Künstliche Intelligenz (KI)

Gestaltende Innovationsforschung zu KI-Anwendungen

25.03.26

Weltweit stehen viele Unternehmen vor der Herausforderung, bei der Künstlichen Intelligenz (KI) nicht den Anschluss zu verlieren und mit KI-Werkzeugen, die ihr spezifisches Wissen nutzen, Wettbewerbsvorteile zu erzielen. Diese Entwicklung führt zur Renaissance einer gestaltenden Management- und Innovationsforschung, die das Ziel hat, Theorie und Praxis zu verbinden. Dabei verlagert sich die Forschung von der empirischen Arbeit an Universitäten zu einem verbindenden Gestalten in Reallaboren des Wandels.

In diesem Blogpost skizziere ich die Entwicklung des gestaltenden Forschungsansatzes, zeige seine Vorteile auf und erläutere ein allgemeines Vorgehenskonzept.

Jahr der Entscheidung bei der Anwendung von KI

2026 könnte zum Jahr werden, in dem sich für viele Unternehmen entscheidet, ob bei der Anwendung von KI der Durchbruch gelingt oder ob es bei isolierten Pilotprojekten bleibt. Nach einer Analyse des Marktforschungsunternehmens Forrester berichten nur 15 Prozent der Entscheider, dass der Einsatz von KI bislang messbar zum operativen Ergebnis ihrer Unternehmen beigetragen hat. Dies könnte dazu führen, dass diese rund ein Viertel ihrer geplanten Ausgaben für KI auf 2027 verschieben. Die Gefahr bei einer zu zögerlichen KI-Anwendung ist jedoch, dass so ein Rückstand entsteht, der nur schwer aufzuholen ist.¹

Andererseits gelingt es Vorreiter-Unternehmen, mit einer an ihre spezifische Situation angepassten KI deutliche Wettbewerbsvorteile zu erzielen. Diese Pioniere praktizieren eine gestaltende Management- und Innovationsforschung, um so die Grundlage für Erfolge zu schaffen. Ein Beispiel ist Siemens, das das weltweite größte und breiteste Angebot an industriellen KI-Anwendungen gestalten und seinen Unternehmenswert verdoppeln möchte.²

Das Institut der Deutschen Wirtschaftsforschung (IW) prognostiziert, dass das Potenzial zur Steigerung der Bruttowertschöpfung durch den Einsatz von KI bis 2034 in Deutschland bei 440 Milliarden Euro liegt. Davon entfallen 110 Milliarden Euro auf mögliche Innovationen und 330 Milliarden Euro auf einer Steigerung der Produktivität. Für den Industriestandort Deutschland bildet vor allem die Anwendung von KI eine Chance. Das hat auch Google, die Tochter des US-Technologiekonzerns Alphabet erkannt. Man wird in Deutschland 5,5 Milliarden Euro investieren und in Berlin ein Zentrum für KI-Anwendungen eröffnen, wo auch eigene Forscher angesiedelt sind.³

Aus dieser neuen Lage ergeben sich spannende Implikationen für die Gestaltung von KI-Ökosystemen.

Gestaltung von KI-Ökosystemen

Die Chance für etablierte Unternehmen liegt in einer wissensspezifischen KI, bei der KI-Werkzeuge das spezielle Know-how der Unternehmen nutzen und verstärken.⁴ Dies gelingt am besten in KI-Ökosystemen.

Unter dem Begriff KI-Ökosystem versteht man ein dynamisches Netzwerk mit guten Verbindungen zwischen verschiedenen Akteuren, die KI-Technologien nutzen, um Innovationen zu gestalten und zu verbreiten. KI-Ökosysteme können auf eine Region konzentriert sein und sich um einen Kern herum entwickelt haben, z.B. eine Universität oder ein Unternehmen. Das bekannteste und einflussreichste KI-Ökosystem der Welt ist im Silicon Valley in der San Francisco Bay Area entstanden. Den Kern des Silicon Valley hat in den 1930er Jahren die Stanford University nahe Palo Alto gebildet. 1939 gründeten Bill Hewlett und David Packard dort in einer Garage das Unternehmen HP. Später haben sich hier führende Halbleiter-Unternehmen, die dem Tal seinen Namen gegeben haben und einige der großen KI-Anbieter angesiedelt.

Die Stanford University ist das Vorbild für Helmut Schöneberger gewesen, den Chef des Münchner Gründerzentrums Unternehmertum. Entscheidend für den Erfolg waren dabei die Zusammenarbeit mit der Technischen Universität München und die Unterstützung durch die BMW-Gesellschafterin Susanne Klatten: Daneben sind in München weitere Gründerzentren entstanden, wie z.B. das Center for Digital Technology and Management (CDTM), das den transdisziplinären Master-Studiengang Technology Management anbietet, dabei eng mit Industriepartnern zusammenarbeitet und über 250 Unternehmensgründungen hervorgebracht hat.

2025 haben Startups in München 3,3 Milliarden Euro Risikokapital erhalten und damit bei diesem Kriterium Berlin auf Rang 2 verdrängt, wo Jungunternehmen 2,7 Milliarden Euro einsammeln konnten. Daneben sind aber auch in anderen deutschen Regionen KI-Ökosysteme mit erfolgreichen Startups entstanden.

Schlüsselakteure in KI-Ökosystemen sind:

Verantwortliche in relevanten Politikfeldern und auf verschiedenen Ebenen von Ländern und Regionen
Universitäten und Schulen
KI-Startups, die als Ausgründungen entstanden sind oder sich in einer Region angesiedelt haben
Wagniskapitalgeber, die mit Venture Capital das Wachstum der KI-Startups finanzieren
große Anbieter von KI-Hardware und -Software, die mit ihrer Kapitalkraft die Finanzmärkte prägen und einen erheblichen Einfluss auf Umwelt und Gesellschaft haben sowie
etablierte Unternehmen und ihre Mitarbeitenden, die KI anwenden, mit Startups zusammenarbeiten und sich an ihnen beteiligen.

Ein interessantes Beispiel für neue Möglichkeiten der Zusammenarbeit zwischen etablierten Unternehmen und Startups liefert die Pharmaforschung.

In der Pharmabranche beschleunigen Techbio-Unternehmen, wie das französische Startup Owkin mithilfe von KI die frühe Wirkstoffforschung. Eine erste Welle von Medikamenten, die so entwickelt wurden, befindet sich in klinischen Studien. Eine mögliche Form der Zusammenarbeit ist, dass KI-Biotechs die frühe Wirkstoffsuche übernehmen und etablierte Pharma-Unternehmen die späteren Phasen und die Vermarktung. Eine andere Option ist, dass Pharma-Unternehmen die KI-Startups akquirieren und entsprechende eigene Kompetenzen aufbauen. In jedem Fall steht die forschungsintensive Branche vor einem grundlegenden Wandel, bei dem die Gestaltung von KI-Ökosystemen ein wichtiger Erfolgsfaktor ist.⁵ Das Beispiel verdeutlicht, dass sich mit dem Wandel von Branchen auch die Managementforschung verändert.

Künstliche Intelligenz ist aber nicht nur Treiber von Produktivität und Innovation, sondern stellt auch eine potenzielle Bedrohung dar. Angesichts der Veränderungen der Geopolitik kommt es für Europa darauf an, Gestaltungsmacht zurückzugewinnen. Ein wichtiges Mittel hierzu kann eine vertrauenswürdige KI sein. Die jüngste Auseinandersetzung zwischen der US-Regierung mit dem US-Startup Anthropic verdeutlicht, wie politisch die Gestaltung von KI-Ökosystemen inzwischen geworden ist.⁶ Auch dies führt zu gravierenden Veränderungen in der Managementforschung.

Ein wichtiger Aspekt, der bei KI-Ökosystemen häufig übersehen wird, sind die ökologischen und sozialen Wirkungen, die von KI-Technologien ausgehen. So erfordern große Sprachmodelle die Arbeit von Crawlern, die Daten zusammentragen und Annatoren, die Texte und Bilder kommentieren, bewerten und beschriften. Diese Arbeit läuft versteckt von der Öffentlichkeit häufig in Ländern des „globalen Südens“ ab. Die Transparenz dieser Lieferketten ist gering.⁷

Managementforschung in Reallaboren des Wandels

In der betriebswirtschaftlichen Forschung dominieren seit langem empirische Ansätze, die überwiegend von Universitäten ausgehen. Die Ergebnisse ihrer Arbeiten publizieren die Autoren in wissenschaftlichen Fachzeitschriften, die Praktiker aber nur selten lesen. Die Kritik an diesem Rückzug in einen „wissenschaftlichen Elfenbeinturm“ bemängelt, die praktische Relevanz der Forschung habe abgenommen. Diese Kritik ist nicht neu, aber stärker geworden.⁸

Die Universitäten verteidigen ihre Position mit dem Argument, die Praxisrelevanz der empirischen Forschung basiere auf „Exkursionen ins Feld“, in denen die Sichtweisen relevanter Akteure analysiert würden. Das Ziel der Arbeiten liegt jedoch in der Regel nicht darin, konkrete Objekte wie z.B. neue KI-basierte Geschäftsmodelle in ihrem spezifischen Kontext zu gestalten.⁹

Insofern unterscheidet sich die betriebswirtschaftliche Forschung von dem gestaltenden Ansatz der Technikwissenschaften, der überwiegend in Laboren und Pilotanlagen abläuft.

Aufgrund der wachsenden Bedeutung einer inter- oder transdisziplinären Forschung nimmt auch in der Managementwissenschaft inzwischen der Anteil eines verbindenden Gestaltens zu. Diese praxisnahe, Design-orientierte Forschung erfolgt zunehmend in Reallaboren des Wandels.¹⁰ Ein wichtiger Treiber dieser Entwicklung ist die Künstliche Intelligenz, die als Motor für die Gründung von Startups und eine Neuausrichtung etablierter Unternehmen wirkt. Wir vertreten die Auffassung, die Managementforschung sollte nach einer Phase des Rückzugs in Universitäten wieder stärker in der Praxis stattfinden und dabei gestaltende Ansätze nutzen.

Mit dieser Antwort auf die Fragen nach dem Wie und Wo der Forschungsansätze beginnt ein neues Kapitel in der Entwicklungsgeschichte der Managementforschung. Ein wichtiges Kennzeichen dieser Neuausrichtung auf ein Connective Design ist eine Forschung, in der Wissenschaftler, Berater und Praktiker ihre verschiedenen Perspektiven und Stärken zusammenführen. Der Nutzen liegt in einer besseren Lösung komplexer Probleme ausgehend von neuen wissenschaftlichen Erkentnissen.¹¹

Ein Beispiel liefert die Entwicklung von humanoiden Robotern. In dem rasant wachsenden Markt haben die Unternehmen die besten Chancen, die Software- und Hardware-Kompetenz verbinden. Dabei sind Daten aus der realen Welt der größte Engpass. Der Metzinger Hersteller Neura Robotics hat sich daher entschieden, Trainingshallen für Roboter zu errichten. Eines der ersten dieser Gyms entsteht in Zusammenarbeit mit der Technischen Universität München im Munich Institute of Robotics and Machine Intelligence (MIRMI) am Flughafen München. Im internationalen Wettbewerb mit Unternehmen aus den USA und aus China kommt es bei dieser KI-Anwendung auf eine schnelle Skalierung an.¹²

Da die gestaltende Managementforschung weniger verbreitet ist, möchte ich kurz ihre Entwicklungsgeschichte skizzieren. Persönlich habe ich in den letzten Jahrzehnten immer wieder erlebt, wie unterschiedlich die Denk- und Sprachmuster der relevanten Akteure in Theorie und Praxis sind.

Grundlagen und Pioniere einer gestaltenden Managementforschung

Die gestaltende Managementforschung basiert auf ähnlichen Grundlagen und wurde durch einige Pioniere geprägt.¹³ Diese Grundlagen sind:

Das von dem Sozialpsychologen Kurt Lewin ausgegangene Action Research. Lewin setzte sich für eine Verbindung von Theorie und Praxis ein, um reale Probleme zu lösen.
Die durch den Wirtschaftsnobelpreisträger Herbert Simon geprägte allgemeine Design-Theorie.¹⁴ Simon versteht hierunter eine Wissenschaft des Gestaltens von menschengemachten Artefakten und Systemen.
Die von dem Harvard-Professor Chris Argyris konzipierte Action Science.¹⁵ Argyris Ziel ist es vor allem, Wissen nutzbar zu machen, um Handlungen in Organisationen zu verbessern.
Dem von Alan Hevner an der Universität South Florida entwickelten Ansatz des Design Science Research (DSR).¹⁶ Bei diesem vor allem in der Wirtschaftsinformatik verbreiteten Konzept steht die Lösung von komplexen, realen Problemen durch innovative IT-Systeme im Mittelpunkt.
Das von verschiedenen Wissenschaftlern beschriebene Action Design Research (ADR), das Action Research und Design Science Research verbindet.

Pioniere einer gestaltenden Managementforschung sind unter anderem die an der Universität Eindhoven lehrenden Joan Ernst van Aken und Georges Romme sowie David Denyer von der Cranfield University in Großbritannien. Van Aken verfolgt das Ziel, die Kluft zwischen Managementtheorie und -praxis zu verringern. Im Vordergrund steht dabei eine transdisziplinäre Forschung zur Lösung praktischer Managementprobleme. Ausgehend von der Design-Theorie erprobt Romme iterative Prozesse bei der Organisationsgestaltung.¹⁷ Denyer sieht Managementwissen als gestaltbare Ressource, um reale Probleme zu lösen. Sein Ansatz zur Lösungsorientierung versucht, den Praxistransfer durch Wirkmechanismen und eine Evidenzprüfung mit verschiedenen Informationsquellen zu sichern.

Besonders deutlich werden die Vorteile eines gestaltungsorientierten Ansatzes in der Innovations- und Nachhaltigkeitsforschung.

Vorteile in der Innovations- und Nachhaltigkeitsforschung

Bei der Anwendung von KI entfalten sich die Vorteile einer gestaltenden Innovations- und Nachhaltigkeitsforschung vor allem in Unternehmen, die diesen Ansatz in selbstähnlichen Strategie 5.0-Laboren praktizieren. Das Ziel eines solchen Reallabors ist eine Verbindung der verschiedenen Handlungsfelder für KI-Anwendungen.¹⁸ Dabei hilft es, wenn das Gegenstromprinzip aus top-down entstehender KI-Strategie und einer sich bottom-up entwickelnden harmonischen Vielfalt der KI-Anwendungen funktioniert.

Nach unserer Erfahrung aus einer Reihe an Projekten haben die folgenden Vorteile eine besondere Bedeutung:

Die Beseitigung von Innovationsbarrieren
leistungsfähige und vertrauenswürdige Innovationsökosysteme
motivierte Hochleistungsteams
ein verbindendes Gestalten als Kernkompetenz
ein verbesserter Technologietransfer
beschleunigte Lernschleifen mit agilen Methoden sowie
konkrete Ergebnisse und messbare Erfolge für alle Stakeholder.

Diese Vorteile ermöglichen eine Neuausrichtung von Innovationssystemen.

Die Defizite bei der deutschen Energie- und Mobilitätswende sind ein Beispiel dafür, wie wichtig es ist, Innovationsbarrieren zu beseitigen.¹⁹ Hierbei geht es darum, neue Erkenntnisse der Innovationsforschung in praktisches Handeln umzusetzen.

Das Ziel ist die Gestaltung von leistungsfähigen und vertrauenswürdigen Innovationsökosystemen.²⁰ Ein Kennzeichen dieser Systeme ist die bessere Zusammenarbeit der Akteure aus den Sektoren Politik, Wissenschaft, Wirtschaft und Gesellschaft.

Eine Schlüsselrolle bei der gestaltenden Innovationsforschung haben motivierte Hochleistungsteams.²¹ Führungskräften kommt die Aufgabe zu, ein unternehmerisches Selbstbild vorzuleben und zu fördern. Dies beginnt bei der Ausbildung und setzt sich in der beruflichen Tätigkeit fort.

Eine dabei zu entwickelnde Kernkompetenz ist das verbindende Gestalten.²² Dies erfordert eine Neuausrichtung von Lehre und Forschung mit KI als Werkzeug. Eine solche Human-Centric AI durchdringt alle Disziplinen.

Ein positiver Nebeneffekt ist der verbesserte Technologietransfer.²³ Dabei geht es um eine Überwindung des deutschen Paradoxes zwischen Stärken in der Grundlagenforschung und Schwächen bei der Vermarktung.

Ein Mittel hierzu sind beschleunigte Lernschleifen in Organisationen.²⁴ Dabei kommen agile Methoden zum Einsatz. Wichtig ist, ein allgemeines Vorgehenskonzept an spezifische Problemtypen und die jeweilige Situation anzupassen.

