Jenseits von Piloten: Warum KI-Strategie im Jahr 2027 ein Forward-Deployed-Mindset erfordert

Entdecken Sie, warum KI-Piloten im Jahr 2027 nicht mehr ausreichen - und wie ein Forward-Deployed-Mindset echte Wertschöpfung schafft.
von
Manuel Freude

Von Manuel Freude, AI Strategy Project Manager bei Merantix Momentum

In den Vorstandsetagen vieler Unternehmen hat sich der Ton gegenüber KI stark verändert. Vor zwei Jahren applaudierte die Führungsebene noch, als die Geschäftsbereiche Dutzende von Proofs of Concept auf den Weg brachten: Wissensdatenbank-Chatbots, automatisierte Vertriebszusammenfassungen und unzählige Machine-Learning-Piloten. Heute stellen die Vorstände eine härtere Frage: "Welchen messbaren Einfluss auf unser Geschäftsergbnis haben diese Initiativen erzeugt, und warum gelingt es uns immer noch nicht, sie zu skalieren?"

Die Daten von Ende 2026 zeigen, wie groß die Lücke zwischen KI-Produktivität und finanzieller Rendite geworden ist. Laut der McKinsey-Studie "State of AI" vom August 2026 geben 80 % der Befragten an, dass KI ihre individuelle Produktivität steigert. Dennoch führen nur 37 % der Unternehmen einen positiven EBIT-Beitrag auf KI zurück - ein Wert, der gegenüber 2025 nahezu unverändert ist. Nur etwa 6 % qualifizieren sich als echte KI-Spitzenreiter mit mindestens 5 % EBIT-Einfluss.

Wir sehen den Grund dafür in unseren Kundenprojekten, auch in der Zusammenarbeit mit Führungsteams. Wenn wir Menschen mit dem Unterschied zwischen Transformation und Disruption konfrontieren, ist die Reaktion erstaunlich konsistent. Die meisten Menschen fühlen sich mit Transformation viel wohler: ein großes Programm, das jeden einbindet und dafür sorgt, dass alle zuversichtlich und zufrieden bleiben. Das eigentliche Potenzial von KI liegt jedoch in der Neugestaltung von Arbeitsabläufen - und das ist meistens eine Disruption. Die Menschen werden aufgefordert, an dem Ast zu sägen, auf dem sie sitzen. Das ist ein unbehagliches Gefühl, sowohl für den Einzelnen als auch für das Team.

Das ist die “Transformation Trap”: Unternehmen wählen den bequemen Weg, verteilen KI auf viele kleine Initiativen und erreichen selten die Neugestaltung, durch die sich das Geschäftsergebnis bewegt.

Was "Forward-Deployed" für die KI-Strategie bedeutet

Das Forward-Deployed-Modell wurde im Silicon Valley entwickelt. Anstatt aus der Ferne zu arbeiten, arbeiten Forward-Deployed-Teams eng mit den Kunden zusammen, um Workflows und Anwendungen gemeinsam mit ihnen zu konzipieren, zu konfigurieren und zu implementieren. Was das Modell ausmacht, ist die Arbeitsweise: schnelle Iterationen mit den zukünftigen Nutzern und das gemeinsame Bauen Seite an Seite, anstatt in einer Blackbox.

Das ändert die Logik der KI-Strategiearbeit. Vor dem ersten Sprint klärt unser Team direkt im bestehenden Workflow, welches messbare Ziel die Initiative verfolgt, wie der Prozess heute tatsächlich abläuft, welche Datengrundlage und Governance-Leitplanken vorhanden sind und welche Aufgaben beim Menschen verbleiben. Traditionelle Beratung hört beim Foliensatz auf. Traditionelles IT-Outsourcing führt das aus, was in den Anforderungen steht. Forward-Deployed KI-Strategie verbindet strategische Wunschvorstellungen und technische Arbeit an den Use Cases ab Tag 1.

Um KI-Ambitionen im Jahr 2027 in messbaren Wert zu verwandeln, muss Ihre Roadmap vier Fragen beantworten.

1. Wo bewegt KI die GuV, und welche Workflows müssen neu gestaltet werden?

Zahlreiche Roadmaps beginnen immer noch mit einem Tool ("Wo können wir einen Assistenten einsetzen?") statt mit einem strukturellen GuV-Hebel. In vielen Projekten haben wir Interviews über Geschäftsbereiche hinweg geführt. Eine Sache unterscheidet sich von vor zwei Jahren: viele Menschen wissen inzwischen, was KI ist, und können Anwendungsfälle nennen, die ihnen helfen würden. Diese Ideen lassen sich in drei Cluster unterteilen:

  • Kleine Anwendungsfälle, die ein Large-Language-Model-Chat wie Langdock oder Copilot lösen kann.
  • Leichtgewichtige agentische Workflows, die eine definierte Abfolge von Schritten übernehmen.
  • Neugestaltete Prozesse und maßgeschneiderte KI-Lösungen, die umfangreicher und komplexer sind und meist agentische Software beinhalten.

