Management Summary
Viele Unternehmen diskutieren heute über ihre KI-Strategie. Die eigentliche Herausforderung liegt jedoch nicht darin, eine Strategie zu formulieren, sondern unterschiedliche KI-Investitionen intelligent zu priorisieren. Denn Unternehmen bewegen sich oft gleichzeitig in verschiedenen Wertschöpfungslogiken, unterschiedlichen Risikoprofilen und konkurrierenden Investitionsfeldern.
Es gibt nicht die eine KI-Welt
KI schafft Wert auf unterschiedliche Weise, abhängig vom Geschäftsmodell.
- B2C-Unternehmen nutzen KI primär zur Skalierung von Reichweite, Personalisierung und Transaktionen.
- B2B-Unternehmen setzen KI ein, um Entscheidungen zu verbessern, komplexe Kundenbeziehungen zu unterstützen und Account-Wissen zu skalieren.
- B2S-Unternehmen (Service-, Beratungs-, Wartungs- und Betreibermodelle) nutzen KI vor allem zur Produktivitätssteigerung von Experten, zur Automatisierung von Serviceprozessen und zur Verbesserung der Kundenerfahrung.
Da die Wertlogiken unterschiedlich sind, kann eine einheitliche KI-Strategie nicht gleichzeitig für alle Geschäftsbereiche optimal funktionieren.
Die größte Gefahr ist fehlende Differenzierung
Viele Unternehmen verfolgen einen pauschalen KI-Ansatz:
„Wir brauchen eine KI-Strategie für das gesamte Unternehmen.“
Dadurch entstehen häufig Fehlinvestitionen. Ein Use Case, der im Marketing hohe Effizienzgewinne erzeugt, kann für Vertrieb, Service oder Produktion nahezu irrelevant sein. Gleichzeitig unterscheiden sich Risiken, Datenanforderungen, Governance-Fragen und Investitionszyklen erheblich.
Die Folge: Ressourcen werden verteilt, statt gezielt allokiert.
KI erzeugt Wert aus drei unterschiedlichen Quellen
Der wirtschaftliche Nutzen von KI entsteht typischerweise aus drei Werttreibern:
Effizienz
- Reduzierung von Aufwand, Kosten und Durchlaufzeiten
- Automatisierung wiederkehrender Tätigkeiten
- Verbesserung der Produktivität
Entscheidungsqualität
- Höhere Prognosegenauigkeit
- Schnellere und bessere Entscheidungen
- Reduktion von Unsicherheit und Fehlerquoten
Skalierung von Wissen und Beziehungen
- Verfügbarmachung von Expertenwissen
- Personalisierung in großem Maßstab
- Erhalt und Nutzung von Organisationswissen
Nicht jeder KI-Use-Case zahlt gleichermaßen auf alle drei Quellen ein. Deshalb müssen Investitionen nach ihrem tatsächlichen Wertbeitrag bewertet werden.
Aus einer KI-Strategie wird ein KI-Portfolio
Die zentrale Managementaufgabe der nächsten Jahre besteht nicht darin, möglichst viele KI-Initiativen zu starten.
Vielmehr müssen Unternehmen ein ausgewogenes Portfolio aufbauen:
- Quick Wins vs. strategische Transformation
- Lokale Fachbereichslösungen vs. unternehmensweite Plattformen
- Effizienzprojekte vs. Wachstumsinitiativen
- Kurzfristiger ROI vs. langfristige Wettbewerbsfähigkeit
KI wird damit zu einer Frage der Kapitalallokation und nicht primär der Technologie.
KI ist kein Projekt, sondern ein kontinuierlicher Portfolioprozess
Da sich Technologien, Geschäftsmodelle, regulatorische Anforderungen und Wettbewerb permanent verändern, kann ein KI-Portfolio niemals statisch sein.
Erfolgreiche Unternehmen etablieren daher einen laufenden Kalibrierungsprozess:
- Welche Use Cases liefern tatsächlich Wert?
- Wo entstehen neue Chancen?
- Welche Initiativen müssen gestoppt werden?
- Welche Plattformen und Datenfähigkeiten werden zukünftig benötigt?
Die Rolle der Unternehmensführung verschiebt sich dadurch von der Genehmigung einzelner KI-Projekte hin zur kontinuierlichen Steuerung eines dynamischen Investitionsportfolios.
Kernaussage: KI ist nicht länger eine Technologiefrage. Sie ist eine Management- und Investitionsfrage.
Unternehmen benötigen keine einzelne KI-Strategie, sondern ein aktiv gesteuertes KI-Portfolio, das die unterschiedlichen Wertlogiken von B2C, B2B und B2S berücksichtigt, Investitionen nach Wertbeitrag priorisiert und fortlaufend an neue Markt- und Technologieentwicklungen angepasst wird.
Die entscheidende Frage lautet daher nicht: „Was ist unsere KI-Strategie?“
Sondern: „Wie allokieren wir unsere begrenzten Ressourcen über das KI-Portfolio hinweg, um den größten nachhaltigen Unternehmenswert zu schaffen?“
1. Die drei KI-Welten: B2C, B2B und B2S
Wenn über Künstliche Intelligenz gesprochen wird, entsteht häufig der Eindruck, als gäbe es nur eine einzige KI-Revolution. Tatsächlich hängt der Wert von KI jedoch stark von der jeweiligen Wertschöpfungslogik ab.
Die meisten Diskussionen unterscheiden lediglich zwischen B2B und B2C. Für eine wirksame KI-Strategie greift diese Sichtweise jedoch zu kurz. Neben produkt- und transaktionsorientierten Geschäftsmodellen existiert eine dritte Logik, die für viele mittelständische Unternehmen entscheidend ist: das Servicegeschäft.
Deshalb gibt es nicht nur zwei, sondern drei KI-Welten:
- B2C: Konsumentengeschäft
- B2B: Produkt- und Lösungsvertrieb an Unternehmen
- B2S: Wissens-, Projekt- und Servicegeschäft
Die zentrale Erkenntnis lautet:
KI folgt nicht der Technologie. KI folgt der Wertschöpfungslogik des Geschäftsmodells.