Dabei sollten sich alle Stakeholder an konkreten Ergebnissen und messbaren Erfolgen orientieren.²⁵ Bei gemeinsamen Programmen erfolgt dies mit Hilfe eines transparenten Performance Managements.

Im Folgenden möchte ich ein geeignetes Vorgehenskonzept erläutern.

Schritte eines allgemeinen Vorgehenskonzepts

Ein Beispiel für gestaltende Innovations- und Nachhaltigkeitsforschung ist die KI-basierte strategische und organisatorische Neuausrichtung eines Unternehmens.²⁶ Bei Themen wie diesem hat sich ein allgemeines Vorgehenskonzept bewährt, das aus den in der Abbildung dargestellten sechs Schritten besteht.

Der erste Schritt ist eine Analyse des Standes der Forschung sowie von Best-Practise-Beispielen und der spezifischen Ausgangssituation. Hierbei stellt sich die Aufgabe, eine interne und eine externe Perspektive in einem Audit zu verbinden.

Entscheidend ist dann, ein umfassendes Verständnis der Problemkomplexität zu entwickeln, deren Ursachen zu verstehen und sich dabei zwischen den relevanten Akteuren abzustimmen. Erfolgreicher als disziplinäre Forschungsansätze ist dabei eine Zusammenarbeit verschiedener Fachbereiche mit der Praxis.

Auch bei der anschließenden Gestaltung und Auswahl von kreativen Lösungsansätzen spielen transdisziplinäre Teams eine wichtige Rolle. Was für eine einzelne Organisation Neuland, ist kann dabei in der Summe durchaus zu einem wissenschaftlichen Erkenntnisfortschritt beitragen.

Ein prägendes Kennzeichen der Design-orientierten Innovationsforschung ist die Durchführung von Pilotprojekten für Minimum Viable Solutions (MVS). Diese „minimal funktionsfähigen Lösungen“ werden in Reallaboren des Wandels getestet. Für etablierte Unternehmen erfordert das Arbeiten in Lernschleifen häufig einen Wandel des Mindset. Bei dieser Aufgabe kann die Personalentwicklung unterstützen.

Der fünfte Schritt ist die Planung und Durchführung der Umsetzung. Dies ist eng verbunden mit einer Finanzierung der Skalierung. Deutsche Startups beklagen seit langem Nachteile z.B. gegenüber den USA. Daher ist gerade bei diesem Schritt eine Verbesserung der politischen Rahmenbedingungen anzustreben.

Parallel dazu erfolgt eine transparente Leistungsmessung z.B. mit der Objectives and Key Results (OKR-) Methode. Transparent bedeutet in diesem Zusammenhang, dass das Performance Management nicht in sektoralen Silos stattfindet. Für eine Politik, die zwar Ziele festlegt, aber die Erfolgsmessung vernachlässigt, ist dies mit einem Lernprozess verbunden, der auf eine gemeinsame Systemgestaltung durch Innovationsmanager gerichtet ist.

Innovationsmanager gestalten komplexe, evolutionäre Systeme

Bereits in unserer 2014 erschienenen Buchpublikation „Der Innovationsmanager“ sind wir zu dem Ergebnis gekommen, dass eine zentrale Aufgabe von Innovationsmanagern in der Gestaltung von Innovationssystemen und einer Verbindung verschiedener Handlungsfelder liegt.²⁷ Danach haben wir uns intensiv mit der verhaltensökonomischen Perspektive eines solchen verbindenden Gestaltens beschäftigt.²⁸

Die wissenschaftliche Grundlage für das Connective Design bildet die Theorie komplexer, evolutionärer Systeme. Die Übertragung dieses Ansatzes auf sozio-technische Systeme hat einen Paradigmenwechsel im strategischen Management ausgelöst.²⁹ Das neue Management-Paradigma haben US-amerikanische Digital-Unternehmen besser gemeistert als die europäische Wirtschaft.³⁰

Eine weitere Erkenntnis ist, dass es sich bei der Innovationsforschung um eine transdisziplinäre Gestaltungsaufgabe handelt.

Inter- oder transdisziplinär?

Wir verwenden bewusst den Begriff transdisziplinär, um deutlich zu machen, dass es nicht nur wie bei dem Begriff interdisziplinär um die Vermittlung zwischen wissenschaftlichen Fächern geht, sondern auch um die Einbeziehung von nichtwissenschaftlichen Akteuren und eine Verbindung zwischen der Theorie und einem praktischen Gestalten.³¹ Die besondere Komplexität einer transdisziplinären Innovationsforschung resultiert aus

der Heterogenität der Disziplinen, die von der naturwissenschaftlichen und technischen Forschung über verschiedene Politikfelder bis zur Managementwissenschaft und Organisationspsychologie reicht
den verschiedenen Interessen und Denkmustern z.B. von Wissenschaftlern und Praktikern
der Dynamik der Entwicklung und der Anzahl von Ebenen, von der Geopolitik bis zum einzelnen Menschen sowie
den unterschiedlichen Rollen der Akteure, z.B. als neutraler Beobachter oder persönlich Betroffener.

Leider mangelt es der transdisziplinären Innovationsforschung in Universitäten bislang an Anerkennung. Die Ursachen hierfür sind vielfältig. Ein wichtiger Grund ist wohl, dass das traditionelle Wissenschafts- und Publikationssystem eher disziplinäre Spitzenleistungen honoriert. Dies ist eine Chance für die anwendungsorientierte Forschung.

Transdisziplinäre Forschung zu Nachhaltigkeitsinnovationen

Unsere 1994 erschienene Buchpublikation zum „ökologischen Umsteuern“ von Automobilunternehmen ist aus Beratungsprojekten und einer begleitenden Forschung an der Universität Stuttgart entstanden.³² Diese Forschung war transdisziplinär, aber nur eingeschränkt gestaltend, weil deutsche Unternehmen und die Politik damals unsere Empfehlungen z.B. zu neuen Antriebssystemen nicht umgesetzt haben.

Dreißig Jahre später kämpft die für die deutsche Wirtschaft so wichtige Branche mit gravierenden Problemen. VW, der nach Fahrzeugabsatz zweitgrößte Automobilhersteller weltweit, befindet sich in einem Prozess der strategischen und organisatorischen Neuausrichtung.³³ Gleichzeitig sind die geopolitischen Rahmenbedingungen von extremer Unsicherheit geprägt.

Das Beispiel verdeutlicht, dass beim Thema Nachhaltigkeitsinnovation eine transdisziplinäre und gestaltende Forschung für die Sicherung des Wohlstands unseres Landes von entscheidender Bedeutung ist. ³⁴ In den letzten Jahren hat sich das Thema dynamisch weiterentwickelt. Dabei ist die Verbindung von Umwelttechnik und Künstlicher Intelligenz in den Mittelpunkt des Interesses gerückt. Aus der Zusammenarbeit von etablierten Unternehmen mit Digital Greentech Startups können neue Marktführer entstehen, wenn es der europäischen Politik gelingt, die Rahmenbedingungen zu verbessern.³⁵

Ein Beispiel ist das deutsch-luxemburgische Startup R3 Robotics, das eine KI-gestützte Robotik-Plattform für das Batterierecycling entwickelt hat. Auf diese Weise kann Europa seine Abhängigkeit von Importen verringern und die Nachhaltigkeit von Batterien erhöhen.³⁶

Nach meiner persönlichen Erfahrung sind Studierende an solchen Themen nach wie vor sehr interessiert, weil sie die sich ergebenden Karrierechancen erkennen. Hiervon gehen für unser Expertenetzwerk wichtige Impulse aus.

Verbindung von Managementberatung und Personalentwicklung mit einer gestaltenden Innovations- und Nachhaltigkeitsforschung

Unser Expertennetzwerk Competivation verbindet seit langem Managementberatung und Personalentwicklung. Der Vorteil für die Klienten ist ein besseres Preis-Leistungsverhältnis als bei traditionellen Consultants, da ein Schwerpunkt auf der Qualifikation der Mitarbeitenden liegt, die aktiv in die Projekte eingebunden sind.

Seit einigen Jahren ergänzen wir diese Dienstleistung durch eine gestaltende Innovations- und Nachhaltigkeitsforschung. Dabei betreuen wir die Abschlussarbeiten von dualen Studierenden und externen Doktoranden, die in der Klientenorganisation an entsprechenden Projekten arbeiten. Hierbei liegt der Vorteil darin, dass die Forschung auf die spezifische Situation des Unternehmens zugeschnitten ist. Die Forschenden und ihr Unternehmen profitieren von der langen Erfahrung unserer Experten.

Mit diesem Ansatz hat Competivation ein internationales Alleinstellungsmerkmal geschaffen, das auf die Bedürfnisse des KI-Zeitalters ausgerichtet ist.

Eine gestaltende Forschung hat auch weit reichende Implikationen für die Hochschullehre. Dabei verstehen wir uns als innovativen Bildungsanbieter, der die Fähigkeit zu einem KI-unterstützten verbindenden Gestalten von Lösungen für komplexe Managementprobleme vermittelt.³⁷

Fazit

Bei der Anwendung von KI stehen viele Unternehmen vor der Aufgabe, ihre Position zu verteidigen und mit einem spezifischen Ansatz Wettbewerbsvorteile zu erzielen
Dabei kommt es entscheidend auf die Gestaltung von KI-Ökosystemen an
Parallel zu dieser Entwicklung verlagern sich Forschungsansatz und -ort in Richtung auf eine gestaltende Innovationsforschung in Reallaboren des Wandels
Dabei erlebt die gestaltende Management- und Innovationsforschung eine Renaissance, die sich aus einer Reihe von Vorteilen ergibt
Bei diesem transdisziplinären Forschungsansatz hat sich ein Vorgehen in sechs Schritten bewährt, das an den jeweiligen Problemtyp und die Situation angepasst wird.

Literatur

[1] Bomke, L., Wie Unternehmen den KI-Stresstest bestehen. In: Handelsblatt, 18. Februar 2026, S. 24

[2] Busch, R., „Wir erschaffen das industrielle Gegenstück zu ChatGPT“ (Interview). In: Manager Magazin, März 2026, S. 86-90

[3] Scheer, O., Das 440-Milliarden-Euro-Potenzial. In: Handelsblatt, 25. Februar 2026, S. 12

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

[5] Smolak, H., Mehr Wirkstoffe, weniger Jobs? In: Handelsblatt, 24. Februar 2026, S. 22

[6] Matthes, S., Die Verfassungskrise der Maschinen. In: Handelsblatt, 13./14./15. März 2026, S. 5

[7] Muldoon, J., Feeding the Machine – Hinter den Kulissen der KI-Imperien, Harper Collins 2025

[8] Servatius, H.G., KI und die Zukunft der Management Education. In: Competivation Blog, 09.04.2025

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

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

[11] Servatius, H.G., Lernen, Lösungen für komplexe Managementprobleme zu gestalten. In: Competivation Blog, 15.07.2025

[12] Buchenau, M., et al., Die deutschen Konkurrenten der Tesla-Roboter. In: Handelsblatt, 25.03.2026, S. 22-23

[13] Obdenakker, R., Cuijpers, C., Design Science Methodology for the Management Science – From Foundations to Implementation, Springer 2025

[14] Simon, H.A., The Sciences of the Artificial, 3. Aufl., MIT Press1996

[15] Argyris, C., Putnam, R., McLain Smith, A., Action Science – Concepts, Methods and Skills for Research and Intervention, Jossey-Bass 1985

[16] Hevner, A.R., et al., Design Science in Information Systems Research. In: MIS Quarterly, März 2004, S. 75-105

[17] Romme, G., The Quest for Professionalism – The Case of Management and Entrepreneurship, Paperbackshop UK Import 2016

[18] Servatius, H.G., Fraktale Organisation von Strategie 5.0-Laboren. In: Competivation Blog, 28.03.2023

[19] Servatius, H.G., Auf dem Weg zu einem neuen wirtschaftspolitischen Narrativ. In: Competivation Blog, 16.05.2022

[20] Servatius, H.G., Design von smarten Innovationsökosystemen. In: Competivation Blog, 12.05.2017

[21] Servatius, H.G., Eine Organisation auf Leistung trimmen. In: Harvard Manager, 1988, Nr. 4, S. 128-134

[22] Servatius, H.G., Let‘s Connect! Personalentwicklung für Stakeholder-Ökosysteme. In: IM+io, 2023, Heft 1, S. 40-41

[23] Servatius, H.G., Innovationsstrategien gemeinsam mit Stakeholdern gestalten. In: Competivation Blog, 31.08.2018

[24] Servatius, H.G., GenAI-basierte strategische Lernschleifen als verbindendes Prozessmuster. In: Competivation Blog, 15.08.2024

[25] Servatius, H.G., Von der digitalen Fitness zu Key Performance Indicators. In: Competivation Blog, 05.07.2017

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

[27] Servatius, H.G., Gestaltung des Innovationssystems von Unternehmen. In: Servatius, H.G., Piller, F.D., (Hrsg.), Der Innovationsmanager – Wertsteigerung durch ein ganzheitliches Innovationsmanagement, Symposion 2014, S. 21-64

[28] Servatius, H.G., Wie Manager das Innovationssystem verhaltensökonomisch gestalten. In: IM+io, September 2015, Heft 3, S. 20-27

[29] Servatius, H.G., Entwicklung und Wandel des strategischen Managements. In: Competivation Blog, 19.09.2025

[30] Servatius, H.G., Von erfolgreichen Digital-Unternehmen lernen. In: Competivation Blog, 12.07.2024

[31] Schmohl, T., Philipp, T. (Hrsg.), Handbuch transdisziplinäre Didaktik, Transcript 2021

[32] Berger, R., Servatius, H.G., Krätzer, A., Die Zukunft des Autos hat erst begonnen – Ökologisches Umsteuern als Chance, Piper 1994

[33] Backovic, L., Weniger Volkswagen wagen. In: Handelsblatt, 20./ 21./ 22. März 2026, S. 50-54

[34] Servatius, H.G., Konnektivität bei Nachhaltigkeitsinnovationen. In: Competivation Blog, 01.02.2022

[35] Servatius, H.G., Mit einer Strategie 5.0 zu Erfolgen bei Digital GreenTech. In: Fesidis, B., Röß, S.A., Rummel, S. (Hrsg.), Mit Digitalisierung und Nachhaltigkeit zum klimaneutralen Unternehmen, SpringerGabler 2023, S. 71-94

[36] Höpner, A., Mit KI Elektroautos recyceln. In: Handelsblatt, 23. März 2026, S. 29

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

Gestaltung von vertrauenswürdigen Hochleistungssystemen

29.01.26

In den letzten Jahren hat die Bedeutung eines verbindenden strategischen Managements weiter zugenommen. Angesichts der dynamischen Entwicklung der Künstlichen Intelligenz (KI) und neuer geopolitischer Herausforderungen ist die Gestaltung von vertrauenswürdigen Hochleistungssystemen in den Mittelpunkt des Interesses gerückt. In diesem Zusammenhang erlebt der Begriff Hochleistung in Unternehmen und in der Politik eine Neuinterpretation. Ein wichtiges Handlungsfeld ist hierbei die gestaltende Managementforschung.

In unserem ersten Blogpost des Jahres 2026 beschäftige ich mich mit der Frage, was für Europa wichtige Handlungsfelder von vertrauenswürdigen Hochleistungssystemen sind.

Hochleistung in Unternehmen und in der Politik neu interpretiert

Für Jeanette zu Fürstenberg, die Europa-Verantwortliche des US-Fonds General Catalyst, besteht eine Chance für den alten Kontinent in der Verbindung von Startups mit der Welt der etablierten Industrieunternehmen. Zu ihren erfolgreichen Investments gehören Mistral in Frankreich und das Rüstungsunternehmen Helsing in Deutschland. Der Fokus dieser Unternehmen liegt auf einer Künstlichen Intelligenz (KI), die hochspezialisiertes Anwendungswissen nutzt. Ihre Publikation „Wie gut wir sind, zeigt sich in Krisenzeiten“ wurde 2025 Managementbuch des Jahres. Die Grundlage für ein europäisches Hochleistungssystem, mit dem eine Reindustrialisierung gelingen kann, bildet für sie Resilienz, die es ermöglicht, sich nach externen Schocks so schnell wie möglich zu erholen.¹ 2025 hat die Zahl der in Deutschland gegründeten Startups einen Rekordwert erreicht.

