Marktabklärung mit KI — Achtung, glänzende Folien blenden

Diesen Beitrag gibt es auch als wöchentlichen Newsletter.

Jeden Donnerstag ein Use Case aus der Strategieberatung mit KI — Marktabklärung, Diagnose, Kundennutzen, OKR. Wenn Sie weiter mitdenken wollen: Newsletter „Strategieentwicklung mit KI» auf LinkedIn abonnieren — dann kommt die nächste Ausgabe automatisch.

Eine gute Marktstudie erkennt man am Glanz. Die Folien glänzen, die Augen des Auftraggebers glänzen — und nach bezahlter Rechnung glänzen sogar die des Beraters.

Drei Monate später erinnert sich jeder an etwas anderes. Und wer weiss noch, wo die Studie abgelegt wurde.

Das ist keine Polemik gegen Marktstudien. Wir machen selbst welche — gründlich, systemisch, zugeschnitten auf die strategische Frage des Auftraggebers, und ja, sie werden präsentiert und verrechnet. Und anders als die meisten Beiträge zu diesem Thema sagen wir Ihnen nicht, was Sie tun sollten. Wir zeigen, wie wir damit umgehen. Es geht heute nicht darum, ob die Studie gut ist, sondern darum, was danach mit ihr passiert.

Die Folienfalle

Was passiert im Normalfall mit dem Ergebnis so einer Studie? Meist wird es auf glänzende Folien gebracht — im doppelten Sinn. Hochglanzpoliert, und die Geschäftsleitung ist beeindruckt.

Aber beeindruckt ist nicht verstanden. Wir haben es mit selektiver Wahrnehmung zu tun, und die ist bei jedem anders. Bei dem einen bleibt die Marktgrösse hängen, beim anderen der Preisnachteil, beim dritten der Wettbewerbsdruck. Und bald finden sich in den Köpfen unterschiedliche Vorstellungen — und es verpufft. Dann beauftragt man die nächste Studie, und das Spiel beginnt von vorne.

KI ändert daran erst einmal wenig. Sie kann Folien bauen, die aussehen wie von McKinsey oder Bain. Das Problem ist nur: Das können andere auch. Schöne Folien aber blenden — und sie zeigen meist nur die Oberfläche.

KI kann aber viel mehr. Sehr viel mehr.

Was KI wirklich kann

Zur Frage: Was passiert danach? Wir legen das Ergebnis nicht als PowerPoint in irgendeinem Folder oder im SharePoint ab. Es landet strukturiert und zusammenhängend in den Strategiedaten — in Strategy.app. Hier befinden sich die Geschäftsfeldbeschreibungen, die Value Map, die SWOT, die strategischen Fragen und Stossrichtungen: jedes Thema und jeder Aspekt als Datenpunkt, versioniert, miteinander verknüpft. KI kann die Folien daraus jederzeit neu erzeugen.

Und weil alles verbunden ist, steht die Marktabklärung nicht allein, sondern im Kontext der übrigen strategischen Unternehmensdaten. Ändert sich vorne eine Annahme, zieht sich die Konsequenz durch die ganze Kette — sichtbar, nachvollziehbar, prüfbar. Genau das kann eine Foliensammlung nie leisten: Eine Folie weiss nicht, dass sie mit der nächsten zusammenhängt.

Im Strategy Board hängt alles zusammen: Herausforderungen aus der SWOT, strategische Optionen, eine Konsistenzprüfung — bis hin zu Jahreszielen und nächsten Schritten. Eine lebende Struktur, keine Foliensammlung.

Zusätzlich ist dieses System dynamisch. Es lebt, lernt und wird mit jeder Studie besser. Weil die Strategiedaten in der App liegen, wächst ein Kontext heran, der immer spezifischer wird — und den niemand jedes Mal neu aufsetzen muss. Die Agenten, die die Marktstudie erstellen, kennen das Unternehmen, die Geschäftsfelder, die bisherigen Strategien, die SWOT, die Optionen, die Massnahmen, die Ergebnisse. Eine neue Marktabklärung beginnt damit nie auf der grünen Wiese, sondern eingebettet in alles, was vorher entschieden wurde. Kontext vom Feinsten — und genau das, woran eine Foliensammlung scheitert.

Sie können also nach der Präsentation die schönen Folien getrost zur Seite legen oder löschen. Die Strategie bleibt.

Stellen Sie sich vor, was das ermöglicht.