B2C: KI skaliert Transaktionen
Im B2C-Umfeld finden täglich Millionen Kaufentscheidungen statt. Hier liegt die Stärke von KI in der Optimierung standardisierter und hochskalierbarer Prozesse.
Sie verbessert unter anderem:
- Produktempfehlungen
- Dynamic Pricing
- Werbekampagnen
- Kundenservice
- E-Commerce-Prozesse
- Logistik und Fulfillment
Bereits kleine Verbesserungen der Konversionsrate können enorme wirtschaftliche Auswirkungen haben.
Die zentrale Frage lautet:
Wie können wir mit KI mehr Kunden effizienter erreichen, überzeugen und bedienen?
Die dominante Wertschöpfungslogik lautet:
KI skaliert Transaktionen.
B2B: KI skaliert Entscheidungen
Im B2B stehen nicht Millionen Transaktionen im Mittelpunkt, sondern wenige Entscheidungen mit hohem wirtschaftlichem Wert.
Hier optimiert KI nicht primär Kaufprozesse, sondern Entscheidungsprozesse. Sie hilft dabei:
- Wissen verfügbar zu machen
- Kaufsignale zu erkennen
- Risiken zu reduzieren
- Account-Potenziale zu identifizieren
- Expertenwissen zu skalieren
- Entscheidungsalternativen zu bewerten
Die zentrale Frage lautet:
Wie können wir mit KI bessere Entscheidungen ermöglichen?
Die dominante Wertschöpfungslogik lautet:
KI skaliert Entscheidungen.
B2S: KI skaliert Wissen
Im Service-, Beratungs- und Projektgeschäft wird vor allem Wissen verkauft.
Beratungen, Kanzleien, Wirtschaftsprüfer, Agenturen, Engineering-Unternehmen oder IT-Dienstleister leben von der Produktivität und Qualität ihrer Experten.
Hier unterstützt KI:
- Wissensmanagement
- Recherche
- Analyse
- Dokumentation
- Angebotserstellung
- Projektarbeit
- Service Delivery
- Kundenbetreuung
Die zentrale Frage lautet:
Wie können wir mit KI die Reichweite und Wirksamkeit von Expertise erhöhen?
Die dominante Wertschöpfungslogik lautet:
KI skaliert Wissen.
Die drei KI-Welten im Vergleich
Dimension | B2C | B2B | B2S |
Primäres Ziel | Mehr Transaktionen | Bessere Entscheidungen | Höhere Wirksamkeit von Expertise |
Zentrale Ressource | Reichweite und Kundenzugang | Kunden- und Accountwissen | Fachwissen und Erfahrung |
KI skaliert | Transaktionen | Entscheidungen | Wissen und Expertise |
Hauptnutzer der KI | Marketing, Commerce, Kundenservice | Marketing, Vertrieb, Customer Success | Experten, Berater, Service-Teams |
Typische Anwendungen | Empfehlungen, Dynamic Pricing, Chatbots | Opportunity Intelligence, Account Management, Forecasting | Wissensmanagement, Copiloten, Dokumentation |
Erfolgskennzahlen | Konversion, Umsatz, Kundenwert | Win Rate, Pipeline, Account Growth | Produktivität, Auslastung, Servicequalität |
Kundenlogik | Customer Journey | Account Journey | Service Journey |
Größter Hebel | Skalierung | Entscheidungsqualität | Multiplikation von Expertise |
Viele Unternehmen bewegen sich heute gleichzeitig in mehreren dieser Welten.
Ein Maschinenbauer verkauft beispielsweise:
- Maschinen an Unternehmen (B2B)
- Ersatzteile über E-Commerce (B2C)
- Wartungsverträge und Services (B2S)
Jeder Bereich folgt einer anderen Wertschöpfungslogik und benötigt daher andere KI-Anwendungen, Daten und Prioritäten.
Deshalb lautet die entscheidende Managementfrage nicht:
„Welche KI sollen wir einsetzen?“
Sondern:
„Welche Wertschöpfungslogik wollen wir optimieren?“
Unterschiedliche Organisationslogiken
Die drei Welten unterscheiden sich nicht nur hinsichtlich ihrer Kunden, sondern auch hinsichtlich ihrer Organisation.
Im B2C dominiert typischerweise das Marketing. Seine Aufgabe ist es, Aufmerksamkeit, Nachfrage und Transaktionen zu erzeugen.
Im B2B entsteht Wert durch das Zusammenspiel von Marketing, Vertrieb und Customer Success. Marketing erzeugt Nachfrage, Vertrieb begleitet Entscheidungen und Customer Success entwickelt langfristige Kundenbeziehungen.
Im B2S werden Experten, Berater und Service-Teams selbst zum zentralen Produktionsfaktor. Der größte KI-Hebel liegt daher in der Multiplikation von Wissen und Erfahrung.
Die gemeinsame Zukunft: Orchestrierung
Trotz aller Unterschiede bewegen sich alle drei Welten in dieselbe Richtung.
KI automatisiert nicht mehr nur einzelne Aufgaben, sondern orchestriert zunehmend ganze Systeme:
- Im B2C Kunden, Inhalte, Angebote und Transaktionen.
- Im B2B Daten, Buying Center, Entscheidungen und Accounts.
- Im B2S Wissen, Experten, Projekte und Serviceleistungen.
Die Zukunft gehört deshalb nicht den Unternehmen mit der höchsten Automatisierung.
Sie gehört den Unternehmen mit der besten Orchestrierung.
Die Management-Konsequenz
Viele Unternehmen suchen nach einer einzigen KI-Strategie. Genau darin liegt häufig der Denkfehler.
Ein Unternehmen kann gleichzeitig B2B-, B2C- und B2S-Geschäft betreiben und damit drei unterschiedliche Wertschöpfungslogiken verfolgen. Entsprechend unterscheiden sich die relevanten Daten, Prozesse, Kompetenzen und KI-Anwendungsfälle.
