Mandantengespräch oder die strategische Diskussion im Führungsteam.

Der entscheidende Mechanismus: Diagnose-Disziplin

In Schritt 3 hat unsere Skill-Konvention einen harten Mechanismus eingebaut. Der Skill recherchiert für jeden Wettbewerber bei jedem Kriterium öffentlich verfügbare Evidenz – Produktdatenblätter, Bewertungen, Tests, Branchenmedien. Die Evidenz wird in drei Stufen klassifiziert:

• Konkrete Web-Evidenz: spezifische Quellen mit messbaren Aussagen
• Generische Web-Evidenz: allgemeine Hinweise ohne Zahlen oder Tests
• Keine konkrete Evidenz: nichts Belastbares gefunden

Bei der Bewertungsvergabe greift dann ein Score-Deckel: Bei generischer Evidenz darf der Score maximal sechs sein. Bei fehlender Evidenz wird ein Default-Wert von fünf gesetzt – mit dem expliziten Hinweis im Output: „Quelle nicht eindeutig». Das klingt technisch, ist aber methodisch entscheidend. Statt einen plausibel klingenden Score zu erzeugen, der aus dem allgemeinen Branchenwissen abgeleitet wäre, schreibt das System eine Fünf hin und macht transparent: hier ist die Datenbasis dünn.

Im konkreten Test mit den Sanitätsprodukte-Wettbewerbern hat das System genau dort den Deckel gezogen, wo die Recherche tatsächlich nichts Belastbares fand – etwa bei der Sicherheit kleinerer Online-Shops, wo öffentliche Audits und Zertifikate kaum zugänglich sind. Das Ergebnis: ein Bewertungsbild, das die echten Datenlücken offenlegt.

Genau dort beginnt die Arbeit des Anwenders.

Was das für den Anwender bedeutet

Ein Score von fünf mit dem Hinweis „Quelle nicht eindeutig» ist keine Bewertung. Es ist eine Einladung zur Vertiefung.

Drei Fragen drängen sich auf, sobald der Anwender den Output sieht:

Was wissen wir wirklich über diesen Wettbewerber bei diesem Kriterium? Aus eigener Branchenerfahrung, aus Mandantenkontakten, aus Marktbeobachtung – was lässt sich substantiell sagen?

Welche Annahme tragen wir gerade ungeprüft mit? Wenn das System für einen Wettbewerber eine Sechs setzt, weil es nur generische Evidenz fand, wir aber aus Erfahrung wissen, dass dieser Wettbewerber im Premium-Segment bei einer Acht spielen sollte – dann müssen wir das aktiv korrigieren und begründen.

Wo brauchen wir das Mandantengespräch oder die interne Diskussion? Was hier Datenlücke bleibt, müssen wir bei den Beteiligten abholen. Welche Wettbewerber sind aus eigenen Vergleichsangeboten bekannt? Welche Bewertungen lassen sich mit eigener Erfahrung unterlegen?

Diese drei Fragen sind die eigentliche strategische Arbeit. Die KI nimmt dem Anwender die mechanischen Schritte ab – Strukturierung, Recherche, Bewertung, Aggregation. Sie schenkt ihm aber nicht die strategische Diagnose. Im Gegenteil: sie macht den Bedarf an menschlichem Urteil sichtbar.

Das ist nicht weniger Arbeit. Es ist andere Arbeit – fokussiert auf das, wo Erfahrung und Urteil wirklich einen Beitrag leisten.

Was zeitlich anders wird

Eine Kundennutzen-Analyse, die traditionell zwei Tage dauert, läuft mit dem System in einer halben bis ganzen Stunde durch – einschliesslich der zwei Pflicht-Stopps für die Selbstbewertung und das Preis-Qualitäts-Verhältnis. Das Ergebnis sind die fertigen Auswertungen, direkt einsetzbar für das Mandantengespräch oder die strategische Diskussion.

Bei einem Unternehmen mit fünf Geschäftsfeldern verkürzt sich der Aufwand von zwei Wochen auf etwa anderthalb Tage – einschliesslich Reviews, Korrekturen und der nachfolgenden Gespräche. Das ist nicht inkrementell schneller. Das ist eine andere Grössenordnung.

Wichtiger ist aber die methodische Konsistenz. Über fünf Geschäftsfelder hinweg wird derselbe Methodik-Standard angewendet, dieselben Kriterien-Definitionen, dieselbe Bewertungslogik. Das macht die Geschäftsfelder vergleichbar – was bei manueller Bearbeitung selten gelingt, weil die Bewertungsgrundlage unweigerlich zwischen den Geschäftsfeldern driftet.

Eine KI, die zurückfragt

Damit komme ich zurück zur Ausgangsfrage. Wie kann KI in der Strategiearbeit einen substantiellen Beitrag leisten, ohne den Anwender zu ersetzen?

Die Antwort liegt nicht im Tempo, auch wenn das Tempo eindrücklich ist. Sie liegt in der Haltung der KI gegenüber dem Wissen, das sie nicht hat.

Eine KI, die antwortet, ersetzt den Anwender.

Eine KI, die zurückfragt, fordert ihn.

Sie macht die Lücken sichtbar, wo das Wissen nicht reicht. Sie schreibt nicht „Score 8″, sondern „Score 5, Quelle nicht eindeutig». Sie nimmt mechanische Arbeit ab und fokussiert die Aufmerksamkeit dort, wo Erfahrung und Urteil den Unterschied machen.

Das ist Denkpartnerschaft. Mensch und Maschine arbeiten zusammen, jeder an seiner Stärke.

Der grössere Bogen

Die Kundennutzen-Analyse ist nur ein Baustein. Wir bilden mit Strategy.app den ganzen Strategieprozess ab – von der Diagnose über die Optionenentwicklung bis zur Strategie-Wahl und der Massnahmenplanung. Marktstudie, Wettbewerber-Steckbriefe, Trends, SWOT, Strategische Fragen, Kundennutzen: die Diagnose-Werkzeuge stehen. Optionen, Strategie-Wahl und Massnahmen folgen.