Ein Industrieunternehmen hat nach einer Marktabklärung entschieden, in einen neuen Auslandsmarkt einzutreten, und ein Projekt aufgesetzt. Ein Berichtstermin steht an. Die Geschäftsleitung schaut vor der Sitzung nach, ob die Ausgangslage noch gilt — und die KI meldet: Ein Parameter hat sich durch politische Entwicklungen grundlegend verändert. Eine handelspolitische Regel wurde verschärft; genau jene Annahme, die den ganzen Business-Case trägt, wiegt jetzt schwerer. Das Projekt steht in Frage.

Gleichzeitig triggert die KI den Projektleiter. Der prüft, welche Konsequenzen das hat und ob es Alternativen gibt. In der Berichtssitzung sind dann alle bereits informiert. Die Geschäftsleitung ist nicht überrascht, der Projektleiter ist vorbereitet. Die Diskussion findet auf einer ganz anderen Ebene statt: SWOT, strategische Fragen, Stossrichtungen und Massnahmen werden neu kalibriert — gemeinsam, in Kenntnis der Lage. Die Information fliesst in alle Richtungen. Hiess es früher „Wenn das Unternehmen nur wüsste, was es weiss», so weiss es jetzt, was es weiss.

Vielleicht wird das Projekt gestoppt … oder der Markteintritt wird anders aufgesetzt … oder der Fokus verschiebt sich. Der Punkt ist nicht, welche Entscheidung fällt — sondern dass sie auf der Höhe der Zeit fällt, nicht auf dem Stand der letzten Folienpräsentation.

Vier Dinge, die strukturierte Strategiedaten möglich machen

1. Erstens: Die Marktabklärung wird strukturell vergleichbar mit anderen Studien.
2. Zweitens: Sie kann neu erstellt und mit der alten abgeglichen werden. Was hat sich geändert, was gilt noch?
3. Drittens: Sie kann fortlaufend angepasst und aktualisiert werden, statt alle zwei Jahre neu beauftragt zu werden.
4. Viertens: Die Organisation lernt. Die KI spielt zurück, nimmt auf, schärft mit. Das nennen wir den Resonanzraum — und meinen damit ausdrücklich nicht den *Operations Room* aus Stafford Beers Viable System Model, der zentral gedacht war. Der Resonanzraum ist dezentral und beziehungsbasiert.

Ein kleiner Selbsttest, bevor es weitergeht: Suchen Sie Ihre letzte Marktstudie. Gelten ihre drei wichtigsten Annahmen noch — und wissen Sie das, oder vermuten Sie es?

These 8: Entscheiden statt Verwalten

Genau hier greift eine der zehn Thesen: *Führen mit KI heisst Entscheiden, nicht Verwalten.*

Die Geschäftsleitung in diesem Beispiel verwaltet keine glänzenden Folien mehr. Sie entscheidet — auf einer lebenden Grundlage, informiert, bevor sie den Raum betritt. Die KI entscheidet nichts; sie bereitet vor, meldet, kalibriert. Die Verantwortung bleibt beim Führungsteam. Aber das Führungsteam diskutiert nicht mehr den Stand von vorgestern, sondern die Entscheidung von heute.

Barry O’Reilly bringt es auf den Punkt: *Information is abundant. Judgment is scarce.* Menschliches Urteilsvermögen, schreibt er, sei *the scarcest resource on the planet*. Seine Konsequenz ist eine *Judgment Infrastructure* — Systeme und Daten, die das Urteil der Führung nicht ersetzen, sondern ihm Raum geben. Die Arbeitsteilung dahinter: Maschinen überwachen, Menschen entscheiden; Maschinen verdichten, Menschen deuten; Maschinen zeigen Optionen, der Mensch trägt die Entscheidung. Strukturierte Strategiedaten sind genau diese Infrastruktur. Sie nehmen der Führung das Verwalten ab, damit Kopf und Zeit frei werden für das, was wirklich knapp ist: das Urteil.

O’Reilly hat dafür ein treffendes Bild: Die meisten Organisationen treffen nicht schlechte Entscheidungen, sondern späte. Genau hier setzt die Infrastruktur an — sie bringt den Moment der Entscheidung nach vorne, bevor der Schaden entsteht.

Fazit

Lassen Sie sich nicht von Folien blenden — so schön sie sind und so sehr sie nach McKinsey schmecken. Der Glanz einer Folie sagt nichts darüber, ob die Strategie noch trägt. Strukturierte Daten schon. Ihr Unternehmen hat mehr verdient als eine schöne Oberfläche — und Ihre Strategie auch.

