Man braucht nicht viele Jahre in der Entwicklung intelligenter Systeme, um eine klare Überzeugung zu entwickeln, dass die Zukunft nicht der KI oder dem Menschen allein gehört, sondern Multi-Agenten-Organisationen, in denen spezialisierte KI-Systeme als vollwertige Teammitglieder agieren.

Warum klassische Teams an ihre Grenzen stoßen

Jeden Tag sehe ich, wie Unternehmen an der gleichen Stelle scheitern: Zu viele Entscheidungen, zu wenig Zeit, zu komplexe Daten. Ein Produktmanager kann nicht gleichzeitig Markttrends analysieren, Kundenfeedback auswerten und Wettbewerbsanalysen durchführen – jedenfalls nicht in der Geschwindigkeit, die der Markt verlangt.

McKinsey fand in einer Studie heraus, dass Manager in Industriestaaten heute über 30% ihrer Zeit mit Aufgaben verbringen, die KI besser könnte – Datensammlung, Routineanalysen, Reporting (McKinsey: The Age of AI). Das Problem ist nicht mangelnde Kompetenz. Das Problem ist menschliche Kapazität.

Enter: Die Multi-Agenten Organisation

Stell dir vor, dein Produktteam besteht aus:

• Sarah (Product Owner) – strategische Entscheidungen und Stakeholder-Management

• Research Agent "Alex" – kontinuierliche Markt- und Datenanalyse

• Content Agent "Maya" – automatisierte Erstellung von Briefings und Reports

• Analytics Agent "Ben" – Echtzeit-Performance-Monitoring und Predictive Analytics

Klingt wie Science Fiction? Ist es nicht. Bei Microsoft arbeiten bereits heute Entwicklerteams mit GitHub Copilot als "KI-Pair-Programmer" – und die Produktivität ist um 55% gestiegen (GitHub Copilot Research). Das ist nur der Anfang.

Was anders läuft als erwartet

Der größte Irrtum über KI-Agenten: Sie ersetzen Menschen. Die Realität: Sie erweitern menschliche Fähigkeiten exponentiell.

Tesla ist das perfekte Beispiel. Ihr Autopilot-System ist eigentlich ein Multi-Agent-System: ein Agent für Objekterkennung, einer für Routenplanung, einer für Verkehrsanalyse. Zusammen ermöglichen sie dem menschlichen Fahrer Dinge, die einzeln unmöglich wären (Tesla AI Day). Übertragen auf Business bedeutet das: Dein Team wird nicht kleiner – es wird intelligenter.

In unserem eigenen Research Agent-Projekt analysiert "Alex" täglich hunderte Datenquellen – von Stellenausschreibungen über Marktberichte bis hin zu Social Media Trends. Was früher wochenlange Marktforschung war, liefert jetzt kontinuierliche Insights. LinkedIn beispielsweise nutzt ähnliche Systeme, um täglich über 20 Milliarden Datenpunkte zu analysieren und Mitgliedern relevante Job-Empfehlungen zu geben (LinkedIn Engineering).

Aber entscheiden tut immer noch Sarah. "Alex" informiert, Sarah interpretiert und handelt.

Die drei Prinzipien erfolgreicher Multi-Agenten Teams

1. Spezialisierung über Generalisierung

Jeder Agent hat eine klar definierte Rolle, genau wie in menschlichen Teams auch. Amazon's Alexa ist technisch gesehen eine Multi-Agent-Architektur: Ein Agent versteht Sprache, einer plant Aktionen, einer führt sie aus (Amazon Science).

Unser Research Agent sammelt und analysiert Daten, entwickelt aber keine Strategien. Unser Content Agent erstellt Briefings, trifft aber keine redaktionellen Entscheidungen. Diese Klarheit verhindert Chaos.

2. Transparenz über Black Box

Alle Teammitglieder – menschlich und digital – verstehen, was die anderen tun. Salesforce hat das bei Einstein Analytics vorgemacht: Jede KI-Empfehlung wird mit nachvollziehbaren Gründen geliefert (Salesforce Einstein).

Keine Geheimnisse, keine Blackbox-Algorithmen. Wenn "Ben" eine Anomalie in den Verkaufszahlen meldet, zeigt er auch, welche Datenpunkte zu dieser Schlussfolgerung geführt haben.

3. Augmentation über Automatisierung

Das Ziel ist nicht, Menschen zu ersetzen, sondern sie zu befähigen, bessere Entscheidungen schneller zu treffen. Spotify ist ein Meisterbeispiel: Ihre Recommendation-Algorithmen ersetzen nicht die Musikredakteure, sondern geben ihnen Tools an die Hand, um aus 70 Millionen Songs die relevanten zu finden (Spotify Engineering).

Google hat das bei ihrer Search-Qualität ähnlich gemacht: KI-Systeme helfen menschlichen Quality Raters dabei, Suchergebnisse zu bewerten – sie treffen aber nicht die finalen Entscheidungen (Google Search Central).

Der Kipppunkt steht bevor

Was heute noch Early Adopter-Technologie ist, wird in 18 Monaten Standard sein. Laut Anthropic CEO könnte bereits im kommenden Jahr der gesamte Programmier-Code von KI generiert werden. Gartner prognostiziert, dass bis 2025 über 70% der Unternehmen Multi-Agent-Systeme für Business Intelligence nutzen werden (Gartner Tech Trends).

Anthropic CEO, Dario Amodei: in the next 3 to 6 months, AI is writing 90% of the code, and in 12 months, nearly all code may be generated by AI
byu/Nunki08 insingularity

Microsoft hat die Power Platform genau dafür gebaut: Normale Mitarbeiter können ohne Programmierkenntnisse KI-Agenten erstellen. Über 25 Millionen Nutzer machen das bereits (Microsoft Power Platform). Unternehmen, die jetzt experimentieren, haben einen entscheidenden Vorsprung. Die Lernkurve ist steil, aber die ersten 6 Monate sind entscheidend. Ethan Mollick, einer der aktuell führenden KI-Forscher und Professor an der renommierten Wharton School, zeigte kürzlich erst auf, was diese gesamte Veränderung auch für die Personalentwicklung bedeutet und dass man aber auch in den kommende 1-5 Jahren in eine Beschäftigungskrise stolpern könne, wenn man nicht entgegensteuere.

Was das für dich bedeutet

Schauen wir uns an, wie sich typische Rollen verändern:

Marketing Manager heute: Verbringt 60% der Zeit mit Datensammlung und Reporting
Marketing Manager mit KI-Agent: Fokus auf Strategie und kreative Kampagnen, während der Agent Marktanalysen und Performance-Tracking übernimmt

HR Business Partner heute: Sichtet hunderte Bewerbungen, analysiert manuell Fluktuation
HR BP mit KI-Agent: Konzentriert sich auf Gespräche und Entwicklung, während der Agent Kandidaten-Matching und Predictive Analytics macht

Bei Unilever läuft das bereits: Ihre KI-Rekrutierungsagenten screenen Bewerbungen und führen erste Interviews – menschliche Recruiter konzentrieren sich auf Cultural Fit und strategische Entscheidungen (Unilever Future of Work).

Die drei größten Hürden (und wie du sie überwindest)

1. Das Vertrauensproblem

"Kann ich einer KI wirklich wichtige Entscheidungen anvertrauen?"

Lösung: Starte klein. Netflix begann auch nicht mit personalisierter Empfehlung für alle 230 Millionen Nutzer, sondern testete an einer kleinen Gruppe (Netflix Tech Blog). Lass deinen Agent zuerst unwichtige Analysen machen, bevor du ihm kritische Tasks gibst.

2. Das Skill-Gap

"Unser Team kann keine KI-Systeme bauen."

Lösung: Musst du auch nicht. Platforms wie Microsoft Power Platform, Google Vertex AI oder Amazon SageMaker sind darauf ausgelegt, dass Business-User (nicht nur Programmierer) KI-Agenten erstellen können. Coca-Cola hat 180.000 Mitarbeiter in "Citizen Development" ausgebildet – ohne einen einzigen zusätzlichen IT-Experten einzustellen (Microsoft Customer Stories).

3. Die Organisationskultur

"Unser Unternehmen ist nicht bereit für so viel Veränderung."

Lösung: Culture follows success. Zeige kleine Erfolge, dann folgt der Rest. Bei ING Bank startete die KI-Transformation in nur einem Team – heute nutzen 80% der Organisation KI-Agenten für tägliche Tasks (ING Tech).

Meine Überzeugung

Multi-Agenten-Organisationen sind nicht die Zukunft – sie sind die Gegenwart für alle, die bereit sind, neue Wege zu gehen. Die erfolgreichsten Unternehmen der nächsten Dekade werden die sein, die Menschen und KI als Partner verstehen, nicht als Konkurrenten.

IBM hat das treffend zusammengefasst: "The future belongs to companies that can seamlessly blend human creativity with AI capabilities" (IBM Institute for Business Value).

Die Frage ist nicht, ob KI-Agenten Teil deiner Organisation werden. Die Frage ist, ob du diese Transformation gestaltest oder erleidest.