Wer diese Unterschiede ignoriert, wird KI wie eine Technologie behandeln.
Wer sie versteht, beginnt KI als Instrument zur Optimierung von Wertschöpfung einzusetzen.
Die entscheidende Managementfrage lautet daher nicht:
„Welche KI sollen wir einsetzen?“
Sondern:
„Wo entsteht in unserem Geschäftsmodell der größte Werthebel für KI?“
Erst die Antwort auf diese Frage ermöglicht eine sinnvolle Priorisierung von Investitionen, Ressourcen und Fähigkeiten.
Die eigentliche Führungsaufgabe im KI-Zeitalter
Die Herausforderung der KI-Transformation besteht nicht darin, KI einzuführen.
Die Herausforderung besteht darin, die richtige KI auf die richtige Wertschöpfungslogik anzuwenden.
- B2C skaliert Transaktionen.
- B2B skaliert Entscheidungen.
- B2S skaliert Expertise.
Wer alle drei Welten mit derselben KI-Strategie steuern will, optimiert zwangsläufig an mindestens zwei Stellen die falschen Ziele.
Deshalb ist die erste Führungsaufgabe im KI-Zeitalter nicht die Auswahl von Modellen, Plattformen oder Tools.
Sie besteht darin, die eigene Wertschöpfungslogik zu verstehen und daraus die richtigen Prioritäten abzuleiten.
Unternehmen werden künftig nicht daran scheitern, zu wenig KI einzusetzen.
Sie werden daran scheitern, die falschen KI-Investitionen zu priorisieren.
Früher lautete die Frage:
„Welche IT brauchen wir?“
Heute lautet die Frage:
„Welche Wertschöpfung wollen wir mit KI verstärken?“
Wer darauf keine klare Antwort hat, baut einen Technologie-Stack.
Wer darauf eine klare Antwort hat, baut einen Wettbewerbsvorteil.
Nicht die beste KI wird gewinnen.
Sondern die beste Allokation von KI.
Damit wird auch klar, warum die Vorstellung einer einzigen KI-Strategie scheitert: Unterschiedliche Wertschöpfungslogiken erfordern unterschiedliche Prioritäten, Kompetenzen und Investitionen. Die eigentliche Führungsaufgabe besteht deshalb nicht darin, KI einzuführen, sondern ein Portfolio von KI-Initiativen zu steuern, das die jeweilige Wertschöpfungslogik optimal unterstützt.
2. Warum eine einzige KI-Strategie scheitert: Risiko ohne Differenzierung
Im vorherigen Kapitel wurde deutlich, dass KI je nach Geschäftsmodell unterschiedlich Wert schafft:
- Im B2C skaliert sie Transaktionen.
- Im B2B verbessert sie Entscheidungen.
- Im B2S vervielfacht sie Expertise.
Wenn die Wertschöpfungslogiken unterschiedlich sind, sind auch die Risiken unterschiedlich.
Dennoch verfolgen viele Unternehmen eine einheitliche KI-Strategie für das gesamte Unternehmen. Genau darin liegt eines der größten Risiken der KI-Transformation. Nicht die falsche Technologie ist das Problem, sondern die fehlende Differenzierung.
Das Missverständnis der Einheitsstrategie
Viele KI-Initiativen beginnen mit Technologiefragen:
- Welches Modell?
- Welche Plattform?
- Welche Agenten?
- Welche Automatisierung?
Wichtiger wäre jedoch eine andere Frage:
Welchen Wert wollen wir schaffen und welches Risiko wollen wir reduzieren?
Unterschiedliche Geschäftsmodelle benötigen unterschiedliche Prioritäten, Steuerungsmechanismen und Erfolgskennzahlen. Wer dies ignoriert, optimiert Technologie statt Geschäftsergebnisse.
Drei Welten, drei Risikologiken
B2C: KI skaliert Fehler
Im Konsumentengeschäft liegt die Stärke der KI in der Skalierung. Genau daraus entsteht das größte Risiko.
Fehlerhafte Produktempfehlungen, Preisentscheidungen oder Personalisierungen wirken nicht einmal, sondern millionenfach.
Das zentrale Risiko lautet:
KI skaliert nicht nur Erfolge. Sie skaliert auch Fehler.
Deshalb stehen Governance, Qualitätssicherung, Datenschutz und Markenführung im Mittelpunkt.
B2B: KI erzeugt die Illusion von Sicherheit
Im B2B gibt es weniger Entscheidungen, diese haben jedoch deutlich größere wirtschaftliche Auswirkungen.
Fehlerhafte Account-Priorisierungen, Marktanalysen oder Investitionsentscheidungen können erhebliche Folgen haben.
Das zentrale Risiko lautet:
Je überzeugender KI erscheint, desto größer wird die Versuchung, ihre Empfehlungen ungeprüft zu übernehmen.
Das Risiko liegt weniger in der Anzahl der Fehler als in ihrer Tragweite.
B2S: KI gefährdet Differenzierung
Im Service- und Wissensgeschäft macht KI Experten produktiver und beschleunigt viele Tätigkeiten.
Wenn jedoch alle Marktteilnehmer dieselben Modelle nutzen, drohen austauschbare Leistungen, sinkende Margen und ein Verlust an wahrgenommener Expertise.
Das zentrale Risiko lautet:
KI skaliert nicht nur Wissen. Sie kann auch Mittelmäßigkeit skalieren.
Entscheidend wird deshalb die Verbindung von KI mit menschlicher Erfahrung, Kreativität und Urteilsvermögen.
Der häufigste Fehler: Falsche Kennzahlen
Viele KI-Projekte scheitern nicht an der Technologie, sondern an ihrer Steuerung.
Die Erfolgskennzahlen müssen der jeweiligen Wertschöpfungslogik folgen:
- B2C misst Konversion, Umsatz und Kundenwert.
