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: 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»