Businessstrategie mit KI

KI kann in wenigen Minuten Marktideen, Geschäftsmodelle, Preisvorschläge und Wettbewerbsanalysen erzeugen. Genau das macht sie strategisch nützlich — und gefährlich.

Denn eine überzeugend formulierte Strategie ist noch kein tragfähiges Geschäft. Ein Modell kann plausibel klingende Kundensegmente erfinden, Marktgrößen aufblasen, Konkurrenz unterschätzen oder einen Preis aus Feature-Listen statt aus realem Kundennutzen ableiten. Je besser die Sprache, desto leichter entsteht die Illusion wirtschaftlicher Substanz.

Die professionelle Frage lautet deshalb nicht: Welche Businessstrategie schlägt die KI vor?

Sie lautet: Welche ökonomischen Annahmen unseres Projekts sind real, welche sind Hypothesen — und welche Evidenz müsste vorliegen, damit wir Geld, Zeit und Reputation darauf setzen dürfen?

KI beschleunigt die Strategiearbeit. Branchenwissen entscheidet, welche Fragen gestellt werden. Marktevidenz entscheidet, welche Antworten Bestand haben.

Eine Businessstrategie ist keine Ideensammlung

Strategie bedeutet Auswahl.

Ein Projekt entscheidet, für wen es Wert schafft, welches Problem es besser löst als Alternativen, wie dieser Wert geliefert wird, wodurch ein Kunde die Lösung wahrnimmt und kauft und wie aus dieser Leistung eine tragfähige ökonomische Struktur entsteht.

Eine Liste mit 30 Monetarisierungsideen ist deshalb noch keine Strategie. Auch ein Business Model Canvas ist zunächst nur eine strukturierte Darstellung von Annahmen.

Strategie entsteht dort, wo Optionen gegeneinander entschieden und anschließend an Realität geprüft werden.

Die erste Ressource ist Branchenwissen

Wer eine Branche kennt, sieht Dinge, die in öffentlichen Daten kaum sichtbar sind: welche Probleme Kunden wirklich als dringend empfinden, welche Prozesse in der Theorie anders aussehen als im Alltag, welche Budgets tatsächlich existieren, wer formal entscheidet und wer faktisch blockiert, welche Qualitätsmerkmale selbstverständlich sind, welche regulatorischen oder organisatorischen Reibungen Kaufentscheidungen verzögern — und welche „Lösung“ zwar technisch elegant, praktisch aber unbrauchbar wäre.

Dieses Wissen ist kein nostalgischer Gegenpol zur KI. Es ist hochwertiger Kontext.

Je stärker KI strategisch eingesetzt wird, desto wertvoller wird echtes Domänenwissen als Filter gegen plausible, aber ökonomisch irrelevante Vorschläge.

KI ersetzt Branchenwissen nicht — sie vervielfacht es

Mit gutem Kontext kann KI Branchenwissen strukturieren, Gegenhypothesen bilden, Marktsegmente vergleichen, Wettbewerber recherchieren und übertragbare Muster aus anderen Märkten sichtbar machen.

Ohne dieses Fundament produziert sie dagegen leicht generische Strategien: Subscription, Freemium, Plattform, Community, Marketplace, Premium-Service, API, Beratung, Lizenzierung.

Diese Modelle können alle sinnvoll sein. Aber ihre bloße Nennung sagt nichts darüber aus, welches Modell in diesem Projekt funktioniert.

Die Stärke der KI liegt deshalb weniger im „Erfinden des Geschäftsmodells“ als im systematischen Durchspielen und Falsifizieren von Geschäftshypothesen.

Erst Marktlandschaft, dann Projektstrategie

Bei großen strategischen Fragen ist eine zweistufige Recherche robuster als ein einziger Mega-Prompt.

Stufe 1: Die Landschaft kartieren

Zunächst wird der Markt unabhängig vom eigenen Lieblingsprodukt untersucht: Kundensegmente, typische Probleme, bestehende Lösungen, Preispunkte, Vertriebswege, Marktbarrieren, relevante Regulierung, Geschäftsmodelle, erfolgreiche und gescheiterte Anbieter, technologische Veränderungen.

Stufe 2: Auf das eigene Projekt verdichten

Erst danach lautet die Frage: Welche dieser Muster gelten für unser konkretes Vorhaben?

