Marge als Karte angreifbarer Arbeit

Kurzfassung: KI macht hohe Marge erklärungsbedürftiger. Verwundbar sind nicht ganze Unternehmen, sondern profitable Leistungsausschnitte, die aus wiederholbarer Analyse, Koordination und Dokumentation bestehen. Der 90-Tage-Test zeigt, ob Gewinn aus echter Differenzierung entsteht oder aus Arbeit, die ein kleines KI-Team neu zuschneiden kann.

Die strategische KI-Frage für Geschäftsleitungen lautet nicht mehr nur, wo sich Produktivität erhöhen lässt. Präziser ist ein anderer Blick: Könnte ein kleines KI-natives Team einen profitablen Teil der heutigen Leistung innerhalb von 60 bis 90 Tagen funktional nachbauen, ohne die gesamte Organisation zu kopieren? Diese Perspektive verändert den Umgang mit Marge. Sie wird nicht nur als Ergebnis guter Preise oder effizienter Kostenrechnung betrachtet, sondern als Hinweis auf bezahlte Arbeit, die möglicherweise anders geliefert werden kann.

Der Auslöser: KI rückt näher an operative Arbeit

Aktuelle Entwicklungen zeigen, dass der wirtschaftliche Hebel von KI nicht im Modell allein liegt. Anthropic hat angekündigt, Claude über Palantir und AWS für US-Verteidigungs- und Nachrichtendienstbehörden zugänglich zu machen. Palantir beschreibt seine Artificial Intelligence Platform als Umgebung, in der KI mit Unternehmensdaten, Entscheidungen und operativen Handlungen verbunden wird. Der Anthropic Economic Index betrachtet KI-Nutzung zudem entlang konkreter Arbeitsaufgaben, nicht nur als allgemeine Technologieeinführung.

Für die meisten Unternehmen ist der Behördenkontext nicht der relevante Vergleich. Entscheidend ist die Architektur dahinter: KI wird mit Datenzugriff, Berechtigungen, Prüfschritten, Dokumentation und Systemhandlungen verbunden. Damit entstehen agentische Arbeitsabläufe, die einen Teil bezahlter Arbeit vorbereiten, strukturieren oder ausführen können.

Der Managementpunkt ist enger als eine allgemeine KI-Strategie. Es geht nicht darum, ob ein Chatfenster einen Bericht formuliert. Relevant ist, ob eine Arbeitskette aus Modell, verbindlicher Datenquelle, fachlicher Regelbasis, menschlicher Freigabe und Systemanschluss einen verwertbaren Leistungsteil liefert: eine Vorprüfung, eine Serviceklärung, eine Angebotsvorbereitung, eine Risikoanalyse oder eine standardisierte Dokumentation.

Damit entsteht eine neue Wettbewerbsfrage. Ein Angreifer muss nicht das Gesamtunternehmen nachbilden. Es reicht, den Ausschnitt zu finden, der für Kunden wertvoll ist, häufig vorkommt, ausreichend regelhaft funktioniert und heute mit viel organisatorischem Aufwand erbracht wird.

Der digitale Zwilling zeigt bezahlte Arbeit

Der nützliche Managementbegriff ist hier ein digitaler Zwilling der Arbeit. Gemeint ist keine vollständige Simulation des Unternehmens. Gemeint ist eine präzise Karte eines konkreten Leistungsausschnitts: Eingangsinformationen, maßgebliche Daten, Regeln, Ausnahmen, Ergebnisformat, Freigabegrenzen und anschließende Systemhandlung.

Eine klassische Prozesslandkarte zeigt Zuständigkeiten: Vertrieb, Service, Projektabwicklung, Innendienst, Betrieb, IT. Eine KI-taugliche Leistungskarte zeigt etwas anderes: bezahlte Ergebnisse, die mit weniger organisatorischer Masse erzeugt werden können. Das ist der eigentliche Perspektivwechsel im KI-Management. Produktivität wird nicht nur als eingesparte Arbeitszeit sichtbar, sondern als Veränderung der Wertschöpfung.

Ein Beispiel ist der technische Service im Maschinenbau. Die Marge liegt dort selten nur in der Reparatur. Ein erheblicher Teil des Kundennutzens entsteht vorher: Störungsmeldungen verstehen, Maschinendaten prüfen, Wartungshistorien auswerten, Ersatzteile identifizieren, Rückfragen formulieren, Termine vorbereiten und Berichte erstellen. Ein kleines KI-Team müsste keine Techniker ersetzen, um einen wirtschaftlich relevanten Teil dieser Leistung neu zu bauen. Es könnte die Erstklärung enger schneiden und schneller, konsistenter und nachvollziehbarer liefern.

Ähnlich in der Angebotsarbeit. Viele B2B-Unternehmen verbringen viel Zeit damit, Lastenhefte zu lesen, Normen abzugleichen, Risiken zu markieren, Varianten vorzubereiten und Rückfragen zu strukturieren. Wird dieser Teil agentisch unterstützt, entsteht kein vollautomatischer Vertrieb. Es entsteht ein belastbarer Angebotskern mit anderer Reaktionszeit, besserer Dokumentation und niedrigeren Grenzkosten pro verwertbarem Ergebnis.

Für Kunden ist dabei nicht entscheidend, ob intern KI eingesetzt wird. Sie merken schnellere Klärung, präzisere Rückfragen, bessere Nachvollziehbarkeit oder ein anderes Preismodell. Genau hier wird aus interner Effizienz eine Marktfrage.