- B2B misst Account-Wachstum, Abschlussquoten und Kundenbindung.
- B2S misst Kundenerfolg, Auslastung und Wissensproduktivität.
Wer dieselben KPIs für alle Bereiche verwendet, optimiert häufig die falschen Ziele.
Die eigentliche Management-Herausforderung
KI sollte nicht als Technologieportfolio verstanden werden, sondern als Portfolio unterschiedlicher Wert- und Risikologiken.
Welt | KI schafft Wert durch | Größtes Risiko |
B2C | Skalierung von Transaktionen | Skalierung von Fehlern |
B2B | Verbesserung von Entscheidungen | Strategische Fehlentscheidungen |
B2S | Skalierung von Expertise | Verlust von Differenzierung |
Die entscheidende Frage lautet daher nicht:
„Welche KI setzen wir ein?“
Sondern:
„Welche Risiken und Chancen entstehen in den unterschiedlichen Teilen unseres Geschäfts?“
Die erste Phase der KI-Transformation war technologiegetrieben.
Die nächste Phase wird von Risiko- und Portfolio-Management geprägt sein.
Erfolgreiche Unternehmen werden künftig nicht danach fragen, wo KI eingesetzt werden kann.
Sie werden fragen:
- Wo schafft KI den größten Wert?
- Wo erzeugt sie die größten Risiken?
- Und welche Prioritäten ergeben sich daraus für unser Geschäftsmodell?
Nicht die Unternehmen mit der meisten KI werden gewinnen.
Sondern die Unternehmen, die die unterschiedlichen KI-Risiken am besten steuern.
3. Die drei Quellen des KI-Werts
Nachdem wir die unterschiedlichen KI-Welten und ihre Risikologiken betrachtet haben, stellt sich die zentrale Frage:
Wo entsteht der eigentliche wirtschaftliche Wert von KI?
Viele Unternehmen verbinden KI vor allem mit Produktivität, Automatisierung und Kostensenkung. Doch Produktivität ist nur eine von drei Quellen des KI-Werts. Je nach Geschäftsmodell entsteht Wert auf unterschiedliche Weise. Die Managementaufgabe besteht darin zu erkennen, welche Wertquelle für das eigene Unternehmen entscheidend ist.
Die drei Quellen des KI-Werts
1. Effizienz
Im B2C-Geschäft entsteht Wert vor allem durch die Optimierung hochskalierbarer Prozesse. KI verbessert beispielsweise Produktempfehlungen, Preisgestaltung, Kundenservice oder Logistik. Schon kleine Verbesserungen können bei großen Volumina erhebliche wirtschaftliche Effekte erzeugen.
Wertgleichung: KI → Effizienz → Skalierung → Wachstum
2. Entscheidungsqualität
Im B2B liegt der größte Hebel häufig nicht in der Automatisierung, sondern in besseren Entscheidungen. KI unterstützt bei Marktanalysen, Prognosen, Account-Priorisierung oder Risikobewertungen. Der Nutzen entsteht durch bessere Prioritäten und einen wirksameren Ressourceneinsatz.
Wertgleichung: KI → Erkenntnisse → bessere Entscheidungen → Account-Wachstum
3. Expertise
Im Service- und Wissensgeschäft basiert Wertschöpfung auf Wissen, Erfahrung und Problemlösungskompetenz. KI unterstützt Experten bei Recherche, Analyse, Dokumentation und Lösungsentwicklung und vervielfacht deren Wirkung.
Wertgleichung: KI → Expertise → höhere Wirkung → größerer Kundennutzen
Die drei Quellen des KI-Werts im Management-Vergleich
Dimension | B2C | B2B | B2S |
Dominante Wertquelle | Effizienz | Entscheidungsqualität | Expertise |
KI schafft Wert durch | Automatisierung und Skalierung | Bessere Priorisierung und Entscheidungen | Multiplikation von Wissen und Erfahrung |
Zentrale Managementfrage | Wie erzielen wir mehr Transaktionen mit denselben Ressourcen? | Wie treffen wir bessere Entscheidungen? | Wie vervielfachen wir die Wirkung unserer Experten? |
Typische KI-Anwendungen | Personalisierung, Pricing, E-Commerce, Service-Automation | Prognosen, Account Intelligence, Opportunity Management, Szenarioplanung | Wissensmanagement, Copiloten, Analyse, Projekt- und Serviceunterstützung |
Wichtigste KPIs | Conversion Rate, Umsatz, Customer Lifetime Value | Win Rate, Account Growth, Kundenbindung, Share of Wallet | Servicequalität, Wissensproduktivität, Kundenerfolg |
Größter Werthebel | Skalierung | Entscheidungsqualität | Wirkung von Expertise |
Hauptrisiko | Skalierung von Fehlern | Strategische Fehlentscheidungen | Verlust von Differenzierung |
Dominante Wertgleichung | KI → Effizienz → Skalierung → Wachstum | KI → Erkenntnisse → bessere Entscheidungen → Wachstum | KI → Expertise → höhere Wirkung → Kundennutzen |
Management-Priorität | Automatisieren | Priorisieren | Befähigen |
Management-Schnelltest
Wenn Ihr Geschäft hauptsächlich von … lebt | Dann sollte KI primär … |
vielen Transaktionen | Effizienz steigern |
wenigen wertvollen Entscheidungen | Entscheidungsqualität verbessern |
Expertenwissen und Service | Expertise skalieren |
Vom Automatisierungsdenken zum Wertschöpfungsdenken
Viele Unternehmen beginnen ihre KI-Initiativen mit Technologiefragen:
- Welche Plattform sollen wir nutzen?
- Welche Modelle sollen wir einsetzen?
- Welche Prozesse können wir automatisieren?
Diese Fragen sind wichtig, greifen jedoch zu kurz. Die strategisch entscheidende Frage lautet:
Welche Form von Wert wollen wir erzeugen?
