KI-Strategien mit einem Forward Deployed Engineering umsetzen

Auf die Frage, wie etablierte Unternehmen eine KI-Strategie erfolgreich umsetzen, gibt es bislang kaum befriedigende Antworten. Dies ist insofern erstaunlich, als nahezu alle Unternehmen diese Frage beantworten müssen. Mögliche Erklärungen für die ungewöhnliche Situation liegen in der Komplexität und Dynamik des Themas. Eine weitere Ursache ist, dass sich die Strategieumsetzung bei KI-Technologien vom bisherigen Stand der Forschung zum Thema Technologie-Strategie unterscheidet. Unser Expertennetzwerk hat in den letzten Jahren ein allgemeines Rahmenkonzept zur Entwicklung und Umsetzung von KI-Strategien mit einem Forward Deployed Engineering (FDE) erprobt und Unternehmen bei der Anpassung an ihre spezifische Situation unterstützt. Zunächst möchte ich kurz auf die doppelte Herausforderung eingehen, vor der viele Unternehmen stehen.

In diesem Blogpost beschäftige ich mich mit den Fragen, welche Bedeutung das Trendthema Forward Deployed Engineering bei der Umsetzung von KI-Strategien hat und warum Unternehmen hier eigene Kompetenzen aufbauen sollten.

Doppelte Herausforderung für Unternehmen

Die Bedeutung der KI-Strategie für die Wettbewerbsfähigkeit von etablierten Unternehmen hat in den letzten Jahren deutlich zugenommen.¹ Allerdings fehlt es den meisten Unternehmen an Erfahrung bei der Entwicklung und Umsetzung von KI-Strategien.

Hinzu kommt, dass KI-Strategien, die in strategische und organisatorische Neuausrichtungen eingebettet sind, einer häufigen Anpassung bedürfen. Diese Neuausrichtungen erfolgen in vielen Fällen noch während oder nach einer Restrukturierung mit traditionellen oder innovativen Ansätzen. Dabei ist die Verbindung zwischen den beiden Herausforderungen Restrukturierung und Neuausrichtung meist schwach. Im Rahmen einer Restrukturierung spielt die Resilienz bei der Krisenbewältigung eine wichtige Rolle, und das Thema KI steht auch bei aktuellen Restrukturierungsansätzen, wie dem Humanocracy-Konzept, nicht im Vordergrund.

In seinem 2020 erschienenen Buch Humanocracy hat der Management-Guru Gary Hamel einen Restrukturierungsansatz beschrieben, dessen Fokus auf dem Bürokratieabbau liegt. Hamel und sein Co-Autor kritisieren Hierarchien und plädieren für eine menschenzentrierte Organisation, die durch sieben Kernprinzipien wie z.B. Eigentümerschaft und Offenheit gekennzeichnet ist. In einer erweiterten Auflage beschäftigen sie sich auch mit dem Thema KI und vertreten die These, Bürokratie blockiere eine Ausschöpfung des KI-Potenzials. Arbeit müsse neu gedacht werden. Welche Rolle KI dabei genau spielt, behandeln die Autoren aber nur am Rande.²

Das bekannteste deutsche Unternehmen, das den Humanocracy-Ansatz anwendet und dafür den Begriff Dynamic Shared Ownership (DSO) geprägt hat, ist Bayer. Unter der Führung von Bill Anderson hat der Chemie- und Pharma-Konzern seine 13 Hierarchieebenen um 50 Prozent reduziert und zwei Drittel der Führungspositionen gestrichen. Bayer verändert aber nicht nur seine Organisationsstruktur, sondern setzt auch das Thema Agilität radikal um. Hierzu zählen ³

• eine Dezentralisierung von Entscheidungen (Verlagerung von 95 Prozent direkt zu kunden- und produktnahen Einheiten)
• die Schaffung von Entrepreneural Teams (relativ autonome, funktionsübergreifende Arbeitsgruppen, deren Mitglieder gleichzeitig zu einer „professionellen Heimat“ gehören)
• ein iteratives Arbeiten im 90-Tage-Takt (mit Anwendung von agilen Methoden) sowie
• ein neues Führungsverständnis nach dem VACC-Modell (Visionary, Architect, Catalyst, Coach).

Agilität wird so zum Kern einer veränderten Unternehmenskultur. Wie viele andere Unternehmen befindet sich auch Bayer im Prozess einer Neuausrichtung für das KI-Zeitalter.

Vor einigen Jahren haben wir begonnen, die Entwicklung des strategischen Managements in Stufen zu gliedern und die gegenwärtige fünfte Stufe verbindender Strategien zu analysieren.⁴ Bei dieser Strategie 5.0 stehen Unternehmen vor der Aufgabe einer dreifachen Neuausrichtung (Realignment), in der sie digitaler, nachhaltiger und resilienter werden müssen.⁵ Beim Thema KI kommen zu dieser zeitlichen Konnektivität die vertikale Verbindung verschiedener Ebenen von der Geopolitik bis zu den Individuen und horizontale Verbindungen auf jeder Ebene.⁶ Beispiele hierfür liefert die Konnektivität von Handlungsfeldern eines Unternehmens bei der Umsetzung seiner KI-Strategie. Vielen Unternehmen bereitet die Gestaltung dieser Verbindungen Schwierigkeiten.