Wie siehst du das? Welche Rollen könnten KI-Agenten in deinem Team übernehmen?

Die digitale Transformation hat einen kritischen Wendepunkt erreicht. Unternehmen verfügen heute über beeindruckende Tool-Stacks, von Microsoft 365 über diverse CRM-Systeme bis hin zu spezialisierten Analytics-Plattformen und KI-Services. Doch diese Systeme operieren weitgehend isoliert voneinander, wie Inseln in einem digitalen Archipel. Die nächste Evolution liegt nicht darin, noch mehr Tools anzuschaffen, sondern die vorhandenen intelligent zu orchestrieren und zu einem kohärenten Betriebssystem zu verbinden.

Die strategische Ausgangslage verstehen

Wenn du dir den typischen Enterprise-Stack anschaust, findest du bemerkenswerte Einzellösungen. Microsoft 365 mit Copilot bietet mittlerweile KI-gestützte Dokumentenanalyse und kann Content in Sekunden generieren. CRM-Systeme wie Salesforce oder Dynamics 365 managen nicht nur Kundenbeziehungen, sondern bilden komplette Vertriebsprozesse ab und lernen aus jeder Interaktion. Die Power Platform ermöglicht es, ohne tiefgreifende Programmierkenntnisse Automatisierungen zu bauen, die früher Wochen an Entwicklungszeit gekostet hätten. Und dann sind da noch die spezialisierten KI-Services wie GPT-4, Claude oder Gemini, die plötzlich Aufgaben übernehmen können, für die früher ganze Teams nötig waren.

Der entscheidende Punkt ist jedoch, dass die meisten Organisationen diese Tools als isolierte Lösungen nutzen und damit etwa 80 Prozent ihres Potenzials verschenken. Stell dir vor, du hättest ein Orchester, in dem jeder Musiker für sich alleine spielt, ohne auf die anderen zu hören. Das Ergebnis wäre Chaos, nicht Symphonie. Genau das passiert in den meisten digitalen Landschaften heute. Die Zukunft liegt in der intelligenten Orchestrierung dieser Tools zu Multi-Agenten-Systemen, die als neues organisationales Betriebssystem fungieren.

Die drei strategischen Säulen der Transformation

1. Digitalisierung und KI als fundamentaler Enabler

Die Integration von KI-Agenten in bestehende Systeme folgt einem klaren, aber flexiblen Muster. Dabei übernimmt jeder Agent eine spezialisierte Rolle, ähnlich wie Experten in einem hochqualifizierten Team. Die Intelligence Agents beispielsweise analysieren kontinuierlich interne und externe Datenströme. Ein Copilot-basierter Agent durchsucht die gesamte Dokumentenlandschaft deiner Organisation nach relevanten Informationen, während z.B. ein Perplexity-Agent parallel dazu Marktentwicklungen monitort und ein Power BI-Agent Muster in den Geschäftsdaten identifiziert, die dem menschlichen Auge entgehen würden.

Diese Informationssammlung ist jedoch nur der erste Schritt. Die eigentliche Magie entsteht, wenn Synthese-Agenten diese disparaten Informationen zu actionable Insights kombinieren. Sie nutzen Large Language Models (LLMs) nicht nur zur Textgenerierung, sondern um Verbindungen zwischen scheinbar unzusammenhängenden Datenpunkten zu erkennen. Ein GPT-Agent kann aus Marktdaten, internen Dokumenten und CRM-Informationen personalisierte Strategieempfehlungen generieren, die sowohl den Marktkontext als auch die spezifische Situation deines Unternehmens berücksichtigen.

Die Execution Agents schließlich setzen Entscheidungen in die Tat um. Power Automate-Flows triggern Aktionen basierend auf den Empfehlungen der anderen Agenten und ein Dynamics 365-Agent aktualisiert automatisch Kundendaten basierend auf neuen Erkenntnissen. Mit einem Expertenteam, die diese Agenten an ihrer Seite haben, können schnell, konsistent und effizient die notwendigen Projektaktivitäten koordiniert werden.

2. Datengetriebene Produktentwicklung neu gedacht

Das orchestrierte System revolutioniert die Art und Weise, wie Produkte entwickelt werden, indem es kontinuierliche Feedback-Loops etabliert, die in Echtzeit lernen und sich anpassen. Der Market Intelligence Layer fungiert dabei als permanentes Radar, das den Markt nach Signalen absucht. Agenten scannen kontinuierlich Markttrends, beobachten Wettbewerberaktivitäten und analysieren Kundenfeedback aus allen verfügbaren Quellen. Ein Web-Scraping-Agent monitort dabei nicht nur Competitor-Websites und versteht kontextuelle Veränderungen in deren Positionierung, sondern z.B. auch Stellenbörsen, um zu verstehen wie sich spezielle Profile aufbauen und über die Zeit ggfs. gesuchte Kompetenzen verändern. Parallel dazu analysiert ein Social-Listening-Agent Kundenmeinungen in ihrer ganzen Nuance, die möglicherweise aufschlussreich wirken könnten.

Basierend auf diesen aggregierten Marktdaten arbeitet der Concept Development Layer. Der Agent generieren hier nicht nur ein oder zwei Produktkonzepte, sondern erschafft einen ganzen Lösungsraum mit dutzenden Ansätzen, die von inkrementellen Verbesserungen bis zu disruptiven Innovationen reichen. Jedes dieser Konzepte wird von Fachleuten aus dem Team auf Herz und Nieren geprüft, wobei Machbarkeit, Marktfit und strategisches Alignment gleichermaßen berücksichtigt werden. Nur eben sehr viel schneller und strukturierter.

In der Rapid Prototyping Layer zeigt sich dann die wahre Geschwindigkeit des Systems. Content Agents erstellen MVP-Contents, generieren Marketing-Materialien und entwickeln technische Spezifikationen in Stunden statt Wochen. Ein Kernteam validiert dabei kontinuierlich alle Outputs gegen definierte Standards und stellt sicher, dass die Qualität trotz der Geschwindigkeit nicht leidet. Der entscheidende Vorteil dieses Ansatzes liegt darin, dass das gesamte System aus jedem Produktzyklus lernt. Erfolgreiche Patterns werden erkannt und verstärkt, während Fehler nicht nur korrigiert, sondern deren Ursachen systematisch eliminiert werden.

3. Prozessoptimierung durch intelligente Orchestrierung

Die wahre Revolution findet jedoch auf der Prozessebene statt, wo starre Workflows durch adaptive, intelligente Systeme ersetzt werden. Process Mining ist dabei mehr als nur die Visualisierung von Abläufen. Experten in den einzelnen Teams analysieren kontinuierlich Prozessdaten aus allen verbundenen Systemen und identifizieren nicht nur offensichtliche Bottlenecks und Redundanzen, sondern auch subtile Muster, die auf Optimierungspotenziale hinweisen. Ein Process Agent in Power BI kann dann beispielsweise Prozessflüsse in Echtzeit visualisieren und dabei Anomalien erkennen, bevor sie zu Problemen werden.

Spannend vor diesem Hintergrund wird dann die Frage nach der Anpassung oder Neugestaltung von Prozessen. Denn das Konzept des Dynamic Routing ersetzt dabei die traditionellen, starren Prozesse. Statt dass eine Kundenanfrage immer denselben Weg durch die Organisation nimmt, entscheidet das System situativ über den optimalen Pfad. Diese Entscheidung basiert auf einer Vielzahl von Faktoren wie dem Sentiment der Anfrage, der Historie des Kunden, seinem Wert für das Unternehmen und der aktuellen Verfügbarkeit von Ressourcen. High-Priority-Cases aktivieren dabei spezialisierte Agenten-Ketten, die sich um komplexe Problemstellungen kümmern, während Standard-Anfragen vollautomatisch bearbeitet werden können.

Die kontinuierliche Optimierung sorgt dafür, dass das System niemals stillsteht, sondern sich ständig weiterentwickelt. Performance-Metriken werden in Echtzeit erfasst und ausgewertet. Machine Learning-Modelle identifizieren kontinuierlich Verbesserungspotenziale, und Prozesse evolvieren basierend auf diesen Erkenntnissen. Es ist ein System, das nicht programmiert wird, sondern lernt.

Die Implementierungsarchitektur aufbauen

Der Aufbau eines solchen organisationalen Betriebssystems erfordert eine durchdachte Herangehensweise, die in mehreren Phasen erfolgt. In der ersten Phase liegt der Fokus auf der Foundation Layer, wo es darum geht, die technischen Grundlagen zu schaffen. Die Verbindung der Core-Systeme über APIs und die Power Platform bildet das Rückgrat des gesamten Systems. Ein Data Lake fungiert dabei als zentraler Datenhub, der es ermöglicht, Informationen aus verschiedenen Services zu aggregieren und zu nutzen. Salesforce Connect sorgt für die nahtlose CRM-Integration, während Azure die asynchrone Kommunikation zwischen den verschiedenen Komponenten ermöglicht. Parallel dazu ist die Etablierung einheitlicher Datenformate und Taxonomien entscheidend. Nur wenn alle Agenten dieselbe "Sprache" sprechen, kann das System effizient funktionieren.