Was dabei entsteht, ist mehr als ein automatisierter Prozess. Es ist ein Dialog von drei Stimmen: Führung, Mitarbeiter, KI. Jede mit klar definierter Rolle.

• Die Führung bringt das ein, was nur sie hat: Eigentümer-Wille, Risiko-Appetit, Zukunfts-Bild, Verantwortung für die Konsequenzen.
• Die Mitarbeiter bringen das ein, was nur sie haben: Kunden-Realität aus erster Hand, Prozess-Wissen, Branchen-Erfahrung, kritische Distanz zur Führung.
• Die KI bringt das ein, was sie wirklich kann: methodische Konsistenz, breite Recherche, ehrliche Diagnose-Disziplin, geduldige Strukturierung über alle Geschäftsfelder hinweg.

Wenn diese drei zusammenarbeiten, entsteht etwas, das keine der drei alleine produzieren könnte.

Eine Warnung am Schluss

Wer denkt, KI in der Strategiearbeit mache es bequemer, der täuscht sich.

Glauben Sie mir: Sie müssen das Hirn nicht nur einschalten. Sie müssen es richtig anstrengen, um mitzuhalten.

Die KI liefert in Minuten eine Analyse, die Sie hinterfragen müssen. Sie wirft Annahmen auf den Tisch, die Sie verteidigen oder verwerfen müssen. Sie zeigt Ihnen Lücken, die Sie schliessen müssen. Sie macht Vorschläge, die Sie übersteuern müssen, wenn Sie es besser wissen.

Wer in dieser Arbeit auf Autopilot geht, liefert dem Mandanten oder dem Verwaltungsrat einen Wurf, der zwar methodisch sauber aussieht, aber unter der Oberfläche dünn ist.

Wer dagegen mitspielt – wer die KI-Outputs ernst nimmt, prüft, übersteuert, vertieft – produziert in derselben Zeit Strategiearbeit von einer Tiefe, die manuell nur mit doppeltem Aufwand erreichbar war.

Das ist die ehrliche Botschaft. KI in der Strategiearbeit macht es nicht einfacher. Sie macht es besser – wenn Sie bereit sind, mitzudenken auf einem Niveau, das man auch mal anstrengend nennen darf.

Wer den Anwendungsfall Kundennutzen-Analyse selbst testen oder bei der Weiterentwicklung mitdenken will, ist eingeladen. Die ersten Pilotanwendungen mit Beratern und Geschäftsleitungen laufen. Wer interessiert ist, melde sich gerne direkt bei mir.

Ignatius Furger ist Strategieberater und Gründer von Furger und Partner. Er entwickelt mit Strategy.app eine AI-gestützte Plattform für die Strategiearbeit nach St. Galler Management-Modell.

Use Case: Externe Diagnose mit KI

Die Diagnose ist das Fundament jedes Strategieprozesses. Wer hier unscharf arbeitet, bekommt später keine robuste Strategie — unabhängig davon, wie viel Zeit er in den Workshop investiert. Die externe Diagnose ist dabei der anspruchsvollste Teil: Sie verlangt systematische Recherche, breite Informationserfassung und eine Verdichtung auf das strategisch Wesentliche.

Genau hier ist KI am stärksten.

Was die externe Diagnose leistet

Die externe Diagnose nach StrategieKompakt umfasst drei Analysefelder: externe Trends, Wettbewerberanalyse und Marktanalyse. Jedes dieser Felder liefert einen spezifischen Input für die SWOT — und jedes stellt andere Anforderungen an die Vorbereitung.

Externe Trends erfassen Entwicklungen im Umfeld des Unternehmens: wirtschaftliche Rahmenbedingungen, technologische Veränderungen, regulatorische Anforderungen, Verschiebungen in wichtigen Absatzmärkten. Ziel ist nicht die vollständige Beschreibung der Welt, sondern die Identifikation jener Entwicklungen, die für das Unternehmen im strategischen Planungszeitraum wirklich relevant sind.

Die Wettbewerberanalyse zeigt, welche Unternehmen heute im Markt sind — und welche neuen Anbieter künftig relevant werden können. Im Zentrum steht nicht Vollständigkeit, sondern strategische Relevanz: Welche Wettbewerber kämpfen wirklich um dieselben Kunden?

Die Marktanalyse beschreibt Marktgrösse, Marktsegmente und Marktpotenziale. Sie liefert den quantitativen Rahmen, in dem strategische Entscheidungen getroffen werden.

Wo KI stark ist — und warum

KI ist in der externen Diagnose besonders leistungsfähig, weil externe Informationen öffentlich zugänglich sind. Geschäftsberichte, Medienartikel, Branchenpublikationen, Unternehmenswebsites — all das kann KI systematisch erfassen, strukturieren und verdichten.

Was früher Tage in Anspruch nahm, ist heute in Stunden erledigt: Ein strukturierter Prompt liefert eine erste Trendanalyse mit externen Entwicklungen, priorisiert nach strategischer Relevanz. Ein weiterer Prompt strukturiert Wettbewerbersteckbriefe — mit Positionierung, Kundensegmenten, Kernkompetenzen und Kostenposition.

Das Fallbeispiel AlpinTech aus dem Buch StrategieKompakt mit KI zeigt das konkret. AlpinTech ist ein Industriezulieferer im Maschinenbau. Für die Trendanalyse wurden externe Entwicklungen in sechs Kategorien erfasst: Markt und Kunden, Technologie, Wettbewerb, Regulierung, Kosten, Gesellschaft. Die Analyse entstand als strukturierter Dialog mit KI — erste Entwürfe wurden überprüft, ergänzt und priorisiert. Das Ergebnis: ein belastbares Bild der wichtigsten externen Entwicklungen, das direkt als Input für die SWOT dient.

Vom Prompt zum Agenten

Was im Fallbeispiel AlpinTech als strukturierter Dialog mit KI begann, haben wir weiterentwickelt: Aus den bewährten Prompts für die externe Diagnose sind Agenten entstanden — Skills, die den Prozess Schritt für Schritt führen, analog zur Marktabklärung.