Das Thema Hochleistungsorganisation ist nicht neu. Dabei werden Hochleistungsorganisationen durch Hochleistungsteams geprägt. Bereits in den 1950er Jahren hat das britische Tavistock-Institut mit dem soziotechnischen Systemansatz eine erste Grundlage entwickelt. Die Ergebnisse von Beratungsprojekten zu Merkmalen von Hochleistungsorganisationen habe ich1988 in einem Artikel der Zeitschrift Harvard Manager beschrieben. Eine wichtige Erkenntniss ist, dass eine visionäre Führung den Rahmen für stärker selbstorganisiert arbeitende Teams schafft.²

Die McKinsey-Berater Jon Katzenbach und Douglas Smith beschäftigten sich mit der Frage, was Hochleistungsteams kennzeichnet.³ Die weitere Entwicklung hat jedoch gezeigt, dass sich die empirische Forschung trotz großer Anstrengungen mit der Gestaltung von Hochleistungsorganisationen schwertut.⁴ Durch KI bekommt das Performance Management nun neue Impulse zu einer besseren Verbindung zwischen Strategieumsetzung und Motivation.⁵

Inzwischen dominieren US-Tech-Konzerne mit Künstlicher Intelligenz (KI) die Weltwirtschaft. Ende 2025 kommen 61 der 100 wertvollsten Unternehmen der Welt aus den USA. Die Dominanz der USA resultiert aus einer einmaligen Stärke von sieben Tech-Giganten, die zusammen einen Börsenwert von 18,3 Billionen Euro erzielen. Ein wichtiger Treiber dieser Entwicklung ist der Hype um Künstliche Intelligenz (KI). Deutschland ist im Top-100-Ranking mit den Unternehmen SAP (Rang 40), Siemens (72), dem europäischen Gemeinschaftsunternehmen Airbus (91) und der Allianz (100) vertreten. Angesichts der geopolitischen Veränderungen stellt sich bei dieser Machtkonzentration die Frage, wie groß die Gefahr einer Abhängigkeit von den USA ist.⁶ Bei KI-Chips nimmt für den Marktführer Nvidia der Wettbewerbsdruck zu.

KI-Chips werden immer leistungsfähiger, aber gleichzeitig steigt durch KI das Desinformationsrisiko. Der KI-Chiphersteller Nvidia hat mit einem Weltmarktanteil von 85,2% eine dominierende Position vor Broadcom (10,3%), Marvell (2,1%) und AMD (1,8%). Der Herausforderer AMD und Meta haben ein neues KI-System für Rechenzentren angekündigt (Helios-Plattform), das eine signifikante Leistungssteigerung bringen soll. Nvidia kontert mit der neuen Chipgeneration Rubin.⁷

Ein Vertrauensverlust droht allerdings bei KI durch das Risiko von Desinformationen aufgrund von Fake Accounts. Dabei fälschen KI-Bots Inhalte, imitieren Personen und posten automatisiert in sozialen Medien. Solche Deepfakes können große wirtschaftliche Schäden anrichten und z.B. den Ruf einer Marke ruinieren.⁸

Große Sprachmodelle und kostenlose KI-Tools führen nicht selten zu Qualitäts- und Vertrauensverlusten, da sie nicht auf Hochleistung trainiert sind, sondern auf die Produktion von Durchschnittswissen. Wenn KI-Anwender unter Zeitdruck stehen und keine Qualitätsstandards existieren, kann „KI-Brei“ (AI Workslop) entstehen. Zwar liegen so schneller Ergebnisse vor, aber die Qualität sinkt. Mögliche Folgen sind Reputations- und Vertrauensverluste. Wichtig beim Einsatz von KI ist daher nach einer Qualitätskontrolle die fachliche Ergänzung von Inhalten.⁹

Durch KI und geopolitische Herausforderungen erlebt der Begriff Hochleistung eine Neuinterpretation. Denn nicht jede KI ist vertrauenswürdig. Unter einem vertrauenswürdigen Hochleistungssystem verstehen wir ein System (z.B. ein Unternehmen, eine Region oder einen Staat), das im Vergleich zum Wettbewerb sehr hohe Leistungen erbringt und dem die Empfänger der Leistungen trauen. Außerdem sind diese Leistungsempfänger bereit und in der Lage, für die Leistungen zu zahlen. Hochleistungssysteme müssen daher ihre höheren Preise rechtfertigen (z.B. durch „German Quality“, technische Überlegenheit oder eine Luxusmarke).

Hochleistung neu interpretiert bedeutet, dass Hochleistungssysteme sowohl durch Erfolge als auch durch ein vertrauenswürdiges Verhalten gekennzeichnet sind. Ist weder das eine noch das andere der Fall, sprechen wir von einem Systemversagen. Die meisten soziotechnischen Systeme befinden sich irgendwo dazwischen. Interessant sind die Fälle, bei denen nur eines der beiden Kriterien erfüllt ist. Ein gefährdetes vorhandenes Erfolgsmuster liegt vor, wenn ein bislang erfolgreiches System wie z.B. das der KI-Champions an Vertrauen verliert. Hieraus könnte sich eine Übergangsphase mit neuen Chancen ergeben, wenn z.B. das bislang bei der Digitalisierung weniger erfolgreiche Europa mit Vertrauen punktet.

Der in Oxford lehrende britische Professor für Globalgeschichte Peter Frankopan sieht die Welt in einer Übergangsphase wie in den 1920er Jahren, in der die alte Ordnung noch nicht tot ist und eine neue noch nicht geboren wurde.¹⁰

Die Frage ist daher, wie Europa seine Chancen nutzen und zum Gestalter von vertrauenswürdigen Hochleistungssysteme werden kann.

Strategische Neuausrichtung in einer Phase des Übergangs

In den ersten neun Monaten des Jahres 2025 haben Dax-Unternehmen sechs Milliarden Euro für Restrukturierungen aufgewendet. Die höchsten Restrukturierungskosten gab es 2025 bei Mercedes (1,4 Mrd. €), Volkswagen (900 Mill. €) sowie Siemens und der Commerzbank (jeweils 500 Mill. €). Besonders betroffen sind die Branchen Automobil, Maschinenbau und Chemie. In der deutschen Industrie waren Ende September 2025 120.300 Menschen weniger beschäftigt als ein Jahr früher. Dabei setzen viele Unternehmen auf üppige Abfindungen. Häufig folgt auf eine Restrukturierungsrunde die nächste, ohne die grundlegenden Probleme zu lösen. Hierzu müsste nach einer Restrukturierung eine strategische Neuausrichtung stattfinden.¹¹

Der Begriff strategische Neuausrichtung eines Unternehmens (Realignment) beschreibt einen innovativen Ansatz zur Abstimmung vorhandener und neuer Systemelemente (z.B. Geschäftsmodell, Strategie, Technologien, Kunden, Kompetenzen, Organisation, Kultur und Umfeld). Neuausrichtungen entfalten ihre tiefgreifende Wirkung meist über einen längeren, nicht klar bestimmten Zeitraum in vielen parallelen Lernschritten. Eine wichtige Rolle spielen dabei komplexe Interaktionen, aus deren Verlauf sich spezifische Muster ergeben, die schwer prognostizierbar sind.¹²

In einer Phase des Übergangs müssen Unternehmen komplexe Prozesse der Neuausrichtung bewältigen. In einem erfolgreichen, innovativen Unternehmen sind wichtige Systemelemente gut aufeinander abgestimmt. Dieses Alignment erfolgt häufig durch Feinabstimmungen, bei denen das Management z.B. die Strategie kontinuierlich an Veränderungen des Umfelds anpasst. Wenn dies unterbleibt, entwickelt sich das Unternehmen in Richtung auf ein Misalignment. Diesen schleichenden Niedergang erkennen Management und Aufsichtsgremium oft zu spät. Das Ergebnis ist ein etabliertes Unternehmen in einer Dauerkrise, die eine Restrukturierung erforderlich macht.

Die Begriffe Restrukturierung und Transformation werden inzwischen häufig synonym verwendet. Beide Begriffe beschreiben einen zeitlich befristeten, umfassenden Wandel. Die inflationäre Verwendung des Transformationsbegriffs vermittelt leider die Illusion einer zeitlichen Begrenztheit komplexer Neuausrichtungsprozesse. Am Beispiel der Künstlichen Intelligenz wird deutlich, dass ein solches statisches Weltbild naiv ist.

Ein längerfristiges Ziel von strategischen Neuausrichtungen ist die Gestaltung von vertrauenswürdigen Hochleistungssystemen.

Handlungsfelder von vertrauenswürdigen Hochleistungssystemen

Bei zunehmenden Polarisierungen zeichnen sich Hochleistungssysteme durch die Fähigkeit eines verbindenden Gestaltens aus. Die Geschichte lehrt uns, dass in Phasen technologischer und politischer Umbrüche die Gefahr einer Polarisierung zunimmt. Dies gilt auch für die von Künstlicher Intelligenz (KI) ausgehenden Veränderungen. Entscheidend ist, dass Menschen sich selbst dabei als aktive Gestalter und nicht als passive Objekte des Wandels sehen. Die Komplementarität von Mensch und KI ist ein gestaltbares System. Die Leistungsfähigkeit eines solchen Systems hängt von der Fähigkeit ab, Verbindungen zwischen den Akteuren und den Systemelementen zu verbessern. Im Rahmen unserer anwendungsorientierten Forschung und Lehre gehen wir von der These aus, dass es bei der Gestaltung von vertrauenswürdigen Hochleistungssystemen auf die folgenden, in der Abbildung dargestellten Handlungsfelder ankommt:

Ein verbindendes strategisches Management zur dreifachen Neuausrichtung
Hochleistungsteams mit einem dynamischen Selbstbild in einer Phase des Übergangs
die Verbindung von vertrauenswürdigen Partnern aus Politik, Wirtschaft, Wissenschaft und Gesellschaft sowie
eine gestaltende Managementforschung in Reallaboren des Wandels.

Eine interdisziplinäre Hochschullehre steht vor der Aufgabe, für diese Felder die relevanten Kompetenzen zu vermitteln, z.B. beim Thema Unternehmertum für KI-Anwendungen.

Im Folgenden gehe ich auf diese Handlungsfelder und Kompetenzen näher ein.

Verbindendes strategisches Management zur dreifachen Neuausrichtung

Neue Herausforderungen haben seit den 1960er Jahren zu verschiedenen Entwicklungsstufen des strategischen Managements geführt.¹³ Wir unterscheiden zwischen

einer markt- und finanzorientierten Stufe (Strategie 1.0)
einer technologie- und innovationsorientierten Stufe (Strategie 2.0)
einer nachhaltigkeitsorientierten Stufe (Stratege 3.0) und
einer resilienzorientierten Stufe (Strategie 4.0).

In der gegenwärtigen fünften Entwicklungsstufe (Strategie 5.0) liegt die Herausforderung in einer Verbindung der früheren Stufen. Unternehmen müssen gleichzeitig resilienter, digitaler und nachhaltiger werden.¹⁴ Dies erfordert ein verbindendes Gestalten von dreifachen strategischen und organisatorischen Neuausrichtungen. Ein solches Triple Realignment erfolgt im Rahmen von gravierenden Veränderungen des politischen Umfelds. Die gegenwärtige Situation ist historisches Neuland. Daher spielt die kontextuelle Intelligenz des Managements eine wichtige Rolle.¹⁵

Die deutsche Politik sollte mit grundlegenden Reformen den Rahmen für ein verbindendes strategisches Management schaffen. Als sich 2018 erste Zeichen einer gesamtwirtschaftlichen Schwäche zeigten, waren dies Vorboten der schwersten und längsten Industrierezession, die die Bundesrepublik erlebt hat. Die deutsche Industrie hat inzwischen stark an Wettbewerbsfähigkeit verloren. Experten fordern neue Ansätze zu einer angebotsorientierten Innovationspolitik und eine Kommunikation, die die Notwendigkeit eines Kurswechsels vermittelt. Die Politik muss die versprochenen grundlegenden Reformen umsetzen. Ein solcher Aufbruch gelingt nur mit Verbundenheit anstelle von Polarisierung.¹⁶

In diesem Umfeld erlebt das resilienzorientierte strategische Management einen Bedeutungszuwachs.¹⁷ Beim diesjährigen Weltwirtschaftsforum in Davos sind die unterschiedlichen Positionen des US-Präsidenten und der europäischen Vertreter aufeinander geprallt.¹⁸ Der kanadische Premierminister Mark Carney regt an, dass sich in einer Welt, in der Großmächte zu Imperialisten werden, die andere Staaten erpressen, Mittelmächte und kleinere Länder vertrauenswürdige Partnerschaften bilden sollten.¹⁹

Eine solche Zusammenarbeit spielt nicht nur auf der geopolitischen Ebene eine entscheidende Rolle, sondern auch in Hochleistungsteams.

Hochleistungsteams mit einem dynamischen Selbstbild in einer Phase des Übergangs

Black Forest Lab (BFL), das gegenwärtig wertvollste deutsche KI-Startup, kommt aus Freiburg, wurde 2024 gegründet und entwickelt KI-Modelle zur Bildgenerierung ausgehend von Texten. Die Gründer gehören zum Kernteam des Open-Source-KI-Modells Stable Diffusion, dem Text-Bild-Modell, das digitale Bilder aus Texten generiert und 2022 neben ChatGPT den weltweiten KI-Hype auslöste. Die Flux-Modelle von BFL sind inzwischen einer der größten Konkurrenten von Google. Wichtige Impulse für die Arbeit des Gründerteams sind von dem an der LMU München lehrenden Informatik-Professor Björn Ommer ausgegangen. Das Beispiel zeigt, dass auch beim Thema KI in Deutschland Hochleistungsteams entstehen können.²⁰

Neue Ideen und die Gestaltung von etwas Neuem gehen häufig von Personen aus, die einen Flow-Zustand als motivierend empfinden. Den Begriff Flow (im Sinne von „im Fluss sein“) hat der Psychologie-Professor Csikszentmihalyi bereits 1975 geprägt. Gemeint ist damit das völlige Aufgehen in einer Tätigkeit, die meist mit hoher intrinsischer Motivation erfolgt und bei der sich die Zeitwahrnehmung verändert. Interviews, in denen herausragende kreative Persönlichkeiten aus unterschiedlichen Bereichen auf ihr Arbeitsleben zurückblicken, zeigen, dass bei diesen die Motivationswirkung vor allem von dem kreativen Prozess ausgeht. Die Grundlagen für mögliche Flow-Zustände entstehen bei vielen Menschen häufig bereits in deren Jugend ausgehend von ihrem dynamischen Selbstbild.²¹

In ihrem Buch Growth Mindset unterscheidet die Stanford-Professorin Carol Dweck zwischen einem statischen und einem dynamischen Selbstbild.²² In der folgenden Abbildung sind diese beiden Selbstbilder gegenübergestellt. Hochleistungssysteme haben häufig Führungskräfte mit einem dynamischen Selbstbild. Ein wichtiges Kennzeichen ist, dass diese Menschen zwar ihre Talente kennen, aber stärker auf deren Weiterentwicklung und Lernprozesse setzen. Demgegenüber hoffen Menschen mit einem statischen Weltbild stärker auf die Wirkung ihrer angeborenen Talente.

Der Microsoft-Chef Satya Nadella schreibt, das Buch habe seine persönliche Entwicklung stark geprägt.²³

Das Selbstbild einer Person und ihr Umfeld sind eng miteinander verbunden. Daher entsteht Hochleistung aus einem Zusammenspiel. Die Sozialpsychologin Mary Murphy hat das Selbstbild-Konzept auf Organisationen, ihre Kultur und das sie umgebende Umfeld erweitert:²⁴

Danach fördere eine Wachstumskultur das Potenzial aller Mitarbeitenden. Diese Kultur betont Zusammenarbeit, kontinuierliches Lernen und die Entwicklung von Fähigkeiten
Eine Geniekultur glaube hingegen an angeborene Talente. Dies führe zu internem Wettbewerb, Risikoaversion und einer geringen Bereitschaft, Fehler zuzugeben.

Handlungsempfehlungen für Führungskräfte sind

psychologische Sicherheit schaffen und
konstruktives Feedback geben.

Eine vereinfachende Anwendung dieses Ansatzes in der Praxis unterschätzt allerdings die Komplexität der Umsetzung. Dies kann zu einer Demotivation von außergewöhnlichen Talenten führen.