In der nächsten Phase erfolgt dann die schrittweise Aktivierung des Agent Layer. Beginnend mit Research und Intelligence Agents, die das Informationsfundament legen, über Analyse- und Synthese-Aufgaben, die Erkenntnisse generieren, bis hin zu Execution und Automation Agents, die Handlungen umsetzen. Diese Phase erfordert besondere Aufmerksamkeit und crossfunktionale Zusammenarbeit, da hier die Weichen für die spätere Systemperformance gestellt werden. Die Power Platform dient als zentrale Orchestrierungsplattform, während Power Apps und Pages komplexe Workflows ermöglichen und für Event-getriebene Prozesse sorgen, die von allen Mitarbeitenden einfach über Sharepoint oder als mobile App genutzt werden können.

Der Intelligence Layer, der aber die eigentliche Intelligenz ins System bringt, sind die Mitarbeitenden und Fachexperten in den Teams. Quasi als Meta-Agenten, die alle Agenten steuern, ermöglichen sie eine neue Ebene der Automation. Sie entscheiden in der Planung und Konzeption über die optimale Ressourcenallokation, während eine koordinative Stelle sicherstellt, dass alle Agenten mit den relevanten Informationen versorgt werden. Das System beginnt, aus seinen eigenen Aktionen zu lernen, wobei begleitende Team-Learnings für die Befähigung genutzt werden und Feedback-Daten aus allen Agenten-Interaktionen in die kontinuierliche Verbesserung einfließen.

Die Governance-Struktur als kritischer Erfolgsfaktor

Ein System dieser Komplexität benötigt klare Governance-Strukturen, die Kontrolle und Flexibilität balancieren. Die Strategic Alignment Layer stellt sicher, dass alle Agenten-Aktivitäten im Einklang mit den Unternehmenszielen stehen. Ein strategisch-operativer Kreis prüft kontinuierlich, ob die Aktionen des Systems auf die definierten OKRs einzahlen, während Dashboards in Echtzeit den Impact auf die Unternehmensziele visualisieren.

Trotz aller Automation bleiben kritische Entscheidungspunkte unter menschlicher Kontrolle (“Human-in-the-loop”). Escalation-Mechanismen sorgen dafür, dass komplexe oder sensitive Fälle an menschliche Entscheider weitergeleitet werden, und Override-Möglichkeiten stellen sicher, dass Menschen jederzeit die Kontrolle über das System behalten.

Die messbaren Impacts verstehen

Die Transformation zu einem orchestrierten System zeigt messbare Erfolge, die sich zunehmend auch im Bildungssektor manifestieren. Aktuelle Studien zeigen, dass 74% der Organisationen berichten, ihre Investitionen in generative KI und Automatisierung hätten ihre Erwartungen erfüllt oder übertroffen, wobei 63% planen, diese Investitionen bis 2026 zu erhöhen. Diese Zahlen reflektieren einen klaren Trend: KI-Systeme liefern nachweisbare Ergebnisse.

Im Bildungsbereich zeigen sich besonders vielversprechende Entwicklungen. Der Markt für KI-gestützte Bildungsinhalte wächst mit einer jährlichen Rate von über 25% und nutzt dabei Technologien wie 2D-3D-Visualisierung, Audio- und Video-Integration sowie robotergestützte Lernumgebungen, um realitätsnahe Lernerfahrungen zu schaffen. Diese Entwicklung wird durch die verstärkte Integration von IoT in Bildungsservices bestimmter Branchen vorangetrieben, die kollaboratives und immersives Lernen ermöglicht. Besonders bemerkenswert ist die Entwicklung im Bereich der personalisierten Lernpfade. Moderne KI-Systeme ermöglichen es, Lerninhalte dynamisch an individuelle Bedürfnisse anzupassen und dabei gleichzeitig die Qualität zu steigern.

Die praktischen Erfolge zeigen sich auch in konkreten Implementierungen. Microsoft's Copilot for Microsoft 365 demonstriert eine Produktivitätssteigerung von bis zu 70% bei Routineaufgaben, mit einer nachgewiesenen Reduktion von 30% bei der Zeit für repetitive Tätigkeiten und einer Verbesserung der Aufgabenabschlussraten um 25%. Parallel dazu berichten Unternehmen von signifikanten Verbesserungen in der Dokumentenverarbeitung und deutlichen Kosteneinsparungen im operativen Bereich. Diese Entwicklungen bestätigen, dass Multi-Agenten-Systeme nicht nur theoretisches Potenzial haben, sondern bereits heute messbare Geschäftswerte liefern.

Der strategische Ausblick

Die Entwicklung steht erst am Anfang, und die nächsten Evolutionsstufen zeichnen sich bereits ab. Wir bewegen uns in Richtung autonomer Agenten, die eigenständig neue Agenten erstellen und konfigurieren können. Selbstoptimierende Systeme werden an mancher Stelle ohne menschliche Intervention auskommen, und durch die Kollaboration von Agenten wird emergente Intelligenz entstehen, die mehr ist als die Summe ihrer Teile. Ob und wo man das möchte, ist eine andere Diskussion.

Aber die Bausteine für dieses neue organisationale Betriebssystem existieren bereits. Microsoft 365, CRM-Systeme und KI-Services sind verfügbar. Die Herausforderung liegt nicht in der Technologie, sondern in ihrer intelligenten Orchestrierung. Unternehmen, die jetzt mit dem systematischen Aufbau von Multi-Agenten-Systemen beginnen, werden in einigen Monaten neue uneinholbare Wettbewerbsvorteile haben. Die Alternative ist nicht Stillstand – es ist Irrelevanz.

Die Transformation vom Tool-Nutzer zum System-Orchestrator definiert die nächste Ära der Digitalisierung. Die Architektur ist klar, die Technologie ist da. Die Frage ist nur: Wer gestaltet diese Zukunft, und wer wird von ihr überrollt?

Wie siehst du die Integration von Multi-Agenten-Systemen in bestehende Unternehmensarchitekturen? Welche Prozesse würdest du als erste Kandidaten für eine Agenten-Orchestrierung identifizieren?

März 2020 veränderte die Arbeitswelt für immer. Millionen Menschen mussten plötzlich remote arbeiten. Cisco's WebEx war seit Jahren Marktführer bei Unternehmens-Video-Konferenzen, mit etablierten Kundenbeziehungen und ausgereifter Technologie. Trotzdem wurde Zoom zum Synonym für Video-Calls, während WebEx in der Versenkung verschwand.

Wie konnte ein kleineres Unternehmen wie Zoom den etablierten Marktführer so deutlich überholen? Diese Frage beschäftigt mich seit meinen ersten Jahren als Innovationsmanager. Warum scheitern die erfolgreichsten Unternehmen regelmäßig bei den wichtigsten Innovationen ihrer Branche?

Die Antwort liegt in einem fundamentalen Missverständnis darüber, was Innovation wirklich bedeutet.

Was Peter Drucker über Innovation wusste

Peter Drucker, einer der einflussreichsten Management-Denker des 20. Jahrhunderts, darf in keinem Text zu Innovation fehlen. Er formulierte die Rolle der Innovation so:

"Innovation ist das spezifische Instrument des Unternehmertums – der Akt, der Ressourcen eine neue Fähigkeit zur Schaffung von Wohlstand verleiht."

Der entscheidende Teil dieses Zitats ist "eine neue Fähigkeit". Nicht eine bessere Version des Bestehenden. Nicht eine Optimierung. Eine völlig neue Art, Wert zu schaffen. Cisco optimierte Enterprise-Video-Konferenzen und dachte in Kategorien wie "bessere Bildqualität" und "erweiterte Admin-Features". Zoom dachte anders: "Was, wenn Video-Calls so einfach wären wie ein Telefonat?" Zoom's Gründungsgeschichte zeigt diese Philosophie deutlich.

Das ist der Unterschied zwischen Verbesserung und Innovation.

Das Paradox im Detail

Seit vielen Jahren bin ich in der Rolle des Innovator oder Innovationstreibers aktiv – von Startup bis Konzern – und habe dabei immer wieder das Muster erkannt: je erfolgreicher ein Unternehmen ist, desto schlechter wird es bei radikaler Innovation. Das widerspricht allem, was wir über Business lernen. Erfolgreiche Unternehmen haben mehr Ressourcen für Forschung, besseren Zugang zu Talenten und etablierte Marktposition. Trotzdem werden sie regelmäßig von Newcomern überholt. Warum?

Das S-Kurven-Dilemma verstehen

Um diese Frage zu beantworten, müssen wir ein fundamentales Prinzip des Innovationsmanagements verstehen: S-Kurven. Jede Technologie, jedes Geschäftsmodell folgt einer vorhersagbaren Entwicklung. Zunächst ein langsamer Start mit viel Aufwand und wenig Fortschritt, dann steiles Wachstum mit Durchbrüchen und Skalierung, schließlich Sättigung mit abnehmenden Erträgen trotz steigender Investitionen.