Umsetzungsdefizite bei KI-Strategien

Der IT-Verband Bitkom hat ermittelt, dass der Anteil der Unternehmen in Deutschland, die KI einsetzen, innerhalb eines Jahres von 36 auf 57 Prozent gestiegen ist. Hierzu wurden rund 600 Unternehmen mit mehr als 20 Beschäftigten befragt. Drei Viertel der Unternehmen nutzen KI, um Fragen zu beantworten. Aber immerhin haben auch schon ein Drittel der Unternehmen mithilfe von KI neue Produkte und Dienstleistungen entwickelt. Bitkom urteilt daher, KI sei in der Wirtschaft angekommen.⁷ Nicht so positiv sieht es bei der Implementierung von KI-Strategien aus.

Nach einer im ersten Quartal 2026 von SAP gemeinsam mit dem US-Marktforscher IDC veröffentlichten Studie sagen zwar 81 Prozent der befragten Unternehmen, dass sie über eine KI-Strategie verfügen, allerdings haben nur 12 bis 16 Prozent diese bislang umgesetzt. In der Studie sind 620 IT-Führungskräfte in 15 Ländern befragt worden. Die größte Hürde bei der Umsetzung seien nicht die Infrastruktur oder die Daten, sondern fehlende KI-Kompetenzen, Veränderungsmüdigkeit und Widerstand der Beschäftigten.⁸ Daher erfordert die Umsetzung einer KI-Strategie ein integriertes Programm bei dem am Anfang zu klären ist, was das Unternehmen unter einer KI-Strategie versteht.

Was versteht man in Zeiten großer Unsicherheit unter einer KI-Strategie?

Die Literatur zum Thema KI-Strategie liefert eine Vielzahl von Definitionsversuchen, die der dynamischen Entwicklung des Themas aber nur zum Teil gerecht werden. Nach unserem Verständnis streben Akteure mit einer KI-Strategie an, Wettbewerbsvorteile in komplexen, evolutionären Systemen zu erreichen.⁹ Diese Systeme sind sowohl durch die Interaktion zwischen Menschen und KI-Technologien¹⁰ als auch durch die Interaktion von Akteuren auf verschiedenen Ebenen geprägt (z.B. der Ebene von Staaten und der von Organisationen). Auf der Ebene von Organisationen ist traditionell zwischen Akteuren zu unterscheiden, die KI-Technologien entwickeln und solchen die sie anwenden. Das AI Forward Deployed Engineering verbindet KI-Entwickler mit KI-Anwendern. Diese Definition bildet die Grundlage für die Konkretisierung einer KI-Strategie.¹¹

Ein wichtiger Komplexitätstreiber in KI-Systemen ist gegenwärtig die Angst vor einem Kontrollverlust. Dabei herrscht große Unsicherheit bezüglich der Fragen

• wie gefährlich und eigenständig KI-Technologien in relativ kurzer Zeit werden können und
• wer für eine Eindämmung möglicher Bedrohungen verantwortlich ist.

Auslöser dieser Unsicherheit sind die ungeplanten „Ausbrüche“ neuer Programme führender KI-Unternehmen, die sich zunächst unbemerkt in die Systeme von anderen Unternehmen gehackt haben. Wenn nun z.B. Dario Amodei, der Chef von Anthropic warnt, eine Super-KI könne weite Teile des Internets lahmlegen und mahnt, man müsse die Entwicklung entschleunigen, so zweifeln viele Experten, ob ihn wirklich echte Sorge treibt oder ob er andere Beweggründe hat.¹² Vor diesem Hintergrund spielt sich der Aufholprozess europäischer Unternehmen beim Thema KI ab.

Ein moderner KI-Pionier, der mit seinem Team den ersten Artikel zur Frage geschrieben hat, wie KI-Modelle lernen können, ein wahrscheinliches nächstes Wort in einem Text vorherzusagen, ist der an der Universität Montreal in Kanada forschende Yoshua Bengio. Er warnt seit längerem vor einem Kontrollverlust und hat 2025 das nicht kommerziell orientierte KI-Unternehmen Law Zero gegründet, um leistungsfähige KI-Systeme zu entwickeln, die von Grund auf sicher sind. Law Zero wird mit 188 Millionen Euro von Kanada und Deutschland unterstützt und plant die Eröffnung eines Büros in Berlin. Er nennt diese Systeme Scientist AI (Forscher-KI), weil sie die Welt auf eine wissenschaftliche Art betrachten und dabei eine große Wissensbasis nutzen. Für die Sicherheit ist wichtig, dass sich diese KI an menschliche Verbote hält. Ein solcher regelkonformer Ansatz würde die Verhandlungsmacht gegenüber den USA und China stärken.¹³

Programm-Management zur Umsetzung einer KI-Strategie

Was nach aktuellen Erfahrungen den Erfolg bei der Umsetzung einer KI-Strategie ausmacht, ist die Gestaltung eines Programm-Managements mit verbundenen Handlungsfeldern. Eine wichtige Klammer bildet dabei das AI Forward Deployed Engineering (FDE). Der ursprünglich im militärischen Kontext verwendete Begriff „forward deployed“ bedeutet, dass beim Kunden vor Ort eingesetzte Fachkräfte technische Systeme implementieren. Die durch vielfältige Wechselwirkungen verbundenen Handlungsfelder sind:

1. Ein KI-Audit und strategische Vorausschau als Grundlage für die Ableitung einer KI-Grundstrategie
2. der Weg von KI-Pilotprojekten zu KI-basierten Geschäftsmodellen
3. die Auswahl von strategischen Partnern mit Kompetenz im AI Forward Deployed Engineering
4. eine Qualifizierung von Führungskräften und Personal für das KI-Zeitalter
5. die Neuausrichtung von Organisationen für eine Koevolution von menschlichen Fähigkeiten und agentischer KI
6. die Gestaltung eines veränderten Performance Managements für Mensch-KI-Systeme.

Angesichts der dynamischen Entwicklung der KI-Technologien, des Wettbewerbs und des politischen Umfelds ist bei diesem Programm-Management Agilität ein wichtiger Erfolgsfaktor.

KI-Audit, strategische Vorausschau und Ableitung einer KI-Grundstrategie

Unternehmen, die die Entwicklung ihrer KI-Strategie systematisch angehen, beginnen im Rahmen einer Analyse der strategischen Ausgangssituation häufig mit einem KI-Audit. Nach dem Grundprinzip der SWOT-Analyse betrachten sie dabei die Stärken und Schwächen des Unternehmens beim Thema KI sowie KI-spezifische Möglichkeiten und Bedrohungen im Umfeld.

Angesichts neuer KI-Wellen gewinnt das Thema der strategischen Vorausschau (Foresight) an Bedeutung. Nach dem Hype um große Sprachmodelle stehen dabei innovative Technologien wie z.B. die physische KI im Mittelpunkt des Interesses. Daneben hat Künstliche Intelligenz das Potenzial, den Foresight-Prozess selbst zu beschleunigen und inhaltlich zu verbessern. Aus den Ergebnissen eines KI-Audits und einer KI-unterstützten Vorausschau lassen sich KI-Grundstrategien ableiten, wie z.B. ein Fokus auf Produktivitätssteigerung, der Einsatz von KI für Innovationen oder die Kombination von beidem in Form einer KI-basierten Ambidextrie.¹⁴

So möchte z.B. BMW bis 2028 ein KI-orchestriertes Unternehmen werden. Damit gemeint ist die dritte Stufe des Umbaus seines Operating Models (OM). In der ersten Stufe unterstützt KI die Mitarbeitenden bei einzelnen Aufgaben. Gegenwärtig befindet man sich im Übergang zu Stufe zwei, in der KI-Agenten ganze Abläufe übernehmen. Im OM 3.0 arbeiten dann mehrere Agenten über Abteilungsgrenzen hinweg zusammen. Als besonders geeignet hierfür sieht Vorstand Nicolai Martin den Einkauf. Das jährliche Einkaufsvolumen von BMW beträgt 80 Milliarden Euro. Mit KI-Agenten will er einen mittleren dreistelligen Millionenbetrag einsparen.¹⁵

Anstelle eines solchen systematischen Ansatzes experimentieren viele Unternehmen in Form von KI-Pilotprojekten, denen aber keine klare Strategie zugrunde liegt.

Von KI-Pilotprojekten zu KI-basierten Geschäftsmodellen

Die Gefahr bei unkoordinierten, individuellen KI-Aktivitäten und KI-Pilotprojekten ist, dass ein Flickenteppich entsteht, der nicht zu einer dauerhaften Wertsteigerung führt. Besser ist eine schrittweise Neuausrichtung zu KI-basierten Geschäftsmodellen.

Der Begriff Business Model ist in der Managementlehre vor einem Vierteljahrhundert im Zuge der Entwicklung des Electronic Commerce entstanden. Weit verbreitet zur Beschreibung und Weiterentwicklung von Geschäftsmodellen ist der 2010 publizierte Business Model Canvas mit seinen neun Handlungsfeldern.¹⁶

Diesen Analyserahmen, der z.B. das Thema Nachhaltigkeit völlig ausklammert,¹⁷ haben wir an die Besonderheiten von KI-basierten Geschäftsmodellen angepasst. Unser AI Business Model Canvas hat elf verbundene Handlungsfelder. In der praktischen Arbeit bewährt er sich als Methode zur Gestaltung der dynamischen Evolution von Geschäftsmodellen.

Die Entwicklungsreise beginnt in vielen Unternehmen mit einer Nutzung der Ressourcen von KI-Partnerunternehmen, z.B. den Anbietern großer Sprachmodelle oder KI-Startups und ihren Finanzpartnern. Dieser Beginn hat häufig eher einen experimentellen als einen strategischen Charakter. Das Ergebnis ist eine Vielzahl wenig aufeinander abgestimmter Kooperationen. Ein aktueller Trend ist, dass KI-Unternehmen wie Open AI, Anthropic und Softwareanbieter wie SAP auf das beim US-Unternehmen Palantir entstandene Forward Deployed Engineering setzen, um ihren Kunden zu einer besseren Umsetzung von deren KI-Strategien zu verhelfen.