Diese Reihenfolge verhindert, dass Recherche nur noch Argumente für eine bereits geliebte Idee sammelt.

Die KI braucht reale Beispiele, nicht erfundene Branchenfolklore

Strategierecherche darf nicht auf Aussagen wie „Unternehmen in dieser Branche setzen typischerweise auf X“ stehen bleiben.

Jede relevante Behauptung sollte möglichst an realen Fällen verankert werden: Wer macht das tatsächlich? Für welches Kundensegment? Zu welchem Preis? Über welchen Kanal? Welche Leistung ist enthalten? Seit wann? Welche belastbaren Hinweise gibt es auf Nachfrage oder wirtschaftliche Tragfähigkeit?

Die KI sollte deshalb nicht nur „Beispiele nennen“, sondern Beispiele belegen.

Der Markt beginnt nicht mit TAM

Viele Strategiepräsentationen starten mit einem riesigen Total Addressable Market. Das wirkt professionell, sagt für ein frühes Projekt aber oft erstaunlich wenig.

Entscheidender ist zunächst der erreichbare Problemraum.

Ein Markt ist nicht interessant, weil er groß ist. Er ist interessant, wenn ein identifizierbares Segment ein relevantes Problem besitzt, für das eine erreichbare Lösung einen wahrnehmbaren Mehrwert schafft.

Bottom-up-Fragen sind häufig aussagekräftiger: Wie viele realistische Kunden können wir in einem Jahr erreichen? Wie viele davon haben das Problem tatsächlich? Wer besitzt Budget? Wie lang ist der Verkaufszyklus? Wie hoch ist die Kapazität unserer Leistung? Welche Conversion ist plausibel?

Der Kunde ist selten nur eine Person

Gerade im B2B-Kontext existieren häufig mehrere Rollen:

Eine KI kann diese Rollen schnell modellieren. Aber nur Gespräche, Prozesswissen und reale Verkaufsdaten zeigen, ob die Karte stimmt.

Eine Strategie scheitert oft nicht daran, dass der User keinen Nutzen sieht, sondern daran, dass der Buyer keinen Budgetgrund erkennt oder der Blocker ein Risiko wahrnimmt.

Problem vor Lösung

Ein starkes KI-Projekt beginnt nicht mit „Wir bauen einen Agenten“, sondern mit einem überprüfbaren Problem.

Ein gutes Problem besitzt mindestens vier Eigenschaften:

Relevanz — es beeinflusst ein wichtiges Ergebnis.

Häufigkeit — es tritt oft genug auf, um wirtschaftlich bedeutsam zu sein.

Intensität — die heutige Lösung kostet Zeit, Geld, Qualität oder Risiko.

Unzufriedenheit — bestehende Alternativen lösen es nicht gut genug.

Damit verschiebt sich Strategie von der Technologie zur ökonomischen Reibung.

Jobs, Pains und Gains sind Beobachtungen, keine Fantasie

Der Value Proposition Canvas trennt sinnvoll zwischen Kundenaufgaben, Problemen und gewünschten Gewinnen.^[4]

Der entscheidende Zusatz lautet jedoch: Diese Elemente sollten beobachtet und getestet, nicht nur von einer KI ausgefüllt werden.

Ein Modell kann eine ausgezeichnete erste Hypothese formulieren:

„Marketingteams wollen Kampagnen schneller lokalisieren, leiden unter Abstimmungsschleifen und wünschen konsistente Qualität.“

Das ist strategisch erst dann wertvoll, wenn wir wissen: Ist das Problem häufig? Wie wird es heute gelöst? Was kostet der Status quo? Wer leidet tatsächlich darunter? Welche Konsequenz hat Nichtstun?

Nachfrage ist eine Evidenzleiter

Nicht jede positive Reaktion ist gleich viel wert.

Eine praktische Evidenzleiter kann so aussehen:

KI kann diese Evidenz ordnen. Sie darf jedoch Interesse nicht in Zahlungsbereitschaft umdeuten.

Value Proposition heißt nicht Feature-Liste

„Schneller“, „smarter“, „KI-basiert“, „automatisiert“ oder „mit Multi-Agenten“ sind noch keine Wertversprechen.