Der Agent übernimmt die Trendanalyse, die Wettbewerbsrecherche und die Strukturierung der Ergebnisse — mit definierten Inputs, strukturierten Outputs und Freigabeschritten. Der Berater begleitet, prüft und gibt frei. Kein Durchmarschieren ohne menschliche Kontrolle — das ist die Grundbedingung dafür, dass die Ergebnisse belastbar sind.

Das Ergebnis ist nicht eine generische Branchenanalyse, sondern eine auf das Unternehmen zugeschnittene externe Diagnose — als direkte Vorbereitung für den Strategieworkshop.

Was der Prozess verlangt

Breite und Systematik sind die Stärken von KI. Die strategische Gewichtung bleibt beim Berater und beim Führungsteam. KI kann nicht beurteilen, welcher Trend für dieses Unternehmen in diesem Markt wirklich entscheidend ist. Sie kann aber sicherstellen, dass kein wesentlicher Trend übersehen wird — und dass die Ergebnisse in einem konsistenten Format vorliegen, das die Diskussion im Workshop ermöglicht.

Das ist der entscheidende Unterschied zu einer unsystematischen Sammlung von Einzelbeobachtungen: Nicht mehr Vollständigkeit als Ziel, sondern Systematik als Voraussetzung für eine belastbare Priorisierung.

Ein strukturierter Prompt ist dabei kein Luxus — er ist die Grundbedingung für brauchbare Ergebnisse. Wer KI mit einer vagen Frage füttert, bekommt eine vage Antwort. Wer KI mit einem klar definierten Auftrag führt — Unternehmensprofil, Zielmärkte, strategischer Planungshorizont, gewünschte Trendkategorien — bekommt eine Analyse, die direkt weiterverwendet werden kann.

Was am Ende vorliegt

• Eine vollständige externe Diagnose mit KI-Unterstützung liefert:
• Strukturierte Trendanalyse mit externen Chancen und Gefahren
• Wettbewerbersteckbriefe mit konsistentem Aufbau pro Wettbewerber
• Vergleichende Positionierung der relevanten Marktteilnehmer
• Erste Hypothesen für die SWOT

Diese Unterlagen sind keine Endprodukte. Sie sind Arbeitsgrundlagen — für den Berater, der sie prüft und schärft, und für das Führungsteam, das sie im Workshop diskutiert und bewertet. Der Berater beginnt nicht bei Null. Er beginnt mit einer strukturierten Grundlage, die er mit internem Wissen anreichert und mit strategischem Urteil bewertet.

Was KI nicht leistet

KI erfasst, was öffentlich zugänglich ist. Was nicht dokumentiert ist — das implizite Marktwissen des Vertriebs, die Einschätzung eines langjährigen Kunden, die Beobachtung eines erfahrenen Beraters — bleibt unsichtbar. Die Kunst der externen Diagnose liegt nicht im Sammeln, sondern im Einordnen. Diese Verantwortung lässt sich nicht delegieren.

KI liefert die Breite. Das Führungsteam liefert die Tiefe.

Weiterkommen

Den vollständigen Methodenrahmen — Instrumente, Prompts und den Einsatz von KI entlang des gesamten Strategieprozesses — beschreibt das Buch StrategieKompakt mit KI.

Wer die Prompts oder den Agenten für die externe Diagnose einsetzen möchte, ist eingeladen, uns direkt zu kontaktieren. Wir erklären den Aufbau, teilen die Source Prompts und zeigen, wie der Prozess in der Praxis funktioniert.

Use Case: Marktabklärung mit KI

Nicht eine Marktstudie — eine massgeschneiderte Abklärung

Der Unterschied ist wesentlich. Eine Marktstudie beschreibt einen Markt allgemein. Eine Marktabklärung beantwortet die spezifischen Fragen eines Unternehmens: Welche Segmente sind für uns relevant? Wer sind die tatsächlichen Wettbewerber — nicht die grossen Namen, sondern die, die wirklich um dieselben Kunden kämpfen? Wo liegen unsere Differenzierungsmöglichkeiten?

Die Abklärung ist auf den Mandanten zugeschnitten — auf sein Geschäftsmodell, seinen Zielmarkt, seine strategische Ausgangslage. Das Canvas gibt den Rahmen. Der Berater gibt die Richtung.

Das Canvas als Prozessrahmen

Das Canvas zeigt die Bausteine einer vollständigen Marktabklärung. Von der Mandantenerfassung über Markt, Zulieferer und Wettbewerber bis zur Kundennutzenanalyse und den strategischen Fragen. Jeder Baustein hat einen definierten Input, einen strukturierten Output und einen Freigabeschritt durch den Berater.

Ohne Freigabe kein nächster Schritt. Das ist keine Bürokratie — es ist die Grundbedingung dafür, dass KI-Ergebnisse verantwortlich eingesetzt werden können.

Zwei Werkzeuge, zwei Stärken

Wir nutzen zwei KI-Werkzeuge, jedes für die Phase, in der es überlegen ist.

Die Setup-Phase läuft in Claude. Mandantendaten, Auftragsklärung, Marktabgrenzung, Zielmarkt-Definition — strukturierte Beratungsarbeit, in der Präzision, Methodendisziplin und Konsistenz im Vordergrund stehen. Claude führt durch jeden Schritt, fordert Freigaben ein, dokumentiert sauber.

Für die Recherche wechseln wir zu OpenAI Deep Research. Der Grund ist pragmatisch: Für umfangreiche Web-Recherchen mit systematischer Quellenverfolgung ist Deep Research derzeit überlegen. Marktgrösse, Marktteilnehmer, Zulieferer, Kundensegmente — strukturiert, mit Quellenangaben, in einem definierten Format.

Die Ergebnisse kommen zurück nach Claude. Dort folgt die Synthese: Verdichtung der Recherche, Kundennutzenanalyse, Wettbewerbspositionierung, SWOT, strategische Fragen, strategische Optionen. Jede dieser Ebenen baut auf der vorigen auf, jede wird einzeln freigegeben.