Das Ziel sind zunächst häufig KI-unterstützte Produktivitätssteigerungen bei Wertschöpfungs- und Kundenprozessen. Dabei zeichnet sich ein allmählicher Übergang von KI-Assistenten zu KI-Agenten ab, die unter menschlicher Kontrolle Teilaufgaben übernehmen. Anzustreben ist die Auswahl von strategischen KI-Partnern mit einer klar formulierten eigenen Strategie, die auch die Risiken einer Zusammenarbeit berücksichtigt.

Parallel dazu stellt sich für Unternehmen die Frage, welche KI-Ressourcen sie selbst aufbauen sollen. Dabei reicht das KI-relevante Spektrum von den eingesetzten Technologien und der Infrastruktur über eine einheitliche Datenbasis bis zur Nutzung des eigenen Wissens und einer Verbesserung der KI-Kompetenz.

Zu den vorhandenen Kosten kommen durch KI verursachte zusätzliche Kosten, die zunehmend systematisch erfasst werden. Die erhofften Produktivitätssteigerungen bleiben aber nicht selten aus, was inzwischen zu einer KI-Ernüchterung geführt hat. Daher gewinnen Router-Modelle an Bedeutung, die die KI-Technologien mit dem besten Preis-Leistungsverhältnis für die jeweilige Aufgabe auswählen.

Neben diesen ressourcenorientierten Strategieansätzen beschäftigen sich Unternehmen mit dem durch KI induzierten Wandel des Kundenverhaltens. Dieser Wandel hat neben branchenspezifischen Aspekten auch eine segmentspezifische Komponente, die von frühen Anwendern bis zu erfahrenen Nutzern geht.

Künstliche Intelligenz verändert nicht nur die Kundenprozesse, sondern auch die Kundenbeziehungen. Sie ermöglicht eine stärkere Personalisierung in Echtzeit, schnelle Antworten, Reaktionen durch agentische KI-Bots und mehr Zeit für die persönliche Kundeninteraktion bei komplexen Aufgaben. Die technische Umsetzung erfolgt durch eine Integration von KI in die Customer Relationship Management (CRM-) Systeme.

Dies ermöglicht KI-basierte Wertversprechen für Kunden mit Preisvorteilen und Innovationen der Produkte und Dienstleistungen. Bedarf nach einer gestaltungsorientierten Managementforschung besteht noch bei neuen KI-basierten Geschäftsmodellmustern. Ein Beispiel ist das Muster Automation as a Service. Hierzu entwickeln etablierte Automatisierungsspezialisten wie Siemens verstärkt eigene Kompetenz im Forward Deployed Engineering.

Das Ziel ist ein erfolgreiches Wachstum durch KI-induzierte Umsätze, das zu einer dauerhaften Wertsteigerung führt. Europäische Unternehmen stehen hier vor der Herausforderung, im Wettbewerb mit den USA und China aufzuholen. Der integrierte Ansatz des AI Business Model Canvas leistet dabei einen wichtigen Beitrag. Im Vergleich zu traditionellen Canvas-Modellen haben wir zwei Handlungsfelder ergänzt.

Das erste behandelt die bereits aus dem Sustainable Business Model Canvas bekannten Wirkungen des eigenen KI-Ökosystems auf Umwelt und Gesellschaft. Wichtige Themen sind z.B. der Aufbau von grünen Rechenzentren und die Sicherung von durch KI bedrohten Arbeitsplätzen mit Hilfe von Weiterbildung.

Das zweite Feld beschäftigt sich neben der öffentlichen KI-Förderung mit Wegen zur KI-Regulierung und einem Schutz vor den Bedrohungen durch KI. Diese beiden Felder verdeutlichen, dass Künstliche Intelligenz eine Mehrebenen-Strategie benötigt, die ich in unserem letzten Blogpost erläutert habe.

Auswahl von strategischen Partnern mit Kompetenz im AI Forward Deployed Engineering

Bei der Auswahl von strategischen Partnern stellt sich die Frage nach deren Leistungsfähigkeit und Vertrauenswürdigkeit.¹⁸ Dies gilt in besonderem Maße für das von dem politisch umstrittenen US-Milliardär Peter Thiel und dem heutigen CEO Alexander Karp 2003 mitgegründete Unternehmen Palantir, das das dort entstandene Forward Deployed Engineering (FDE) im Zuge seiner KI-Offensive zu einem AI FDE weiterentwickelt hat. Unabhängig von den politischen Positionen der beiden ist es wichtig, deren Grundideen zu kennen, die die Entwicklung des FDE-Pioniers geprägt haben.