‍

Die ersten beiden Gruppen sind am leichtesten zu finden und sparen einige Stunden pro Person und Woche. Das ist wertvoll, bewegt aber selten Margen oder Umsätze. Die Hauptarbeit und der unangenehme Teil liegen im dritten Cluster: der Neugestaltung von Prozessen rund um maßgeschneiderte Lösungen für die zentralen geschäftlichen Herausforderungen. Nur wenige Unternehmen schaffen diesen Schritt aus eigener Kraft. Deshalb arbeiten wir typischerweise mit den Akteuren zusammen, die das Mandat haben, Bestehendes zu disrupten. 

Der Applied AI Index von BCG aus dem September 2026 weist in dieselbe Richtung: Unternehmen, die strategische Klarheit mit angewandter KI kombinieren, erzeugen fünfmal mehr Wert als ihre Mitbewerber. Unternehmen, die den KI-Ertrag direkt in der GuV nachverfolgen - statt auf technischen Dashboards -, erzielen dreimal so viel Wert (3,6 % gegenüber 1,2 %).

Eine disziplinierte Roadmap kartiert daher funktionsübergreifende Workflows und baut ein Opportunity-Portfolio auf, in dem jeder Kandidat nach operativen Restriktionen, Umsatzwirkung und strategischer Passung bewertet wird. Die Führungsebene konzentriert sich auf die drei bis fünf Initiativen, die einen Quantensprung bewirken können, statt auf 50 Einzel-Initiativen.

2. Was ist nötig, um effektiv mit Forward-Deployed-Teams zu arbeiten?

Eine Folie mit dem Case "autonome Lieferkettenplanung" verspricht viel, bedeutet aber wenig, solange sie nicht an der Produktionsrealität getestet wurde. Der erste Schritt besteht darin, die Landschaft zu mappen: welche Datenpipelines produktionsreif sind und welche nur in der Theorie existieren, welche Latenzgrenzen gelten, welche Werkzeuge vorhanden sind und ob ein proprietäres Modell, ein feinjustiertes Open-Source-Modell oder eine Anbieterlösung zum Anwendungsfall passt.

Eine Frage verdient besondere Aufmerksamkeit: Verfügen Sie über einen semantischen Kontext-Layer? Damit meinen wir die Schicht, die KI mit Ihrer IT-Landschaft verbindet (ERP, CRM, Service-Support-Systeme, Dokumentensysteme, Vertragssysteme) und kodiert, was die Datenpunkte bedeuten und wie sie zueinander stehen. Nur dann kann KI verlässlich auf diesen Datenpunkten arbeiten.

In der Praxis beginnt die Forward-Deployed-Arbeit oft in einer Sandbox-Umgebung mit synthetischen Daten und unseren eigenen Tools. Das zeigt, was möglich ist, ohne sich in langwierigen Zugriffsdiskussionen zu verstricken, wie welches Tool mit welchem System verbunden werden soll. Sobald die Lösung ihren Wert unter Beweis gestellt hat, integrieren wir die Forward-Deployed-Anwendung in die realen Systeme. Die frühzeitige Validierung von Pipelines, Latenzgrenzen und semantischer Einsatzbereitschaft verhindert, dass sechsstellige Investitionen bei der Unternehmensweiterentwicklung ins Stocken geraten.

3. Wie verändern Tokenomics und Make-or-Buy den Investment Case?

Unternehmensvorstände geben mehrjährige Budgets nicht aus technischer Neugier frei. Sie weisen Kapital anhand quantifizierter Business Cases zu. Im Jahr 2027 schreiben zwei Entwicklungen den Standard-Business-Case neu.

Erstens kehrt sich die Make-or-Buy-Entscheidung um. McKinsey berichtet, dass 32 % der befragten Unternehmen - und fast die Hälfte der KI-Spitzenreiter - sich gegen den Kauf von mindestens einem Softwareprodukt oder -feature entschieden haben, weil interne Teams es mit agentischen Coding-Tools selbst bauen konnten. Zweitens sind Tokenomics zu einer harten betrieblichen Einschränkung geworden. Selbst als die Preise pro Token sanken, stieg der Gesamtverbrauch durch mehrstufige agentische Logikprozesse stark an. 20 % der Unternehmen geben an, dass KI-Betriebskosten, einschließlich Tokens, ihre Nutzung bereits einschränken.