Jobs verschieben sich zur Leistungslogik

Wenn ein Leistungsausschnitt agentisch abgebildet wird, verändern sich Rollen. Fachleute werden nicht einfach durch Modelle ersetzt. Ein Teil ihrer Arbeit verlagert sich vom Suchen, Sortieren, Übertragen und Formatieren hin zum Festlegen, Prüfen und Verantworten.

Das betrifft sehr konkrete Entscheidungen. Welche Datenquelle gilt im Zweifel? Welche Regel darf ein System nicht übergehen? Ab wann muss ein Fall eskaliert werden? Wann reicht ein Ergebnis als Entwurf, wann darf es gegenüber Kunden verwendet werden? Welche Formulierung ist fachlich, rechtlich und kommerziell tragfähig?

Damit wird KI-Governance praktisch. Sie ist nicht nur eine Richtlinie für erlaubte Werkzeuge, sondern die Festlegung, wie ein digital unterstützter Leistungsteil zuverlässig arbeitet. Fachbereiche besitzen die inhaltliche Qualität. IT sorgt für organisatorische Anschlussfähigkeit: Berechtigungen, Integration, Protokollierung, Sicherheit, Anbieterabhängigkeit und Kostensteuerung. Das Management muss beides verbinden, sonst entstehen technische Lösungen ohne fachliche Tragfähigkeit oder fachliche Einzellösungen ohne Skalierbarkeit.

Die Plattformentwicklung verstärkt diese Verschiebung. Palantir AIP steht beispielhaft für den Anspruch, KI nicht isoliert, sondern als Verbindung zwischen Daten, Entscheidung und Handlung zu nutzen. Anthropic positioniert Claude in regulierten Umgebungen ebenfalls als Modell, das in kontrollierte Sicherheits-, Daten- und Arbeitskontexte eingebettet wird. Der wirtschaftliche Hebel entsteht also aus der Kombination von Modellleistung, Datenzugang, Prüflogik, Verantwortung und Einbindung in bestehende Systeme.

Dadurch verschiebt sich Macht im Betriebsmodell. Wer Datenqualität, Regelbasis und Qualitätsmaßstab kontrolliert, kontrolliert künftig einen größeren Teil der Wertschöpfung. Das kann die Serviceleitung sein, die die Logik für Erstdiagnosen definiert. Es kann die Vertriebsleitung sein, die Angebotslogik und Freigabegrenzen festlegt. Es kann der Betrieb sein, wenn Projektstatus, Abweichungen und Übergaben strukturiert erzeugt werden.

Der 90-Tage-Test trennt Substanz von Aufwand

Der praktische Nutzen dieser Sicht liegt in einem einfachen Stresstest. Ein profitabler, wiederkehrender Leistungsteil wird so betrachtet, als wollte ihn ein externes Team mit drei bis fünf Personen, verfügbaren Modellen, agentischen Arbeitsabläufen und vergleichbaren Daten innerhalb von 60 bis 90 Tagen funktional nachbilden.

Entscheidend ist nicht nur, ob der Versuch gelingen würde. Noch wichtiger ist, woran er scheitern müsste. Substanzielle Hürden sind proprietäre Falldaten, gewachsenes Kundenvertrauen, regulatorische Nachweisfähigkeit, Haftungsfähigkeit, Zulassungen, physische Lieferkompetenz oder tiefe Erfahrung in seltenen Ausnahmen. Solche Faktoren schützen eine profitable Leistung tatsächlich, sofern sie gepflegt und in die neue Arbeitsweise übersetzt werden.

Weniger belastbar ist Schutz durch interne Komplexität: fragmentierte Daten, uneinheitliche Vorlagen, Medienbrüche, Schlüsselpersonenwissen ohne Struktur, schlecht integrierte Systeme oder lange Abstimmungswege. Diese Faktoren bremsen vor allem das eigene Unternehmen. Sie verhindern nicht, dass ein kleinerer Anbieter denselben Kundennutzen enger beschreibt und digitaler liefert.

Wirtschaftlich relevant wird der Nachbau nur unter bestimmten Bedingungen. Der Ausschnitt muss häufig vorkommen. Er braucht einen hohen manuellen Koordinationsanteil. Die Entscheidungsqualität muss prüfbar sein. Der Kundennutzen muss sich in Zeit, Preis, Qualität oder Nachvollziehbarkeit ausdrücken lassen. Ohne diese Merkmale bleibt KI ein Demonstrator. Mit ihnen betrifft sie den Kern der Wertschöpfung.

Für KI im Mittelstand folgt daraus keine Pflicht, eigene Basismodelle zu entwickeln oder eine Konzernplattform nachzubauen. Sinnvoller ist eine begrenzte, ernsthafte Prüfung: einen margenstarken Service-, Angebots- oder Prüfteil auswählen, ihn als digitalen Zwilling der Arbeit beschreiben und testen, ob er mit vorhandenen Modellen, verbindlicher Datenquelle, klarer Freigabegrenze und messbarem Kundennutzen neu geliefert werden kann. Die konkrete Entscheidung für eine KMU-Geschäftsführung lautet dann: selbst neu zuschneiden, über Daten und Vertrauen gezielt verteidigen oder bewusst nicht priorisieren.