Die Übergabe zwischen den beiden Werkzeugen ist bewusst manuell. Der Berater liest, prüft, ergänzt — und übergibt erst dann. Das ist kein Reibungsverlust, das ist Qualitätssicherung.

Ein Exkurs zu Präsentationstools

Wir haben Gamma für die Erstellung der Management-Präsentation getestet. Das Ergebnis: visuell ansprechend, narrativ mitreissend, mit sanften Farbverläufen und fliessenden Übergängen. Kurz: es sieht aus wie Märchenerzählen. Wenn KI dann noch halluziniert, passt das gut zusammen.

Für einen Strategiebericht ist Gamma overload. Unsere Mandanten brauchen keine Dramaturgie — sie brauchen Klarheit. Claude erstellt die Präsentation direkt: nüchtern, analytisch, ohne dramaturgische Ambitionen. Einfach eine Präsentation, die ihren Job macht.

Was am Ende vorliegt

Eine vollständige Marktabklärung mit diesem Prozess liefert:

• – Marktbericht mit Quellenangaben und Disclaimer
• – Wettbewerberliste mit Positionierung
• – Kundennutzenanalyse mit Value Map und Attribute Charts — direkt aus Excel
• – Kunden-Longlist mit A/B/C-Scoring
• – Management-Präsentation

Die Kundennutzenanalyse aus Schritt 7 wird über ein definiertes Mapping in die Excel-Vorlage übertragen. Von dort werden Value Map und Attribute Charts generiert und ohne Medienbruch in Bericht und Präsentation übernommen. Das Ergebnis ist eine vollständige, visuell aufbereitete Wettbewerbspositionierung — auf Basis strukturierter KI-Ergebnisse, nicht auf Basis von Schätzungen.

Das sind keine Rohskizzen. Es sind erste Entwürfe, die im Strategieprozess weiterverwendet werden können — als Grundlage für die SWOT, für die Formulierung strategischer Fragen und für die Diskussion im Führungsteam. Der Berater prüft, schärft und ergänzt — aber er beginnt nicht bei Null.

Was KI gut kann — und was nicht

Die Recherche ist breiter, schneller und systematischer als bisher möglich. Was früher mehrere Wochen dauerte, läuft heute in zwei klaren Stufen: Ein erster Entwurf mit interner Querprüfung in einem Tag. Nach Klienten-Feedback und einer Überarbeitungsrunde — typisch ein bis zwei weitere Tage — liegt die belastbare Abklärung vor. Maximal fünf Tage, nicht mehrere Wochen.

Was wir dabei gelernt haben: Ein KI-Agent braucht enge Begleitung. Man kann ihn nicht einfach durchlaufen lassen und am Ende den Bericht abholen. Jeder Schritt will geprüft sein — nicht weil KI schlecht arbeitet, sondern weil die strategische Einschätzung beim Berater bleibt. Das ist kein Mehraufwand. Es ist der Kern des Prozesses.

KI kann auch eine strategische Vorsortierung vornehmen: welche Wettbewerber wirklich relevant sind, welche Kundensegmente strategisch in Frage kommen. Aber welche Fragen am Ende tatsächlich entscheidend sind — diese Verantwortung liegt bei der Führung. Genau deshalb ist der Freigabeschritt im Prozess keine Option, sondern Pflicht.

KI liefert die Grundlage. Der Mensch verantwortet das Ergebnis.

Fazit

Wer KI unstrukturiert einsetzt, bekommt unstrukturierte Ergebnisse. Wer den Prozess klar definiert — mit Canvas, Freigaben und bewusster Werkzeugwahl pro Phase — bekommt verwertbare, belastbare Grundlagen.

Die entscheidende Erkenntnis ist nicht, dass KI Recherche kann. Die Erkenntnis ist, dass die Methode den Hebel macht: Welches Werkzeug wofür, welcher Schritt mit welchem Output, welche Freigabe an welcher Stelle. Methode kommt vor Tool. Wer das umdreht, bekommt schöne Ergebnisse — aber nicht zwingend richtige.

Die Marktabklärung zeigt, was möglich ist, wenn beides zusammenkommt. Nicht als Experiment, als Prozess, der funktioniert.

Buch StrategieKompakt

Aktualisiert am 29.4.2026 — Tool-Stack präzisiert.

Use Cases KI in der Strategieentwicklung

Das Handbuch von digitalswitzerland zeigt, wie Unternehmen KI strukturiert einführen: mit einer klaren Ambition, einem systematischen Prozess zur Identifikation und Priorisierung von Use Cases und einer schrittweisen Einführung. Das Modell ist durchdacht und auf jeden Unternehmensbereich anwendbar — auf die Buchhaltung, das Marketing, den Vertrieb.

Wir wenden es auf die Strategiearbeit an. Die folgenden Beiträge zeigen konkrete Use Cases für KI in der Strategieentwicklung — Phase für Phase, vom ersten Analyseschritt bis zur Vorbereitung der Umsetzung.

Eine Teil-Ambition für die Strategiearbeit

Das Handbuch empfiehlt, die KI-Einführung mit einer übergeordneten KI-Ambition zu beginnen — dem Gesamtanspruch des Unternehmens an den Einsatz von KI. Diese Ambition ist bewusst breit gehalten, weil sie alle Unternehmensbereiche umfasst.

Für die Strategiearbeit lässt sich daraus eine Teil-Ambition ableiten, die schärfer und konkreter ist:

KI soll den Prozess der Strategieentwicklung in jeder Phase als Denkpartner unterstützen — von der Diagnose bis zur Vorbereitung der Umsetzung. Ziel ist nicht die Automatisierung von Strategie, sondern eine höhere Qualität der strategischen Vorbereitung, eine grössere Klarheit in der Analyse und eine strukturiertere Grundlage für Führungsentscheidungen.