Ein realistisches Finanzmodell für jeden priorisierten Anwendungsfall berücksichtigt daher:

  • Erstentwicklung, Testen und Systemintegrationskosten,
  • Laufende Inferenzkosten, API-Gebühren und Wartungsaufwand im Produktionsmaßstab,
  • Direkte Einsparungen (eingesparte Arbeitsstunden, reduzierte manuelle Durchlaufzeiten) neben Umsatzsteigerungen (schnellere Zykluszeiten, geringere Abwanderungsquote),
  • Make-or-Buy-Entscheidung, einschließlich der Frage, wer das Gewählte langfristig wartet.

‍

Ein Blick darauf, was Token-Effizienz bewirken kann. Prosus setzt KI-Agenten an der Seite von 40.000 Mitarbeitern und 5 Millionen Partnern ein, um 1 Milliarde Kunden zu bedienen. Die Token-Nutzung stieg um das 52-fache auf 8,2 Billionen Tokens pro Monat. Gleichzeitig gibt das Unternehmen an, seine KI-Kosten um 90 % gesenkt zu haben (Stand August 2026). Es gab keinen einzelnen Durchbruch. Vier Disziplinen haben sich kombiniert: die Weiterleitung jeder Aufgabe an das passende Modell (ca. 50 % der Einsparung), die Reduzierung der Datenmenge pro Anfrage (ca. 20 %, wobei der durchschnittliche Kontext von 115.000 auf 60.000 Tokens reduziert wurde), die Spezialisierung von Modellen für wiederkehrende Aufgaben (ca. 20 %) sowie eine bessere GPU-Auslastung und Lastverteilung (ca. 10 %). Dahinter stehen drei Fragen, die man sich kontinuierlich stellen sollte: Nutzen wir ein leistungsfähigeres Modell als für diese Aufgabe erforderlich? Geben wir ihm mehr Informationen als nötig? Kaufen wir mehr Rechenleistung als der Arbeitsaufwand tatsächlich beansprucht?

Mit klaren Amortisationszeiten und risikobereinigten ROI-Schwellenwerten hört KI auf, ein unklarer Kostenfaktor zu sein, und wird zu einer transparenten Kapitalinvestition.

4. Sind Sie organisatorisch bereit für die Umsetzung?

In unserer Erfahrung ist die größte Lücke zur Ambition kein fehlendes Werkzeug. Es ist die Angst vor dem unbeschriebenen Blatt. Governance klingt nach etwas Komplexem, das man sehr gründlich gestalten muss, weshalb Unternehmen lange darüber diskutieren. Der bessere Weg ist es, pragmatisch mit einem konkreten Anwendungsfall zu starten und die Governance organisch mitwachsen zu lassen. Einsatzbereitschaft lässt sich dann auf drei Bereiche herunterbrechen:

  • Governance & Compliance: Sind Risikoklassifizierung (einschließlich unter dem EU AI Act) und Datenschutz frühzeitig geklärt, sodass Projekte nicht mitten in der Beschaffungsphase gestoppt werden? Wenn Agenten ins Spiel kommen, kommt eine einfache Frage hinzu: Wer darf was mit welchen Zugriffsrechten tun, und wo überprüft ein Mensch die Antworten?
  • Operating Model & Talent: Verfügt Ihr Team über die Fähigkeiten, Überwachung, Drift-Erkennung und Nutzerakzeptanz nach dem Go-Live durchzuführen, oder benötigen Sie spezialisierte Unterstützung? Jemand muss die Lösung übernehmen, sobald das Projektteam weiterzieht.
  • Change Enablement: Wie fügt sich die Workflow-Automatisierung ohne kulturelle Widerstände in den Betriebsalltag ein? Akzeptanz ist selten ein rein technisches Problem.

‍

Die genaue Bestimmung der "Lücke zur Ambition" gibt der Führungsebene eine klare Liste von Voraussetzungen an die Hand, bevor Budgets für die Entwicklung freigegeben werden.

Was wir in unseren Projekten beobachten

Effektive KI-Strategieentwicklung kann nicht losgelöst von Branchenrealitäten agieren. Zwei Beispiele aus unserer Arbeit zeigen, wie wir die KI-Transformationsfalle gelöst haben.

Fertigung & Industrie

In der Fertigung besteht die Herausforderung darin, schwere, reale Geschäftsprozesse zu verbessern. Das ist nichts, was man einmal baut, hofft, dass es funktioniert, und dann ausrollt.

In der Praxis rollen wir Anwendungsfälle Standort für Standort aus. Man kann nicht alles gleichzeitig tun: Man muss beweisen, dass die Lösung an einem Standort funktioniert. Wenn dort etwas läuft, verbessert man es, baut auf skalierbaren IT-Systemen auf und bringt es erst dann zum nächsten Standort.