Somit stellt sich die Frage, ob es in Deutschland aktuelle Erfolgsbeispiele für eine Wachstumskultur gibt. Zum Symbol für verbindendes Gestalten ist ein Brückenneubau in Südwestfalen geworden. Die Autobahn Sauerlandlinie ist die wichtigste Verkehrsverbindung zwischen dem Ruhrgebiet und Hessen. Wegen Einsturzgefahr musste die Rahmedetalbrücke bei Lüdenscheid, wo ich aufgewachsen bin, im Dezember 2021 plötzlich gesperrt und später gesprengt werden. Für die Wirtschaft mit ihren vielen Hidden Champions und die Menschen in der Region war das eine Katastrophe. Täglich mussten 20.000 Fahrzeuge über Umgehungsstraßen und durch Wohnsiedlungen umgeleitet werden. Das Institut der deutschen Wirtschaft beziffert den Schaden für Betriebe auf rund 1,5 Milliarden Euro. Ein Neubau dauert in Deutschland normalerweise etwa acht bis zehn Jahre. Über die eine Seite der A45-Brücke rollt der Verkehr aber schon wieder nach rekordverdächtigen vier Jahren. Möglich wurde dies durch eine reibungslose Zusammenarbeit der Akteure, ein neues Planungsverfahren und innovative Baumethoden. Der Bundeskanzler sieht hierin ein Vorbild für andere Sanierungen und für den NRW-Ministerpräsidenten heißt der neue Maßstab für Umsetzungsgeschwindigkeit in Deutschland „Rahmede“.²⁵

Wir können daher zusammenfassen, dass die Kultur von soziotechnischen Systemen stark durch das Selbstbild wichtiger Akteure und vorherrschende Gestaltungsmuster beeinflusst wird.

Hochleistungskulturen sind durch ein dynamisches Selbstbild und verbindendes Gestalten geprägt. Das Gegenteil ist eine Silo- oder im Extremfall Niedergangskultur. Hier dominieren ein statisches Selbstbild und abgrenzendes Gestalten. Beschreibungen von herausragenden Führungspersönlichkeiten heroisieren häufig eine Einzelkämpferkultur. Diesen Personen wird zwar ein dynamisches Selbstbild zugeschrieben. Gleichzeitig entsteht aber der Eindruck, ihre Erfolge seien im Alleingang und in Abgrenzung zu anderen Personen erzielt worden, was so meist nicht der Fall ist. In Deutschland verbreitet war bis vor einigen Jahren eine Selbstzufriedenheitskultur. Man ruhte sich auf den Erfolgen der Vergangenheit aus, das Selbstbild in Politik und Wirtschaft war aber eher statisch und wenig auf die Zukunft gerichtet.

Von Führungskräften geht dabei eine Vorbildwirkung aus. Ihr dynamisches Selbstbild überträgt sich auf die Mitarbeitenden. Umgekehrt sind Führungskräfte mit einem statischen Selbstbild und abgrenzendem Verhalten für das Entstehen von toxischen Kulturen verantwortlich. Ihre Machtposition ermöglicht es Ihnen, Konkurrenten und Mitarbeitende mit einem dynamischen Selbstbild, das sie als Bedrohung empfinden, zu verdrängen. Die Rolle von Beratern ist leider häufig, die Machtposition der „Statiker“ zu sichern und auszubauen. Versuche der Externen, statische Selbstbilder zu verändern, stoßen meist auf Ablehnung und scheitern. Eine Überprüfung der dysfunktionale Selbstbilder von Führungskräften ist daher Aufgabe von Aufsichtsgremien, die rechtzeitig Konsequenzen ziehen müssen. Geschieht dies nicht, droht ein Systemversagen.

Auf dem Weg zu einem Hochleistungssystem befindet sich Europa gegenwärtig in einer schwierigen Lage.

Verbindung von vertrauenswürdigen Partnern aus Politik, Wirtschaft, Wissenschaft und Gesellschaft

Europa benötigt zunächst ein Resilienzprogramm gegen seine Feinde von außen und innen. Der US-amerikanische Politologe Francis Fukuyama geht davon aus, dass der Trumpismus auch ohne Trump fortbestehen wird. Für offene demokratische Gesellschaften sei das eine brandgefährliche Entwicklung. Er befürchtet einen Rückfall in die Weltordnung des 19. Jahrhunderts. Daher käme es darauf an, dass die westlichen Gesellschaften genügend Widerstandskraft entwickeln. Es sei auch zu berücksichtigen, dass die Tech-Milliardäre primär nach ihren eigenen wirtschaftlichen Interessen handeln. Die größte Gefahr für Europa sei Resignation.²⁶

Marc Tüngler, der Chef der Deutschen Schutzvereinigung für Wertpapierbesitz, beklagt den fehlenden Rückenwind aus der Politik, der für Innovationen und die Neuaufstellung der Wirtschaft notwendig sei. Deutschland sei z.B. beim Strompreis international nicht mehr wettbewerbsfähig. Verantwortlich dafür sei die Politik. Wichtige Hebel wären daher eine verbesserte Standortpolitik und ein innovationsfreundlicheres Klima. Von dem notwendigen Schulterschluss zwischen Wirtschaft und Politik seien wir weit entfernt. Für 2026 erwartet er von der Politik ein Jahr der Entscheidungen.²⁷

In seinem Buch „Wir Krisenakrobaten“ beschreibt Stephan Grünewald, der Mitgründer des Kölner Meinungsforschungsunternehmens Rheingold die Hoffnung auf Selbstwirksamkeit, die es unserer Gesellschaft ermöglichen würde, die Vielzahl der gegenwärtigen Krisen zu meistern. Seine Empfehlung besteht in sechs Punkten:

Wahrhaftigkeit (klare Benennung von Problemen)
Fokussierung (erfolgreiche nationale Projekte)
Beteiligung (den eigenen Beitrag deutlich machen)
Fairness (Zumutungen müssen als gerecht empfunden werden)
Streitkultur (produktiver mit Perspektivwechseln umgehen) und
Verbundenheit, (die wieder neu gelernt werden muss).

Gegenwärtig würde leider noch ein Silodenken vorherrschen („Silodarität“).²⁸

Um neuer Präsident der Helmholtz-Gemeinschaft zu werden, ist Martin Keller aus den USA nach Deutschland zurückgekehrt. In der Gemeinschaft arbeiten 18 selbstständige Forschungszentren mit fast 48.000 Menschen und einem Etat von mehr als sechs Milliarden Euro. Keller möchte mit einem Plan for Action erreichen, dass Deutschland in ausgewählten Innovationsfeldern weltweit führend bleibt oder wird. Hierzu sei eine engere Zusammenarbeit notwendig, z.B. im Rahmen von Public-Private-Partnerships (PPP), in denen Politik, Forschung und Unternehmen kooperieren, um so wettbewerbsfähiger zu werden. Er meint, es sei an der Zeit, alte Strukturen aufzubrechen.²⁹

In seinem Buch „Visionen braucht das Land“ fordert der Mitinitiator der Zukunft-Fabrik 2050 Jochen Andritzky von der Politik die Entwicklung von Zukunftsbildern, über die man diskutieren kann und die Orientierung geben: Dieser Ansatz sei erfolgversprechender als kurzfristige Scheinlösungen zur Symptombekämpfung.³⁰ Eine solche Rückbesinnung auf die Kraft von Visionen liefert wichtige Impulse für die Managementforschung, die sich in der Vergangenheit oft mit inkrementellen Verbesserungen zufrieden gegeben hat. Die gestaltende Managementforschung strebt hierbei eine stärkere Praxisorientierung an.

Gestaltende Managementforschung in Reallaboren des Wandels

Aus einem Forschungsprojekt bei Würth ist ein KI-Startup hervorgegangen, das das Handwerk revolutionieren könnte. Ziel des Forschungsprojekts des Großhändlers von Montage- und Befestigungsmaterial Würth und des KI-Labs der TU München war es, Anfragen von Handwerkskunden im Vertrieb schneller zu bearbeiten. Hieraus ist im März 2024 die Ausgründung Mercura AI entstanden, die mit Hilfe von KI versucht, mehrere Probleme zu lösen:

Eine Bewältigung des Fachkräftemangels
die Produktivitätssteigerung bei Aufgaben mit hoher Komplexität und
eine schnellere Bearbeitung von Anfragen und Angeboten.

Mercura AI kombiniert semantische Modelle, das Erkennen von Anforderungen,
unternehmensspezifische Regeln und das Lernen aus bisherigen Angeboten. Dabei verarbeitet die Software neben Text auch Sprache. Die Gründer haben KI-Kompetenz mit Branchenerfahrung verbunden. Das Beispiel zeigt, welches Potenzial eine gestaltende Managementforschung in Unternehmen hat.³¹

Wichtige Impulse für die gestaltende Managementforschung sind von dem Nobelpreisträger Herbert Simon ausgegangen. Sein 1969 erschienenes Buch „The Sciences of the Artificial“ ist nicht nur ein Grundlagenwerk für KI, sondern hat auch die Design-Theorie stark geprägt. Die Grundidee ist, dass es neben den Naturwissenschaften eine universelle Wissenschaft des Gestaltens gibt. Hieraus hat sich die Design-Methoden-Bewegung entwickelt. Mit einer Gestaltung des Möglichen (contingent) beschäftigen sich nicht nur die Technikwissenschaften, sondern auch die Managementwissenschaft. In den Technikwissenschaften ist die Gestaltung von Neuem ein selbstverständliches Ziel. In den Wirtschafts-, Politik- und Sozialwissenschaften hat die von Menschen ausgehende Komplexität einzelner Systeme und Subsysteme eine spezifische Vielfalt, die rein empirisch schwer zu erforschen ist. Die bahnbrechende Arbeit von Simon betont die Interdisziplinarität des Gestaltens.³²

Reallabore des Wandels eröffnen für die Managementforschung neue Möglichkeiten. Unter einem Reallabor (Living Lab, Real World Lab oder Sandbox) versteht man einen Forschungs- und Anwendungsraum in der realen Welt, in dem z.B. Unternehmen mit ihren Partnern innovative Geschäftsmodelle gestalten. Dabei verbinden sie Forschen, Lernen und Handeln, fördern die interdisziplinäre Zusammenarbeit und ermöglichen die Erprobung neuer rechtlicher Rahmenbedingung (z.B. durch eine Anwendung von Experimentierklauseln). Das Konzept ist in den 1990er Jahren vor allem durch die Arbeiten des Media Lab am Massachusetts Institute of Technology (MIT) bekannt geworden.³³ In Europa möchte man mit Reallaboren vor allem moderne Formen der Regulierung schaffen (z.B. bei der Stadtentwicklung). In der Managementforschung werden Reallabore bislang relativ wenig angewendet. So dominieren bei Dissertationen empirische Ansätze. Der Vorteil von Reallaboren liegt in einer besseren Verbindung von Theorie und Praxis.

Eine gestaltende Managementforschung findet nicht nur an Hochschulen, sondern auch stärker in der Praxis statt. Hochschullehrer betreuen zunehmend gestaltungsorientierte Forschungsansätze von Mitarbeitenden in deren Unternehmen. Angewendet wird dieser Ansatz vor allem bei Bachelor- und Masterarbeiten in dualen Studiengängen, in denen das Studium parallel zu einer Tätigkeit in der Praxis organisiert ist. In der Vergangenheit ist dies häufiger auch in externen Dissertationen und Habilitationen z.B. von Managementberatern erfolgt. Der Fokus lag hier stärker auf praktischer Relevanz. Die Lösung komplexer Probleme erfordert eine Forschung durch interdisziplinäre Teams, deren Mitglieder dann ihren Abschluss in ihrem jeweiligen Fachgebiet erhalten. Hochschulen sollten gemeinsam mit Praxispartnern derartige Projekte in Programmen zusammenfassen, die auch aufeinander aufbauen können (z.B. zur Gestaltung einer souveränen KI aus Europa).³⁴

In der folgenden Abbildung sind verschiedene Ausprägungsmöglichkeiten einer gestaltenden Managementforschung zusammengefasst. Hierbei unterscheiden wir zwischen der Abschlussart, dem Beschäftigungsverhältnis des Forschenden sowie den Projekt- und Programmformen. Für eine berufsbegleitende Promotion des Mitarbeitenden einer Beratung bietet es sich z.B. an, die Ergebnisse von Projekten aus mehreren Organisationen zu vergleichen und daraus neue Erkenntnisse abzuleiten. Wichtig bei diesem Forschungsansatz erscheint, dass gestaltungsorientierte Forschungsprojekte ausgehend von den theoretischen Grundlagen³⁵ der Fokus nun stärker auf einer konkreten Anwendung in der Praxis liegt.

2026 werden wir diesen Ansatz der Managementforschung im Rahmen der Gestaltung von Hochleistungssystemen weiterentwickeln, in denen Vertrauenswürdigkeit zu einem wichtigen Wettbewerbsvorteil geworden ist. Ein Vorbild ist dabei das Startup-Ökosystem in München, von dem andere Regionen lernen können.³⁶

Fazit

Hochleistungssysteme zeichnen sich dadurch aus, dass sie sowohl erfolgreich als auch vertrauenswürdig sind. In der gegenwärtigen Übergangsphase sollte Europa dies als Chance nutzen
Hierzu müssen Unternehmen komplexe Prozesse einer Neuausrichtung bewältigen und sowohl resilienter als auch digitaler und nachhaltiger werden
Ein solches verbindendes strategisches Management (Strategie 5.0) ist eines der Handlungsfelder von vertrauenswürdigen Hochleistungssystemen
Ein weiteres Handlungsfeld ist die Förderung von Hochleistungsteams mit einem dynamischen Selbstbild
Dies erfordert vertrauenswürdige Partner und einen stärkeren Schulterschluss zwischen Wirtschaft und Politik
Reallabore des Wandels eröffnen neue Möglichkeiten für eine gestaltende Managementforschung.

Literatur

[1] zu Fürstenberg, J., Kloepfer, I., Wie gut wir sind, zeigt sich in Krisenzeiten – Ein Weckruf, Piper 2025

[2] Servatius, H.G., Eine Organisation auf Leistung trimmen. In: Harvard Manager, 1988, Nr. 4, S. 128-134

[3] Katzenbach, J.R., Smith, D.R., The Wisdom of Teams – Creating the High Performance Organization, Harvard Business School Press 1993

[4] de Waal, A., What Makes a High Performance Organization, Warden Press 2019

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

[6] Sommer, U., US-Konzerne sind so stark wie nie. In: Handelsblatt, 29. Dezember 2025, S. 1, 4-6

[7] Alvarez de Souza Soares, P., Holtermann, P., AMD will Nvidias Monopol beenden. In: Handelsblatt, 7. Januar 2026, S. 18-19

[8] Knees, C., Desinformation als Geschäftsrisiko. In: Handelsblatt, 7. Januar 2026, S. 20-21

[9] Merten, M., Unternehmen versinken in KI-Schrott. In: Handelsblatt, 9. Januar 2026, S. 20-21

[10] Frankopan, P., „Was hat Europa außer Handtaschen und Champagner?“ (Interview). In: Handelsblatt, 19./ 20./ 21. Dezember 2025, S. 12-13

[11] Fröndhoff, B., et al., Milliarden für den Umbau. In: Handelsblatt, 26. November 2025, S. 1, 4-5

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

[13] Servatius, H.G., Entwicklung und Wandel des strategischen Managements. In: Competivation Blog, 19.09.2025

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

[15] Servatius, H.G., Strategisch führen mit kontextueller und beziehungsorientierter Intelligenz. In: Competivation Blog, 14.03.2023

[16] Huchzermeier, D. et al., Wirtschaft im Reformstau. In: Handelsblatt, 2./ 3./ 4. Jamuar 2026, S. 1, 6-7

[17] Servatius, H.G., Resilienzorientiertes strategisches Management. In: Competivation Blog, 15.03.2024

[18] Meiritz, A., „Ein Nein werden wir uns sicherlich merken“. In: Handelsblatt, 22. Januar 2026, S. 1, 4-5

[19] Koch, M., Kann eine Allianz der Mittelmächte Trump bremsen? In: Handelsblatt, 22. Januar 2026, S. 5

[20] Bomke, L., Deutschlands KI-Hoffnung. In: Handelsblatt, 2. Dezember 2025, S. 1

[21] Czikszentmihalyi, M., Creativity – Flow and the Psychology of Discovery and Invention, Harper Collins 1996

[22] Dweck, C., Mindset – The New Psychology of Success, Random House 2006

[23] Nadella, S., Hit Refresh – The Quest to Rediscover Microsoft´s Soul and Imagine a Better Future for Everyone, Harper Collins 2017

[24] Murphy, M.C., Cultures of Growth – How the New Science of Mindset Can Transform Individuals, Teams and Organizations, Simon & Schuster 2024

[25] Herwig, M., Linnhoff, C., Neue A 45-Brücke freigegeben. In: Rheinische Post, 23. Dezember 2025, S. A6

[26] Fukuyama, F., „Der Trumpismus ist ein Aufschrei gegen die Moderne“ (Interview). In: Handelsblatt, 5./ 6./ 7. Dezember 2025, S. 12-13

[27] Tüngler, M., „Friedric Merz hat es – noch – in der Hand“ (Interview). In: Handelsblatt, 11. Dezember 2025, S. 22-23

[28] Grünewald, S., Wir Krisenakrobaten – Psychogramm einer verunsicherten Gesellschaft, Kiepenheuer & Witsch 2025

[29] Delhaes, D., Architekt eines deutschen Forschungsaufbruchs. In: Handelsblatt, 30. Dezember 2025, S. 13

[30] Andritzky, J., Visionen braucht das Land – Für eine langfristige Politik mit Mut zur Zukunft, Herder 2026

[31] Bomke, L., Mit KI das Handwerk revolutionieren. In: Handelsblatt, 7. Januar 2026, S. 26

[32] Simon, H.A., The Sciences of the Artificial, 3. Aufl., MIT Press 1996

[33] Mitchell, W.J., City of Bits – Space, Place, and the Infobahn, MIT Press 1995

[34] Servatius, H.G., KI und die Zukunft der Management Education. In: Competivation Blog, 09.04.2025

[35] Seckler, C., et al., Design Sciences Across Industries – Building Bridges for Advancing Impactful Business Research. In: Schmalenbach Journal of Business Research, 09. Dezember 2025

[36] Banze, S., Freisinger, G.M., Der München-Code. In: Manager Magazin, Februar 2026, S. 30-36

KI als Werkzeug für das strategische Management

01.05.25

Die Künstliche Intelligenz (KI) entwickelt sich gegenwärtig zu einem mächtigen Werkzeug für das strategisches Management, das Lernprozesse beschleunigt, verstärkt und verändert. Dies gilt sowohl für die Unternehmensebene als auch für die Ebene der Funktionsbereiche und Geschäftsprozesse. Vorreiter-Unternehmen setzen eine wissensspezifische KI in den verschiedenen Phasen von Strategieprozessen ein und erzielen Wettbewerbsvorteile mit innovativen, KI-basierten Geschäftsmodellen. Dabei hat die generative KI den Charakter eines Weckrufs.