Diese Teil-Ambition ist aus drei Gründen sinnvoll. Erstens ist die Strategiearbeit ein klar abgegrenzter Prozess mit definierten Phasen — das macht sie besonders geeignet für eine strukturierte KI-Einführung. Zweitens ist der Nutzen direkt messbar: Werden Analysen schneller? Werden strategische Fragen präziser? Werden Optionen vergleichbarer? Drittens bleibt die Verantwortung klar beim Führungsteam — KI unterstützt die Vorbereitung, nicht die Entscheidung.

Was der Strategieprozess verlangt

Bevor Use Cases KI in der Strategieentwicklung identifiziert werden können, lohnt ein kurzer Blick auf den Prozess selbst. Strategieentwicklung folgt einer inneren Logik, die nicht beliebig verkürzt werden kann.

Sie beginnt mit der Diagnose: Wo steht das Unternehmen? Was sind Stärken und Schwächen, Chancen und Risiken? Aus dieser Diagnose entstehen strategische Fragen — jene Herausforderungen, die das Unternehmen in den nächsten Jahren bearbeiten muss. Erst danach werden strategische Optionen entwickelt: Welche Möglichkeiten hat das Unternehmen, sich weiterzuentwickeln? Aus den Optionen werden Stossrichtungen ausgewählt, verdichtet und in konkrete Massnahmen und Ziele übersetzt. Am Ende steht ein Umsetzungs- und Controllingprozess, der sicherstellt, dass die Strategie nicht im Workshop endet, sondern im Alltag wirksam wird.

Jede dieser Phasen stellt unterschiedliche Anforderungen — an das Führungsteam, an die Methode und an den Einsatz von KI.

Use Cases KI in der Strategieentwicklung entlang des Prozesses

Aus der Teil-Ambition und der Prozesslogik lassen sich konkrete Use Cases ableiten. Sie folgen nicht einer abstrakten Ideensammlung, sondern der Frage: Wo im Strategieprozess kann KI einen echten Beitrag leisten — und wie sieht dieser Beitrag konkret aus?

Use Case 1 — Diagnose

KI unterstützt bei der Vorbereitung der SWOT-Analyse: Trendrecherchen, Wettbewerbsprofile, Marktübersichten. Sie strukturiert Informationen, verdichtet Quellen und bereitet Diskussionen vor. Was sie nicht ersetzt: die Bewertung und Gewichtung durch das Führungsteam, das die eigene Ausgangslage kennt.

Use Case 2 — Strategische Fragen

Aus einer konsolidierten SWOT lassen sich strategische Fragen ableiten — jene Herausforderungen, die die Strategie tatsächlich beantworten soll. KI kann diesen Schritt unterstützen: Sie strukturiert die SWOT-Elemente, identifiziert Muster und formuliert Fragen, die präziser sind als das, was in einem Workshop spontan entsteht. Dieser Use Case ist einer der stärksten im ganzen Prozess — weil er einen Schritt betrifft, der in vielen KMU zu wenig Aufmerksamkeit erhält.

Use Case 3 — Strategische Optionen

Die Entwicklung strategischer Optionen ist der anspruchsvollste Use Case. KI kann Optionen generieren — aber nur dann in brauchbarer Qualität, wenn der Suchraum methodisch strukturiert ist. Ohne Rahmen entstehen generische Listen, die auf jedes Unternehmen einer Branche passen und deshalb auf keines wirklich. Mit dem richtigen Rahmen — konkreten Entwicklungsdimensionen und einer klaren Logik für die Einordnung — entstehen Optionen, die sich vergleichen, bewerten und zu Stossrichtungen verdichten lassen.

Use Case 4 — Stossrichtungen und Zielbild

Wenn strategische Optionen ausgewählt und zu Stossrichtungen verdichtet werden, kann KI als Konsistenzprüfer eingesetzt werden: Passen die Stossrichtungen zu den strategischen Fragen? Sind Widersprüche erkennbar? Decken sie die zentralen Herausforderungen ab? Dieser Use Case ist weniger kreativ als analytisch — und genau deshalb gut für KI geeignet.

Use Case 5 — Massnahmen und OKR

Bei der Übersetzung von Stossrichtungen in konkrete Massnahmen und Ziele kann KI die Struktur liefern: erste Roadmaps, Zielformulierungen, Priorisierungslogiken. Das OKR-Framework lässt sich gut mit KI-Unterstützung aufsetzen — vorausgesetzt, die strategische Richtung ist bereits klar definiert.

Use Case 6 — Strategisches Controlling

Vor Review-Sitzungen kann KI Projektberichte zusammenführen, Abweichungen strukturieren und Diskussionsfragen formulieren. Nicht als Ersatz für die Führungsdiskussion — sondern als Vorbereitung, die Qualität und Effizienz dieser Diskussion erhöht.

Was diese Serie leisten will

Jeder dieser Use Cases wird in den kommenden Wochen einzeln durchgearbeitet — mit konkreten Beispielen aus der Praxis, mit einer klaren Beschreibung dessen, was KI in diesem Schritt leistet, und mit einer ebenso klaren Beschreibung dessen, was sie nicht leistet.

Das Ziel ist ein ehrlicher und methodisch fundierter Überblick: Wo lohnt sich der Einsatz? Welchen Rahmen braucht er? Und wo bleibt die Arbeit — und die Verantwortung — beim Führungsteam?

Strategiearbeit wird durch KI nicht einfacher. Sie wird präziser. Und Präzision ist das, was gute Strategie von schlechter unterscheidet.

StrategieKompakt – das Buch dazu

StrategieKompakt mit KI – ein Buch, das zeigt wie es geht

Strategie entsteht im Denken von Menschen. Künstliche Intelligenz macht dieses Denken sichtbar. Mit diesem Satz beginnt das Buch StrategieKompakt mit KI, das heute erscheint.

Das Buch ist ein Praxisleitfaden für Unternehmer und Führungsteams, die Strategie als kontinuierliche Aufgabe verstehen – nicht als periodisches Projekt. Geschrieben für KMU, die mit realen Bedingungen arbeiten: unvollständige Informationen, knappe Zeit, echte Zielkonflikte.