Es ist fast nie eine Copy-and-Paste-Aufgabe, da sich Fabriken voneinander unterscheiden. Maschinen, Sensoren und Datenstandards variieren, sodass eine Lösung, die in Werk A gut läuft, in Werk B anders reagieren kann. IT und OT sind oft getrennt, wodurch Daten dort verbleiben, wo das Data-Science-Team sie nicht leicht erreichen kann. Und das Wissen erfahrener Bediener und Prüfer ist selten in den Daten erfasst, die das Modell sieht.

Deshalb arbeiten wir iterativ und vor Ort mit den Menschen zusammen, die die Prozesse steuern.

Gesundheitswesen & Pharma

Bei unseren Pharma-Kunden sehen wir drei verschiedene Ausgangssituationen, die jeweils einen unterschiedlichen Ansatz erfordern.

Der Wert wird erst durch eine Roadmap sichtbar. Viele Kunden erkannten den Wert von KI erst, nachdem wir das Roadmap-Projekt abgeschlossen hatten. Für sie ist die Operationalisierung der KI-Transformation der erste große Schritt: die Umsetzung der Roadmap in Lösungen, die im Arbeitsalltag laufen.

Die Sorge vor eigener Disruption. Eine andere Gruppe von Kunden befürchtet, selbst durch KI disruptiert zu werden. Für sie haben wir Methodiken entwickelt, um potenzielle KI-Disruptionswinkel zu erfassen und gemeinsam durchzuarbeiten. Die daraus resultierenden Gegenmaßnahmen fließen in eine umfassendere KI-Roadmap ein, sodass aus der Sorge ein konkreter, priorisierter Plan wird.

Das Fundament steht noch nicht. Insbesondere mittelständische Pharmaunternehmen, aber auch Mittelständler aus anderen Branchen, sind im Bereich KI noch relativ neu, und ihr semantischer Kontext-Layer in der KI-IT-Architektur ist nicht vorhanden. Eine fundierte Bewertung und Neugestaltung dieser Architektur ist daher Teil unserer Arbeit mit ihnen, bevor Anwendungsfälle darauf ausgeführt werden können.

Die drei Situationen sehen unterschiedlich aus, aber der Ausgangspunkt ist immer derselbe: Verstehen, wo der Kunde steht, und darauf aufbauen.

Lücke zwischen Strategie und Wirkung schließen

Im Jahr 2027 wird die Trennlinie nicht zwischen Unternehmen verlaufen, die über KI sprechen, und solchen, die sie ignorieren. Sie wird zwischen Organisationen verlaufen, die in der Transformationsfalle stecken bleiben, und solchen, die den Schritt zu Ende gehen: die Neugestaltung der Workflows, bei denen KI das Geschäftsergebnis bewegt.

Forward-Deployed KI-Strategie bedeutet, genau an diesen neugestalteten Workflows zu arbeiten und direkt mit den Menschen vor Ort zusammenzusitzen: den Prozessverantwortlichen und den IT-Experten. So verwandelt die Unternehmensführung Experimente in dauerhaften Unternehmenswert.

In einer Zeit, in der sich jeder Anbieter "AI-First" nennt, schätzen unsere Kunden, dass wir unsere Arbeit "Experience-First" gestalten. Sie vertrauen uns nicht, weil wir gute KI nutzten - das ist heute Mainstream. Sie vertrauen uns, weil wir in mehr als 250 Projekten gesehen haben, was funktioniert und was nicht. Das ist es, was unser Forward-Deployed-Team vom ersten Tag an einbringt: Es weiß, welche Anwendungsfälle bei einer oder zwei gesparten Stunden pro Woche stehen bleiben und wo das echte Potenzial der Workflow-Neugestaltung liegt.

Bereit loszulegen? Treten Sie über unsere Website mit uns in Kontakt oder sprechen Sie uns auf LinkedIn an.

‍

Jetzt beim Merantix Momentum Newsletter anmelden.

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.

Weitere Artikel

Die neuesten Branchennachrichten, Interviews, Technologien und Ressourcen.

AI-Driven Compound Optimization in the Large Molecule Space

Ein Experteninterview über die KI-gestützte Optimierung von Wirkstoffen im Bereich großer Moleküle.

Souverän ist, wer handeln kann

Souveräne KI heißt, kritische Abhängigkeiten zu kennen, zu bewerten und gestalten zu können

First to the Finish: Wie KI im Market Access über die zukünftigen Marktführer der Pharmaindustrie entscheidet

Warum die Zukunft von Market Access nicht in mehr Prozessen, sondern in intelligenter Automatisierung liegt.

AI-Driven Compound Optimization in the Large Molecule Space

Ein Experteninterview über die KI-gestützte Optimierung von Wirkstoffen im Bereich großer Moleküle.