Den gegenwärtigen Hype um das FDE-Thema hat eine 2025 publizierte MIT-Studie ausgelöst, die zu dem Ergebnis kommt, dass 95 Prozent der GenAI-Pilotprojekte von Unternehmen nicht die erhofften wirtschaftlichen Erfolge bringen. Die Ursache für das Scheitern der Initiativen liegt aber meist nicht an den KI-Modellen selbst, sondern in der Lücke auf dem Weg vom Modell zur Umsetzung beim Kunden.¹⁹

Die theoretischen Grundideen von Peter Thiel und Alexander Karp, auf denen das Forward Deployed Engineering bei Palantir aufbaut, sind:²⁰

1. Eine Mensch-Maschine Symbiose statt reiner KI-Automatisierung (Thiel und Karp). Die Stärke von KI liegt im Strukturieren großer Datenmengen. Aber es braucht Menschen mit Intuition, um Muster in komplexen Kontexten zu erkennen.
2. Die institutionelle Verhaltenslehre mit dem Konzept des „antizipatorischen Kellners“ (Karp). IT-Dienstleister sollten keine unterwürfigen Befehlsempfänger sein, die Pflichtenhefte abarbeiten, ohne das eigentliche Problem des Kunden zu verstehen. Der Kellner kennt die Abläufe in der Küche (Software) ebenso gut wie die Wünsche des Gastes (Kunden). Er hat genügend Selbstbewusstsein, den Gast kompetent umzuleiten, wenn dieser etwas Unkluges bestellen möchte.
3. Vermeidung von Wettbewerb durch ein einzigartiges Geschäftsmodell (Thiel). Software as a Service lässt sich leicht kopieren. Die wahre Barriere, die den Wandel zu einem anderen Anbieter verhindert (Burggraben oder Moat) entsteht dort, wo Software auf die unordentliche, reale Welt trifft. Hierauf basiert das Konzept „von der Schotterstraße zur asphaltierten Autobahn“.
4. Pragmatik in der Lebenswelt gegen abstrakte Theorie (Karp). Im echten Leben gibt es keine sauberen Datenstruktren und universell gültigen IT-Architekturen vom Reißbrett. FDEs sind „Ingenieur-Diplomaten“, die pragmatisch agieren müssen. Dabei ist perfekter Code zweitrangig. Entscheidend ist ein Code, der auch in Krisensituationen funktioniert.

Palantirs erfolgreiches Geschäftsmodell ist somit das erstaunliche Ergebnis von Thiels ökonomischer Monopoltheorie und Karps sozialwissenschaftlichem Verständnis von menschlichen Interaktionen, bei denen Software – und später KI – in die Realität des Kunden hineinoperieren.

Für die Berufspraxis (Craft) eines Forward Deployed Engineering ist das Zusammenspiel von zwei Rollen charakteristisch, die Palantir als Echo und Delta bezeichnet. Die Echo-Rolle besteht darin, tief in die Kunden-Organisation einzutauchen, um ein oft verstecktes Kernproblem zu identifizieren. Dies erfordert ein gutes Fach- und Branchenwissen. Der Echo-Typ ist aber kein zufriedener Praktiker, sondern eher ein „Domänen-Rebell“, der erkennt, was gegenwärtig nicht gut läuft und worin die Ursachen liegen. Dazu muss er auch die Kultur einer Organisation und die interne Politik von Abteilungen verstehen.

Aus diesem Was und Warum ergeben sich Anforderungen für den Delta-Typ. Dieser entwickelt in verschiedenen Lernschleifen funktionierende Lösungen, die nicht immer deckungsgleich mit den ursprünglichen Kundenvorstellungen sein müssen. Entscheidend bei dem Wie ist, ob sich die Lösung schließlich im Kundenalltag bewährt. Dies erfordert neben technischer Kompetenz eine „gezackte“ (jagged) Intelligenz, die das ungleichmäßige Fähigkeitsprofil von KI berücksichtigt. Dieses gleicht einer Klippenlandschaft mit steilen Spitzen (Genialität) und tiefen Tälern (Totalausfall).

Die intensive Zusammenarbeit mit dem Kunden (Engagement) in einem AI-FDE-Projekt wird in die folgenden drei Phasen gegliedert:

1. Scope (Anforderungsabgrenzung)
2. Validate (Machbarkeitsnachweis) und
3. Deliver (Bereitstellung).

In der Scoping-Phase geht es darum, das Kundenproblem präzise zu erfassen und in eine technische KI-Spezifikation zu übersetzen. Bei der Validation steht die Frage im Vordergrund, ob das identifizierte Problem tatsächlich eine hohe Priorität hat. Falls nicht, wird der Scope entsprechend angepasst. Die praktische Einbettung einer Lösung in die Infrastruktur eines Kunden erfolgt dann in der Deliver-Phase.

Das Palantir-Konzept „von der Schotterstraße zur asphaltierten Autobahn“ meint, dass es beim Forward Deployed Engineering zwei Arten von Lösungen gibt. Die erste ist die beim Kunden entstandenen Lösung, für die er bezahlt („die Schotterstraße“). Aus einer größeren Anzahl solcher Kundenlösungen gestaltet der Anbieter einen systematischen Lerneffekt, der in seine eigene Plattform einfließt („die asphaltierte Autobahn“) und Wettbewerbsvorteile ermöglicht. Dieser Effekt ist aus dem Consulting seit langem bekannt, erreicht beim FDE und milliardenschweren KI-Plattformen aber eine neue Dimension.

Daher sollten Kunden bei einer Zusammenarbeit mit FDE-Anbietern eine Abwägung treffen zwischen

• der erhöhten Geschwindigkeit, die der Anbieter ermöglicht
• dem Verlust an Abstraktionswissen, das nicht im Kundenunternehmen, sondern beim Anbieter entsteht
• der zunehmenden Abhängigkeit von einem oder mehreren KI-Plattformanbietern sowie
• laufenden Nutzungskosten, die an Externe fließen und fehlender eigener Kompetenz für notwendige Weiterentwicklungen.