Im Mittelpunkt steht die Methode StrategieKompakt. Sie folgt einer klaren Logik: von der Analyse der Ausgangslage über die SWOT und die Formulierung strategischer Fragen bis zur Entwicklung von Optionen und strategischen Stossrichtungen. Ein durchgehendes Fallbeispiel begleitet diesen Prozess – konkret, nachvollziehbar, unter realen Bedingungen.

KI kommt dabei nicht als Thema am Rande vor. Sie ist an den richtigen Stellen des Prozesses integriert – dort, wo sie stark ist. In der Analyse, in der Verdichtung, in der Formulierung. Mit konkreten Prompts, klaren Rollenverteilungen und ehrlichen Einschätzungen, wo KI an ihre Grenzen stösst.

Denn die entscheidende Frage ist nicht, ob KI strategische Optionen generieren kann. Die Frage ist, unter welchen Bedingungen diese Optionen robust, relevant und weiterverwendbar werden.

Methode und Plattform gehören zusammen. Das Buch beschreibt die Methode. Die Strategy.app bildet sie digital ab – als strukturierter Arbeitsraum, in dem Strategiedaten an einem Ort geführt werden, Entscheidungen dokumentiert werden und das Wissen des Unternehmens über seine eigene strategische Situation wächst. Nicht als Archiv. Als lebendige Grundlage für eine Strategiearbeit, die nicht nach dem Workshop endet.

Drei Dinge sind in diesem Buch anders als in den meisten.

• Erstens: Es zeigt den Prozess so, wie er in der Praxis wirklich abläuft – mit Unsicherheit, Zielkonflikten und der Notwendigkeit, unter unvollständigen Informationen zu entscheiden.
• Zweitens: Es trennt klar, was KI leisten kann und was nicht. KI liefert Antworten. Führung entscheidet. Das ist keine Einschränkung – es ist die Grundbedingung für verantwortungsvolle Strategiearbeit.
• Drittens: Es endet nicht mit dem Workshop. Strategie als Daueraufgabe bedeutet beobachten, anpassen, weiterdenken. Das Buch gibt dafür den Rahmen.

StrategieKompakt mit KI

Strategiedaten strukturieren – bevor KI überhaupt anfangen kann

Derzeit läuft auf LinkedIn eine Diskussion, die überfällig war. Wer KI sinnvoll einsetzen will, muss zuerst seine Daten in Ordnung bringen. Rohe, unstrukturierte, verstreute Daten führen zu schlechten KI-Ergebnissen – egal wie leistungsfähig das Modell ist.

Das stimmt. Aber die Diskussion dreht sich fast ausschliesslich um Kunden-, Produkt- oder Finanzdaten. Was dabei fehlt: Strategiedaten.

In den meisten KMU sieht die Realität so aus. Die letzte SWOT liegt irgendwo in einer PowerPoint vom letzten Workshop. Die strategischen Fragen wurden damals formuliert, aber nie systematisch weiterverfolgt. Die Optionen, die das Führungsteam entwickelt hat, existieren in drei verschiedenen Versionen. Und die Massnahmen, die beschlossen wurden, sind über Excel-Listen, E-Mails und persönliche Notizen verteilt.

Wenn ein neues Mitglied ins Führungsteam kommt, beginnt die Suche von vorne. Wenn ein Jahr später der nächste Strategieprozess ansteht, weiss niemand mehr genau, was damals entschieden wurde – und warum.

Das ist kein Versagen des Teams. Es ist ein strukturelles Problem: Strategiearbeit wird als Projekt behandelt, nicht als kontinuierlicher Prozess. Der Workshop erzeugt Energie, Dokumente werden erstellt, Massnahmen beschlossen. Und nach einigen Monaten verschwindet Strategie wieder im operativen Alltag.

KI kann unter diesen Bedingungen nichts leisten. Nicht weil sie zu schwach ist, sondern weil ihr der Kontext fehlt. Ein Sprachmodell, das nach strategischen Optionen für ein Unternehmen gefragt wird, ohne zu wissen, was dieses Unternehmen in den letzten Jahren entschieden hat, welche Annahmen seiner Strategie zugrunde liegen und welche Fragen noch offen sind, liefert zwangsläufig Allgemeinwissen. Gut formuliert, strukturiert – und strategisch wenig brauchbar.

Strategiedaten brauchen dieselbe Disziplin wie alle anderen Unternehmensdaten.

Was das konkret bedeutet: Marktanalysen, Wettbewerberprofile, SWOT-Elemente, strategische Fragen, Optionen, Stossrichtungen, Massnahmen und die Annahmen, auf denen all das beruht – alles an einem Ort, strukturiert, verknüpft und jederzeit abrufbar. Nicht als Archiv, sondern als lebendige Arbeitsgrundlage, die mit jeder strategischen Diskussion wächst.

Genau das ist die Idee hinter der Strategy.app. Sie bildet die Methode StrategieKompakt digital ab und schafft den strukturierten Rahmen, in dem Strategiearbeit zur Daueraufgabe wird – statt zum periodischen Projekt. Analysen werden systematisch erfasst, Entscheidungen dokumentiert, Stossrichtungen weiterentwickelt. Das Wissen, das im Laufe der Strategiearbeit entsteht, geht nicht verloren.

Und erst wenn dieser strukturierte Wissensbestand vorhanden ist, wird KI zu einem echten Denkpartner. Nicht als Ersatz für Analyse und Entscheidung – sondern als Instrument, das auf einer belastbaren Grundlage aufbaut, Zusammenhänge sichtbar macht und die Qualität strategischer Diskussionen erhöht.

Die Technik folgt der Methode. Nicht umgekehrt.