Deutschland gewinnt Gold für Verwaltungs-KI

Die preisgekrönte Lösung zum anfassen: Momentum stellt die wegweisende KI-Lösung in einem interaktiven Working Space dar.

Jenseits von Piloten: Warum KI-Strategie im Jahr 2027 ein Forward-Deployed-Mindset erfordert

Von Manuel Freude, AI Strategy Project Manager bei Merantix Momentum

In den Vorstandsetagen vieler Unternehmen hat sich der Ton gegenüber KI stark verändert. Vor zwei Jahren applaudierte die Führungsebene noch, als die Geschäftsbereiche Dutzende von Proofs of Concept auf den Weg brachten: Wissensdatenbank-Chatbots, automatisierte Vertriebszusammenfassungen und unzählige Machine-Learning-Piloten. Heute stellen die Vorstände eine härtere Frage: "Welchen messbaren Einfluss auf unser Geschäftsergbnis haben diese Initiativen erzeugt, und warum gelingt es uns immer noch nicht, sie zu skalieren?"

Die Daten von Ende 2026 zeigen, wie groß die Lücke zwischen KI-Produktivität und finanzieller Rendite geworden ist. Laut der McKinsey-Studie "State of AI" vom August 2026 geben 80 % der Befragten an, dass KI ihre individuelle Produktivität steigert. Dennoch führen nur 37 % der Unternehmen einen positiven EBIT-Beitrag auf KI zurück - ein Wert, der gegenüber 2025 nahezu unverändert ist. Nur etwa 6 % qualifizieren sich als echte KI-Spitzenreiter mit mindestens 5 % EBIT-Einfluss.

Wir sehen den Grund dafür in unseren Kundenprojekten, auch in der Zusammenarbeit mit Führungsteams. Wenn wir Menschen mit dem Unterschied zwischen Transformation und Disruption konfrontieren, ist die Reaktion erstaunlich konsistent. Die meisten Menschen fühlen sich mit Transformation viel wohler: ein großes Programm, das jeden einbindet und dafür sorgt, dass alle zuversichtlich und zufrieden bleiben. Das eigentliche Potenzial von KI liegt jedoch in der Neugestaltung von Arbeitsabläufen - und das ist meistens eine Disruption. Die Menschen werden aufgefordert, an dem Ast zu sägen, auf dem sie sitzen. Das ist ein unbehagliches Gefühl, sowohl für den Einzelnen als auch für das Team.

Das ist die “Transformation Trap”: Unternehmen wählen den bequemen Weg, verteilen KI auf viele kleine Initiativen und erreichen selten die Neugestaltung, durch die sich das Geschäftsergebnis bewegt.

Was "Forward-Deployed" für die KI-Strategie bedeutet

Das Forward-Deployed-Modell wurde im Silicon Valley entwickelt. Anstatt aus der Ferne zu arbeiten, arbeiten Forward-Deployed-Teams eng mit den Kunden zusammen, um Workflows und Anwendungen gemeinsam mit ihnen zu konzipieren, zu konfigurieren und zu implementieren. Was das Modell ausmacht, ist die Arbeitsweise: schnelle Iterationen mit den zukünftigen Nutzern und das gemeinsame Bauen Seite an Seite, anstatt in einer Blackbox.

Das ändert die Logik der KI-Strategiearbeit. Vor dem ersten Sprint klärt unser Team direkt im bestehenden Workflow, welches messbare Ziel die Initiative verfolgt, wie der Prozess heute tatsächlich abläuft, welche Datengrundlage und Governance-Leitplanken vorhanden sind und welche Aufgaben beim Menschen verbleiben. Traditionelle Beratung hört beim Foliensatz auf. Traditionelles IT-Outsourcing führt das aus, was in den Anforderungen steht. Forward-Deployed KI-Strategie verbindet strategische Wunschvorstellungen und technische Arbeit an den Use Cases ab Tag 1.

Um KI-Ambitionen im Jahr 2027 in messbaren Wert zu verwandeln, muss Ihre Roadmap vier Fragen beantworten.

1. Wo bewegt KI die GuV, und welche Workflows müssen neu gestaltet werden?

Zahlreiche Roadmaps beginnen immer noch mit einem Tool ("Wo können wir einen Assistenten einsetzen?") statt mit einem strukturellen GuV-Hebel. In vielen Projekten haben wir Interviews über Geschäftsbereiche hinweg geführt. Eine Sache unterscheidet sich von vor zwei Jahren: viele Menschen wissen inzwischen, was KI ist, und können Anwendungsfälle nennen, die ihnen helfen würden. Diese Ideen lassen sich in drei Cluster unterteilen:

  • Kleine Anwendungsfälle, die ein Large-Language-Model-Chat wie Langdock oder Copilot lösen kann.
  • Leichtgewichtige agentische Workflows, die eine definierte Abfolge von Schritten übernehmen.
  • Neugestaltete Prozesse und maßgeschneiderte KI-Lösungen, die umfangreicher und komplexer sind und meist agentische Software beinhalten.