In unserer Blogpost-Reihe zur Künstlichen Intelligenz beschäftigt sich dieser Beitrag mit der Rolle von KI im strategischen Management. Darin erläutere ich die zunehmende Bedeutung von KI in Strategieprozessen.

Generative KI als Weckruf

Die Anwendung von Künstlicher Intelligenz im strategischen Management ist nicht neu. Bereits seit der Jahrtausendwende haben US-amerikanische Digital-Unternehmen wie Amazon die KI-basierte Personalisierung im Rahmen ihrer innovativen Geschäftsmodelle eingesetzt.¹ Erstaunlicherweise ist der Beitrag der KI vielen Nutzern dieser Geschäftsmodelle nicht bewusst.

In unserem 2020 erschienenen Buch Das Internet der Dinge und Künstliche Intelligenz als Game Changer haben wir den Strategieprozess für neue IoT- und KI-basierte Geschäftsmodelle beschrieben²und relevante Geschäftsmodellmuster behandelt.³Zu dieser Zeit hielt sich das Interesse an dem Thema in Deutschland allerdings noch in Grenzen.

Der eigentliche Weckruf, der dann eine breite Öffentlichkeit wachgerüttelt hat, ist im November 2022 erfolgt, als OpenAI sein Dialogprogramm ChatGPT veröffentlichte. Diese Aktion löste einen Hype um die generative KI und große Sprachmodelle aus, dem eine gewisse Ernüchterung gefolgt ist.⁴

Viele Unternehmen fragen sich nun, welche Rolle die Künstliche Intelligenz in ihren Strategieprozessen spielen kann.

KI-unterstützte Strategieprozesse auf der Unternehmensebene

Eine Studie des Massachusetts Institute of Technology (MIT) kommt zu dem Ergebnis, dass Künstliche Intelligenz Lernprozesse beschleunigt und verstärkt.⁵ Ein solches erweitertes (augmented) Lernen setzt an den vorhandenen Lernfähigkeiten an. Ein wichtiges Anwendungsfeld sind die verschiedenen Phasen von innovativen Strategieprozessen, die Unternehmen zu einer neuen Form von Wettbewerbsvorteilen verhelfen.

Am Anfang steht ein KI-Audit zur Analyse der strategischen Ausgangssituationen des Unternehmens und seiner Anwendung von KI. Hieran schließt sich eine KI-unterstützte strategische Vorausschau (Foresight) an, die eine schnellere und leistungsfähigere Früherkennung ermöglicht. Die wissensspezifische KI ist auch ein Mittel bei der Neuausrichtung von Geschäftsmodellen. Eine weitere Phase ist die Gestaltung eines KI-orientierten Stakeholder-Ökosystems. Bei der Auswahl von Partnern gilt es, die richtige Balance zwischen Kooperation und Wettbewerb zu finden.

Eine Basis für relevante Anwendungen bilden innovative KI-Plattform-Architekturen, zu deren Realisierung Unternehmen in der Regel Partner benötigen. Die Umsetzung von Strategien erfolgt mit Hilfe eines agilen, KI-unterstützten Performance Managements. Dabei findet eine enge Abstimmung zwischen der Unternehmensebene und der Ebene verbundener Geschäftsprozesse statt.

Eine entscheidende Rolle bei agilen Strategieprozessen spielen strategische Lernschleifen, die in Form von schnellen Iterationen ablaufen. So wird die Analyse der strategischen Ausgangssituation zu einem dynamischen Prozess.

KI-Audit zur Analyse der strategischen Ausgangssituation

Eine Studie des Instituts der deutschen Wirtschaft (IW) kommt zu dem Ergebnis, KI könne bundesweit 330 Milliarden Euro zur Bruttowertschöpfung beitragen. Jedes fünfte Unternehmen setzt bereits KI ein. Die meisten Anwendungen sind aber eher punktuell, z.B. in Form von Chatbots für Kundenanfragen. Erstaunlicherweise sagen 66 Prozent der Unternehmen, KI sei für ihr Geschäftsmodell nicht relevant. 36 Prozent halten die Integration in bestehende Systeme für schwierig. Über das fehlende Know-how der Beschäftigten klagen 47 Prozent. Der NRW-Ministerpräsident Hendrik Wüst glaubt aber dennoch, KI könne der Motor für einen wirtschaftlichen Aufschwung sein.⁶

Um dieses Ziel zu erreichen, sollten Unternehmen ein KI-Audit durchführen und sich z.B. mit der SWOT-Analyse einen Überblick zu ihrer strategischen Ausgangssituation verschaffen.⁷ Interessanterweise ähneln sich die Ergebnisse einer solchen Analyse der Stärken, Schwächen, Möglichkeiten und Bedrohungen. Eine Stärke vieler Unternehmen ist, dass sie über viel spezifisches Wissen verfügen, welches das Potenzial zu einer Erweiterung durch KI hat. Dem stehen häufig Schwächen bei einer systematischen Verankerung von KI in Strategien und Prozessen gegenüber. Die Möglichkeiten von KI liegen sowohl in der Produktivitätssteigerung als auch in Innovationsvorteilen durch neue Produkte, Dienstleistungen und Geschäftsmodelle. Andererseits gibt es vielfältige Bedrohungen durch Konkurrenten, nicht-europäische Stakeholder-Ökosysteme und einen Missbrauch der in Künstlicher Intelligenz steckenden Macht.⁸

Auf dieser Grundlage geht es dann in einem nächsten Schritt darum, sich mit Hilfe einer KI-unterstützten strategischen Vorausschau noch besser auf zukünftige Entwicklungen vorzubereiten.

KI-unterstützte strategische Vorausschau

Die in den 1970er und 80er Jahren geprägten Begriffe strategische Früherkennung und Vorausschau (Foresight) haben eine längere Vorgeschichte, in der noch heute verbreitete Methoden wie die Szenarioanalyse entstanden sind. Der von uns entwickelte Gamechanger-Radar ermöglicht eine Vorbereitung auf tiefgreifende Veränderungen.⁹ Mit einer KI-unterstützten strategischen Vorausschau schreiben Vorreiter-Unternehmen nun ein neues Foresight-Kapitel. Dieses Kapitel geht von einem Wandel der Art und Weise aus, wie Menschen im Internet nach Informationen suchen.

So hat Google die neue Suchfunktion „Übersicht mit KI“ entwickelt, die zusammenfassende Texte zu Themen liefert. Ein Beispiel ist in der folgenden Abbildung dargestellt. Das Thema, das ich eingegeben habe, lautet: „Applying Complexity Theory in Management“. Die Antwort, die Google liefert, ist überraschend gut. Sie beschreibt den Paradigmenwechsel im strategischen Management, der sich in den vergangenen Jahrzehnten vollzogen hat, umfassender und besser als viele einzelne Publikationen zu diesem Thema.

Foresight-Anwender werden relativ schnell lernen, ihre Prompting-Fähigkeiten zu verbessern. Daneben entstehen gegenwärtig KI-unterstützte Foresight-Plattformen, die das frühzeitige Erkennen neuer Trends, die sich meist in Form von schwachen Signalen ankündigen, vereinfachen und beschleunigen.

Natürlich stellt diese Entwicklung auch eine Bedrohung für das traditionelle, mit Werbung verknüpfte Suchmaschinengeschäft von Google dar. Das Start-up Perplexity versucht z.B. mit seiner benutzerfreundlichen „Antwortmaschine“, Google Nutzer abzujagen. Es bleibt abzuwarten, wie sich dies auf den Gewinnbringer des Marktführers auswirken wird.¹⁰

Für komplexe Aufgabenstellungen wie die strategische Vorausschau bietet die Reasoning AI („argumentierende KI“) Vorteile. Sie wird inzwischen von einigen KI-Entwicklern angeboten. Beim Reasoning zerlegt die KI mögliche Anfragen in Teilprobleme und bearbeitet diese schrittweise. Ein solches langsameres Denken kostet mehr Computerleistung und Strom. Das „Nachdenken“ von KI nennen Entwickler Chain of Thought (CoT) im Sinne einer Argumentationskette. Reasoning-Modelle erreichen dies durch einen zusätzlichen Trainingsschritt, der mit Hilfe des Reinforcement Learning ausführliche Begründungen schult. Ähnlich wie ein erfahrener Mitarbeiter analysieren Reasoning-Modelle schrittweise komplexe Informationen. Dazu benötigen sie einen einzigen präzisen Prompt und viel Kontext. Die Anwendung von „argumentierender KI“ bei der strategischen Vorausschau befindet sich allerdings noch im Experimentierstadium.¹¹

KI-basierte Neuausrichtung von Geschäftsmodellen

Gegenwärtig entstehen innovative Geschäftsmodelle für eine KI-basierte Robotik. Hierin liegt eine Chance für Europa. Die Stanford-Professorin und große „Patin der KI“ Fei-Fei Li hat das Start-up World Labs gegründet, das KI-Modelle für eine räumliche Intelligenz von Robotern entwickelt, die Maschinen unterstützen. Auch die Google-Tochter DeepMind und der Digital-Gigant Nvidia arbeiten an Partnernetzwerken für KI-basierte menschenähnliche Roboter. Viele der Partner kommen aus Europa. Neben bekannten Robotik-Unternehmen entstehen hier Start-ups wie Anybotics (Schweiz) sowie Agile Robots, Neura Robotics und Quantum Systems aus Deutschland, die aber nicht über so große finanzielle Mittel verfügen, wie ihre Wettbewerber aus den USA (z.B. Figure AI und Covariant). Für Europa kommt es darauf an, möglichst schnell die Chancen zu nutzen, die sich aus der Verbindung von tiefem branchenspezifischem Wissen und innovativen KI-Modellen ergeben.¹²

Bei einer KI-basierten Neuausrichtung von Geschäftsmodellen sind zwei Dimensionen relevant. Diese Dimensionen sind die Produktivitätsorientierung und die Innovationsorientierung. Die meisten Unternehmen beginnen mit einer KI-basierten Produktivitätssteigerung und setzen KI bei Routineprozessen ein, um Personalkosten zu senken. Daneben sind inzwischen viele Anwendungsfelder für KI-basierte Innovationen entstanden. Wenn beide Dimensionen zusammenkommen, sprechen wir von einer KI-basierten Ambidextrie. Der Begriff Ambidextrie kennzeichnet ursprünglich im Sport die Fähigkeit zum Einsatz beider Hände. Übertragen auf das Management beschreibt Ambidextrous Leadership eine Führung, die eine gute Balance zwischen Innovation und Produktivität findet.¹³

Aufgrund der spezifischen Anwendungen dieser beiden Dimensionen in Branchen und Unternehmen ergibt sich eine große Vielfalt an KI-basierter Ambidextrie. Dabei sind die neuen Geschäftsmodelle in KI-orientierte Stakeholder-Ökosysteme eingebettet.

KI-orientierte Stakeholder-Ökosysteme

Die deutsche und die europäische Politik planen eine Leistungssteigerung ihres KI-Ökosystems. Angesichts einer sich wandelnden geopolitischen Lage sieht der Koalitionsvertrag der neuen Bundesregierung eine Stärkung der digitalen Souveränität vor. Die Digitalpolitik der Europäischen Union (EU) zielt in die gleiche Richtung. Geplant sind fünf riesige Rechenzentren, um den Rückstand bei der Künstlichen Intelligenz aufzuholen. Kandidaten für eine solche Gigafactory in Deutschland sind die Standorte Jülich und Stuttgart. Bei der KI-Regulierung möchte die EU die Wettbewerbsfähigkeit stärker in den Mittelpunkt stellen und Bürokratie abbauen. Hierzu liegt der Entwurf eines EU-Aktionsplans vor. Ob diese Maßnahmen ausreichen, um die Abhängigkeit von den großen Cloud-Anbietern (Hyperscaler) aus den USA zu verringern, bleibt abzuwarten.¹⁴

Auch bei einer Gestaltung des KI-orientierten Stakeholder-Ökosystems eines Unternehmens¹⁵ sind zwei Dimensionen zu beachten. Die eine Dimension ist die Abhängigkeit von mächtigen, nicht-europäischen KI-Anbietern. Um diese Abhängigkeit zu verringern, gewinnt als zweite Dimension für Unternehmen eine Verbesserung der eigenen Kompetenzen zur Entwicklung und Anwendung von Künstlicher Intelligenz an Bedeutung. In der Hype-Phase von KI-Grundlagenmodellen hat die Abhängigkeit von US-amerikanischen Anbietern zugenommen. Die Chance für Europa liegt nun vor allem bei wissensspezifischen KI-Modellen für verschiedene Anwendungen. Durch eine Verbindung dieser beiden Dimensionen entstehen hybride KI-Ökosysteme. Eine solche Konnektivität erfordert spezifische Fähigkeiten.

Angesichts der geopolitischen Unsicherheiten stehen Unternehmen bei der Gestaltung ihres KI-Ökosystems vor der schweren Aufgabe, die richtigen Partnern zu finden. Dabei sind die Übergänge zwischen Kooperation und Wettbewerb fließend. Eine solche Situation beschreibt der Begriff Coopetition.¹⁶ Für eine Kombination von Cooperation und Competition fehlen bei KI-Ökosystemen bislang aber noch die theoretischen Grundlagen. Ein wichtiges Anwendungsfeld ist die Auswahl und eigene Entwicklung von innovativen KI-Plattform-Architekturen.

Innovative KI-Plattform-Architekturen

Der Chiphersteller AMD und das zu AMD gehörende finnische Start-up Silo AI arbeiten mit den Unternehmen der schwedischen Wallenberg-Gruppe zusammen. Der Nvidia-Wettbewerber AMD hat eine Partnerschaft mit 38 Unternehmen bekannt gegeben. Hierzu gehören u.a. AstraZeneca, Scania, Saab, Ericsson und IKEA. Die Zusammenarbeit koordiniert das Wallenberg-Innovationsnetzwerk Combient. Das Ziel ist eine Skalierung unternehmensspezifischer KI-Modelle. Während OpenAI seine KI-Modelle auf Nvidia-Chips trainiert, verwendet Silo AI Chips von AMD. Die Rolle von Silo AI ist, den Einsatz von KI-Modellen bei Unternehmen, die AMD-Plattformen nutzen, zu beschleunigen. Eine wichtige Rolle spielt dabei, auf welcher Infrastruktur die Arbeiten begonnen haben, da ein Umzug aufwändig ist. Silo AI setzt multimodale KI-Agenten ein, also Modelle, die neben Sprache auch Bilder und Audiodateien verarbeiten.¹⁷

Etablierte Digital-Unternehmen praktizieren seit geraumer Zeit eine Organisationsform, in deren Zentrum sich eine IT-Plattform befindet.¹⁸ Mit der zunehmenden Bedeutung von Künstlicher Intelligenz wird dieses Konzept für etablierte Unternehmen immer relevanter. Dabei verbinden innovative KI-Plattform-Architekturen sowohl die strategische und die operative Ebene als auch zentrale und dezentrale Organisationseinheiten. Dies ermöglicht, dass alle Geschäftsprozesse und Projekte Zugang zu einer gemeinsamen Datenbasis haben. Aufgrund ihrer verbindenden Rolle werden KI-Plattformen somit nicht nur zu einem Strategiebaustein, sondern auch zu einem wichtigen organisatorischen Gestaltungselement. Eine nicht einfach zu beantwortende Frage ist, wie groß der Anteil von Partnern und der eigene Anteil bei einer solchen KI-Plattform sein soll.