Buch StrategieKompakt

Wenn KI die Spannung auflöst, bevor das Denken beginnt

In den ersten beiden Beiträgen dieser Serie ging es um ein handwerkliches Problem: Warum KI bei strategischen Optionen ohne Rahmen enttäuscht – und was Kontext und Methode daran ändern. Wer Entwicklungsdimensionen und das Adjacency-Prinzip konsequent einsetzt, bekommt Ergebnisse, die sich einordnen, bewerten und weiterentwickeln lassen.

Aber es gibt eine zweite Ebene. Sie ist subtiler und tritt auch dann auf, wenn die Vorbereitung gut war.

Die Spannung, die verschwindet

Ein Führungsteam sitzt zusammen. Vor ihm liegt eine offene strategische Frage – unbequem, noch nicht durchgearbeitet, mit unterschiedlichen Meinungen im Raum. Jemand gibt die Frage in ein KI-System ein. Wenige Sekunden später liegt eine strukturierte, gut formulierte Antwort auf dem Tisch.

Die Spannung ist weg.

Und genau dort beginnt das eigentliche Problem.

Strategische Auseinandersetzung lebt von produktiver Spannung. Nicht von Konflikt um seiner selbst willen, sondern von der Reibung, die entsteht, wenn unterschiedliche Erfahrungen, Einschätzungen und Risikobereitschaften aufeinandertreffen. Diese Reibung ist keine Ineffizienz. Sie ist der Denkprozess selbst. Aus ihr entstehen Fragen, die präziser sind als die ursprüngliche Frage. Einschätzungen, die sich gegenseitig schärfen. Entscheidungen, die getragen werden, weil sie gemeinsam durchdacht wurden.

KI kann diese Spannung nicht erzeugen. Aber sie kann sie auflösen, bevor sie ihre Wirkung entfaltet hat.

Warum plausible Antworten gefährlich sein können

Das geschieht nicht durch schlechte Antworten. Es geschieht durch plausible Antworten zum falschen Zeitpunkt.

Ein Sprachmodell ist auf Mustererkennung in grossen Textmengen trainiert. Es liefert Antworten, die in der Sprache der jeweiligen Branche formuliert sind, Struktur und Kohärenz ausstrahlen und vertraut klingen – weil sie aus der Vergangenheit des Feldes destilliert sind. Die Antwort klingt richtig, weil sie bekannt klingt.

Strategische Fragen, die wirklich relevant sind, haben aber keine Vergangenheit, aus der sich die Antwort ableiten liesse. Sie sind spezifisch für dieses Unternehmen, diesen Markt, dieses Team, diesen Moment. KI kann dazu Hypothesen liefern, Strukturen vorschlagen, Varianten sichtbar machen. Aber sie kann die Frage nicht beantworten. Wer das vergisst, delegiert kein Werkzeug – sondern ein Urteil.

KI als Spiegel – und die Resonanz dahinter

Hier liegt der entscheidende Unterschied zwischen zwei Arten, wie KI in der Strategiearbeit wirken kann.

Als Spiegel macht KI sichtbar, was bereits im System vorhanden ist. Unklare Annahmen führen zu unscharfen Outputs. Widersprüchliche Zielsetzungen erzeugen widersprüchliche Vorschläge. Das ist wertvoll – ein Führungsteam erkennt schneller, wo die eigene Analyse noch nicht präzise genug ist.

Resonanz entsteht eine Stufe weiter. Nicht wenn KI eine Antwort zurückgibt, sondern wenn der KI-Output das Team dazu bringt, die eigene Frage neu zu stellen. Wenn eine generierte Option als unbefriedigend erkannt wird – und das Team beginnt zu verstehen, warum sie unbefriedigend ist. Wenn eine verdichtete Analyse einer Beobachtung aus der Praxis widerspricht und dieses Spannungsverhältnis zum Ausgangspunkt einer echten Diskussion wird.

Resonanz setzt voraus, dass KI-Output als Hypothese behandelt wird – nicht als Ergebnis.

Eine Frage des Prozessdesigns

Das ist nicht nur eine Frage der Haltung. Es ist eine Frage des Prozessdesigns.

In einem gut geführten Strategieprozess ist die Sequenz entscheidend. KI arbeitet in der Vorbereitung, in der Verdichtung, in der Dokumentation. Im Workshop selbst – wenn das Führungsteam strategische Fragen durcharbeitet, Optionen bewertet und Stossrichtungen entwickelt – ist die primäre Aufgabe nicht Informationsverarbeitung. Es ist Urteilsbildung. Und Urteilsbildung braucht die Reibung, die entsteht, wenn Menschen mit unterschiedlichen Erfahrungen gemeinsam denken.

Das bedeutet nicht, dass KI im Workshop keinen Platz hat. Sie kann Zwischenstände verdichten, Varianten durchspielen, Formulierungen schärfen. Aber sie sollte nicht das erste Wort haben, wenn eine offene Frage auf dem Tisch liegt. Wer KI zu früh einsetzt, riskiert, dass das Team eine Antwort bewertet, statt eine Frage zu durchdenken.

Was daraus folgt

Ein lernendes strategisches System entsteht nicht dadurch, dass KI besser wird. Es entsteht dadurch, dass das Unternehmen besser wird: in der Formulierung seiner Fragen, in der Qualität seiner Annahmen, in der Konsistenz zwischen strategischer Richtung und operativem Handeln.

Strategie beginnt mit der Fähigkeit eines Unternehmens, sich selbst zuzuhören. KI kann dieses Zuhören unterstützen – in der Vorbereitung, in der Strukturierung, in der Nachbereitung. Sie kann es nicht ersetzen. Und sie darf es nicht abkürzen.

Die drei Beiträge dieser Serie beschreiben zwei Ebenen, auf denen KI in der Strategiearbeit scheitert – und zwei Bedingungen, unter denen sie tatsächlich nützt. Die erste Ebene ist handwerklich: Kontext und Methode. Die zweite ist prozessual: der richtige Zeitpunkt und die Bereitschaft, KI-Output als Hypothese zu behandeln, nicht als Antwort.

Beides zusammen ist noch keine Garantie für gute Strategie. Aber es ist die Voraussetzung dafür, dass KI überhaupt einen Beitrag dazu leisten kann.