‍

Die ersten beiden Gruppen sind am leichtesten zu finden und sparen einige Stunden pro Person und Woche. Das ist wertvoll, bewegt aber selten Margen oder Umsätze. Die Hauptarbeit und der unangenehme Teil liegen im dritten Cluster: der Neugestaltung von Prozessen rund um maßgeschneiderte Lösungen für die zentralen geschäftlichen Herausforderungen. Nur wenige Unternehmen schaffen diesen Schritt aus eigener Kraft. Deshalb arbeiten wir typischerweise mit den Akteuren zusammen, die das Mandat haben, Bestehendes zu disrupten. 

Der Applied AI Index von BCG aus dem September 2026 weist in dieselbe Richtung: Unternehmen, die strategische Klarheit mit angewandter KI kombinieren, erzeugen fünfmal mehr Wert als ihre Mitbewerber. Unternehmen, die den KI-Ertrag direkt in der GuV nachverfolgen - statt auf technischen Dashboards -, erzielen dreimal so viel Wert (3,6 % gegenüber 1,2 %).

Eine disziplinierte Roadmap kartiert daher funktionsübergreifende Workflows und baut ein Opportunity-Portfolio auf, in dem jeder Kandidat nach operativen Restriktionen, Umsatzwirkung und strategischer Passung bewertet wird. Die Führungsebene konzentriert sich auf die drei bis fünf Initiativen, die einen Quantensprung bewirken können, statt auf 50 Einzel-Initiativen.

2. Was ist nötig, um effektiv mit Forward-Deployed-Teams zu arbeiten?

Eine Folie mit dem Case "autonome Lieferkettenplanung" verspricht viel, bedeutet aber wenig, solange sie nicht an der Produktionsrealität getestet wurde. Der erste Schritt besteht darin, die Landschaft zu mappen: welche Datenpipelines produktionsreif sind und welche nur in der Theorie existieren, welche Latenzgrenzen gelten, welche Werkzeuge vorhanden sind und ob ein proprietäres Modell, ein feinjustiertes Open-Source-Modell oder eine Anbieterlösung zum Anwendungsfall passt.

Eine Frage verdient besondere Aufmerksamkeit: Verfügen Sie über einen semantischen Kontext-Layer? Damit meinen wir die Schicht, die KI mit Ihrer IT-Landschaft verbindet (ERP, CRM, Service-Support-Systeme, Dokumentensysteme, Vertragssysteme) und kodiert, was die Datenpunkte bedeuten und wie sie zueinander stehen. Nur dann kann KI verlässlich auf diesen Datenpunkten arbeiten.

In der Praxis beginnt die Forward-Deployed-Arbeit oft in einer Sandbox-Umgebung mit synthetischen Daten und unseren eigenen Tools. Das zeigt, was möglich ist, ohne sich in langwierigen Zugriffsdiskussionen zu verstricken, wie welches Tool mit welchem System verbunden werden soll. Sobald die Lösung ihren Wert unter Beweis gestellt hat, integrieren wir die Forward-Deployed-Anwendung in die realen Systeme. Die frühzeitige Validierung von Pipelines, Latenzgrenzen und semantischer Einsatzbereitschaft verhindert, dass sechsstellige Investitionen bei der Unternehmensweiterentwicklung ins Stocken geraten.

3. Wie verändern Tokenomics und Make-or-Buy den Investment Case?

Unternehmensvorstände geben mehrjährige Budgets nicht aus technischer Neugier frei. Sie weisen Kapital anhand quantifizierter Business Cases zu. Im Jahr 2027 schreiben zwei Entwicklungen den Standard-Business-Case neu.

Erstens kehrt sich die Make-or-Buy-Entscheidung um. McKinsey berichtet, dass 32 % der befragten Unternehmen - und fast die Hälfte der KI-Spitzenreiter - sich gegen den Kauf von mindestens einem Softwareprodukt oder -feature entschieden haben, weil interne Teams es mit agentischen Coding-Tools selbst bauen konnten. Zweitens sind Tokenomics zu einer harten betrieblichen Einschränkung geworden. Selbst als die Preise pro Token sanken, stieg der Gesamtverbrauch durch mehrstufige agentische Logikprozesse stark an. 20 % der Unternehmen geben an, dass KI-Betriebskosten, einschließlich Tokens, ihre Nutzung bereits einschränken.