Innovative Plattform-Architekturen liefern auch die Infrastruktur für ein KI-unterstütztes Performance Management.

KI-unterstütztes Performance Management

Bei der Beantwortung der Frage, wie Künstliche Intelligenz das Performance Management verbessern kann, hilft ein Blick in die Geschichte der Leistungsmessung. Wichtige konzeptionelle Grundlagen liefern das von Peter Drucker entwickelte Management bei Objectives (MbO) und die von dem Organisationspsychologen Edwin Locke stammende Zielsetzungstheorie. Bereits in den 1980er Jahren entstand bei Intel die agile Objectives and Key Results (OKR-) Methode, die der Wagniskapitalgeber Kleiner Perkins z.B. bei Google einsetzte.¹⁹ In Deutschland wesentlich bekannter ist die aus einer Best-Practice-Studie von Robert Kaplan und David Norton hervorgegangene Balanced-Scorecard-Methode.²⁰ Ein von Kleiner Perkins und dem Start-up Betterworks gestaltetes, KI-unterstütztes Performance Management zielt nun auf eine bessere Verbindung von Strategie und Motivation ab.

Für das Jahr 2025 gehört die Künstliche Intelligenz zwar zu den Topthemen des Managements, viele Unternehmen formulieren aber weder konkrete KI-Ziele noch messen sie die Ergebnisse. Eine weltweite BCG-Studie, in der 1800 Manager befragt wurden, kommt zu dem Ergebnis, dass nur 24 Prozent der Unternehmen ihre operativen und finanziellen KI-Ziele nachverfolgen. Ein KI-unterstütztes Performance Management steht vor drei Herausforderungen. Diese Herausforderungen sind:²¹

Frühe Erprobungsversuche nicht abwürgen
geeignete Schlüsselergebnisse für den Erfolg einer einzelnen Maßnahme festlegen und darüber hinaus
die längerfristigen Effekte erfassen, die aus dem Zusammenwirken verschiedener Maßnahmen resultieren.

Die agile OKR-Methode liefert hierfür eine konzeptionelle Basis, bedarf aber einer Anpassung. Der OKR-Pionier Kleiner Perkins ist einer der Kapitalgeber des Anbieters von Performance-Management-Software Betterworks. Die Vision des 2013 gegründeten Unternehmens mit Sitz in Palo Alto ist, das traditionelle Performance Management weiterzuentwickeln. Eine wichtige Rolle spielt dabei KI als Co-Pilot. Zeitgewinne bei Routineaufgaben können Manager so in eine bessere Harmonisierung strategischer und operativer Projekte investieren. Wichtige Anwendungsfälle (Use Cases) sind:²²

Eine Abstimmung von anspruchsvollen Unternehmenszielen und persönlichen Zielen
datenbasierte, motivierende Feedbacks sowie
die Unterstützung von Kommunikations- und Lernprozessen.

Der angestrebte Nutzen, der zum Gesamterfolg beiträgt, ist:

Eine Verringerung von Voreingenommenheit (bias), mehr Fairness und Objektivität
eine erhöhte Produktivität sowie
bessere persönliche Beziehungen.

Damit kommt das Performance Management dem schon von der Zielsetzungstheorie verfolgten Motivationsgedanken einen Schritt näher.

Mit der zunehmenden Bedeutung von Künstlicher Intelligenz im strategischen Management wird neben praktischen Fähigkeiten beim Umgang mit KI als Werkzeug die geopolitische Kompetenz bei der Zusammenarbeit mit Stakeholdern immer wichtiger. Eine Grundlage hierfür ist ein starkes Zukunftsnarrativ.

Ein starkes Zukunftsnarrativ als Grundlage

In unserem 2020 erschienenen Buch zum Gamechanger-Potenzial der Künstlichen Intelligenz haben wir uns kritisch mit der europäischen und der deutschen Digitalpolitik auseinandergesetzt.²³ Die neue Bundesregierung steht nun vor der Aufgabe, ein starkes Zukunftsnarrativ zu entwickeln, das verschiedene Politikfelder verbindet.²⁴ Ein Ansatz zu einer solchen dringend benötigten, großen Erzählung ist die Anwendung von vertrauenswürdiger KI sowohl zur Steigerung der Produktivität als auch zur Lösung der Innovations- und Umweltprobleme von Organisationen. Im Mittelpunkt steht dabei die bereits skizzierte neue Form der Ambidextrie.

Die traditionelle Ambidextrie strebt eine Balance zwischen der Erschließung von Innovationspotenzialen (Exploration) und der Ausschöpfung von Produktivität (Exploitation) an. Mit Hilfe einer KI, die vertrauenswürdig sein sollte, bietet sich nun die Möglichkeit, gleichzeitig

durch Produktivitätssteigerungen die Arbeitskosten zu senken, dem Fachkräftemangel zu begegnen²⁵ und
qualifiziertes Personal stärker zur digitalen und ökologischen Neuausrichtung von Organisationen einzusetzen.²⁶

Angesichts der veränderten geopolitischen Lage ergibt sich für eine AI made in Europe ein Zeitfenster, das der „alte Kontinent“ nutzen sollte, um die Weltmarktführerschaft bei notwendigen Nachhaltigkeitsinnovationen anzustreben.²⁷ Aufgrund der Vielzahl der zu bewältigenden Krisen erfordert dies zunächst ein resilienzorientiertes strategisches Management.²⁸

Fazit

Strategieprozesse werden durch die Anwendung von Künstlicher Intelligenz leistungsfähiger
Eine wissensspezifische KI unterstützt die strategische Vorausschau, eine Neuausrichtung von Geschäftsmodellen, die Gestaltung von Stakeholder-Ökosystemen, innovative Plattform-Architekturen und das Performance Management
Vorreiter-Unternehmen arbeiten an einer KI-basierten Ambidextrie
Angesichts der geopolitischen Herausforderungen kommt es entscheidend auf die Wahl der richtigen Partner an.

Literatur

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

[2] Kaufmann, T., Servatius, H.G., Das Internet der Dinge und Künstliche Intelligenz als Game Changer – Wege zu einem Management 4.0 und einer digitalen Architektur, SpringerVieweg 2020, S. 56ff.

[3] Kaufmann, Servatius, a.a.O., S. 34ff.

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

[5] Alavi, M., Westerman, G., How GenAI Will Transform Knowledge Work. In: Harvard Business Review, 7. November 2023

[6] Höning, A., Kowalewski, R., Jeder fünfte Betrieb in NRW nutzt KI. In: Rheinische Post, 13. November 2025, S. 1

[7] Servatius, H.G., Auditierung des Innovationssystems eines Unternehmens. In: Competivation Blog, 19.03.2015

[8] Suleyman, M., Bhaskar, M., The Coming Wave – Technology, Power and the Twenty-First Century‘s Greatest Dilemma, Crown 2023

[9] Servatius, H.G., Strategische Vorausschau mit einem Game-Changer-Radar. In: Competivation Blog, 27.01.2021

[10] Alvares de Souza Soares, P., Geldmaschine Google – Wie lange noch? In: Handelsblatt, 25./26./27. April 2025, S. 26-27

[11] Knees, L., Warum Nutzer mehr für langsame KI zahlen. In: Handelsblatt, 31. März 2025, S. 24-25

[12] Holtermann, F., Schimroszik, N., Die Roboter kommen! In: Handelsblatt, 3./4./5. Januar 2025, S. 44-48

[13] O’Reilley, C., Tushman, M., Lead and Disrupt – How to Solve the Innovator‘s Dilemma, Stanford Business Books 2016

[14] Bomke, L., et al., Europa will eigene KI-Factories bauen. In: Handelsblatt, 9. April 2025, S. 6-7

[15] Servatius, H.G., Gestaltung von innovativen Stakeholder-Ökosystemen. In: Competivation Blog, 10.01.2023

[16] Brandenburger, A.M., Nalebuff, B.J., Co-Opetition – A Revolutionary Mindset That Combines Competition and Co-Operation, Bantam 1996

[17] Holzki, L., AMD schließt Partnerschaft mit der Industrie. In: Handelsblatt, 30. Januar 2025, S. 24

[18] Servatius, H.G., Die Ressourcen-Plattform mit agilen Teams als neue Organisationsform. In: Competivation Blog, 12.01.2021

[19] Doerr, J., Measure What Matters – How Google, Bono and the Gates Foundation Rock the World with OKRs, Portfolio/Penguin 2018

[20] Kaplan, R.S., Norton, D.P., Balanced Scorecard – Translating Strategy into Action, Harvard Business School Press 1996

[21] Bomke, L., Höppner, A., Nur wenige Unternehmen messen ihre KI-Initiativen. In: Handelsblatt, 16. Januar 2025, S. 21

[22] Gouldsberry, M., The Pivotal Role of AI in Performance Management, 11. Januar 2025

[23] Kaufmann, Servatius, a.a.O, S. 203ff.

[24] Servatius, H.G., Auf dem Weg zu einem neuen wirtschaftspolitischen Narrativ. In: Competivation Blog, 16.05.2022

[25] Servatius, H.G., Prozessorientierte KI zur Produktivitätssteigerung. In: Competivation Blog, 12.03.2025

[26] Servatius, H.G., KI und die Zukunft der Management Education. In: Competivation Blog, 09.04.2025

[27] Servatius, H.G., Nachhaltigkeitsorientiertes strategisches Management. In: Competivation Blog, 15.08.2024

[28] Servatius, H.G., Resilienzorientiertes strategisches Management. In: Competivation Blog, 15.03.2024

KI und die Zukunft der Management Education

09.04.25

Die Aus- und Weiterbildung von Managern hat in der Vergangenheit verschiedene Phasen durchlaufen. Gegenwärtig werden die negativen Folgen einer zu engen Theorieorientierung immer deutlicher und es entsteht die Vorstellung vom Management als einer dynamischen, Theorie und Praxis verbindenden Profession. Parallel dazu verändert Künstliche Intelligenz (KI) das Lernen und die Management Education. Wichtige Treiber dieses evolutionär verlaufenden Wandels sind disruptive Learning Ecosystems, die die traditionellen Akteure herausfordern. Am Anfang der Reise in diese nahe Zukunft steht eine Skizze der gegenwärtigen Erfolgsmuster für eine Karriere im Management.

In unserer Blogpost-Reihe zur KI beschäftige ich mich in diesem neuen Beitrag mit der Gegenwart und zukünftigen Entwicklung der Management Education, bei der Künstliche Intelligenz eine wichtige Rolle spielt.

Erfolgsmuster für eine Management-Karriere

In den vergangenen Jahrzehnten bestand das bewährte Erfolgsmuster für eine Turbo-Karriere im Management aus den folgenden Schritten:

Bachelor-Studium in Ingenieurwissenschaft oder Informationstechnik
kurze Orientierungsphase in einem angesehenen Unternehmen
MBA an einer renommierten Business School
weitere Lehrjahre in Beratung, Investment Banking oder Private Equity
Wechsel in eine Stabseinheit für Unternehmensentwicklung und
schnelle Beförderungen auf dem Weg zur Führungsebene.

Allerdings ist dieses Erfolgsmuster mit zwei offensichtlichen Nachteilen verbunden:

Der eingeschränkten Work Life Balance in als arbeitsintensiv geltenden Professional-Service-Unternehmen und
der Kosten-Barriere von MBA-Programmen an bekannten Business Schools.

So liegen die Kosten für ein einjähriges MBA-Studium an einer der europäischen Elite-Hochschulen zwischen 80.000 und 100.000 Euro. Hinzu kommen die hohen Lebenshaltungskosten an Standorten in Metropol-Regionen. In den USA, wo die meisten MBA-Programme zwei Jahre dauern, summieren sich die Kosten inklusive Wohnheim und Krankenversicherung auf bis zu 250.000 Euro.¹Bewerber müssen daher genau überlegen, ob sich eine solche Investition und der damit verbundene Einkommensverzicht lohnen.

Daneben ist ausgehend von den USA und mit erheblicher Verzögerung auch in Deutschland ein zweites Erfolgsmuster entstanden, das allerdings mit noch größeren Risiken verbunden ist. Dieser Weg führt von einer Idee zur Gründung und Skalierung eines Start-ups. Die Akteure sind meist kreative, interdisziplinäre Teams, die mit großem Engagement an neuen Geschäftsmodellen arbeiten. Ein Kennzeichen erfolgreicher Gründer ist, dass sie auch tief in Details stecken und mit wichtigen Prozessen vertraut sind. Seit langem gibt es in Deutschland keinen Mangel an solchen Talenten, wohl aber Defizite bei den innovationspolitischen Rahmenbedingungen. Die Situation hat sich in den letzten Jahren zwar verbessert. Es bleibt aber immer noch viel zu tun.

Eine Ursache der skizzierten Erfolgsmuster ist, dass sich die Managementwissenschaft immer mehr gegenüber den Technikwissenschaften geöffnet hat. Ausbildungen im klassischen Ingenieurwesen und der neueren Informationstechnik qualifizieren Studierende zwar für eine Fachlaufbahn. Für eine Führungslaufbahn sind darüber hinaus aber Kompetenzen in Strategie, Innovation, Marketing, Produktion, Finanzen, Organisation und Personalführung erforderlich. Eine interdisziplinäre Managementlehre vermittelt dies alles. Außerdem trainiert die Managementausbildung die verbindenden Fähigkeiten zu den Technikwissenschaften. Ein wichtiges Anwendungsfeld ist die Gestaltung neuer Geschäftsmodelle.²

Vorreiter dieser Entwicklung in Deutschland ist die Universität Stuttgart, an der ich nach externer Habilitation seit 1994 als Honorarprofessor lehre. In Stuttgart hat man bereits 1974 den Studiengang Technisch-orientierte Betriebswirtschaftslehre eingeführt und damit einen Fokus auf die Konnektivität von Wirtschaft und Technik gelegt. Die folgende Abbildung veranschaulicht die Segmentation von Fachdisziplinen.

Weniger offensichtlich als diese Erfolgsmuster ist eine Schwerpunktverlagerung bei den Inhalten der Aus- und Weiterbildung von Managern. Diese Entwicklung betrifft sowohl Business Schools als auch die klassischen technik- und wirtschaftsorientierten Studiengänge. Ein wichtiger Kritikpunkt ist deren zu starke Theorieorientierung.

Zu starke Theorieorientierung und ihre Folgen

In einem bereits 2005 im Harvard Business Review erschienenen Artikel kritisieren die renommierten US-Professoren Warren Bennis und James O‘Toole eine Fehlentwicklung an amerikanischen Business Schools. Ausgelöst durch die Förderung von Stiftungen begann dort Ende der 1950er Jahre eine stärkere Betonung von wissenschaftlicher Strenge (Rigor) in Form einer empirischen Behandlung relativ begrenzter Fragestellungen. Für eine Karriere als Professor entscheidend wurde die Publikation in wissenschaftlichen Fachzeitschriften. Auf der Strecke blieben dabei praktische Erfahrung und die Relevanz der Forschung, die bei Berufungen eine immer geringere Rolle spielten.³

Leider gibt es die gleiche Entwicklung seit langem auch an deutschen Universitäten. Das Ergebnis ist eine Reihe negativer Folgen:

So hat die Lehre gegenüber der Forschung an Bedeutung verloren.
Die Professoren bringen weniger praktische Erfahrung in ihre Lehre und Forschung ein
Insbesondere in dynamischen Fächern wie dem Innovationsmanagement gibt es kaum noch aktuelle Lehrbücher
Die Forschung beschäftigt sich immer weniger mit praxisrelevanten komplexen Themen, die für empirische Methoden schwer zugänglich sind
Die Zielgruppe für die Ergebnisse dieser Forschung sind vor allem andere Forscher, während Praktiker nur selten Artikel aus wissenschaftlichen Fachzeitschriften lesen
Viele Absolventen sind auch nach einer Promotion nicht unmittelbar als Projektleiter in anspruchsvollen Praxisprojekten einsetzbar.