Ein Handelsunternehmen wird andere Prioritäten setzen als ein Maschinenbauer. Ein Maschinenbauer wiederum andere als eine Beratung oder ein Serviceunternehmen. Dieselbe Technologie führt daher nicht automatisch zum selben wirtschaftlichen Ergebnis.
Die eigentliche Management-Erkenntnis
Unternehmen scheitern selten daran, dass sie zu wenig KI einsetzen.
Häufiger scheitern sie daran, dass sie die falsche Form von Wert optimieren.
Die nächste Phase der KI-Transformation wird deshalb nicht technologiegetrieben, sondern wertgetrieben sein:
- Im B2C steigert KI die Effizienz.
- Im B2B verbessert KI Entscheidungen.
- Im B2S vervielfacht KI Expertise.
Die Technologie mag identisch sein.
Der wirtschaftliche Wert entsteht jedoch in jedem Geschäftsmodell auf andere Weise.
Management-Botschaft
Die erste Welle der KI-Einführung war von Technologiefragen geprägt.
Die nächste Welle wird von Wertschöpfungsfragen bestimmt.
Die wichtigste Frage für die Geschäftsführung lautet nicht:
„Welche KI setzen wir ein?“
Sondern:
„Welche Quelle unseres Unternehmenserfolgs wollen wir mit KI verstärken?“
Wer von Transaktionen lebt, sollte Effizienz maximieren.
Wer von Entscheidungen lebt, sollte Entscheidungsqualität verbessern.
Wer von Expertenwissen lebt, sollte Expertise skalieren.
Nicht die Unternehmen mit der meisten KI werden gewinnen.
Sondern diejenigen, die verstehen, welche Quelle des KI-Werts ihr Geschäftsmodell tatsächlich antreibt.
Das führt direkt zur nächsten Herausforderung: Viele Unternehmen vereinen mehrere Geschäftsmodelle gleichzeitig. Sie müssen daher nicht nur unterschiedliche Wertquellen verstehen, sondern mehrere KI-Logiken parallel steuern. Genau daraus entsteht der Übergang zum nächsten Kapitel: Vom Verständnis der Wertquellen zum Management eines KI-Portfolios.
4. Von der KI-Strategie zum KI-Portfolio
Nachdem wir die unterschiedlichen KI-Welten, ihre Risikologiken und ihre Quellen der Wertschöpfung betrachtet haben, wird eine unbequeme Wahrheit sichtbar:
Die meisten Unternehmen besitzen nicht ein Geschäftsmodell. Sie besitzen ein Portfolio unterschiedlicher Geschäftsmodelle.
Genau deshalb scheitert die Vorstellung einer einzigen KI-Strategie.
Während viele Organisationen noch nach dem einen Masterplan für ihre KI-Transformation suchen, hat sich die Realität bereits weiterentwickelt. Produkte, Services, Plattformen, digitale Kanäle, Abonnements und datenbasierte Leistungen existieren heute zunehmend nebeneinander. Jede dieser Wertschöpfungslogiken erzeugt andere Chancen, andere Risiken und andere Anforderungen an den Einsatz von KI.
Die entscheidende Herausforderung lautet deshalb nicht mehr:
Wie entwickeln wir eine KI-Strategie?
Sondern:
Wie steuern wir mehrere KI-Strategien gleichzeitig?
Die Realität moderner Unternehmen
Nehmen wir einen typischen mittelständischen Maschinenbauer.
Auf den ersten Blick verkauft das Unternehmen Maschinen.
Bei genauerem Hinsehen zeigt sich jedoch ein deutlich komplexeres Bild:
- Das Kerngeschäft verkauft Investitionsgüter an Unternehmen (B2B).
- Das Ersatzteilgeschäft verkauft standardisierte Produkte über digitale Kanäle (B2C-Logik).
- Der Servicebereich verkauft Wartung, Schulung und Support (B2S).
- Digitale Plattformen liefern Kundendaten und erzeugen wiederkehrende Umsätze.
- Remote Services und KI-basierte Assistenzsysteme schaffen neue Serviceangebote.
Formal handelt es sich um ein Unternehmen.
Strategisch handelt es sich jedoch um mehrere unterschiedliche Wertschöpfungsmodelle unter einem gemeinsamen Dach.
Diese Vielfalt war bereits vor KI vorhanden.
Mit KI wird sie jedoch sichtbar und managementrelevant.
Warum eine Steuerungslogik nicht ausreicht
Viele Unternehmen messen alle KI-Initiativen mit denselben Kriterien:
- Produktivität
- Automatisierungsgrad
- Kosteneinsparungen
- Anzahl der Anwendungsfälle
Diese Kennzahlen sind einfach zu erfassen.
Sie sind jedoch häufig ungeeignet.
Denn die Ziele unterscheiden sich fundamental.
Im E-Commerce-Bereich soll KI Transaktionen optimieren.
Im Vertrieb soll KI bessere Entscheidungen ermöglichen.
Im Service soll KI die Wirksamkeit von Experten erhöhen.
Die gleiche Investition kann daher in verschiedenen Bereichen völlig unterschiedliche Ergebnisse erzeugen.
Die Frage lautet deshalb nicht:
Funktioniert die KI?
Sondern:
Für welche Wertschöpfungslogik funktioniert sie?
Von Funktionen zu Wertschöpfungslogiken
Viele KI-Initiativen werden heute entlang organisatorischer Funktionen geplant:
- Marketing
- Vertrieb
- Service
- Operations
- HR
- Finanzen
Dieser Ansatz greift zunehmend zu kurz.
Die eigentliche Trennlinie verläuft nicht zwischen Funktionen, sondern zwischen Wertschöpfungslogiken.
Ein Vertriebsbereich kann gleichzeitig:
- B2B-Lösungsgeschäft betreiben,
- digitale Self-Service-Angebote verkaufen,
- Serviceverträge verlängern.
Obwohl dieselbe Organisation beteiligt ist, unterscheiden sich die Anforderungen an KI erheblich.