Ein wirtschaftliches Wertversprechen beantwortet:

Welches relevante Ergebnis verbessert sich für welchen Kunden gegenüber welchem Status quo?

Zum Beispiel:

„Reduziert die manuelle Vorprüfung eingehender Ausschreibungen von zwei Stunden auf zwanzig Minuten und hält jede Entscheidung nachvollziehbar im Projektdossier.“

Hier wird Technologie in Wirkung übersetzt.

Kundennutzen muss quantifizierbar werden

Nicht jeder Nutzen lässt sich exakt in Euro ausdrücken. Aber wirtschaftliche Strategie braucht zumindest eine plausible Wertlogik.

Typische Wertdimensionen sind: eingesparte Arbeitszeit, zusätzliche Kapazität, höhere Conversion oder Abschlussquote, geringere Fehlerkosten, geringeres regulatorisches oder operatives Risiko, kürzere Time-to-Market, höhere Qualität, geringere externe Einkaufskosten, bessere Auslastung und vermiedene Opportunitätskosten.

Die Frage lautet nicht nur „Was kann die Lösung?“, sondern welcher wirtschaftliche Zustand verändert sich dadurch?

Preis entsteht nicht aus Tokenkosten

Ein häufiger KI-Fehler ist technologiezentriertes Pricing:

„Der API-Aufruf kostet 0,40 Euro, also verkaufen wir die Leistung für 2 Euro.“

Das verwechselt Produktionskosten mit Kundenwert.

Ein Preis wird mindestens von vier Kräften beeinflusst: wahrgenommener Kundennutzen, Alternativkosten des Status quo, Wettbewerbs- und Referenzpreise sowie die eigene Kosten- und Margenstruktur.

Die Modellkosten sind relevant — aber sie definieren nicht allein die Zahlungsbereitschaft.

Zahlungsbereitschaft muss getestet werden

Kunden können ein Problem bestätigen und trotzdem nicht zahlen.

Deshalb sollte die Strategie früh Tests enthalten: Preisinterviews, konkrete Angebotsgespräche, bezahlte Piloten, Landingpages mit realer Preispositionierung, Angebotsvarianten, Vorbestellungen, sofern sinnvoll, und den Vergleich mit bereits bezahlten Alternativen.

Die wertvollste Frage ist oft nicht „Würden Sie das nutzen?“, sondern:

„Wie lösen Sie das heute — und welches Budget fließt bereits in diese Lösung?“

Revenue Model und Pricing sind zwei verschiedene Entscheidungen

Ein Projekt kann dieselbe Leistung unterschiedlich monetarisieren: einmalige Projektgebühr, Subscription, nutzungsbasierte Abrechnung, Seat-Modell, Lizenz, Retainer, Success Fee, Service plus Software, Freemium mit kostenpflichtiger Erweiterung oder interne Cost-Center-Verrechnung.

Das Revenue Model beschreibt wie Geld fließt. Pricing beschreibt wie hoch der Preis und seine Struktur ist.

Beides muss zur Nutzung, Beschaffung und Kostenstruktur passen.

Geschäftsmodell heißt Wert schaffen, liefern und abschöpfen

Eine tragfähige Architektur verbindet drei Ebenen:

Value Creation

Welche Fähigkeit erzeugt den Nutzen?

Value Delivery

Wie erreicht die Leistung den Kunden zuverlässig — inklusive Vertrieb, Onboarding, Integration, Support und Qualitätssicherung?

Value Capture

Wie wird ein Teil des erzeugten Werts in Umsatz und Deckungsbeitrag übersetzt?

Viele KI-Projekte sind auf der ersten Ebene beeindruckend und auf den anderen beiden unfertig.

Kostenstruktur: Die unsichtbare Hälfte der Strategie

Bei KI-Produkten entstehen Kosten nicht nur durch das Modell.

Eine realistische Kostenlandkarte kann enthalten: Modell- und API-Nutzung, Such- und Datenanbieter, Hosting und Speicher, lokale Hardware und Abschreibung, Entwicklung und Wartung, Observability und Evals, menschliche Review-Zeit, Support, Vertrieb, Datenlizenzen, Compliance und Rechtsprüfung, Integrationen, Ausfall- und Fallback-Kapazität sowie Rückerstattungen oder Fehlerbehebung.