So eine Marktabklärung beginnt mit einem konkreten Auftrag — anonymisiert:

• – AlpinTech, ein Schweizer Präzisionszulieferer, 500 Mitarbeiter, 100 Millionen Umsatz.
• – Das Ziel: Wachstum auf 160 Millionen bis 2031, die Verschiebung vom Einzelteil zur Baugruppe — über den Eintritt in den US-Markt.
• – Die Abklärung soll acht Fragen beantworten: Marktpotenzial, Wettbewerber, priorisierte Kundensegmente, Kaufkriterien, Preis-Leistungs-Position — und am Ende eine priorisierte Kunden-Longlist mit Matching auf das eigene Angebot.

Das ergibt eine Marktabklärung, die genau auf den aktuellen Bedarf des Unternehmens zugeschnitten ist und die strategische Frage dieses einen Unternehmens beantwortet.

Im nächsten Beitrag zeige ich das fertige Ergebnis: die Studie, die Longlist, das Matching — und warum genau diese Zuschneidung auf den Auftraggeber und die strukturierte Einbettung der Ergebnisse den Unterschied macht.

Diesen Beitrag gibt es auch als wöchentlichen Newsletter.

Jeden Donnerstag ein Use Case aus der Strategieberatung mit KI — Marktabklärung, Diagnose, Kundennutzen, OKR. Wenn Sie weiter mitdenken wollen: Newsletter „Strategieentwicklung mit KI» auf LinkedIn abonnieren — dann kommt die nächste Ausgabe automatisch.

Wie Strategiearbeit mit KI reift

Diesen Beitrag gibt es auch als wöchentlichen Newsletter.
Jeden Donnerstag ein Use Case aus der Strategieberatung mit KI — Marktabklärung, Diagnose, Kundennutzen, OKR. Wenn Sie weiter mitdenken wollen: Newsletter „Strategieentwicklung mit KI» auf LinkedIn abonnieren — dann kommt die nächste Ausgabe automatisch.

Bei manchem weiss jeder: Auf die Lagerung kommt es an. Bei Strategiearbeit vergessen es die meisten.

Ein Bild aus der Beratungspraxis, das jeder kennt, der Strategieprozesse begleitet: Im Frühjahr entsteht in drei Workshops eine saubere Value Map. Die Position des Unternehmens gegenüber den Wettbewerbern, das Preis-Qualitäts-Verhältnis, die Lücke, in die man stossen will — alles da, alles durchdacht. Im Herbst, als über die strategischen Optionen entschieden wird, fragt jemand: Wo war noch mal die Value Map vom Frühjahr? Drei Leute suchen in vier Foliendecks. Gefunden wird eine Version. Ob es die letzte ist, weiss niemand.

Hier verpufft Strategie. Nicht, weil sie schlecht gemacht wäre. Sondern weil sie in der Präsentation endet — und nicht in einer Struktur, in der die Strategie weiterlebt und mit der richtigen Lagerung weiter wachsen kann.

Mit KI wird das Problem grösser

Je mehr KI in der Analysephase liefert — synthetisierte Wettbewerberprofile, verdichtete Kundennutzen-Analysen, durchgerechnete Value Maps, generierte OKR-Entwürfe —, desto mehr Material entsteht. Und desto wichtiger wird die Frage, wo dieses Material danach lebt. Eine KI, die in jeder Sitzung bei null beginnt, weil sie den Kontext der letzten Phase nicht kennt, liefert schnellere Allgemeinplätze. Mehr nicht.

Die gängige Antwort auf das Problem lautet: „Wir legen einen SharePoint an» oder „Wir machen eine saubere OneDrive-Struktur». Das sind organisatorische Antworten auf eine methodische Frage. Ein Ordner macht ein Dokument auffindbar. Er macht es nicht anschlussfähig.

Drei Eigenschaften einer tragenden Datenstruktur

Die methodische Frage ist eine andere: Was zeichnet eine Datenstruktur aus, in der Strategiearbeit reift und die Strategie über Monate und Jahre weiter wachsen kann? Drei Eigenschaften.

Versioniert. Jede Annahme, jede Bewertung, jede Stossrichtung hat einen Stand und eine Geschichte. Man sieht, was sich seit dem letzten Review geändert hat — und was noch gilt.