Mehr in unserem aktuellen Buch «Strategieentwicklung mit KI»

Was KI bei strategischen Optionen leisten kann, wenn der Rahmen stimmt

Wie Entwicklungsdimensionen und das Adjacency-Prinzip den KI-Output bei strategischen Optionen grundlegend verbessern

Im ersten Beitrag dieser Serie habe ich beschrieben, warum KI bei strategischen Optionen fast immer zuerst enttäuscht. Die Ursache ist strukturell: ohne Kontext und ohne methodische Einbettung produziert KI Antworten, die statistisch wahrscheinlich sind – nicht Antworten, die zu diesem Unternehmen passen.

Heute gehe ich einen Schritt weiter. Denn das Problem lässt sich lösen. Nicht durch ein besseres Modell, sondern durch einen besseren Rahmen.

Was «Rahmen» konkret bedeutet

In einem Projekt mit einem mittelständischen Hersteller von Fenstern und Türen – im Folgenden Doors & Windows, ein anonymisiertes Fallbeispiel aus der Praxis – haben wir denselben Prozess zweimal durchlaufen. Erst ohne methodische Einbettung, dann mit.

Der erste Durchlauf lieferte Optionen wie diese:

• Digitalisierung zur Effizienzsteigerung
• Stärkung der Kundenbindung durch nachhaltige Produkte
• Compliance-Management zur Normenerfüllung
• Kostensenkung durch Prozessdigitalisierung

Sauber formuliert, methodisch verknüpft mit SWOT-Quadranten und Ansoff-Typen – und dennoch strategisch kaum verwertbar. Die Optionen hätten auf jeden Hersteller in dieser Branche gepasst. Doors & Windows war darin nicht erkennbar.

Das war nicht ein Versagen der KI. Es war das erwartbare Ergebnis eines Prompts ohne ausreichenden Kontext und ohne methodische Leitplanken für die Entwicklung der Optionen selbst.

Zwei Instrumente, die den Unterschied machen

Was im zweiten Durchlauf anders war, lässt sich auf zwei konzeptionelle Eingriffe reduzieren.

Das erste Instrument: Entwicklungsdimensionen: Statt KI offen nach Optionen zu fragen, wird der Suchraum entlang konkreter Achsen strukturiert: Technologien, Absatzkanäle, Regionen, Wertschöpfungstiefe, Anwendungskontexte. Jede Dimension öffnet einen anderen Blickwinkel auf das Unternehmen. Das verhindert, dass KI einfach die naheliegendsten Branchenmuster wiederholt.

Das zweite Instrument: das Adjacency-Prinzip: Die Grundregel lautet: Je grösser die Distanz zum bestehenden Geschäft, desto höher das Risiko. Optionen werden deshalb bevorzugt in anliegenden Bereichen gesucht – nicht gleichzeitig in mehreren Dimensionen, weil sich Risiken sonst potenzieren. Das gibt der Optionsentwicklung eine strategische Logik, die über Brainstorming hinausgeht.

Beide Instrumente zusammen verändern nicht, was KI grundsätzlich kann. Sie verändern, worauf KI ihre Mustererkennung anwendet.

Was daraus wird – am Beispiel

Aus «Digitalisierung zur Effizienzsteigerung» wurde mit diesem Rahmen eine konkrete Option:

Doors & Windows entwickelt einen webbasierten Konfigurator, der Fachhandelspartnern die eigenständige Produkt- und Variantenkonfiguration ermöglicht – inklusive technischer Spezifikation und Bestellauslösung. Der Konfigurator reduziert den Aufwand im Innenvertrieb, verkürzt den Angebotsprozess und stärkt die Fachhandelsbindung durch einen Mehrwert im täglichen Geschäft. Entwicklungsdimension: Absatzkanal, adjacent zum bestehenden Geschäft. Geschätztes Potenzial: 15–20% Reduktion der Vertriebskosten, skalierbar.

Aus «Stärkung der Kundenbindung durch nachhaltige Produkte» wurde:

Doors & Windows entwickelt ein Sortiment, das die gängigen Nachhaltigkeitszertifizierungen für öffentliche Bauprojekte erfüllt und damit systematisch ein Kundensegment erschliesst, das bisher kaum bearbeitet wurde – öffentliche Bauherren und Generalunternehmer mit ESG-Verpflichtungen. In diesem Segment ist der internationale Preisdruck strukturell geringer. Entwicklungsdimension: Kundengruppe, adjacent zur bestehenden Produktkompetenz. Mittelfristiges Potenzial: 10–15% Umsatzanteil in einem margenstärkeren Segment.

Der Unterschied ist nicht kosmetisch. Die erste Version benennt eine Richtung. Die zweite beschreibt eine Option, die sich bewerten, priorisieren und zu einer strategischen Stossrichtung verdichten lässt.

Was sich verändert – und was nicht

Seit wir den Arbeitsdialog mit KI auf diese Weise strukturieren, hat sich die Qualität der Ergebnisse in einem Punkt grundlegend verbessert: die Optionen sind einordnungsfähig. Sie haben eine nachvollziehbare strategische Logik, ein erkennbares Potenzial und eine klare Verbindung zur Ausgangslage des Unternehmens.

Was sich nicht verändert hat, verdient eine ehrliche Benennung. KI erfindet keine Zukunft. Sie verdichtet, strukturiert und variiert – innerhalb des Rahmens, den man ihr gibt. Die Optionen, die aus dem zweiten Durchlauf entstanden, waren besser vorbereitet. Ob sie die richtigen sind, ob das Potenzial realistisch ist, ob das Unternehmen die nötigen Fähigkeiten hat – das entscheidet kein Sprachmodell.

Damit ist das Problem aber noch nicht gelöst!

Der Rahmen verbessert zwar die Qualität der Optionen deutlich, aber er berührt eine tiefere Frage nicht – eine, die ich im nächsten Beitrag beschreibe.

Buch «Strategieentwicklung mit KI»