Billige Inferenz kann eine teure Leistung erzeugen, wenn Review, Support und Akquise dominieren.

Variable KI-Kosten verändern die Projektökonomie

Klassische Software hat häufig sehr niedrige Grenzkosten pro zusätzlichem Nutzer. Agentische KI kann anders aussehen.

Lange Kontexte, Multi-Agent-Runs, Deep Research, Bild-/Videoerzeugung oder intensive Tool-Nutzung können variable Kosten stark erhöhen.

Deshalb braucht die Strategie Größen wie Cost per Task, Cost per Successful Task, Cost per Customer, Human Review Minutes per Task, Retry Rate, Failure Cost und einen Provider-/Fallback-Aufschlag.

Nur dann wird aus „KI ist günstig“ eine prüfbare Aussage.

Deckungsbeitrag vor Skalierungsfantasie

Eine einfache Grundgleichung lautet:

Deckungsbeitrag pro Einheit = Verkaufspreis − variable Kosten pro Einheit.

Wenn ein Service 100 Euro Umsatz bringt, aber 35 Euro Modell-/Toolkosten, 25 Euro menschliche Prüfung und 15 Euro Support verursacht, bleiben 25 Euro zur Deckung fixer Kosten und Gewinn.

Wachstum verschärft ein schlechtes Modell. Wenn jede zusätzliche Einheit negativen Deckungsbeitrag erzeugt, ist Skalierung kein Erfolg.

Break-even ist ein Projektparameter

Für einfache Modelle gilt:

Break-even-Menge = Fixkosten ÷ (Preis pro Einheit − variable Kosten pro Einheit).

Diese Rechnung ist nicht die gesamte Unternehmensplanung. Aber sie zwingt das Projekt, Preis, Kosten und Absatz in eine gemeinsame Realität zu bringen.

Die KfW stellt für Gründungsfinanzierungen genau deshalb Finanz-, Liquiditäts- und Rentabilitätsplanung neben den Businessplan.^[2]

KI-Wert entsteht häufig im Prozess, nicht im Modell

Aktuelle Unternehmensforschung zeigt ein wiederkehrendes Muster: Der wirtschaftliche Nutzen von KI entsteht nicht automatisch durch Modellzugang.

McKinsey identifiziert Workflow-Redesign als einen besonders wichtigen Faktor für EBIT-Wirkung.^[7] Die OECD betont neben Modellen und Compute komplementäre Fähigkeiten wie Daten, digitale Infrastruktur, Managementkompetenz, Skills und Finanzierung.^[6]

Für Projekte folgt daraus:

„Wir verwenden ein besseres Modell“ ist selten eine vollständige Geschäftsstrategie.

Die Frage ist, welcher Prozess dadurch tatsächlich anders funktioniert.

Core Use Case vor AI Decoration

Ein KI-Feature kann Aufmerksamkeit erzeugen, ohne das Geschäftsmodell zu tragen.

Darum sollte jede Strategie prüfen: Ist KI für den Kundennutzen konstitutiv? Oder verbessert sie nur Komfort? Würde der Kunde die Lösung ohne KI immer noch kaufen? Welcher Teil des Werts stammt aus Daten, Workflow, Distribution oder Expertise? Welche Leistung bleibt bestehen, wenn morgen ein Wettbewerber dasselbe Basismodell erhält?

Diese Fragen sind auch für Förder- und Investorengespräche relevant.

Der gefährliche „Wrapper-Moat“

Wenn der einzige Wettbewerbsvorteil lautet „Wir nutzen Modell X mit einem guten Prompt“, kann dieser Vorteil schnell verschwinden.

Robustere Differenzierung kann entstehen durch proprietäre oder schwer zugängliche Domänendaten, tiefe Prozessintegration, bessere Distribution, Vertrauen und Reputation, regulatorisch belastbare Abläufe, Netzwerkeffekte, Workflow-Lock-in ohne unfaire Abhängigkeit, eigene Evaluations- und Qualitätsdaten, spezialisierte Benutzererfahrung, Kundenbeziehungen und Servicekompetenz sowie eigenes IP.

Nicht jede Firma braucht einen technologischen Burggraben. Aber jede Strategie braucht eine Antwort auf die Frage: Warum sollte dieser Wert nicht sofort austauschbar werden?