Verbunden. Die Phasen des Strategieprozesses verweisen aufeinander. Die externen Trends aus der Diagnose stehen für die Optionsentwicklung bereit. Die Value Map aus der Kundennutzen-Analyse ist in der SWOT und in den strategischen Fragen eine Klick-Bewegung entfernt — nicht eine Suche durch fünf Decks.

KI-fähig. Die Daten liegen so, dass eine KI sie als Kontext lesen kann. Nicht als Bild in einer Folie, sondern als Struktur, auf die ein Denkpartner zugreift. Erst dann wird aus der KI ein Partner, der das Unternehmen über die Zeit mitdenkt — und nicht ein Generator, der jede Sitzung bei null beginnt.

Wer diese drei Eigenschaften nicht hat, baut Strategie auf Sand. KI macht das deutlicher als je zuvor — weil sie genau dort glänzt, wo Kontext da ist, und genau dort enttäuscht, wo er fehlt.

Der 60-Sekunden-Test

Bevor Sie weiterlesen — eine kurze Probe aufs Exempel. Fünf Fragen zu Ihrer eigenen Strategiearbeit:

1. Finden Sie Ihre aktuell gültige SWOT in unter einer Minute — und wissen Sie sicher, dass es die letzte Version ist?
2. Wenn ein neues Mitglied ins Führungsteam kommt: Kann es sich selbständig einlesen, oder beginnt die Einarbeitung bei null?
3. Stehen die Ergebnisse Ihrer letzten Strategiearbeit einer KI als Kontext zur Verfügung — oder liegen sie als Bilder in Foliendecks?
4. Sehen Sie auf einen Blick, welche strategische Annahme von vor einem Jahr noch gilt und welche überholt ist?
5. Liegt Ihre Strategie an einem Ort — oder an mehreren, je nachdem, wen man fragt?

Jedes Nein ist eine Stelle, an der Strategie verpufft. Bei drei oder mehr Nein wird KI Ihnen in der Strategiearbeit wenig nützen — nicht weil sie zu schwach wäre, sondern weil ihr der belastbare Kontext fehlt.

Wer es genauer wissen will: Wir haben daraus einen kurzen Reifetest gebaut. In wenigen Minuten zeigt er, wie weit Ihre Strategiearbeit für den KI-Einsatz vorbereitet ist — und wo die grössten Hebel liegen. Sie finden ihn unter quiz.strategy.app.

These 0: Strukturierte Daten sind die Vorbedingung

Das ist die These hinter dieser Serie, die in keiner der zehn anderen auftaucht und doch unter allen liegt — nennen wir sie These 0: Strukturierte Daten sind die Vorbedingung. Verteilte strategische Führung, Mitarbeiter als Agenten, KI als Denkpartner — all das trägt nur, wenn die Strategie an einem Ort lebt, an dem Mensch und KI sie gemeinsam fortschreiben. Ohne diese Struktur bleibt jede der zehn Thesen eine schöne Demo.

Wo die Strategie aufhört zu verpuffen

Bei uns liegt diese Struktur in Strategy.app: eine einzige Quelle, versioniert, über einen MCP-Server direkt an Claude angebunden. Nicht als Produktversprechen, sondern als der Ort, an dem die Strategie aufhört zu verpuffen.

Und sie ist abrufbar — jederzeit, überall, immer auf demselben Stand. Der Verwaltungsrat oder ein Boardmember sieht den aktuellen Strategiestand über Tablet oder Handy ein: vom Leitbild über die Vorgaben bis zu den Zielen, jeweils mit der passenden Berechtigung. Kein Foliendeck, das per Mail herumgeht und schon beim Versand veraltet ist. Eine Quelle, ein Stand, für alle, die ihn sehen dürfen.

Der aktuelle Strategiestand, jederzeit und überall abrufbar — auf demselben Stand für alle Berechtigten.

Im nächsten Beitrag wird es konkret: der erste Use Case aus der Beratungspraxis — die Marktabklärung, und warum sie nicht an fehlenden Informationen scheitert, sondern am Prozess.

Diesen Beitrag gibt es auch als wöchentlichen Newsletter.

Jeden Donnerstag ein Use Case aus der Strategieberatung mit KI — Marktabklärung, Diagnose, Kundennutzen, OKR. Wenn Sie weiter mitdenken wollen: Newsletter „Strategieentwicklung mit KI» auf LinkedIn abonnieren — dann kommt die nächste Ausgabe automatisch.

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