Das Problem liegt daran, dass etablierte Unternehmen ihre S-Kurve optimieren, während Disruptoren bereits die nächste S-Kurve parallel entwickeln. Wie Harvard Business Review erklärt, entstehen die erfolgreichsten Innovationen oft in Nischenmärkten, die für etablierte Player zunächst uninteressant erscheinen.

Ein faszinierendes Beispiel ist die Fleischindustrie. Unternehmen wie Tyson Foods perfektionierten jahrzehntelang Fleischproduktion – von Zucht über Verarbeitung bis zur Logistik. Währenddessen entwickelte Beyond Meat eine völlig neue S-Kurve: pflanzliche Proteine, die wie Fleisch schmecken. Beyond Meat's Börsenerfolg 2019 zeigte, dass sie eine neue Kategorie erschaffen hatten, während traditionelle Fleischproduzenten noch über Effizienzsteigerungen nachdachten. Eine beeindruckende Entwicklung und Ausbruch aus dem Dilemma zeigte das deutsche Unternehmen Rügenwalder Mühle, das sich als klassischer Fleischproduzent zum Marktführer bei veganen und vegetarischen Fleisch- und Wurstalternativen entwickelte.

Die drei Fallen des Erfolgs

Also, in welche Fallen laufen denn nun erfolgreiche Unternehmen, fragt man sich. Im Grunde sind es drei Themen:

1. Die erste Falle ist die Optimierungs-Spirale. Erfolgreiche Unternehmen werden zu Optimierungsmaschinen, die sich auf die Perfektion ihrer aktuellen S-Kurve konzentrieren, während die nächste bereits entsteht. Diese Fokussierung ist rational: Die bestehende Technologie liefert noch immer Verbesserungen, die Märkte sind etabliert, die Kompetenzen sind vorhanden. Die Falle liegt darin, dass wenn die aktuelle S-Kurve ihre Sättigungsgrenze erreicht, es oft zu spät ist, zur neuen zu wechseln.

2. Die zweite Falle ist die Kannibalisierungs-Angst. Echte Innovation bedroht meist das Kerngeschäft. Der Wechsel zu einer neuen S-Kurve bedeutet oft, profitable bestehende Geschäfte zu gefährden. Solange die alte S-Kurve noch Erträge generiert, scheint es unlogisch, sie aufzugeben. Doch genau diese Hesitation ermöglicht es Newcomern, die neue S-Kurve zu dominieren. Clayton Christensen nannte dies das "Innovator's Dilemma": Rational handelnde Manager treffen Entscheidungen, die langfristig zum Untergang führen.

3. Und die dritte Falle ist die Committee-Lähmung. Der Sprung zwischen S-Kurven erfordert Geschwindigkeit und Risikobereitschaft. Etablierte Strukturen sind aber auf Stabilität und Risikominimierung ausgelegt. Ein Beispiel aus meinen Projekten im Konzernumfeld illustriert dies: Wir wollten eine neue Technologie für die Produktentwicklung einsetzen. Technologie, Budget und Vision waren vorhanden. Doch der sechsmonatige Abstimmungsprozess zwischen vier Abteilungen kostete den entscheidenden Zeitvorsprung.

Die Design-Tool-Revolution als aktuelles Lehrstück

Ein weniger bekanntes, aber faszinierendes Beispiel ist die Design-Software-Revolution. Adobe dominierte jahrzehntelang mit Photoshop, Illustrator und InDesign. Ihre Tools waren ausgereift, professionell und Industriestandard. Dann kam Figma – ein kleines Startup aus San Francisco, das letzte Woche einen fulminanten Börsenstart hinlegte.

Adobe dachte in Kategorien traditioneller Software: bessere Features, mehr Präzision, erweiterte Funktionalität. Figma stellte eine andere Frage: "Was, wenn Design-Teams in Echtzeit zusammenarbeiten könnten, wie bei Google Docs?" Figma's Wachstum von 2016 bis 2022 war explosiv, weil sie kollaboratives Design ermöglichten, während Adobe noch in Desktop-Anwendungen dachte.

Das Ergebnis: Adobe war in 2022 bereit, 20 Milliarden Dollar für Figma zu zahlen – eine der größten Software-Übernahmen der Geschichte, wenn nicht Wettbewerbs-Bedenken aus Washington zum Rückzieher von Adobe Ende 2023 geführt hätten. Die Beinahe-Akquisition zeigt, wie disruptiv neue Denkweisen etablierte Märkte erschüttern können. Zum Börsenstart ist Figam rund 33 Milliard Dollar wert.

Was ich in der Bildungsbranche erlebe

In meiner aktuellen Rolle sehe ich das Innovationsparadox weiterhin. Traditionelle Bildungsanbieter haben alles: etablierte Marken, bewährte Inhalte, regulatorische Expertise. Trotzdem innovieren EdTech-Startups schneller. Das traditionelle Denken fragt: "Wie können wir unsere Lehrhefte digitalisieren?" Das innovative Denken fragt: "Wie könnten Menschen in Zukunft lernen?"

Ein interessantes Beispiel, an das man sich anlehnen kann, ist der E-Commerce-Bereich. Während SAP und Oracle jahrelang komplexe Enterprise-E-Commerce-Lösungen verkauften, baute Shopify eine völlig andere Vision: "Was, wenn jeder Mensch einfach einen Online-Shop erstellen könnte?" Shopify's Aufstieg zeigt, wie sie den Markt von unten aufrollten, während die etablierten Player noch über Enterprise-Features diskutierten. Es gibt also zahlreiche Beispiele, die zeigen, wie sich disruptives Denken und Handeln auszahlt und wie auf Bestehendes zu beharren sich eher zur Gefahr entwicken kann.

Die Lösung: Organisationale Ambidextrie als Betriebssystem

Eigentlich ist es ja einfach. Und ein Blick auf die S-Kurve zeigt was zu machen ist: erfolgreiche Innovation erfordert organisationale Ambidextrie – die Fähigkeit, gleichzeitig zwei verschiedene "Betriebssysteme" zu betreiben.

• Das erste System fokussiert sich auf Exploitation – die Optimierung der aktuellen S-Kurve. Hier geht es um kurzfristige Ergebnisse, Effizienz und Qualität, bewährte Prozesse und Risikominimierung. Das bestehende Geschäft wird bedient und optimiert.

• Das zweite System konzentriert sich auf Exploration – die Entwicklung der nächsten S-Kurve. Hier werden langfristige Wetten eingegangen, experimentiert und gelernt, neue Ansätze ausprobiert und Risiken kalkuliert eingegangen. Neue Märkte werden erschlossen.

Die Kunst liegt darin, beide Systeme parallel zu betreiben, ohne dass sie sich gegenseitig behindern oder kannibalisieren.

Der S-Kurven-Sprung: Von Alt zu Neu

Der Übergang zwischen S-Kurven folgt einem vorhersagbaren Muster. In der ersten Phase geht es um Sensing – schwache Signale erkennen. Technologische Trends werden beobachtet, Kundenbedürfnisse antizipiert, Startups und Forschung verfolgt.

Die zweite Phase ist Seizing – Chancen ergreifen. Prototypen werden entwickelt, Geschäftsmodelle getestet, Partnerschaften eingegangen. Ein gutes Beispiel ist Amazon's frühe Cloud-Investitionen, die parallel zum E-Commerce aufgebaut wurden.

Die dritte Phase bedeutet Transforming – die Organisation anpassen. Neue Strukturen werden geschaffen, Talente umverteilt, ein Kulturwandel vorangetrieben.

Praktische Strategien für den Wandel

Basierend auf meinen Erfahrungen bei Deutsche Bahn, verschiedenen Digitalagenturen und jetzt im EdTech-Bereich haben sich sechs Prinzipien bewährt.

Zunächst müssen geschützte Innovationsräume geschaffen werden. Das "Lab-Modell" ermöglicht separate Einheiten, die außerhalb der normalen Hierarchie operieren können, mit eigenen Budgets und KPIs, direktem Zugang zur Geschäftsführung und einer Experimentier-Kultur statt Optimierungs-Kultur. Bei der DB konnten unsere "d.Labs" und “Skydecks” schnell Prototypen entwickeln, während das Kerngeschäft weiter lief.

Portfolio-Management ist entscheidend. Die 70-20-10 Regel hat sich bewährt: 70% der Ressourcen fließen ins Kerngeschäft (Exploitation), 20% in angrenzende Innovationen und 10% in disruptive Experimente (Exploration). Wie Google diese Regel ursprünglich nutzte, zeigt sowohl die Möglichkeiten als auch die Herausforderungen dieses Ansatzes.

Intelligente Risiken müssen belohnt werden. Neue KPIs sollten eingeführt werden: Learnings pro Experiment, Speed-to-Market, Customer Problem Fit – nicht nur ROI und Effizienz messen. Ein gescheitertes Experiment ist kein Failure, sondern wertvolles Wissen für den nächsten Versuch.

Außerdem sind externe Antennen extrem wichtig. Corporate Venture Capital ermöglicht Investitionen in relevante Startups. Partnerships schaffen Kooperationen mit Technologie-Partnern. Advisory Boards bieten externe Experten als Frühwarnsystem. Gezielte Acquisitions bringen neue Kompetenzen ins Unternehmen.