Die großen Nutznießer dieser Entwicklung sind seit langem Managementberatungen und die dort tätigen Consultants, die die Lücke füllen, die Business Schools und Universitäten hinterlassen. Diese Gewinner profilieren sich mit der Fähigkeit zur praxisorientierten Bewältigung neuartiger, komplexer Probleme. So sind Beratungen zu einer wichtigen nächsten Weiterbildungsstufe und einem Karrierebeschleuniger geworden. Für Klienten hat aufgrund dieser Kausalkette die Abhängigkeit von Consultants leider zugenommen.

Es ist erstaunlich, dass diese Entwicklung von der Unternehmenspraxis bislang nicht noch kritischer analysiert und bewertet worden ist. Daher wollen wir der Frage nachgehen, wie ein Ansatz zur Verbesserung aussehen konnte. Hierzu müsste sich das Management zu einer dynamischen Profession wandeln.

Management als dynamische Profession

Die Aus- und Weiterbildung von Managern wird durch die drei Dimensionen Theorie, Praxis und Veränderungsdynamik geprägt. Besondere Herausforderungen liegen in der Verbindung von Theorie und Praxis sowie der zunehmenden Dynamik des Umfelds von Unternehmen. Die Vorstellung vom Management als einer dynamischen Profession setzt an der Entwicklung der Managementaus- und -weiterbildung an.

Diese Entwicklung ist in verschiedenen Phasen verlaufen. Die Entstehung des Managements als interdisziplinäres Fachgebiet hat eine lange Geschichte. Der Erfolg vieler deutscher Hidden Champions in den vergangenen Jahrzehnten und auch der phänomenale Aufstieg von Digital-Unternehmen aus den USA basiert vor allem auf Führungskräften mit der Fähigkeit zur Verbindung von Technik- und Wirtschaftskompetenz.

Zu dieser Konnektivität haben die frühen Studiengänge in der ersten Phase einen wichtigen Beitrag geleistet. Mit ihrem ausgeprägten Fokus auf die Praxis wurden angehende Manager sehr gut auf die Herausforderungen einer Tätigkeit in Organisationen vorbereitet. Diese Phase könnte man unter das Motto des großen Sozialpsychologen Kurt Lewin stellen: „Nichts ist so praktisch wie eine gute Theorie“. Dies impliziert, dass man von einem exzellenten Professor neben wissenschaftlichen Leistungen auch eine ausgeprägte praktische Erfahrung erwarten kann.

In einer zweiten Phase der Management Education kam es zu der bereits skizzierten Akademisierung im Sinne einer Beschränkung der Forschung auf empirische Ansätze zur Behandlung begrenzter Fragestellungen. Ein Großteil der Dissertationen und Habilitationen verfolgt inzwischen diesen Weg, der selten zu tiefgreifenden Management-Innovationen führt.

Neue Impulse kommen heute meist von Professoren, die auch in der Executive Education und Beratung oder sogar als Unternehmensgründer tätig sind. Die Ergebnisse werden häufig in praxisorientierten Zeitschriften wie dem Harvard Business Review und Büchern internationaler Verlage publiziert. Dieser Professorentyp ist zahlenmäßig zwar in der Minderheit, liefert aber einen erheblichen Beitrag zu Innovationen in der Managementlehre.

Eine Neuausrichtung der Management Education zeichnet sich in einer dritten Phase ab. Diese Phase trägt der hohen Veränderungsdynamik Rechnung und es kommt zu einer stärkeren Verbindung von Theorie und Praxis. Das Ergebnis ist ein Management, das sich als dynamische Profession versteht. Das Ziel ist die Schaffung von innovativen Inhalten für die Forschung und Lehre, um die vielfältigen neuen Herausforderungen zu bewältigen.

Dabei sind wichtige Kriterien, damit aus der Tätigkeit im Management eine Profession wird

eine qualifizierte Ausbildung mit Abschluss
praktische Erfahrung bei anspruchsvollen Aufgaben
ethische Standards und möglicherweise auch
eine Form der Regulierung z.B. von KI.

Insofern ist der Anspruch des Managements, eine Profession zu sein, gegenwärtig nur teilweise erfüllt. Lernen kann das Management hingegen von anderen anwendungsorientierten Wissenschaften wie der Medizin.

Lernen von der Mediziner-Ausbildung

Kein vernünftiger Mensch würde sich von einem Arzt mit wenig Praxiserfahrung behandeln lassen, der noch nie in einem Krankenhaus tätig war. Um die Mediziner-Ausbildung nicht nur theoretisch zu gestalten, arbeiten Chefärzte renommierter Kliniken neben ihrer praktischen Tätigkeit häufig als Professoren an Universitäten. Ein Teil der Ausbildung findet in Lehrkrankenhäusern statt und insgesamt ist das System aus Universitäten und Kliniken sehr viel durchlässiger als die Aus- und Weiterbildung von Managern.

Dort gibt es zwar mit den stärker praxisorientierten Hochschulen und den von privaten Business Schools angebotenen dualen Studiengängen eine Alternative zum Studium an Universitäten. Die meisten Anbieter haben aber nur ein eingeschränktes Promotionsrecht. Damit fehlt weitgehend der von Doktoranden geleistete Beitrag zur Forschung.

Angesichts des starken Beharrungsbestrebens der Universitäten ist von diesen bei der Aus- und Weiterbildung im Management bestenfalls ein Wandel in kleinen Schritten zu erwarten. Ein erster Schritt könnte darin bestehen, theoretisch qualifizierte Führungskräfte und deren Unternehmen wesentlich stärker in die Lehre und Forschung zu integrieren. Ein seit langem bekannter Ansatz hierzu ist die handlungsorientierte Forschung (Action Research).⁴ Dabei gestalten interdisziplinäre Teams innovative Praxisprojekte, publizieren die Ergebnisse und machen sie so für die Lehre zugänglich. Dies ist eine seit langem in der Managementberatung übliche Vorgehensweise. Von einer solchen Zusammenarbeit zwischen Universitäten und Unternehmen würden sowohl eher theoretisch orientierte Professoren als auch Praktiker profitieren.

Eine spannende Frage ist nun, welche neuen Impulse für die Management Education von der Künstlichen Intelligenz (KI) ausgehen.

KI verändert die Management Education

Nach einer Studie des britischen „Times Higher“-Magazins kommen dreizehn der weltweit besten KI-Universitäten aus den USA, drei aus Großbritannien, zwei aus China sowie eine aus der Schweiz und aus Singapur. Für die Staaten der Europäischen Union ist also noch „Luft nach oben“. Chinesische Unternehmen sehen 2025 als ein Schlüsseljahr für KI-Anwendungen. Deshalb setzt China neben großen Sprachmodellen verstärkt auf spezifische Industriemodelle.⁵ Dies ist eine Strategie, von der Deutschland lernen könnte.

Neben branchenspezifischen Modellen wird KI auch für die Aus- und Weiterbildung immer wichtiger. Nahezu alle Unternehmen stehen vor der Herausforderung, ein Up- und Reskilling ihrer Mitarbeitenden erfolgreich und kostengünstig zu gestalten.

Dies gilt auch für die Aus- und Weiterbildung im Management. Dabei hat KI tiefgreifende Auswirkungen auf vier Aspekte des Managements. Sie verändert:

sowohl die Forschung und Lehre als auch die Lerntechnologien
alle Bereiche und Geschäftsprozesse von Organisationen
alle Wirtschaftsbranchen und den öffentlichen Sektor sowie
das Management als sich entwickelnde Profession.

Eine große Bedeutung haben dabei die praktischen Fähigkeiten von Führungskräften und Mitarbeitenden, die KI als Werkzeug anwenden.

Ingenieur- und wirtschaftswissenschaftliche Studiengänge stehen nun vor der Herausforderung, Grundlagen und Anwendungen der Künstlichen Intelligenz in ihr Lehrangebot zu integrieren. Die Lerninhalte entwickeln sich sehr dynamisch und einzelne Professoren fühlen sich daher mit dieser Integrationsaufgabe häufig überfordert. Für Unternehmen besteht nach dem AI Act der Europäischen Union die Verpflichtung, Mitarbeitende, die KI-Systeme nutzen, im Umgang damit zu schulen. Vielen Unternehmen ist dies noch nicht bewusst. Der Bundesverband Bitcom hat im Juli 2024 deutsche Führungskräfte nach ihrer Haltung zu KI befragt. Danach sind ⁶
– 29% der Befragten vorsichtig und 16% skeptisch, aber immerhin
– 46% experimentierfreudig und 9% sogar enthusiastisch.

Künstliche Intelligenz ist also sowohl Lerninhalt als auch Lernwerkzeug, das die Hochschullehre und die Praxis verändert.

In diesem Zusammenhang ist es bemerkenswert, wie dynamisch die Entwicklung in den vergangenen zwei Jahrzehnten bei Lerntechnologien verlaufen ist. Daher wollen wir einen Blick in die mögliche Zukunft des Corporate Learning werfen.

Entwicklung zu einem KI-basierten Corporate Learning

Die Entwicklung der Lerntechnologien, die Organisationen nutzen, ist seit der Jahrtausendwende in den folgenden vier Phasen verlaufen:

E-Learning mit Learning Managements Systems (LMS) als Plattform
Weiterentwicklung der LMS zu einem stärker Kompetenz-orientierten Lernen im Sinne eines Personalentwicklungssystems
Digitale Microlearnings mit Learning Experience Platforms (LXP) und einer zunehmenden Bedeutung von Videos sowie
KI-basierte Lernplattformen, die relativ selbständig individualisierte Inhalte generieren.

In jeder dieser Phasen sind LearnTech-Anbieter vom Markt verschwunden und neue hinzugekommen. Anbieter, die auf KI setzen, sind z.B. Absorb, Arist, Docebo, Growthspace, LearnUpon, Sana Labs, Uplimit und Work Ramp.⁷

Eine Planung der Anwendung von Lerntechnologien in Organisationen erfolgt häufig nicht top-down, sondern bottom-up durch das Personalmanagement und die Informationstechnik. Eine wichtige Rolle spielt dabei die Zusammenarbeit mit Start-ups.

Das junge Berliner Unternehmen Doinstruct setzt KI zur Schulung von „schreibtischlosen“ Mitarbeitenden ein. Gartner schätzt diese Zielgruppe weltweit auf 2,7 Milliarden Personen. Sie ist doppelt so groß, wie die Zahl derjenigen, die am Schreibtisch arbeiten. Mit Hilfe von KI generiert das Unternehmen kurze Lernvideos für „Frontline Worker“, die häufig weder einen Laptop noch eine E-Mail-Adresse haben. Bislang hat Doinstruct mehr als 250 Schulungsvideos produziert. Unternehmen können dieses Angebot personalisieren. Die Grundlage für die generierten Videos liefern namhafte KI-Anbieter. Fachexperten kümmern sich bei Doinstruct um die Auswahl der Inhalte, Drehbuchautoren um deren Aufbereitung. Das Unternehmen hat eine Software entwickelt, die den Log-in über SMS verschickt. Man denkt auch über WhatsApp-Chats nach. Die Inhalte werden in 25 Sprachen übersetzt.⁸

Vorgehen bei einem KI-unterstützten Lernen im Management

Das Beispiel Doinstruct zeigt, wie ein KI-unterstütztes Lernen im Management aussehen kann. Es besteht aus sieben Schritten, die an die jeweilige Situation angepasst werden.

Im ersten Schritt erfolgt eine KI-unterstützte Zusammenfassung von vorhandenen Lerninhalten. Dieser Schritt erfordert ein mit Reasoning-Modellen gestaltetes Prompting und eine kritische Analyse der mit KI generierten Inhalte. Er soll die Lehrenden nicht ersetzen sondern vor allem ihre Produktivität steigern.

In Schritt zwei schafft ein projektorientiertes Action Learning von Hochschulen und Unternehmen innovative, praxisorientierte Lerninhalte. Auf diese Weise fließt neues Wissen und Können in die Lehre ein.

Im dritten Schritt geht es um eine Verbindung von Grundlagen und neuen Inhalten sowie deren Strukturierung in Microlearnings. Diese kurzen Sequenzen ermöglichen eine Modularisierung von Lernprogrammen.

Eine multimodale, didaktische Aufbereitung ist dann die Aufgabe von Schritt vier. Auf diese Weise wird eine professionelle Verbindung von Text, Ton und Bild erreicht, die mit praktischen Übungen kombiniert wird. Diese ersten vier Schritte können für spezifische Managementdisziplinen und Branchen eingesetzt werden.

Im fünften Schritt besteht die Möglichkeit einer KI-unterstützten Individualisierung der Lerninhalte. Diese werden so an die spezifische Situation eines Unternehmens und einzelner Personen angepasst.

Mit Hilfe innovativer Lerntechnologien erfolgt im sechsten Schritt eine Weiterentwicklung von Lernplattformen, die eine Skalierung ermöglichen. Diesen Schritt werden die meisten Unternehmen gemeinsam mit LearnTech-Partnern meistern.

Damit ist die Grundlage gelegt für Schritt sieben, der auf eine KI-unterstützte kontinuierliche Verbesserung gerichtet ist. Bei der Umsetzung eines solchen Vorgehens spielen disruptive Learning Ecosystems eine wichtige Rolle.

Wandel durch disruptive Learning Ecosystems

Unter einem disruptiven Learning Ecosystem versteht man ein Netzwerk von Partnern aus Politik, Wissenschaft, Wirtschaft sowie den Lernenden, dessen Disruptionswirkung von innovativen Ansätzen und Barrieren ausgeht, die durch traditionelle Akteure schwer zu überwinden sind.⁹ Ein Vorteil der entstehenden KI-basierten Stakeholder-Ökosysteme ist die bessere Zusammenarbeit der Partner.

Ein solches Learning Ecosystem besteht aus den folgenden Akteuren:

Der Politik, die einen innovationsfördernen Rahmen schafft
Hochschulen, Consultants, Trainern und Autoren, die forschen und Lerninhalte anbieten
traditionellen und innovativen Bildungsanbietern, die Lerninhalte vermarkten
KI- und LearnTech-Anbietern, die Lernplattformen gestalten sowie
Organisationen und einzelnen Personen in der Doppelrolle als Kunden sowie als Anbieter von Lerninhalten und Daten.

Die Chance für ein resilienteres Europa besteht darin, mit vertrauenswürdigen KI-Lösungen eine Vorreiterrolle bei solchen neuartigen Bildungssystemen zu übernehmen. Das Ziel ist eine konnektive Management Education für die im KI-Zeitalter veränderte Arbeitswelt.

Konnektive Management Education für das KI-Zeitalter

Ein wichtiges Kennzeichen der fünften Entwicklungsstufe des verbindenden strategischen Managements¹⁰ ist eine Personalentwicklung, die den spezifischen Anforderungen der sich im KI-Zeitalter verändernden Arbeitswelt Rechnung trägt. Diese konnektive Management Education verbindet Elemente in den folgenden Feldern:

Theorie und Praxis (A)
Ausbildung und Weiterbildung (B)
Spezialisierung und Interdisziplinarität (C) sowie
menschliche Stärken und Künstliche Intelligenz (D).

Die Harmonisierung dieser Elemente ist ein wichtiger Gestaltungsansatz im Rahmen der Strategie 5.0, die neue Wettbewerbsvorteile ermöglicht. Die Grundlage hierfür bildet eine veränderte Haltung, die durch Zukunftsgeist geprägt ist. Eine solche Haltung kombiniert Optimismus mit Offenheit und Neugier mit Experimentierfreude zu einer mentalen Beweglichkeit, die hilft, Chancen zu erkennen und zu nutzen.¹¹

Das erste dieser vier Felder ist eine bessere Verbindung von theoretischen Grundlagen und deren praktischer Anwendung. Dabei geht es sowohl um die Ausbildung für eine veränderte Arbeitswelt als auch um die Weiterbildung vieler Menschen in einer sich durch KI verändernden Arbeitswelt. Mit KI entstehen neue fachliche Spezialisierungen. Gleichzeitig steigt die Bedeutung einer stärker interdisziplinären Ausrichtung der Management Education. Insgesamt gilt es, menschliche Stärken in Lehre und Forschung wie z.B. Zukunftsgeist mit der Anwendung von KI als Werkzeug zu verbinden.

Diese vierfache Konnektivität ist inzwischen zu einem unserer Schwerpunkte in Forschung, Lehre und Beratung geworden.