Ein realistisches Finanzmodell für jeden priorisierten Anwendungsfall berücksichtigt daher:

  • Erstentwicklung, Testen und Systemintegrationskosten,
  • Laufende Inferenzkosten, API-Gebühren und Wartungsaufwand im Produktionsmaßstab,
  • Direkte Einsparungen (eingesparte Arbeitsstunden, reduzierte manuelle Durchlaufzeiten) neben Umsatzsteigerungen (schnellere Zykluszeiten, geringere Abwanderungsquote),
  • Make-or-Buy-Entscheidung, einschließlich der Frage, wer das Gewählte langfristig wartet.

‍

Ein Blick darauf, was Token-Effizienz bewirken kann. Prosus setzt KI-Agenten an der Seite von 40.000 Mitarbeitern und 5 Millionen Partnern ein, um 1 Milliarde Kunden zu bedienen. Die Token-Nutzung stieg um das 52-fache auf 8,2 Billionen Tokens pro Monat. Gleichzeitig gibt das Unternehmen an, seine KI-Kosten um 90 % gesenkt zu haben (Stand August 2026). Es gab keinen einzelnen Durchbruch. Vier Disziplinen haben sich kombiniert: die Weiterleitung jeder Aufgabe an das passende Modell (ca. 50 % der Einsparung), die Reduzierung der Datenmenge pro Anfrage (ca. 20 %, wobei der durchschnittliche Kontext von 115.000 auf 60.000 Tokens reduziert wurde), die Spezialisierung von Modellen für wiederkehrende Aufgaben (ca. 20 %) sowie eine bessere GPU-Auslastung und Lastverteilung (ca. 10 %). Dahinter stehen drei Fragen, die man sich kontinuierlich stellen sollte: Nutzen wir ein leistungsfähigeres Modell als für diese Aufgabe erforderlich? Geben wir ihm mehr Informationen als nötig? Kaufen wir mehr Rechenleistung als der Arbeitsaufwand tatsächlich beansprucht?

Mit klaren Amortisationszeiten und risikobereinigten ROI-Schwellenwerten hört KI auf, ein unklarer Kostenfaktor zu sein, und wird zu einer transparenten Kapitalinvestition.

4. Sind Sie organisatorisch bereit für die Umsetzung?

In unserer Erfahrung ist die größte Lücke zur Ambition kein fehlendes Werkzeug. Es ist die Angst vor dem unbeschriebenen Blatt. Governance klingt nach etwas Komplexem, das man sehr gründlich gestalten muss, weshalb Unternehmen lange darüber diskutieren. Der bessere Weg ist es, pragmatisch mit einem konkreten Anwendungsfall zu starten und die Governance organisch mitwachsen zu lassen. Einsatzbereitschaft lässt sich dann auf drei Bereiche herunterbrechen:

  • Governance & Compliance: Sind Risikoklassifizierung (einschließlich unter dem EU AI Act) und Datenschutz frühzeitig geklärt, sodass Projekte nicht mitten in der Beschaffungsphase gestoppt werden? Wenn Agenten ins Spiel kommen, kommt eine einfache Frage hinzu: Wer darf was mit welchen Zugriffsrechten tun, und wo überprüft ein Mensch die Antworten?
  • Operating Model & Talent: Verfügt Ihr Team über die Fähigkeiten, Überwachung, Drift-Erkennung und Nutzerakzeptanz nach dem Go-Live durchzuführen, oder benötigen Sie spezialisierte Unterstützung? Jemand muss die Lösung übernehmen, sobald das Projektteam weiterzieht.
  • Change Enablement: Wie fügt sich die Workflow-Automatisierung ohne kulturelle Widerstände in den Betriebsalltag ein? Akzeptanz ist selten ein rein technisches Problem.

‍

Die genaue Bestimmung der "Lücke zur Ambition" gibt der Führungsebene eine klare Liste von Voraussetzungen an die Hand, bevor Budgets für die Entwicklung freigegeben werden.

Was wir in unseren Projekten beobachten

Effektive KI-Strategieentwicklung kann nicht losgelöst von Branchenrealitäten agieren. Zwei Beispiele aus unserer Arbeit zeigen, wie wir die KI-Transformationsfalle gelöst haben.

Fertigung & Industrie

In der Fertigung besteht die Herausforderung darin, schwere, reale Geschäftsprozesse zu verbessern. Das ist nichts, was man einmal baut, hofft, dass es funktioniert, und dann ausrollt.

In der Praxis rollen wir Anwendungsfälle Standort für Standort aus. Man kann nicht alles gleichzeitig tun: Man muss beweisen, dass die Lösung an einem Standort funktioniert. Wenn dort etwas läuft, verbessert man es, baut auf skalierbaren IT-Systemen auf und bringt es erst dann zum nächsten Standort.