Übergangsstrategien müssen entwickelt werden. Der "Bridge-Ansatz" nutzt bestehende Stärken als Brücke zur neuen S-Kurve. In der Bildungsbranche nutzen traditionelle Fernschulen ihre Content-Expertise und regulatorische Erfahrung, um KI-gestützte adaptive Lernplattformen und neue Formate zu entwickeln.

Die kulturelle Transformation ist das schwierigste Element. Menschen müssen bereit sein, ihre Expertise teilweise obsolet werden zu lassen. Erfolgreich gelingt das durch transparente Kommunikation über die Notwendigkeit des Wandels, Umschulung und Weiterbildung für bestehende Mitarbeiter und neue Karrierewege in innovativen Bereichen.

Das Timing-Problem lösen

Das größte Dilemma liegt allerdings oft im Timing: Wann ist der richtige Zeitpunkt für den S-Kurven-Sprung? Zu früh bedeutet, dass die neue Technologie noch nicht marktreif ist und hohe Verluste entstehen. Zu spät bedeutet, dass Konkurrenten bereits die neue S-Kurve dominieren. Die Lösung liegt in kontinuierlichen Experimenten, die gestartet werden, bevor sie notwendig werden. So lernt man die neue S-Kurve kennen, während die alte noch profitabel ist.

Die Zukunft gehört den Mutigen

2025 wird das Innovationsparadox noch deutlicher. KI, Quantencomputing, Biotechnologie – die nächste Innovationswelle rollt bereits an. Die Gewinner werden Unternehmen sein, die bereit sind, ihr Geschäftsmodell zu hinterfragen, Teams, die in Experimenten statt in Plänen denken, und Führungskräfte, die Unsicherheit als Chance begreifen.

Ein persönliches Beispiel an dieser Stelle: als ich 2014 bei der Deutschen Bahn VR-Technologie für die ICE-Produktentwicklung einführte, hielten mich viele für verrückt. "Das ist Spielkram", hieß es. "Wir bauen Züge, keine Videospiele." Heute nutzt der Konzern VR für Designprozesse und Schulungen von Mitarbeitenden. Die DB war Pionier – das wurde mir damas bereits auf meinen Vorträgen dazu überrascht widergespiegelt.

Diese Erfahrung lehrte mich: Innovation ist nicht nur eine technische Herausforderung. Es ist eine kulturelle und psychologische.

Der Weg nach vorn

Das Innovationsparadox ist nicht unüberwindbar. Aber es erfordert bewusste Entscheidungen. Werden Sie Kannibalisierung riskieren, um relevant zu bleiben? Werden Sie Ressourcen für Experimente ohne garantierten ROI bereitstellen? Werden Sie externe Bedrohungen als Inspiration statt als Feinde betrachten?

Diese Entscheidungen sind unbequem. Sie fordern etablierte Machtstrukturen heraus. Sie stellen Gewohnheiten in Frage. Aber sie sind notwendig.

Die wichtigste Erkenntnis: Erfolg macht nicht immun gegen Disruption – er macht anfälliger dafür. In einer Welt des permanenten Wandels ist die gefährlichste Strategie, an der Vergangenheit festzuhalten, die einen erfolgreich gemacht hat.

Wie siehst du das Innovationsparadox in deiner Branche? Welche etablierten Player wurden von Newcomern überrascht? Und wo siehst du die nächste Disruption kommen?

Nach 15 Jahren in der Produktentwicklung und Digital Transformation bin ich zu einer (nicht ganz so) überraschenden Erkenntnis gekommen: Die erfolgreichsten datengetriebenen Unternehmen haben weniger KPIs, nicht mehr. Während die meisten Unternehmen ihre Dashboards mit immer mehr Kennzahlen vollstopfen, fokussieren sich die Champions auf das Wesentliche. Sie haben verstanden, dass der Schlüssel nicht in der Datenmenge liegt, sondern in der richtigen Auswahl.

Aber ist das nur Bauchgefühl oder gibt es dafür wissenschaftliche Belege? Ich habe die Forschung durchforstet – und die Ergebnisse sind eindeutig.

Das Data-to-Decision Framework

Es zeigt sich ein Framework, das ich nicht entwickelt habe, sondern gelebte Realität in zahlreichen Analytics-Projekten ist. Die Phasen sind so eindeutig wie nachvollziehbar:

Definieren → Sammeln → Analysieren → Interpretieren → Handeln

Die meisten Unternehmen scheitern allerdings bereits bei Schritt 1: dem Definieren der richtigen KPIs. Sie sammeln fleißig Daten, aber wissen nicht, welche davon wirklich wichtig sind.

Die Neurowissenschaft der 3-KPI-Regel

Achtung, es kommt ein kleiner Exkurs: unser Arbeitsgedächtnis funktioniert nach strengen biologischen Grenzen, die direkte Auswirkungen auf die Qualität unserer Geschäftsentscheidungen haben. Nelson Cowans bahnbrechende Forschung an der University of Missouri, über 6.900 Mal zitiert, hat unser Verständnis kognitiver Kapazität grundlegend verändert. Seine Studien zeigen: Die wahre Arbeitsgedächtniskapazität liegt bei 3-5 Elementen (typischerweise 4) für junge Erwachsene – nicht bei den oft zitierten 7±2 aus Millers früherer Arbeit.

Diese Grenze repräsentiert den Fokus der Aufmerksamkeit – eine begrenzte kognitive Ressource, die Informationen in einem sofort zugänglichen Zustand hält. Neurowissenschaftliche Forschung bestätigt: Der präfrontale Kortex, der unser Entscheidungsverhalten steuert, zeigt Winner-Take-All-Dynamiken, die bei Überlastung beeinträchtigt werden. Bei mehr als 3-4 gleichzeitigen Elementen bricht die neuronale Kohärenz zusammen und die kognitiven Kontrollmechanismen werden gestört.

Die Forschung aus der European Economic Review bestätigt dies im Business-Kontext: Höhere kognitive Belastung reduziert die Rechenleistung, erhöht risikoaversives Verhalten und macht Entscheidungsträger anfälliger für Ankereffekte. Die biologische Grundlage dieser Begrenzung scheint evolutionär vorteilhaft – sie balanciert Verarbeitungsfähigkeit mit metabolischer Effizienz. Das ist kein Fehler, den wir durch Technologie überwinden müssen, sondern ein optimales Design-Constraint.

Spannend soweit, aber trockene Theorie. Wie sieht es denn nun in der harten Realität der Arbeitswelt aus?

Was Studien aus der Praxis dazu zeigen

Boston Consulting Groups Analyse der weltbesten Performance-Management-Systeme betont: "strategisch und einsichtsvoll sein: Fokus auf einen begrenzten Satz von KPIs, die für die Geschäftsstrategie des Unternehmens relevant sind". Die BCG-Fallstudien zeigen konkrete Ergebnisse: Ein Getränkeunternehmen reduzierte das Reporting von fragmentierten Systemen auf standardisierte Scorecards. Ein Business-Services-Unternehmen komprimierte monatliche Verkaufsberichte von 40 Seiten auf 3 Seiten sorgfältig ausgewählter Informationen.

Die BCG Studie zeigt zusätzlich: Finanzorganisationen verbringen typischerweise 30% ihrer Ressourcen allein damit, Daten zusammenzustellen und Inkonsistenzen zu beheben – Zeit, die für Analyse und Handlungen umgeleitet werden könnte.

Eine Umfrage im MIT Sloan Management Review mit über 3.200 Senior Executives zeigt: Organisationen kämpfen mit "messbarer Unzufriedenheit", während KPI-Daten weiter zunehmen. Die meisten Führungskräfte berichten, sie seien "zerrissen zwischen dem Hinzufügen detaillierterer KPIs oder der Fokussierung auf einen kleineren, vereinfachten Satz".

Die kritische Erkenntnis: Die meisten KPIs werden als nur dem Namen nach wichtig betrachtet – Compliance, nicht Commitment, ist die vorherrschende organisatorische Haltung. Hat was von “haben wir schon immer so gemacht” oder Cover-My-Ass Spielchen.

Die harten Zahlen: ROI und Business Impact

Organisationen, die fokussierte KPI-Strategien implementieren, zeigen messbare Wettbewerbsvorteile. McKinseys Studie zu intelligenten Actionboards zeigt: Unternehmen, die Performance-Management zur Reduzierung operationeller Variabilität nutzen, erreichen Produktivitätssteigerungen von 20-30%. Eine Fallstudie eines lateinamerikanischen Telekommunikationsunternehmens dokumentierte 18% Netto-Produktivitätssteigerungen und mehrere Tage Reduzierung der Installationswartezeiten, nachdem traditionelle Dashboards durch von Experten vorbereitete Aktionspläne ersetzt wurden.

Die finanziellen Auswirkungen sind erheblich. Unternehmen mit effektiven Performance-Management-Systemen berichten: 60% übertreffen ihre Konkurrenten über drei Jahre – fast dreimal so häufig wie Organisationen mit ineffektiven Messansätzen. Dieser Performance-Unterschied führt zu echten Wettbewerbsvorteilen: Hochleistungsorganisationen akquirieren 23x häufiger Kunden, behalten 6x häufiger Kunden und sind 19x wahrscheinlicher profitabel.