Deshalb sollte KI nicht funktionsorientiert, sondern wertschöpfungsorientiert gesteuert werden.
Die zentrale Frage lautet:
Wo entsteht Wert und welche Form der KI unterstützt diese Wertschöpfung am besten?
Das KI-Portfolio-Modell
Aus Managementsicht entsteht dadurch eine neue Aufgabe:
Unternehmen müssen ihre KI-Initiativen wie ein Portfolio steuern.
Ähnlich wie bei Produkten, Kunden oder Investitionen sind dabei unterschiedliche Ziele, Risiken und Erfolgskennzahlen auszubalancieren.
Wertportfolio
- Effizienz steigern
- Entscheidungen verbessern
- Expertise skalieren
Risikoportfolio
- Skalierung von Fehlern
- Strategische Fehlentscheidungen
- Vertrauens- und Qualitätsverlust
Innovationsportfolio
- Optimierung bestehender Prozesse
- Entwicklung neuer Geschäftsmodelle
- Aufbau autonomer Agentensysteme
Die Aufgabe des Managements besteht darin, dieses Portfolio kontinuierlich auszubalancieren.
Die neue Rolle der Führung
In der ersten Phase der Digitalisierung mussten Manager digitale Technologien verstehen.
In der ersten Phase der KI-Revolution mussten sie KI-Anwendungsfälle identifizieren.
In der nächsten Phase müssen sie unterschiedliche KI-Logiken orchestrieren.
Sie entscheiden nicht mehr nur:
- welche Projekte umgesetzt werden,
- welche Budgets bereitgestellt werden,
- welche Systeme eingeführt werden.
Sie müssen entscheiden:
- welche Form von Wert geschaffen werden soll,
- welche Risiken akzeptabel sind,
- welche Bereiche Priorität erhalten,
- wie unterschiedliche KI-Systeme zusammenwirken.
Die Führungsaufgabe verschiebt sich damit von Technologieentscheidungen hin zur Portfolio-Orchestrierung.
Der Wettbewerbsvorteil der Zukunft
Viele Unternehmen werden dieselben Sprachmodelle einsetzen.
Viele werden dieselben Plattformen nutzen.
Viele werden auf dieselben Agentenframeworks zugreifen.
Technologie allein wird deshalb immer seltener zum Differenzierungsmerkmal.
Der Wettbewerbsvorteil entsteht durch etwas anderes:
Die Fähigkeit, unterschiedliche KI-Logiken gleichzeitig zu steuern.
Die erfolgreichsten Unternehmen werden nicht diejenigen sein, die die meiste KI einsetzen.
Sie werden diejenigen sein, die ihre unterschiedlichen Wertschöpfungslogiken am besten miteinander verbinden.
Sie verstehen,
- wo KI Effizienz schafft,
- wo KI bessere Entscheidungen ermöglicht,
- wo KI Expertise vervielfacht,
und sie orchestrieren alle drei Dimensionen zu einem gemeinsamen Ganzen.
Die neue Managementrealität
Die Vorstellung einer einzigen KI-Strategie gehört damit zunehmend einer vergangenen Managementwelt an.
Was Unternehmen künftig benötigen, ist kein einheitlicher KI-Plan.
Sie benötigen ein KI-Portfolio:
- ein Portfolio unterschiedlicher Wertquellen,
- ein Portfolio unterschiedlicher Risikologiken,
- ein Portfolio unterschiedlicher Agenten, Daten und Entscheidungsmechanismen.
Die entscheidende Managementfrage lautet daher nicht mehr:
Haben wir eine KI-Strategie?
Sondern:
Ist unser KI-Portfolio auf die unterschiedlichen Wertschöpfungslogiken unseres Unternehmens ausgerichtet?
Management-Checkliste: Ist Ihr Unternehmen bereits im KI-Portfolio-Modus?
Die folgende Selbstbewertung hilft Führungskräften einzuschätzen, ob KI noch als Technologieprojekt betrachtet wird oder bereits als strategisches Portfolio gesteuert wird.
Bewertungsskala
Punkte | Bedeutung |
0 | Trifft nicht zu |
1 | Trifft teilweise zu |
2 | Trifft überwiegend zu |
3 | Trifft vollständig zu |
1. Verstehen wir unsere Wertschöpfungslogiken?
Bewertung | Aussage |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Wir wissen, welche Teile unseres Geschäfts B2C-, B2B- oder B2S-Logiken folgen. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Wir haben die dominante Wertquelle je Geschäftsbereich identifiziert. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Unsere KI-Prioritäten orientieren sich an Geschäftsmodellen und nicht an Technologien. |
Maximal: 9 Punkte
2. Optimieren wir die richtige Wertquelle?
Bewertung | Aussage |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Unsere KI-Initiativen sind eindeutig einer Wertquelle zugeordnet. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Wir unterscheiden zwischen Effizienz-, Entscheidungs- und Expertise-Initiativen. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Wir messen Erfolg nicht ausschließlich über Produktivitätseffekte. |
Maximal: 9 Punkte
3. Steuern wir Risiken differenziert?
Bewertung | Aussage |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Die KI-Risiken je Geschäftsbereich sind bekannt. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Kritische Entscheidungen werden durch Human-in-the-Loop abgesichert. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Governance, Verantwortlichkeiten und Eskalationswege sind definiert. |
Maximal: 9 Punkte
4. Steuern wir KI als Portfolio?
Bewertung | Aussage |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | KI wird als Portfolio und nicht als Sammlung einzelner Projekte geführt. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Zwischen Quick Wins, strategischen Initiativen und Transformation wird aktiv priorisiert. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Projekte können gestoppt oder neu priorisiert werden. |
Maximal: 9 Punkte
5. Nutzen wir die richtigen Kennzahlen?
Bewertung | Aussage |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Unterschiedliche Wertlogiken werden mit unterschiedlichen KPIs gesteuert. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Geschäftswert ist wichtiger als Aktivitätskennzahlen. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | KI-Investitionen werden anhand ihres Wertbeitrags bewertet. |
Maximal: 9 Punkte
6. Verfügen wir über echte Portfolio-Orchestrierung?
Bewertung | Aussage |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Es gibt eine zentrale Stelle zur Steuerung des KI-Portfolios. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Das Portfolio wird regelmäßig überprüft und angepasst. |
☐ 0 ☐ 1 ☐ 2 ☐ 3 | Daten, Prozesse, Plattformen und Agenten werden bereichsübergreifend koordiniert. |
Maximal: 9 Punkte
Executive Scorecard
0–18 Punkte | KI-Projekt-Modus
- Einzelne Use Cases dominieren
- Fokus auf Tools statt Geschäftswert
- Hohe Gefahr von Insellösungen
Managementaufgabe: Governance und Priorisierung etablieren.