Fazit

Universitäten sollten bei der Aus- und Weiterbildung von Managern eine stärkere Verbindung von Theorie und Praxis anstreben. Auf dem Weg zu einem Management als dynamischer Profession liefert die Mediziner-Ausbildung Anregungen
Künstliche Intelligenz (KI) verändert nicht nur die Arbeitswelt, sondern auch die Management Education. Dabei ist KI sowohl Lerninhalt als auch Werkzeug
LearnTech-Anbieter und Anwender-Unternehmen arbeiten an KI-basierten Lernplattformen, die im Fokus einer neuen Entwicklungsphase des Corporate Learning stehen
Disruptive Learning Ecosystems fordern die traditionellen Akteure heraus, stellen aber auch eine Chance für die Neuausrichtung des europäischen Bildungssystems dar
Eine konnektive Management Education für das KI-Zeitalter verbindet Elemente in verschiedenen Feldern.

Literatur

[1] von Elm, K., Vorsicht vor hochfliegenden Erwartungen. In: Handelsblatt, 07./08./09. März 2025, S. 36-37

[2] Servatius, H.G., Evolution des strategischen Managements. In: Competivation Blog, 28.06.2024

[3] Bennis, W.G., O´Toole, J., How Business Schools Lost Their Way. In: Harvard Business Review, Mai 2005, S. 96-104

[4] Servatius, H.G., Generative KI und ein Mass Customized Action Learning. In: Competivation Blog, 28.08.2023

[5] Bomke, L., Gusbeth, S., Wer gewinnt das KI-Rennen? In: Handelsblatt, 10. März 2025, S.18

[6] Burkhardt, K., Wer mit KI-Systemen arbeitet, muss vorher geschult werden. In: Handelsblatt, 18. März 2025, S. 26-27

[7] Bersin, J., The $ 340 Billion Corporate Learning Industry is Poised for Disruption, 23. März 2024

[8] Schimroszik, N., Doinstruct schult Mitarbeiter mit KI. In. Handelsblatt, 19. März 2025, S. 27

[9] Servatius, H.G., Gestaltung von innovativen Stakeholder-Ökosystemen. In: Competivation Blog, 10.01.2023

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

[11] Pferdt, F.G., Radikal besser – Entfache den Zukunftsgeist, der in dir steckt, Hamburg 2025

Entwicklung der KI-Technologien

19.02.25

Zwischen der aktuellen Bedeutung des Themas Künstliche Intelligenz und der KI-Kompetenz der meisten Menschen besteht eine große Diskrepanz. Diese verbreitete Know-how-Lücke reicht von Schülern und Lehrern bis zu Führungskräften und Politikern. Daher erscheint es wichtig, sich mit der Entwicklung und dem aktuellen Stand der KI-Technologien zu beschäftigen, die bereits vor knapp 70 Jahren entstanden sind, was Vielen nicht bekannt ist.

Dieser neue Blogpost ist die Fortsetzung unserer Reihe zu Wettbewerbsvorteilen mit einer wissensspezifischen Künstlichen Intelligenz. Hierin skizziere ich die Wurzeln der KI-Technologien und erläutere den Hype und die Ernüchterung bei großen Sprachmodellen.

Schulungsoffensive ausgehend vom AI Act

Der AI Act der Europäischen Union fordert von Unternehmen, dass sie ihren Mitarbeitenden praktisches Know-how zur Funktionsweise und den Einsatzmöglichkeiten von KI sowie den Chancen und Grenzen der Technologie vermitteln müssen. Diese EU-Verordnung 2024/1689 ist in Deutschland am 2. Februar 2025 in Kraft getreten.¹Für einzelne Nutzergruppen wie z.B. IT-, Rechts-, Personal- und operative Einheiten können spezifische Trainingsmodule notwendig sein, die auf das vorhandene Wissensniveau auszurichten sind. Darüber hinaus erscheint es sinnvoll, die Vermittlung von KI-Know-how an die jeweilige Situation des Unternehmens anzupassen. Ein Einstieg sind Kenntnisse zur Entwicklung der Künstlichen Intelligenz (KI) und ihrer verschiedenen Technologien.

Von der symbolischen KI und neuronalen Netzen zu „KI-Wintern“

Die Künstliche Intelligenz hat in ihrer langen Entwicklungsgeschichte eine Reihe von Höhen und Tiefen erlebt. In den Computerwissenschaften der 1950er Jahre sind bei dem Versuch, Maschinen zu entwickeln, die menschliche Intelligenz nachahmen, zwei Herangehensweisen entstanden:²

Die symbolische KI basiert auf programmierbaren Regeln und einer systematischen Logik mit dem Ziel, Wissen zu repräsentieren und daraus Schlussfolgerungen abzuleiten. Dabei versucht man, ein reales Problem durch die Programmierung von Symbolen und ihren Beziehungen
Angeregt durch die Vernetzung des Gehirns streben neuronale Netze an, Lernprozesse zu simulieren, indem sie Verbindungen zwischen künstlichen Neuronen nutzen. Diese Methode stützt sich auf ein datengetriebenes maschinelles Lernen, um Muster und Zusammenhänge zu finden.

Als Geburtsstunde der Künstlichen Intelligenz gilt das von Wissenschaftlern wie John McCarthy und Marvin Minsky 1956 initiierte Dartmouth-Sommer-Forschungsprojekt, bei dem die symbolische KI im Mittelpunkt stand. Diese bildet die Grundlage für Expertensysteme, die versuchen, Regeln und Entscheidungsketten in Computercode zu übersetzen. Deren Verfechter haben aber die Komplexität des Gehirns unterschätzt, was in den 1970er Jahren zum ersten „KI-Winter“ führte.

Das erste neuronale Netz konzipierte der Psychologe Frank Rosenblatt, der in Dartmouth nicht dabei war, ebenfalls bereits 1956. Inspiriert durch die Arbeit von Rosenblatt entwickelte der Physiologe, kognitive Psychologe und Informatiker Geoffrey Hinton 1986 an der Universität von Toronto ein mehrschichtiges neuronales Netz und einen Algorithmus, der es dem System ermöglichte, aus seinen Rechenfehlern zu lernen. Diese Methode der Fehlerrückverteilung (Backpropagation) führte zu einer Verfeinerung der Antworten. Sie bildete den Durchbruch für die neuronalen Netze. Allerdings reichte die Rechenleistung für große Datenmengen nicht und noch vor der Jahrtausendwende kam es zu einem zweiten „KI-Winter“.

Deep Learning

Eine Verbesserung der Hardware erreichte man mit den superschnellen Chips der Grafikprozessoren (Graphics Processing Units GPU), die der US-Halbleiterhersteller Nvidia zunächst für Videospiele entwickelte und später für das Training mehrschichtiger neuronaler Netze nutzte. Entscheidend waren dann verbesserte Methoden der Bilderkennung, die kleine Fehler nutzten, um Muster zu erkennen (Convolutional Neural Network CNN). 2015 prägten Hinton und seine Kollegen für tiefere Modelle mit mehr Neuronen-Schichten den Begriff Deep Learning.

Transformer-Architektur

Wichtige Impulse für die Sprachverarbeitung (Natural Language Processing NLP) gingen 2013 von einem Google-Team aus, das ein neuronales Netz so trainierte, dass die Nähe von Wörtern innerhalb eines Raumes ihre semantische Beziehung widerspiegelt. Das Team brachte seinem Worteinbettungssystem (word2vec) bei, das fehlende Wort in einem Satz vorherzusagen. Eine 2017 veröffentlichte Weiterentwicklung nannte Google Transformer-Architektur. Das Grundprinzip besteht darin, herauszufinden, welche Wörter in einem Satz am wichtigsten sind (Selbstaufmerksamkeit) und so einen Text in eine Zusammenfassung zu „transformieren“.

2019 veröffentlichte OpenAI sein Modell GPT-2, das auf 40 Gigabyte (acht Millionen Websites) mit 1,5 Milliarden Parametern trainiert worden war und so in der Lage sein sollte, das wahrscheinlichste nächste Wort in einer Sequenz vorherzusagen. GPT steht für Generative Pre-Trained Transformer. Am 30. November 2022 brachte OpenAI seinen Chatbot ChatGPT an die Öffentlichkeit. Nach einer Eingabeaufforderung (Prompt) produziert der Chatbot längere Texte aus unterschiedlichen Wissensfeldern, ist dabei aber fehleranfällig (halluziniert). Grundlagenmodelle (Foundation Models), die ein Trainingsfundament für spezifische Anwendungen bilden und auf Internetinhalten basieren nennt man große Sprachmodelle (Large Language Models LLM).

Diese Entwicklung der Künstlichen Intelligenz fasst die folgende Abbildung zusammen. Dabei ist KI ein Oberbegriff für verschiedene Technologien, der eine Erweiterung von Aspekten des Lernens und der Intelligenz durch eine Maschine beschreibt.

Mit einer KI, die neuronale Netze mit der Monte Carlo Tree Research (MCTR-) Methode kombiniert, ist es dem von Google akquirierten Unternehmen DeepMind seit 2015 nicht nur gelungen, einen der weltbesten Spieler in dem asiatischen Brettspiel Go zu besiegen, sondern auch die Faltungen von 200 Millionen Proteinen vorherzusagen. Dies zeigt, dass eine KI, die nach dem Prinzip des verstärkenden Lernens (Reinforcement Learning) arbeitet, sowohl die Produktivität erhöht als auch spezifisches Wissen und die daraus entstehenden Fähigkeiten erweitert. Bei einer Anwendung der generativen KI (GenAI) resultieren hieraus neue Perspektiven für die Wissensarbeit in Unternehmen. Mit Hilfe von wissensspezifischer (domain-specific) GenAI ergeben sich für die europäische Wirtschaft mit ihrem hohen Anteil an hochspezialisierten Unternehmen neue Möglichkeiten zur Differenzierung im Wettbewerb.

Nobelpreise für KI-Forscher

Die Nobelpreise für Physik haben 2024 John Hopfield und Geoffrey Hinton erhalten, die zum maschinellen Lernen und zu künstlichen neuronalen Netzen forschen. Eine Hälfte des Chemie-Nobelpreises ist ebenfalls 2024 an die bei der Google-Tochter DeepMind beschäftigten Demis Hassabis und John Jumper für ihre KI-basierte Vorhersage von komplexen Protein-Strukturen gegangen. Dies macht deutlich, dass es im Technologie- und Innovationsmanagement bei der Schaffung von neuem Wissen gravierende Veränderungen gibt.

Hype und Ernüchterung bei großen Sprachmodellen

Große Sprachmodelle (Large Language Models LLM) durchlaufen gegenwärtig einen Hype Cycle. Der technologische Auslöser war im November 2022 der von Open AI entwickelte Chatbot ChatGPT. Große Sprachmodelle auf Grundlage der von Google-Forschern 2017 vorgestellten Transformer-Technologie gab es schon länger. Aber ChatGPT erreichte die breite Masse und hatte nach zwei Monaten 100 Millionen Nutzer.

Der Gipfel der überzogenen Erwartungen zeigte sich in einer gigantischen Investitionsblase beim Rennen um die KI-Vorherrschaft von großen Digitalunternehmen und Start-ups.

Das Tal der Enttäuschung äußerte sich in der nicht erfüllten Management-Illusion, dass die hohen Investitionen auch zu gewinnbringenden Anwendungen führen und einer daraus resultierenden Börsen-Illusion.³

Ein möglicher Pfad der Erleuchtung könnte von kostengünstigen kleinen Sprachmodellen mit branchen-, unternehmens- und prozess-spezifischen Anwendungen ausgehen.

Ob, wann und wie genau mit wissensspezifischer KI ein Plateau der Produktivität erreicht wird, ist gegenwärtig noch nicht ganz klar. Wir gehen aber davon aus, dass sich hieraus Chancen für die europäische Wirtschaft ergeben. Diese Chancen sollten KI-Anbieter gemeinsam mit Anwendern nutzen.

Vorteile von kleinen und spezifischen KI-Modellen

Große Sprachmodelle streben an, möglichst viele Bereiche abzudecken und werden vor allem mit Daten aus dem Internet trainiert. Dies ist nicht nur zeit-, kosten- und energieintensiv, sondern der Grenznutzen zusätzlicher Daten nimmt ab. Bei Spezialaufgaben kann die Leistung großer Sprachmodelle sogar mit der Zeit schlechter werden.⁴

Diese Nachteile haben kleine Sprachmodelle nicht. Deren Training erfolgt auf der Grundlage von branchen-, unternehmens- und prozess-spezifischen Daten. So ist z.B. das Berliner Start-up Xayn auf Anwaltskanzleien und Rechtsabteilungen spezialisiert. Für das Training gibt es mehrere Ansätze, z.B.

– eine Retrieval Augmented Generation (RAG): Dabei erfolgt die Kopplung eines großen Sprachmodells an interne Datenbanken
– Continuous Pre-Training in Form von domänenspezifischen Modellen und
– das Training eigener Modelle mit vollständiger Kontrolle über die verwendeten Daten.

Start-ups aus den USA wie Databricks bieten ihren Kunden die gemeinsame Entwicklung von unternehmensspezifischen KI-Modellen an. Die Kosten für ein Training dieser maßgeschneiderten Modelle liegen deutlich unter denen für das Training z.B. von GPT-4 in Höhe von knapp 80 Millionen Dollar. Das Training erfolgt auf der Grundlage von individuellen Unternehmensdaten.⁵ Ein Risiko ist möglicherweise, in eine Abhängigkeit von Dienstleistern zu geraten. Die Alternative ist daher die Befähigung der eigenen Mitarbeitenden. Die Grundlage hierfür bildet eine KI-Personalstrategie für das Unternehmen.

Bei branchenspezifischen KI-Lösungen kann die Zusammenarbeit von etablierten Unternehmen mit Start-ups erfolgreich sein.⁶ Das Berliner Start-up Linetweet konzentriert sich z.B. auf KI-Tools für das Storemanagement im Einzelhandel. Linetweet hat bereits 2019 die Optikerkette Fielmann mit einem Tool zur digitalen Terminvereinbarung gewonnen. Dieses Tool wurde gemeinsam weiterentwickelt. Heute passt Store AI die Dienstpläne in Fielmann-Filialen auf der Grundlage unternehmensspezifischer Daten automatisch an und steigert so die Produktivität der Stores. Bislang gehört Linetweet zu 100 Prozent den beiden Gründern. Das Beispiel zeigt das Potenzial einer Verbindung des branchenspezifischen Wissens etablierter Unternehmen mit der KI-Kompetenz von Start-ups.

Gegenwärtig konzentrieren sich viele Unternehmen bei ihren KI-Anwendungen noch auf einzelne Vorgänge. Der wirklich große Durchbruch von KI wird vermutlich erst mit einer integrierten Sicht von Strategien und Geschäftsprozessen gelingen.⁷ Das sind die Themen unserer nächsten Blogposts.

Fazit

Die Grundlage für die generative KI mit großen Sprachmodellen bilden neuronale Netze, deren Entwicklung vor vielen Jahrzehnten begonnen hat
Die mit Nobelpreisen ausgezeichneten KI-Forscher haben das Technologie- und Innovationsmanagement verändert
Nach der durch ChatGPT ausgelösten Hype-Phase zeichnet sich bei großen Sprachmodellen eine gewisse Ernüchterung ab
Die wissensspezifische KI hat eine Reihe von Vorteilen, die europäische Unternehmen nutzen sollten.

Literatur

[1] Obmann, C., Was Chefs und Mitarbeiter jetzt zu KI wissen müssen. In: Handelsblatt, 17. Februar 2025, S. 32-33

[2] Meckel, M., Steinacker, L., Alles überall auf einmal – Wie Künstliche Intelligenz unsere Welt verändert und was wir dabei gewinnen können, Rowohlt 2024

[3] Holtermann, F., Holzki, L., de Souza Soares, A.P., Die große Sinnkrise. In: Handelsblatt, 9./ 10./ 11. August 2024, S. 46-51

[4] Bomke, L., Holzki, L., Welche KI für die Wirtschaft zählt. In: Handelsblatt, 23. September 2024, S. 20-23

[5] Bomke, L., Kerkmann, C., Scheuer, S., Die Firmen-KI wird bezahlbar. In: Handelsblatt, 3./ 4./ 5. Mai 2024, S. 30

[6] Bomke, L., Einzelhändler organisieren mit KI ihre Läden neu. In: Handelsblatt, 2. Januar 2025, S. 32

[7] Servatius, H.G., Wettbewerbsvorteile mit einer wissensspezifischen KI. In: Competivation Blog, 11. Februar 2025

« Older Entries

Gestaltende Innovationsforschung zu KI-Anwendungen

Gestaltung von vertrauenswürdigen Hochleistungssystemen

KI als Werkzeug für das strategische Management

KI und die Zukunft der Management Education

Entwicklung der KI-Technologien

Neueste Beiträge

CONNECTIVE MANAGEMENT