Wenn also das zu lösende Problem einen wichtigen eigenen Wettbewerbsvorteil betrifft, Datensouveränität oberste Priorität hat oder eine langfristige Kostenkontrolle und Wertsteigerung angestrebt werden, sollte das Unternehmen eher auf eigene FDE-Kompetenz setzen.

Deshalb liegt die Verantwortung für die Auswahl von strategischen KI-Partnern und die eigene Personalstrategie beim Vorstand bzw. der Geschäftsführung („beim CEO“).

Dabei sind die folgenden drei Dimensionen eines neu interpretierten KI-Performance-Konzepts zu beachten:

1. die Leistungsfähigkeit der eingesetzten KI-Modelle
2. die Vertrauenswürdigkeit der strategischen KI-Partner und
3. das Verhältnis von KI-Ergebnissen zu KI-Kosten nach der Umsetzung eines ersten KI-Projekts und längerfristig.

Nicht selten entsteht ein Performance-Paradoxon, bei dem die Leistungsfähigkeit der Modelle je nach Aufgabe unterschiedlich, die Vertrauenswürdigkeit der Partner gering und das langfristige Ergebnis-Kosten-Verhältnis schlecht ist.

Einen anderen Ansatz als die KI-Entwickler, deren Schwerpunkt bei großen Sprachmodellen liegt, die sich mit Zahlen schwertun, verfolgt SAP. Gemeinsam mit dem übernommenen Freiburger Startup Prior Labs setzt man in Walldorf auf die Anpassung von Tabellenmodellen, die Daten verarbeiten, an wissensspezifische Geschäftsprozesse. Beim Forward Deployed Engineering gibt es eine Rückbesinnung auf die Erfahrungen der eigenen Gründerjahre. Aus der Sicht des SAP-Technikchefs Philipp Herzog geht es darum, die Arbeitsweisen von Wissensarbeitern genau zu studieren, dafür die richtigen KI-Agenten zu entwickeln und die entsprechenden Muster zu erkennen, die auf der SAP-Plattform laufen.²¹

Für die KI-Strategie von SAP von erheblicher Bedeutung ist die Beteiligung an dem Startup Nova Intelligence, zu dessen Gründern Alexander Zeier gehört, der zusammen mit Hasso Plattner SAP HANA entwickelt hat. In den meisten Unternehmen liegt ein Großteil des Wissens, wie die Organisation arbeitet, im gewachsenen Eigencode des SAP-Systems. Eine agentische KI-Plattform, die das SAP-System modernisiert, muss dieses Wissen zunächst erfassen. Auf diesem spezifischen Wissensmodell der Geschäftsprozesse bauen die Anwendungen der nächsten Jahre auf. In der Vergangenheit ist der Umstieg auf S/4 HANA über zwei Wege erfolgt:Erstens Greenfield, bei dem die Eigenentwicklungen zurückbleiben und zweitens Brownfield, bei dem alles, was sich angesammelt hat, auf die neue Plattform gebracht wird. Nova Intelligence hat einen neuen Modernisierungsansatz entwickelt, für den sich gegenwärtig der Name Cleanfield etabliert. Dieser Ansatz geht von der Frage aus, was vom Bestand übernommen werden soll und was das Unternehmen neu gestalten möchte. Cleanfield bedeutet also: Erst bereinigen und dann konvertieren. Mit diesem Ansatz ist bereits einer Reihe von Unternehmen der Übergang zu S/4 HANA und agentischer KI gelungen.²²

Eine wichtige Rolle bei der Neuausrichtung von SAP und seinen Kunden spielt die Qualifizierung für die veränderten Aufgaben.

Qualifizierung von Führungskräften und Personal für das KI-Zeitalter

Angesichts der Gefahr, dass der Hype um das Forward Deployed Engineering vor allem den großen KI-Entwicklern Vorteile bringt, stellt sich die Frage, wie eine Qualifizierungsoffensive aussehen müsste, damit FDE zur Kernkompetenz möglichst vieler KI-Anwender wird.²³

Bislang gibt es bei KI-Anwenderunternehmen erst wenige Pioniere, die in der Personalentwicklung neue Wege gehen. Da der Markt für FDEs leergefegt ist, setzen z.B. Siemens, Mercedes Benz, Bayer und die Allianz auf interne Upskilling-Programme. Wichtige Ziele sind

• die Entwicklung einer Build-To-Learn-Kultur
• ein Training von Fachexperten für die Echo- und Delta-Rollen sowie
• der Aufbau eigener KI-Plattformen zum Schutz von erfolgskritischen Kompetenzen.

Parallel dazu wäre es wichtig, im Rahmen einer europäischen KI-Mehrebenen-Strategie die Aus- und Weiterbildung von FDEs zu verbessern. Eine solche Bildungsoffensive erfordert gezielte Verbindungen zwischen den klassischen IT-, Ingenieur- und Management-Studiengängen, die die Lernenden auf neue Berufsbilder wie das des FDEs nicht nur theoretisch sondern auch praktisch vorbereiten. Diese Verbindungen wären von großer Bedeutung für den Mittelstand mit seinen zahlreichen Hidden Champions, deren Knowhow nicht in Richtung Digitalgiganten abfließen sollte.