Die Kosten unfokussierter Ansätze sind dramatisch: Organisationen geben jährlich 3,6 Milliarden Dollar für Dashboards und Performance-Management-Tools aus, die oft keine Handlungen auslösen. 72% der Geschäftsführer leiden unter Analyseparalyse aufgrund von Datenüberflutung.

Wie die Besten es machen: 3 Praxisbeispiele

Zalando: Kundenzentrierte KPI-Strategie

Zalando exemplifiziert fokussierte KPI-Implementierung durch ihre Customer-Lifetime-Value-Optimierungsstrategie. Das Unternehmen konzentriert sich auf drei primäre Metriken:

1. Aktives Kundenwachstum

2. Customer-Lifetime-Value-Steigerung

3. Kategorienübergreifende Shopping-Aktivität

Ihr Ansatz zeigte: Kunden, die in mehreren Kategorien einkaufen, geben über 3x mehr aus als Einkategorie-Shopper. Zalando Plus-Mitglieder besuchen die Plattform 2x häufiger und geben 3x mehr aus als Nicht-Mitglieder, was zu 20-25% Steigerungen im Brutto-Merchandise-Value pro Kunde führt. Die Finanzperformance bestätigt diesen fokussierten Ansatz: 2024er Umsatz erreichte €10,6 Milliarden (4,2% Wachstum) mit einem angepassten EBIT von €511 Millionen.

SAP: Cloud-Transformations-Metriken

SAPs Transformation konzentriert sich auf vier Kern-Cloud-KPIs:

1. Cloud-Umsatzwachstum (26% in 2024),

2. aktueller Cloud-Backlog (€18,1 Milliarden, plus 29%),

3. Anteil vorhersagbarer Umsätze (83%) und

4. Cloud-ERP-Suite-Performance (33% Wachstum).

SAPs 26% Cloud-Umsatzwachstum übertrifft deutlich den Median für öffentliche SaaS-Unternehmen (17-18%). Ihr aktueller Cloud-Backlog von €18,1 Milliarden bietet Sichtbarkeit in zukünftige Umsätze, während 83% vorhersagbarer Umsatzanteil die erfolgreiche Implementierung des wiederkehrenden Umsatzmodells demonstriert.

Der strategische KPI-Fokus ermöglicht klares Progress-Tracking zu 2025-Zielen: erwarteter Cloud-Umsatz von €21,6-21,9 Milliarden und Non-IFRS-Betriebsgewinn von €10,3-10,6 Milliarden.

BMW: Digitale Transformation durch iFACTORY

BMWs iFACTORY-Strategie exemplifiziert integrierte digitale Transformationsmessung durch ihr "LEAN. GREEN. DIGITAL."-Framework. Das Unternehmen fokussiert auf

1. Elektrifizierungsziele (25% der Verkäufe vollelektrisch bis 2025, 50% bis 2030),

2. Produktionseffizienz-Metriken (200+ KI-Lösungen implementiert) und

3. Investment-ROI (€18 Milliarden kombinierte F&E und Capex in 2024).

Ihre Digital-Twin-Implementierung umfasst über 30 Produktionsstandorte mit messbaren Effizienzsteigerungen: Kollisionschecks reduziert von 4 Wochen auf 3 Tage und bis zu 30% Reduzierung der Produktionsplanungskosten prognostiziert. BMW lieferte 426.594 vollelektrische Fahrzeuge in 2024 (13,5% Wachstum), was 17,4% der Gesamtverkäufe repräsentiert.

Die häufigsten Fallen vermeiden

Dashboard-Friedhöfe resultieren aus unfokussierter Mess-Proliferation. Harvard Business Review-Forschung empfiehlt, KPIs um Schlüssel-Stakeholder-Gruppen zu strukturieren mit maximal 2-3 Metriken pro Gruppe.

Analyseparalyse entsteht aus vier primären Ursachen: Versagensangst, Überdenken, zu viele Optionen durch Datenflut und mangelndes Entscheidungsvertrauen. Forschung zeigt: Anspruchsvolle mentale Aufgaben führen zu vereinfachter Entscheidungsfindung sowohl während als auch nach kognitiver Belastung.

Erfolgreiche Organisationen schaffen "Single-Source-of-Truth"-Systeme mit konsistenten, relevanten KPIs. BCG-Fallstudien zeigen: Unternehmen profitieren von minimalen KPI-Sets, die Fortschrittsbewertung ohne kognitive Überlastung ermöglichen.

Hier ist der ultimative 48-Stunden-Test für jeden KPI in deinem Unternehmen:

"Wenn sich dieser Wert um 20% verändert – welche konkrete Aktion würden wir binnen 48 Stunden ergreifen?" Keine klare Antwort? Streiche den KPI sofort.

Die 3-Ebenen-Matrix in der Praxis

Die 3-KPI-Regel

Erfolgreiche datengetriebene Unternehmen fokussieren sich auf maximal 3 Kern-KPIs pro Entscheidungsebene.

Framework für KPI-Definition:

Die 3-Ebenen-Matrix für fokussierte KPI-Strategien

Jede Ebene hat ihre eigene Zeitperspektive:

• Strategisch (Monate/Jahre)

• Taktisch (Wochen/Monate)

• Operativ (Tage/Wochen)

Aber alle sind durch die gleiche Logik verbunden: Nur 3 KPIs, die wirklich zu Handlungen führen.

Die anderen Stufen des Frameworks

Sobald du deine 3 KPIs definiert hast, kommen die weiteren Stufen des Data-to-Decision Frameworks ins Spiel:

2. Sammeln: Quality over Quantity. 80% der wertvollen Insights kommen aus 20% deiner Daten. Konzentrier dich auf diese 20% und automatisiere die Sammlung.

3. Analysieren: Der größte Fehler ist, Korrelation mit Kausalität zu verwechseln. Stell bei jeder Analyse drei Fragen: Was sehen wir? Warum ist das so? Was wird passieren?

4. Interpretieren: Context is King. Jeder KPI muss in vier Dimensionen betrachtet werden: Temporal (Entwicklung über Zeit), Kompetitiv (vs. Wettbewerb), Kausal (welche Faktoren beeinflussen ihn) und Prädiktiv (was bedeutet das für die Zukunft).

Typischer Fehler, die man in dieser Phase macht sind, KPIs isoliert und ohne Kontext zu betrachten.

"Unsere Customer Acquisition Costs sind um 15% gestiegen" – ist das gut oder schlecht?

Antwort: Kommt darauf an.

Ist der Customer Lifetime Value um 25% gestiegen? → Gut

Ist die Conversion Rate um 30% gefallen? → Schlecht

Ist der Markt um 20% gewachsen? → Neutral

Das Kontext-Framework

Interpretiere daher jeden KPI in 4 Dimensionen:

Die 4-Dimensionen-Matrix für intelligente KPI-Interpretation

5. Handeln: Jeder Insight muss innerhalb von 48 Stunden zu einer konkreten Aktion führen. Wenn nicht, war es kein Insight – es war nur eine Zahl.

Weniger ist exponentiell mehr

Die Konvergenz von Neurowissenschaft, Beratungsforschung und realen Fallstudien liefert überzeugende Validierung für fokussierte KPI-Ansätze. Menschliche kognitive Grenzen sind keine organisatorischen Schwächen, sondern biologische Realitäten, die Wettbewerbsvorteile für Unternehmen bieten, die um sie herum optimieren.

Zalando, SAP, BMW – sie alle haben eine Sache verstanden: Datengetriebene Exzellenz entsteht nicht durch mehr Metriken, sondern durch die richtigen 3.

Ein 3-KPI-Set ist kein Verzicht. Sie ist Fokussierung auf das, was wirklich zählt. In einer Welt unbegrenzter Daten gewinnt, wer die Kunst der intelligenten Begrenzung beherrscht.

Die wichtigste (und wahrlich nicht neueste) Erkenntnis: Erfolgreiche Unternehmen messen nicht mehr – sie messen richtig.

Meine Frage an dich: Welche 47 KPIs kannst du heute streichen, um morgen die richtigen 3 zu finden?

Was sind deine Erfahrungen mit KPI-Überladung? Welche 3 KPIs steuern dein Unternehmen wirklich? Lass uns in den Kommentaren diskutieren.

Den Artikel gibts auch als Podcast:

74% aller KI-Projekte scheitern. Exakt derselbe Prozentsatz wie bei den Digitalisierungsprojekten der 2010er Jahre. Nach einer Dekade voller gescheiterter ERP-Systeme, abgebrochener Cloud-Migrationen und verpuffter Digital-Budgets machen Unternehmen heute wieder genau die gleichen Fehler - nur diesmal mit KI statt mit klassischer IT.