19–36 Punkte | KI-Strategie-Modus
- Erste strategische Roadmaps vorhanden
- KI wird bereichsübergreifend betrachtet
- Wertquellen werden noch nicht konsequent differenziert
Managementaufgabe: Übergang zur Portfolio-Steuerung.
37–48 Punkte | KI-Portfolio-Modus
- KI wird aktiv priorisiert
- Unterschiedliche Wertquellen und Risiken werden berücksichtigt
- Ressourcen werden gezielt allokiert
Managementaufgabe: Ausbau der Orchestrierung.
49–54 Punkte | AI Portfolio Excellence
- KI ist Bestandteil der Unternehmenssteuerung
- Wertquellen, Risiken und Investitionen werden kontinuierlich neu kalibriert
- KI wird als strategischer Wettbewerbsvorteil genutzt
Managementaufgabe: Aufbau agentischer Geschäftsmodelle und autonomer Wertschöpfungssysteme.
CEO-Frage zum Abschluss
Stellen Sie sich vor, Sie könnten morgen zusätzlich 1 Million Euro in KI investieren.
Wissen Sie genau:
- in welchen Geschäftsbereich?
- zur Stärkung welcher Wertquelle?
- zur Reduktion welchen Risikos?
- und mit welchem erwarteten Wertbeitrag?
Wenn Sie diese Fragen nicht eindeutig beantworten können, fehlt Ihnen wahrscheinlich keine bessere KI-Strategie.
Ihnen fehlt ein KI-Portfolio.
Die Erkenntnis dieses Kapitels ist eindeutig:
Unternehmen brauchen nicht eine KI-Strategie. Sie brauchen ein KI-Portfolio.
Doch damit entsteht die nächste Herausforderung:
Ein Portfolio kann nicht einmal definiert und anschließend vergessen werden. Märkte verändern sich, Technologien entwickeln sich weiter, neue Risiken entstehen und Prioritäten verschieben sich.
KI ist deshalb kein Projekt und auch kein statischer Plan.
KI ist ein Portfolio, das kontinuierlich neu kalibriert werden muss.
Genau darum geht es im nächsten Kapitel.
5. KI ist kein Projekt – sie ist ein Portfolio
Viele Unternehmen starten ihre KI-Reise mit einzelnen Anwendungsfällen:
- Marketing möchte einen Content-Agenten.
- Vertrieb fordert Account Intelligence.
- Service benötigt Wissensassistenten.
- Produktion plant Predictive Maintenance.
Jede dieser Initiativen kann sinnvoll sein. Das eigentliche Problem liegt jedoch woanders:
KI erzeugt einen Wettbewerb um Ressourcen, Daten, Kompetenzen und Investitionen.
Deshalb ist KI kein Projekt.
KI ist ein Portfolio.
Das eigentliche Dilemma
Die meisten Unternehmen diskutieren über sichtbare Anwendungen wie Copiloten, Chatbots oder Agenten.
Der wahre Erfolgsfaktor liegt jedoch in den gemeinsamen Grundlagen:
- Daten
- Wissen
- Plattformen
- Governance
- Sicherheitsstrukturen
- Kompetenzen
Wer nur Anwendungen priorisiert, erzeugt kurzfristige Erfolge, aber langfristig neue Silos und Komplexität.
Die vier Portfolios des AI Portfolio Management
1. Business-Portfolio
Hier wird festgelegt, wo KI den größten Geschäftswert schaffen soll:
- Umsatzwachstum
- Kundenbindung
- Margensteigerung
- Servicequalität
- Risikoreduktion
Managementfrage: Wo erzeugt KI den größten strategischen Hebel?
2. KI-Anwendungsportfolio
Erst danach werden konkrete Anwendungsfälle priorisiert:
- Sales Copilot
- Service Agent
- Wissensassistent
- Dokumentenautomatisierung
- Marketing Agent
Managementfrage: Welche Anwendungen unterstützen unsere Unternehmensstrategie am stärksten?
3. Fähigkeits-Portfolio
Jede erfolgreiche KI-Initiative benötigt gemeinsame Fähigkeiten:
- Datenplattformen
- Wissensgraphen
- Agent Frameworks
- Governance
- Rollen- und Berechtigungsmodelle
Diese Fähigkeiten erzeugen zunächst keinen sichtbaren Geschäftswert, sind jedoch Voraussetzung für Skalierung.
4. Talent-Portfolio
Der größte Engpass der KI-Transformation ist häufig nicht die Technologie, sondern der Mensch.
Benötigt werden unter anderem:
- AI Product Owner
- Datenexperten
- Agent Designer
- Governance-Verantwortliche
- Change Manager
Managementfrage: Welche Fähigkeiten bauen wir intern auf und welche beziehen wir extern?
Damit wird Talent zu einem der wichtigsten Steuerungshebel der KI-Transformation.
Die übersehene Währung: Kapazität
Viele Unternehmen betrachten KI zunächst als Budgetfrage.
Wie hoch sind die Lizenzkosten?
Wie groß ist der Business Case?
Wann amortisiert sich die Investition?
Diese Fragen sind wichtig.
Doch sie greifen zu kurz.