Eine solche bildungspolitische Offensive ist leider bislang erst in Ansätzen erkennbar. Sie eröffnet aber auch Chancen für die Lehre und Forschung von Universitäten, die bereit sind, diese Möglichkeiten zu nutzen. In der Tätigkeit unseres Expertennetzwerks verknüpfen wir die transdisziplinäre, praxisorientierte Lehre mit einer gestaltenden Managementforschung und Beratung.²⁴

Eine wichtige Rolle spielt dabei die Ontologie einer KI-Plattform. Der von dem deutschen Philosophen Jacob Lorhard bereits 1606 geprägte Begriff Ontologie beschreibt ursprünglich die Lehre vom Sein. Diesen Gedanken hat der US-Informatiker Tom Gruber 1993 auf die KI-Forschung übertragen. Hier bildet die Ontologie im Sinne der Spezifikation einer Konzeptionalisierung die Grundlage für Plattformen. Unter einer KI-Plattform-Ontologie versteht man die formale, maschinenlesbare Beschreibung eines Fachgebiets (Domäne) innerhalb einer KI-Umgebung. Diese legt fest, welche Entitäten (z.B. Kunden und Produkte), Eigenschaften, Beziehungen und logische Regeln existieren. Dadurch fungiert die Ontologie als eine Art standardisierte Wissenslandkarte, die unstrukturierte Unternehmensdaten in ein konsistentes semantisches Gesamtmodell übersetzt.²⁵

Die Bedeutung einer solchen KI-Plattform-Ontologie für die Weiterbildung in KI-Anwenderunternehmen liegt darin, dass die Ontologie den Übersetzer zwischen der menschlichen Geschäftssprache und der technischen KI-Logik bildet. Dies verändert nicht nur z.B. das Onboarding und die relevanten Prompting-Fähigkeiten, sondern es entsteht auch ein Qualifikationsbedarf von Mitarbeitenden aus Fachbereichen, die das Unternehmen zu „Ontologie-Managern“ weiterbildet. Deren Aufgabe ist es, die Ontologie zu pflegen und kontinuierlich mit neuem Fachwissen zu füttern. Da diese Tätigkeit Wettbewerbsvorteile sichert, sollten Unternehmen sie nicht an Externe übertragen.

Der Microsoft-CEO Satya Nadella bezeichnet die gegenwärtige Asymmetrie zwischen KI-Anwendern und KI-Entwicklern als umgekehrtes Informationsparadoxon. Damit meint er eine Einbahnstraße des Wissens, bei der sich die Macht und die Wissensverhältnisse zugunsten des KI-Entwicklers verschieben, während der KI-Anwender dessen Modelle nutzt.²⁶

Der KI-Entwickler trainiert seine KI-Modelle nicht nur mit den öffentlich zugänglichen Daten aus dem Internet. Er lernt auch bei jeder Interaktion aus dem „Intelligenz-Abgas“ des Anwenders. Gleichzeitig verbietet er dem Anwender das Lernen aus den Antworten der KI, um dessen eigenes Modell zu verbessern (Modell-Destillation).

Auf der anderen Seite zahlt der Anwender nicht nur einmal für die Nutzung des KI-Modells des Entwicklers, sondern auch ein zweites Mal mit seinem internen Wissen, das an den Entwickler abfließt. So verliert der Anwender kontinuierlich an Wettbewerbsfähigkeit. Nadella empfiehlt Gegenmaßnahmen, die fünf Prinzipien folgen. Hierzu zählen neben einer Kontrolle der eigenen Daten und eigenes Training der Modelle, eine Wahlfreiheit der Entwickler und eine Kombination der Modelle. Das Ziel eines Zusammenwirkens dieser Prinzipien ist eine Verbesserung der eigenen KI-Ressourcen.

Diese provokante Einschätzung von Nadella stößt zwar in Europa auf große Zustimmung. Aber insbesondere kleinen und mittelgroßen Unternehmen fällt die Umsetzung der Gegenmaßnahmen schwer. Außerdem sollte man sich bewusst machen, das Microsoft nicht nur Milliarden in Open AI investiert hat, sondern mit seiner Cloud-Plattform Azure auch an den Entwicklern von KI-Modellen verdient.

Eine wichtige Frage ist daher, ob es KI-Anwenderunternehmen gelingt, mit einer Qualifizierungsoffensive auch die sich abzeichnenden organisatorischen Neuausrichtungen zu meistern.

KI-basierte Neuausrichtung von Organisationen und Veränderung des Performance Managements

Bei der KI-basierten Neuausrichtung von Organisationen und einer Veränderung des Performance Managements gibt es interessante Entwicklungen, auf die ich voraussichtlich in meinen nächsten Artikeln eingehen werde. Hier ist die Lage allerdings etwas unübersichtlich, sodass nicht ganz klar ist, welche neuen Trends sich in der Praxis durchsetzen werden. Eine wichtige Rolle spielen dabei die Wechselwirkungen zwischen KI-basierten strategischen und organisatorischen Neuausrichtungen mit ihren Implikationen für einen grundlegenden Wandel der Ableitung von Zielen und der Art, wie die Leistung von Menschen und KI-Agenten gemessen wird.