Es ist fast nie eine Copy-and-Paste-Aufgabe, da sich Fabriken voneinander unterscheiden. Maschinen, Sensoren und Datenstandards variieren, sodass eine Lösung, die in Werk A gut läuft, in Werk B anders reagieren kann. IT und OT sind oft getrennt, wodurch Daten dort verbleiben, wo das Data-Science-Team sie nicht leicht erreichen kann. Und das Wissen erfahrener Bediener und Prüfer ist selten in den Daten erfasst, die das Modell sieht.

Deshalb arbeiten wir iterativ und vor Ort mit den Menschen zusammen, die die Prozesse steuern.

Gesundheitswesen & Pharma

Bei unseren Pharma-Kunden sehen wir drei verschiedene Ausgangssituationen, die jeweils einen unterschiedlichen Ansatz erfordern.

Der Wert wird erst durch eine Roadmap sichtbar. Viele Kunden erkannten den Wert von KI erst, nachdem wir das Roadmap-Projekt abgeschlossen hatten. Für sie ist die Operationalisierung der KI-Transformation der erste große Schritt: die Umsetzung der Roadmap in Lösungen, die im Arbeitsalltag laufen.

Die Sorge vor eigener Disruption. Eine andere Gruppe von Kunden befürchtet, selbst durch KI disruptiert zu werden. Für sie haben wir Methodiken entwickelt, um potenzielle KI-Disruptionswinkel zu erfassen und gemeinsam durchzuarbeiten. Die daraus resultierenden Gegenmaßnahmen fließen in eine umfassendere KI-Roadmap ein, sodass aus der Sorge ein konkreter, priorisierter Plan wird.

Das Fundament steht noch nicht. Insbesondere mittelständische Pharmaunternehmen, aber auch Mittelständler aus anderen Branchen, sind im Bereich KI noch relativ neu, und ihr semantischer Kontext-Layer in der KI-IT-Architektur ist nicht vorhanden. Eine fundierte Bewertung und Neugestaltung dieser Architektur ist daher Teil unserer Arbeit mit ihnen, bevor Anwendungsfälle darauf ausgeführt werden können.

Die drei Situationen sehen unterschiedlich aus, aber der Ausgangspunkt ist immer derselbe: Verstehen, wo der Kunde steht, und darauf aufbauen.

Lücke zwischen Strategie und Wirkung schließen

Im Jahr 2027 wird die Trennlinie nicht zwischen Unternehmen verlaufen, die über KI sprechen, und solchen, die sie ignorieren. Sie wird zwischen Organisationen verlaufen, die in der Transformationsfalle stecken bleiben, und solchen, die den Schritt zu Ende gehen: die Neugestaltung der Workflows, bei denen KI das Geschäftsergebnis bewegt.

Forward-Deployed KI-Strategie bedeutet, genau an diesen neugestalteten Workflows zu arbeiten und direkt mit den Menschen vor Ort zusammenzusitzen: den Prozessverantwortlichen und den IT-Experten. So verwandelt die Unternehmensführung Experimente in dauerhaften Unternehmenswert.

In einer Zeit, in der sich jeder Anbieter "AI-First" nennt, schätzen unsere Kunden, dass wir unsere Arbeit "Experience-First" gestalten. Sie vertrauen uns nicht, weil wir gute KI nutzten - das ist heute Mainstream. Sie vertrauen uns, weil wir in mehr als 250 Projekten gesehen haben, was funktioniert und was nicht. Das ist es, was unser Forward-Deployed-Team vom ersten Tag an einbringt: Es weiß, welche Anwendungsfälle bei einer oder zwei gesparten Stunden pro Woche stehen bleiben und wo das echte Potenzial der Workflow-Neugestaltung liegt.

Bereit loszulegen? Treten Sie über unsere Website mit uns in Kontakt oder sprechen Sie uns auf LinkedIn an.

‍

Oops! Da ist etwas schiefgelaufen.
Oops! Da ist etwas schiefgelaufen.
Oops! Da ist etwas schiefgelaufen.
Oops! Da ist etwas schiefgelaufen.
Oops! Da ist etwas schiefgelaufen.

Mehr Whitepaper entdecken

Datengetrieben zum Medikament von Morgen

Chancen und Hindernisse der KI in einer GxP Welt.

Artificial Intelligence for Private Equity Portfolios

Wertsteigerung für Ihr gesamtes Portfolio

Towards Tabular Foundation Models

Über den Status Quo, Herausforderungen und Chancen

Der AI Canvas: Unser Tool zur Projektevaluation

Entdecken Sie den AI Canvas!

Datengetrieben zum Medikament von Morgen

Chancen und Hindernisse der KI in einer GxP Welt.

Artificial Intelligence for Private Equity Portfolios

Wertsteigerung für Ihr gesamtes Portfolio

Jetzt im Merantix Momentum Newsletter anmelden.

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.