Mit zunehmender Reife der KI-Transformation zeigt sich ein anderes Muster:
Der eigentliche Engpass ist häufig nicht das Kapital.
Der eigentliche Engpass ist die verfügbare Umsetzungskapazität.
Ein KI-Projekt besteht nicht nur aus Software.
Es benötigt Menschen, die:
- Daten aufbereiten,
- Prozesse analysieren,
- Fachwissen bereitstellen,
- Ergebnisse validieren,
- Systeme integrieren,
- Mitarbeiter schulen,
- und Veränderungen begleiten.
Genau diese Ressourcen sind begrenzt.
Jede neue KI-Initiative konkurriert daher um dieselben Kapazitäten:
- Fachbereiche
- IT
- Datenexperten
- Führungskräfte
- Change Manager
- Projektteams
Deshalb scheitern viele KI-Programme nicht an fehlendem Budget.
Sie scheitern an überlasteten Organisationen.
Die Anzahl der Projekte wird selten durch das verfügbare Kapital begrenzt.
Sie wird durch die verfügbare organisatorische Bandbreite begrenzt.
Aus diesem Grund benötigt KI-Portfoliomanagement nicht nur eine Investitionsplanung.
Es benötigt ebenso eine Kapazitätsplanung.
Jede Initiative sollte transparent ausweisen:
- erwarteten Geschäftswert,
- benötigtes Budget,
- erforderliche Personentage,
- Fachbereichsaufwand,
- Integrationsaufwand,
- Datenaufwand,
- Schulungsaufwand,
- laufenden Betriebsaufwand.
Erst wenn Kapital und Kapazitäten gemeinsam bewertet werden, entsteht ein belastbares KI-Portfolio.
Die entscheidende Führungsfrage lautet dann nicht mehr:
„Können wir uns dieses KI-Projekt leisten?“
Sondern:
„Haben wir die organisatorische Bandbreite, daraus tatsächlich Wert zu schaffen?“
Warum Quick Wins unverzichtbar sind
Viele Unternehmen machen einen zweiten Fehler.
Sie fokussieren ausschließlich auf langfristige Transformation.
Die Organisation sieht keine Ergebnisse.
Die Akzeptanz sinkt.
Budgets geraten unter Druck.
Deshalb benötigt jedes KI-Portfolio sichtbare Quick Wins.
Typische Beispiele sind:
- Meeting-Zusammenfassungen
- Wissenssuche
- Dokumentenanalyse
- Angebotsunterstützung
- Service-Copiloten
Diese Anwendungen verändern selten das Geschäftsmodell.
Sie liefern jedoch drei entscheidende Dinge:
- Akzeptanz
- Lernkurven
- Finanzierungsspielräume
Quick Wins sind daher nicht das Ziel der Transformation.
Sie sind der Treibstoff für die Transformation.
Die Balance zwischen heute und morgen
Ein gesundes KI-Portfolio kombiniert unterschiedliche Zeithorizonte.
Kurzfristig: Produktivität und Effizienz.
Mittelfristig: Wachstum und Differenzierung.
Langfristig: Neue Geschäftsmodelle und agentische Wertschöpfung.
Eine hilfreiche Orientierung bietet das 70-20-10-Prinzip:
- 70 % etablierte Anwendungen mit klarem Nutzen
- 20 % strategische Wachstumsinitiativen
- 10 % Experimente und Zukunftsoptionen
Diese Logik gilt nicht nur für Investitionen.
Sie gilt ebenso für Talente und Kapazitäten.
Die zentrale Aufgabe des Managements besteht darin, alle drei Ressourcen gleichzeitig zu steuern:
- Kapital
- Talent
- Kapazität
Wer priorisiert?
Die Verantwortung für KI kann nicht allein bei der IT liegen.
Die IT verantwortet Plattformen, Sicherheit und Governance.
Sie verantwortet jedoch nicht den Unternehmenswert.
Diese Verantwortung liegt bei der Unternehmensführung.
Deshalb benötigen Unternehmen eine Instanz zur Steuerung des KI-Portfolios.
Das kann sein:
- die Geschäftsführung,
- ein AI Steering Committee,
- ein AI Portfolio Board,
- oder künftig ein Chief AI Officer.
Ihre Aufgabe besteht darin,
- Prioritäten festzulegen,
- Zielkonflikte aufzulösen,
- Investitionen zu koordinieren,
- Kapazitäten zu allokieren,
- gemeinsame Fähigkeiten aufzubauen,
- und Synergien über alle Geschäftsbereiche hinweg zu schaffen.
Die neue Führungsdisziplin
Die meisten KI-Initiativen scheitern nicht an der Technologie.
Sie scheitern an der mangelnden Synchronisation von Geschäftswert, Anwendungsfällen, Fähigkeiten, Talenten, Kapazitäten und Prioritäten.
Genau deshalb entsteht eine neue Managementdisziplin:
AI Portfolio Management.
Sie verbindet die Logik des klassischen IT-Portfoliomanagements mit den Anforderungen der KI-Ära.
Dabei werden nicht nur Technologien gesteuert.
Gesteuert werden gleichzeitig:
- Geschäftswert,
- Anwendungen,
- Plattformen,
- Fähigkeiten,
- Talente,
- Investitionen,
- und organisatorische Kapazitäten.
Die entscheidende Managementfrage lautet künftig nicht:
„Welche KI sollen wir einführen?“
Sondern:
„Welche Kombination aus Anwendungsfällen, Fähigkeiten, Talenten, Kapazitäten und Investitionen erzeugt den größten strategischen Hebel für unser Unternehmen?“
Unternehmen, die diese Frage systematisch beantworten, werden KI nicht als Technologieprojekt behandeln.
Sie werden KI als das verstehen, was sie tatsächlich ist:
Ein dynamisches Portfolio aus Geschäftswert, Fähigkeiten, Talenten, Investitionen und Kapazitäten, das kontinuierlich neu kalibriert werden muss.
Dr. Klaus Heinzelbecker auf LinkedIn