Fazit

• Viele Unternehmen sagen, sie hätten inzwischen eine KI-Strategie, deren Umsetzung ihnen jedoch Schwierigkeiten bereitet
• Eine der Ursachen für diese Schwierigkeiten ist eine große Unsicherheit bezüglich möglicher Bedrohungen durch KI-Technologien
• Die Umsetzung einer KI-Strategie erfordert ein Programm-Management mit verbundenen Handlungsfeldern
• Den Weg von KI-Pilotprojekten zu KI-basierten Geschäftsmodellen unterstützt ein AI Business Model Canvas als Gestaltungsrahmen für die Geschäftsmodell-Evolution
• Viele KI-Entwickler setzen inzwischen auf das bei Palantir entstandene Forward Deployed Engineering, das auf einigen Grundideen basiert und zwischen zwei Rollen sowie drei Phasen unterscheidet
• Für KI-Anwender ist es gefährlich, dass ihr Wissen dabei systematisch an die KI-Entwickler abfließt, was bei denen zu Wettbewerbsvorteilen führt
• In der Personalentwicklung von KI-Anwendern gewinnt das Verständnis der KI-Plattform-Ontologie des eigenen Unternehmens an Bedeutung

Literatur

[1] Servatius, H.G., Wettbewerbsvorteile mit wissensspezifischer KI. In: Competivation Blog, 11.02.2025

[2] Hamel, G., Zanini, M., Humanocracy – Creating Organizations as Amazing as the People Inside Them, Updated and Expanded, Harvard Business Review Press 2025

[3] Viel. O., Dynamic Shared Ownership – How Bayer is Rewiring the Enterprise for Agility, Purpose, and AI Readiness, 24. Juli 2025

[4] Servatius, H.G., Strategie 5.0 zur Bewältigung der neuen Herausforderungen. In: Competivation Blog, 28.06.2022

[5] Servatius, H.G., Dreifache strategische Neuausrichtung. In: Competivation Blog, 07.06.2024

[6] Servatius, H.G., Innovationsnarrative für eine verbindende KI-Mehrebenen-Strategie. In: Competivation Blog, 09.09.2026

[7] Mensch, T., KI-Erfolg hängt am Management. In: Handelsblatt, 13. Oktober 2026, S. 26

[8] Misra, S., Die meisten Unternehmen haben eine KI-Strategie. Was die besten 8% anders machen. In: SAP-Website, 8. Mai 2026

[9] Servatius, H.G., Eine kausale KI mit komplexen, evolutionären Systemen verbinden. In: Commpetivation Blog, 13.08.2026

[10] Servatius, H.G., Verbindendes strategisches Management im KI-Zeitalter. In: Competivation Blog, 22.05.2026

[11] Servatius, H.G., Entwicklung der KI-Technologien. In: Competivation Blog, 19.02.2025

[12] Alvarez de Souza Soarez, M. et al., Die Welt im Griff der KI. In: Handelsblatt, 18./ 19./ 20. September 2026, S. 6-12

[13] Bengio, Y., „Diese KIs betrügen, obwohl sie es nicht dürfen“ (Interview). In: Handelsblatt, 25./ 26./ 27. September 2026, S. 38-39

[14] Servatius, H.G., KI als Werkzeug für das strategische Management. In: Competivation Blog, 01.05.2025

[15] Bomke, L., Stippler, F., KI-Geschäftsmodell soll BMW Milliarden einsparen. In: Handelsblatt, 17. Oktober 2026, S. 26-27

[16] Osterwalder, A., Pigneur Y., Business Model Generation – A Handbook for Visionaries, Game Changers, and Challengers, John Wiley & Sons 2010

[17] Servatius, H.G., Nachhaltige Geschäftsmodelle durch eine verbesserte Stakeholder-Interaktion. In: Competivation Blog, 11.04.2018

[18] Servatius, H.G., Gestaltung von vertrauenswürdigen Hochleistungssystemen. In: Competivation Blog, 29.01.2026

[19] Goldmann, S., MIT-Report – 95% of Generative AI at Companies are Failing. In: Fortune, 18. August 2025

[20] Gramatikov, R., Forward Deployed – Inside the Palantir Framework that Solved Enterprise AI, Amazon Digital Services 2026

[21] Alvarez de Souza Soares, P., Kerkmann, C., Wie SAP trotz KI-Rückstand wieder gewinnen will. In: Handelsblatt, 5. Oktober 2026, S. 24-25

[22] Zeier, A., Agentische KI verändert die Ökonomie der SAP-Systeme. In: E3-Beilage, November 2026, S. 10-21

[23] Servatius, H.G., Disruption der Management Education für KI-basierte Neuausrichtungen. In: Competivation Blog, 10.10.2025

[24] Seratius, H.G., Gestaltende Innovationsforschung zu KI-Anwendungen. In: Competivation Blog, 25.03.2026

[25] Talisman, J., Ontology Pipeline – A Framework for Building Knowledge Infrastructures, Technics Publications 2026

[26] Nadella, S., The Reverse Information Paradox. In: Plattform X, 12. Juli 2026