Marge gerät in den 90-Tage-Test

Kurzfassung: Hohe Marge ist kein Schutzsignal mehr, wenn ein kleines KI-natives Team einen Leistungsbaustein in 60 bis 90 Tagen nachbauen kann. Der Test trennt Kundennähe, Haftung und Urteil von bloßer Informationsarbeit.

Hohe Marge ist im KI-Zeitalter ein Suchsignal. Sie markiert Stellen, an denen ein Wettbewerber versuchen kann, ein wertvolles Ergebnis schlanker zu erzeugen. Nicht die Kopie der ganzen Organisation ist relevant, sondern der Nachbau eines abgegrenzten Ergebnisses: ein Angebot, eine Serviceantwort, eine technische Vorprüfung, eine Vertragsanalyse oder ein Projektstatus, hergestellt mit KI, Datenzugriff, Automatisierung und fachlicher Kontrolle.

Verfügbare KI senkt die Angriffskosten

Mehrere aktuelle KI-Entwicklungen zeigen in dieselbe Richtung. Thinking Machines Lab beschreibt öffentlich den Anspruch, KI-Systeme zugänglicher, verständlicher und kollaborativer zu machen. Liquid AI arbeitet mit Liquid Foundation Models an alternativen Modellarchitekturen jenseits des klassischen Transformer-Fokus. FINRA behandelt künstliche Intelligenz im Wertpapiersektor ausdrücklich als Thema von Aufsicht, Modellrisiken, Datenschutz, Interessenkonflikten und Verantwortlichkeit.

Für Unternehmensleitungen liegt die Relevanz nicht in einer einzelnen Modellgröße oder Produktmeldung. Entscheidend ist die Kombination: Leistungsfähige KI wird breiter verfügbar, die technische Landschaft differenziert sich, und geschäftskritische Nutzung muss nachweisbar gesteuert werden. Daraus entsteht eine konkrete Frage für KI-Management: Kann ein kleines, agentisch arbeitendes Team in 60 bis 90 Tagen ein wirtschaftlich relevantes Ergebnis so weit nachbilden, dass es für Kunden oder interne Auftraggeber brauchbar ist?

Dieser Gedanke verändert die Perspektive. Es geht nicht um Automatisierung als Beschleunigung bestehender Abläufe. Es geht um eine zweite Herstellungsweise. Die Nachbaufrage lautet nicht: Wie läuft der heutige Prozess? Sie lautet: Was muss am Ende belastbar vorliegen, damit Vertrieb, Service, Projektleitung oder Kunde damit weiterarbeiten können?

Genau dort wird Marge angreifbar. Nicht dort, wo Vertrauen, Haftung, Spezialwissen oder Kundennähe den Unterschied machen. Sondern dort, wo ein hoher Anteil der Wertschöpfung aus Suche, Strukturierung, Abgleich, Dokumentation und bekannten Entscheidungsmustern besteht.

Der Nachbau beginnt beim Ergebnis

Der 90-Tage-Test beginnt nicht mit Organigramm, Systemlandschaft oder Stellenbeschreibung. Er beginnt mit einem Ergebnis, für das Kunden zahlen oder interne Auftraggeber regelmäßig Zeit aufwenden.

Im Vertrieb kann das ein Angebotsentwurf sein. Ein KI-gestütztes Team nimmt Kundenanforderungen auf, vergleicht frühere Angebote, schlägt Produktbausteine vor, markiert Abweichungen von Standardkonditionen und erzeugt eine erste Fassung. Die Kundenbeziehung, Preisentscheidung und Verhandlung bleiben beim Menschen. Aber ein Teil der bisherigen Herstellungsarbeit wird anders verteilt.

Im Service kann das Ziel ein klassifizierter Fall mit Lösungsvorschlag sein. KI kann Fehlerbilder erkennen, ähnliche Fälle finden, technische Dokumentation heranziehen und Vertragsstatus berücksichtigen. Die Fachkraft prüft, ob ein Sonderfall vorliegt, ob Eskalation nötig ist und welche Antwort gegenüber dem Kunden verantwortbar ist.

In der Projektabwicklung kann das Ergebnis ein belastbarer Status sein. Informationen aus Protokollen, Aufgabenlisten, E-Mails und Systemen werden verdichtet: Was ist entschieden? Was ist offen? Welche Änderung wirkt auf Termin, Kosten oder Umfang? Die Projektleitung verliert dadurch nicht an Bedeutung. Sie wird weniger zur Sammlerin verstreuter Informationen und stärker zur Instanz für Priorisierung, Konfliktklärung und Entscheidungsqualität.

Damit wird die Marge zerlegbar: Datenzugang, Entscheidung, Prüfung, Kundenbezug und Verantwortung lassen sich getrennt betrachten. Diese Sicht ist für Führungskräfte wertvoller als eine allgemeine Produktivitätsannahme. Sie zeigt, an welcher Stelle Jobs neu zugeschnitten werden müssen.

