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.