Das Absurde daran? Die Hälfte der Unternehmen, die Menschen durch KI ersetzt haben, bereuen diese Entscheidung bereits und stellen wieder ein. Das ist die größte dokumentierte Strategieumkehr in der Geschichte der KI-Adoption. Und wir reden hier nicht von Start-ups, die experimentieren. Wir reden von McDonald's, Klarna, IBM - Unternehmen, die es eigentlich besser wissen müssten.

Deutschland macht den gleichen Fehler nochmal

Schauen wir uns Deutschland an. Nur 20% der deutschen Unternehmen nutzten 2024 überhaupt KI-Technologien. Ein Drittel aller Unternehmen hat keinerlei KI-Pläne. Das, obwohl die Bundesregierung 500 Millionen Euro KI-Förderung bereitgestellt hat.

Kommt dir das bekannt vor? Mir schon. Genauso lief es bei der Digitalisierung ab 2010. Während amerikanische Konkurrenten ihre Geschäftsmodelle komplett umkrempelten, warteten deutsche Unternehmen ab. "Schauen wir mal, was passiert", ist die Devise. Heute, 15 Jahre später, dominieren amerikanische Tech-Giganten wieder bzw. immernoch ganze Branchen. Der Bitkom bringt es auf den Punkt, mit demselben Satz, den man auch schon 2015 über die Digitalisierung hätte sagen können

"Der Transfer von Erkenntnissen aus der Wissenschaft in die Industrie ist vielleicht die größte Schwäche in Deutschland." Bitkom

Die Katastrophen passieren schon heute

McDonald's und der 260-McNuggets-Alptraum

Wer kann sich nicht daran erinnern? McDonald's war so stolz auf ihre KI-Revolution. Drei Jahre lang arbeiteten sie mit IBM zusammen, um KI-gesteuerte Drive-Thru-Bestellungen zu entwickeln. Die Technologie war beeindruckend, die Vision klar: Schnellere Bestellungen, weniger Personalkosten, zufriedenere Kunden. Klassisches PowerPoint-Erfolgs-Slide.

Im Juni 2024 war dann alles vorbei. Ohne große Ankündigung beendete McDonald's die Partnerschaft. Warum? Das System bestellte 260 Chicken McNuggets für eine einzige Person. Es fügte Bacon zu Eiscreme hinzu. Kunden filmten diese Pannen und machten sie auf TikTok viral - ein PR-Alptraum.

Das Problem war nicht die Technologie. Das Problem war der Ansatz: Technologie zuerst, Kundenbedürfnisse später. Genau der gleiche Fehler, den Unternehmen bei ERP-Implementierungen gemacht haben - großartige Software, aber niemand dachte daran, wie Menschen sie tatsächlich nutzen würden.

Klarna: Vom KI-Vorreiter zum Realitätscheck

Klarna ist noch interessanter. Im Februar 2024 prahlte CEO Sebastian Siemiatkowski, dass ihre KI die Arbeit von 700 Kundenservice-Mitarbeitern übernommen hätte. 40 Millionen Dollar Einsparungen, verkündete er stolz. Die Medien feierten Klarna als KI-Vorreiter.

Drei Monate später war die Begeisterung verflogen. "Es ist kritisch, dass Kunden immer mit einem Menschen sprechen können, wenn sie wollen", ruderte Siemiatkowski zurück. Klarna stellte wieder Menschen ein. Der Grund? Die pure KI-Fokussierung führte zu "niedrigerer Qualität" beim Kundenservice. Die angeblichen 40 Millionen Dollar Einsparungen? Verpufft. Spannend.

IBM: Die 200-Millionen-Dollar Lehrstunde

IBM machte es noch dramatischer. 2023 entließen sie etwa 8.000 HR-Mitarbeiter und ersetzten sie durch "AskHR", ein KI-System. Die ersten Zahlen sahen fantastisch aus: 94% Automatisierungsrate, der Net Promoter Score (NPS) stieg von minus 35 auf plus 74.

Dann kam die Realität. Die 6% nicht automatisierbaren Fälle - sensible Arbeitsplatzthemen, ethische Dilemmata, emotional aufgeladene Gespräche - führten zu katastrophalen Service-Lücken. IBM stellte am Ende mehr Menschen ein, als sie ursprünglich entlassen hatten, und zahlte dabei das Drei- bis Fünffache der ursprünglichen Kosten. Verrückt.

Es ist exakt das gleiche Muster wie damals

Wenn ich diese Geschichten höre, bekomme ich Déjà-vu-Gefühle. Die Parallelen zur gescheiterten Digitalisierung der 2010er Jahre sind erschreckend präzise.

Damals implementierten Unternehmen ERP-Systeme und digitale Lösungen, weil ihre Konkurrenten es auch taten - nicht, um spezifische Probleme zu lösen. Heute adoptieren 37% der Führungskräfte KI-Tools ohne klare Erfolgskennzahlen. Wieder derselbe "Lösung sucht Problem"-Ansatz.

Bei Change Management wiederholt sich die Geschichte eins zu eins. In den 2010ern nutzen die Hälfte der Verkäufer die teuer implementierten CRM-Systeme einfach nicht, weil sie nie richtig geschult wurden und den Sinn nicht verstanden. Heute erwarten 60% der Organisationen, dass sich Mitarbeiter selbst in KI fortbilden. Die drei größten KI-Hürden? Organisatorisches Change Management, Vertrauenslücken bei Mitarbeitern und Kompetenzdefizite.

Die historischen Desaster sprechen für sich: General Electric schrieb 22 Milliarden Dollar für GE Digital ab. Hershey verlor 100 Millionen Dollar durch eine beschleunigte ERP-Einführung. HP büßte 160 Millionen Dollar durch mangelhafte Systemintegration ein.

Heute sehen wir: McDonald's komplette IBM-Investition ist abgeschrieben, Klarna macht eine teure Strategieumkehr, Google kämpfte bis vor kuzem noch mit mit Gemini's Bias-Problemen. Identische Grundursachen, nur andere Technologie.

Aber es geht auch anders - die Erfolgsgeschichten

Zum Glück gibt es auch Unternehmen, die es richtig machen. Und interessant ist: Sie alle haben aus den Digitalisierungsfehlern gelernt.

Microsoft: Human-centered, Technology Follows

Christopher Fernandez, VP bei Microsoft, hat etwas Faszinierendes gemacht. Statt KI von oben aufzuzwingen, führte er eine dreistufige human-zentrierte Implementierung durch.

Zuerst ließ er Teams mit einfachen Automatisierungstools experimentieren - nicht um Arbeitsplätze zu ersetzen, sondern um Vertrauen aufzubauen. Er schuf "Citizen Developer" als Champions, die ihre Kollegen unterstützten. Dann wartete er. Statt strategische Leitlinien zu diktieren, ließ er die Mitarbeiter selbst herausfinden, wo KI wirklich hilft. Erst als klar war, was funktioniert, implementierte er KI-Tools systematisch.

Das Ergebnis? Signifikante Verbesserungen bei Effizienz, Zykluszeiten, Mitarbeiterzufriedenheit und Wohlbefinden. Kein einziger Arbeitsplatz ging verloren - im Gegenteil, die Menschen wurden produktiver und zufriedener.

DBS Bank: Aus beiden Transformationen lernen

Piyush Gupta von der DBS Bank ist vielleicht der einzige CEO, der beide Transformationen erfolgreich gemeistert hat. 2014 war DBS als "Damn Bloody Slow" verschrien. Heute ist sie zweimaliger Gewinner der "World's Best Digital Bank".

Guptas Geheimnis? Er behandelte die Digitalisierung als Kulturwandel, nicht als IT-Projekt. Und bei der KI macht er dasselbe: Über 1.000 KI-Experimente jährlich, 1.000 Datenwissenschaftler, 18.000 geschulte Mitarbeiter, 400 KI-Anwendungsfälle in Produktion.

"Wir müssen dieselben Fähigkeiten wie die Digital Natives haben. Dann können wir mit ihnen konkurrieren und weiter innovieren." - Piyush Gupta, CEO von DBS Bank

Deutsche Bank: Das Fundament muss stimmen

Bernd Leukert, CTO der Deutschen Bank, erkannte früh: "Die Cloud bietet die immense Rechenleistung, die für künstliche Intelligenz benötigt wird." Statt direkt mit KI zu starten, migrierte die Bank erst 260 Anwendungen in die Google Cloud. Erst dann kam die KI. Das Ergebnis: 97% Genauigkeit bei Dokumentenverarbeitung, 40% weniger Bearbeitungszeit, 6.000 geschulte Mitarbeiter. Weil das Fundament stimmte.

Die vergessene 70-20-10 Regel

Hier wird es richtig absurd. Die Boston Consulting Group hat herausgefunden, dass 70% der KI-Implementierungsherausforderungen Menschen und Prozesse betreffen, 20% Technologie und nur 10% Algorithmen. Und was machen die meisten Unternehmen? Sie investieren 80% ihrer Ressourcen in Technologie und nur 10% in Change Management. Exakt derselbe Fehler wie bei den gescheiterten Digitalisierungsprojekten. Es ist, als würde man ein Haus bauen und 80% des Budgets für die Farbe ausgeben, aber das Fundament vergessen.

Was man jetzt sofort anders machen kann

Lass mich konkret werden. Was kannst du als Entscheider sofort ändern?