Der Vertriebsmitarbeiter wird stärker zum kommerziellen Prüfer. Die Servicefachkraft wird stärker zur Entscheiderin über Ausnahme, Eskalation und Rückmeldung in die Wissensbasis. Die Projektleitung wird stärker für Entscheidungsklarheit verantwortlich. KI übernimmt nicht „den Job“, sondern verschiebt Anteile: weniger manuelle Erstellung, mehr fachliche Bewertung, Kundenwirkung und Verbesserung der Regeln.

Lernschleifen schützen besser als Archive

Viele Unternehmen besitzen einen echten Vorsprung: alte Angebote, Servicehistorien, technische Dokumente, Projekterfahrung, Vertragslogiken, Preisregeln und langjährige Kundenkenntnis. Dieser Vorsprung schützt aber nur, falls er betriebsfähig ist.

Ein Archiv voller Dateien ist noch keine verbindliche Datenquelle. Für KI-gestützte Angebotsarbeit müssen Produktdaten, Preislogiken und Freigaberegeln aktuell sein. Für Servicefälle braucht es nutzbare Fallhistorien, technische Dokumentation und Eskalationsregeln. Für Projektsteuerung zählen Entscheidungen, Änderungen, Termine und Verantwortlichkeiten in einer Form, die Menschen und Systeme verlässlich verwenden können.

Hier liegt eine wichtige Machtverschiebung. Fachbereiche können sich nicht darauf beschränken, Anforderungen an IT oder Anbieter zu formulieren. Sie müssen festlegen, welche Daten gelten, welche Ausnahmen relevant sind, wer Korrekturen vornimmt und wie Rückmeldungen in bessere Regeln münden. IT schafft Zugänge und Integration. Das Management entscheidet, ob aus Einzelerfahrung ein lernfähiges Betriebsmodell wird.

Der Schutz entsteht nicht durch bloßen Datenbesitz. Ein Wettbewerber kann Modelle, Plattformen und Automatisierungsdienste ebenfalls nutzen. Schwerer kopierbar sind laufende Fallmuster, Qualitätskorrekturen, Kundenreaktionen, Freigabelogiken und fachliche Entscheidungen, die im Unternehmen systematisch erfasst werden.

Auch Anbieterabhängigkeit gehört in diese Betrachtung. Kleine Teams können heute externe Modelle und Werkzeuge kombinieren, ohne eine große Systemlandschaft selbst zu bauen. Das senkt die Einstiegshürde. Gleichzeitig stellt sich die strategische Frage, wo die Lernkurve liegt. Bleiben Qualitätsmetriken, Korrekturen und Nutzungserfahrungen beim Anbieter, kauft das Unternehmen Produktivität, baut aber wenig eigene Stärke auf. Fließen sie in die eigene Datenbasis und in eigene Entscheidungsregeln zurück, wird KI Teil der Wertschöpfung.

Der Test gehört in die Geschäftsführung

Ein sinnvoller Test beginnt mit einem klaren Ergebnis, nicht mit einer allgemeinen KI-Ideensammlung. Geeignet sind wirtschaftlich relevante Ergebnisse mit vielen ähnlichen Fällen: Angebotsvorbereitung, technische Vorprüfung, Serviceklassifikation, Vertragsanalyse, Projektstatus oder Berichtserstellung.

Gemessen wird nicht an der Eleganz des Werkzeugs. Relevant sind Kosten pro verwertbarem Ergebnis, Zeit bis zum brauchbaren Entwurf, fachliche Qualität, Kundenakzeptanz und organisatorische Anschlussfähigkeit. Gerade der letzte Punkt wird oft unterschätzt. FINRAs Behandlung von KI im Wertpapiersektor zeigt, warum: Sobald KI in die Nähe von Beratung, Kundenkommunikation oder fachlicher Entscheidung rückt, zählen Aufsicht, Verantwortung, Datenschutz, Modellrisiken und Interessenkonflikte. Andere Branchen müssen diese Logik nicht kopieren, aber der Kern ist übertragbar: Eine KI-gestützte Arbeitsweise muss erklärbar betrieben werden können.

Für KI im Mittelstand ist der Test besonders nützlich, weil viele KMU gleichzeitig starke Fachnähe und informelle Wissensbestände haben. Der praktische Ansatz ist überschaubar: ein margenträchtiges Ergebnis auswählen, zehn bis zwanzig reale Fälle heranziehen, eine verbindliche Datenquelle bestimmen, fachliche Prüfung einbauen und die neue Herstellungsweise gegen den heutigen Ablauf vergleichen.

Am Ende steht keine abstrakte KI-Strategie, sondern eine geschäftliche Entscheidung. Entweder der Bereich bleibt robust, weil Kundennähe, Haftung, Spezialwissen oder Integration tatsächlich den Unterschied machen. Oder ein Teil der Wertschöpfung lässt sich günstiger, schneller und konsistenter erzeugen. Für einen KMU-Geschäftsführer heißt das: Die nächste relevante KI-Investition beginnt dort, wo ein profitables Kundenergebnis nachbaubar wirkt und die Kosten pro verwertbarem Ergebnis sinken können.