Höre auf, Technology-first zu denken. Beginne mit dem Geschäftsproblem. Frage nicht "Wie können wir KI einsetzen?", sondern "Welches Problem wollen wir lösen, und ist KI die beste Lösung dafür?" Manchmal ist die Antwort nein - und das ist völlig in Ordnung.

Investiere massiv in Change Management. 70% der Ressourcen sollten in Menschen und Prozesse fließen. Schule nicht nur die IT-Abteilung, sondern alle Mitarbeitende, die mit KI in Berührung kommen. Und zwar richtig, nicht mit einem kurzen Online-Kurs.

Lerne aus der Digitalisierung. Implementiere phasenweise, nicht als "Big Bang". Behalte immer menschliche Aufsicht bei. Und um Himmels willen: Teste alles gründlich, bevor es live geht.

Für deutsche Unternehmen kommt noch hinzu: Überwinde endlich die Lücke zwischen Wissenschaft und Industrie. Wir haben fantastische KI-Forschung, aber sie kommt nicht in den Unternehmen an. Das muss sich ändern.

Die Kosten des Nichtstuns

Die finanziellen Verluste sind jetzt schon massiv. Klarna's 40 Millionen Dollar Einsparungen wurden durch Qualitätsprobleme zunichtegemacht. McDonald's dreijährige IBM-Investition ist komplett abgeschrieben. IBM zahlte das Drei- bis Fünffache für ihre Entlassungs- und Wiedereinstellungszyklen.

Aber der Reputationsschaden wiegt noch schwerer. Google kämpfte mit Gemini's Bias-Problemen. McDonald's KI-Pannen gingen viral. Air Canada musste sogar vor Gericht, weil ihr Chatbot falsche Versprechungen machte. Diese Marken-Schäden dauern Jahre.

Drei Dinge machen den Unterschied

Wir stehen an einem Scheideweg. Die erfolgreichen 26% der Unternehmen, die über Proof-of-Concepts hinauskommen, haben drei Dinge gemeinsam: Sie behandeln Menschen als Partner, nicht als Hindernisse. Sie beginnen mit Geschäftsproblemen, nicht mit Technologie-Features. Und sie investieren mehr in Change Management als in Algorithmus-Optimierung.

Für deutsche und europäische Entscheider ist die Frage existenziell: Wiederholen wir die teuren Digitalisierungsfehler mit noch teureren KI-Technologien? Oder nutzen wir die historischen Lektionen für eine menschenzentrierte, strategische KI-Transformation? Die Antwort entscheidet über Wettbewerbsfähigkeit, Mitarbeiter-Engagement und letztendlich das Überleben in der KI-Ära.

Die Fehler der Digitalisierung waren teuer. Die Fehler der KI-Transformation werden existenzbedrohend sein. Aber sie sind vermeidbar - wenn wir endlich aus der Vergangenheit lernen.

Der Netflix-Moment: Wenn Daten Bauchgefühl schlagen

Ja, ich weiß: diese ewigen Netflix-Beispiele, Aber sie sind so plakativ und nachvollziehbar. Als Reed Hastings 2007 einen Million-Dollar-Preis für einen besseren Empfehlungsalgorithmus ausschrieb, verstand die Branche noch nicht, was da passierte. Blockbuster optimierte weiterhin die Standorte ihrer Videotheken basierend auf Erfahrungswerten und Marktforschung. Netflix hingegen analysierte jeden Klick, jeden Stopp, jede Bewertung ihrer Nutzer. Das Ergebnis kennen wir alle: Blockbuster verschwand, Netflix wurde zum Streaming-Giganten.

Was mich an dieser Geschichte fasziniert, ist nicht der technologische Vorsprung, sondern die fundamentale Denkweise. Blockbuster fragte sich: "Wie können wir unsere bestehenden Prozesse optimieren?" Netflix fragte: "Was sagen uns die Daten über das, was Kunden wirklich wollen?" Diese Perspektive machte den Unterschied zwischen Überleben und Untergang.

In der Bildungsbranche erleben wir gerade den gleichen Paradigmenwechsel. Traditionelle Anbieter optimieren ihre Präsenzformate, während datengetriebene Plattformen das Lernen komplett neu denken. Bei Klett Online-Weiterbildung sehen wir täglich, wie Daten in Learning Experience uns helfen, bessere Lernpfade zu entwickeln. Nicht das, was wir für richtig halten, sondern das, was die Daten über effektives Lernen verraten.

Die Zalando-Revolution: Schwächen zu Stärken machen

Zalando startete 2008 mit einer scheinbar unmöglichen Mission: Mode online verkaufen. Der Einzelhandel war sich sicher, dass Menschen Kleidung anprobieren müssen. Zalando drehte diese vermeintliche Schwäche um und machte sie zur Stärke. Statt das Anprobieren zu ersetzen, machten sie es besser: zu Hause, ohne Zeitdruck, mit 100 Tagen Rückgaberecht.

Der Schlüssel war wieder die Datennutzung. Jede Retoure lieferte wertvolle Informationen über Passform, Stil und Präferenzen. Wo traditionelle Händler Retouren als Kostenfaktor sahen, erkannte Zalando eine Goldgrube für Produktintelligenz. Diese Daten ermöglichten immer bessere Empfehlungen, bis Online-Shopping tatsächlich personalisierter wurde als der Besuch im Laden.

Diese Umkehrung der Schwächen-Stärken-Logik beobachte ich auch in der Weiterbildung. Fernstudium galt lange als zweite Wahl, weil der persönliche Kontakt fehlt. Heute ist es oft flexibler, personalisierter und effektiver als Präsenz-Lernen. Die Daten zeigen uns, wann Lernende am aufnahmefähigsten sind, welche Inhalte am besten funktionieren und wo individuelle Unterstützung nötig ist.

Microsofts Kulturwandel: Von Know-it-all zu Learn-it-all

Satya Nadellas Transformation von Microsoft ist vielleicht das beeindruckendste Beispiel für kulturgetriebene Digitalisierung. Als er 2014 CEO wurde, war Microsoft in der öffentlichen Wahrnehmung ein Dinosaurier. Die Windows-zentrierte Strategie funktionierte in einer Mobile-first, Cloud-first Welt nicht mehr. Für mich war damals schon der Wandel spürbar.

Nadella veränderte nicht nur die Produkte, sondern die gesamte Unternehmenskultur. Aus der "Know-it-all"-Mentalität wurde eine "Learn-it-all"-Kultur. Plötzlich war es okay, zu experimentieren, zu scheitern und zu lernen. Diese kulturelle Veränderung spiegelte sich in der Produktstrategie wider: Azure wurde zum Fundament für alles, Daten zum Treibstoff für Innovation.

Die Marktkapitalisierung von Microsoft verzehnfachte sich in den folgenden Jahren. Nicht wegen einer einzigen brillanten Idee, sondern wegen der systematischen Nutzung von Daten für Produktentscheidungen. Jede Interaktion in Office 365, jede API-Anfrage in Azure, jeder Commit in GitHub wurde zu Intelligence, die die nächste Produktiteration verbesserte.

In der Bildungsdigitalisierung sehe ich ähnliche Muster. Organisationen, die erfolgreich transformieren, ändern nicht nur ihre Technologie, sondern ihre Lernkultur. Sie werden zu datengetriebenen Organisationen, die kontinuierlich experimentieren und optimieren.

Spotify und die Playlist-Revolution

Spotify löste ein Problem, das niemand zu haben glaubte. Die Musikindustrie war überzeugt, dass Menschen Alben kaufen wollen. Spotify erkannte durch Datenanalyse, dass Menschen eigentlich Stimmungen und Momente kaufen wollen. Diese Erkenntnis führte zur Playlist-Revolution.

Der Durchbruch kam nicht durch bessere Technologie, sondern durch bessere Datennutzung. Spotify analysierte nicht nur, was Menschen hörten, sondern wann, wo und wie lange. Diese Insights ermöglichten Discover Weekly, Daily Mix und Wrapped - Formate, die die Art, wie wir Musik konsumieren, fundamental veränderten.

Was Spotify besonders smart machte: Sie verwandelten ihre Nutzer in das größte Produktentwicklungsteam der Welt. Jeder Skip, jeder Replay, jede Playlist wurde zu Product Intelligence. 70 Millionen Nutzer als permanente Beta-Tester.

Die KI-Revolution: Daten als Treibstoff der Zukunft

Diese Beispiele aus der Vergangenheit sind heute relevanter denn je. Wir stehen am Beginn einer neuen Disruption, die alle bisherigen in den Schatten stellt. Künstliche Intelligenz verändert nicht nur einzelne Branchen, sondern die Art, wie wir Probleme lösen.

Der Unterschied zu früheren Technologiewellen ist fundamental: KI wird nicht durch Code programmiert, sondern durch Daten trainiert. Die Unternehmen, die heute die wertvollsten Datensammlungen aufbauen, werden die Gewinner von morgen sein. Daten sind der Treibstoff der KI-Revolution.

Bei der sgd erleben wir das täglich. Unsere KI-gestützten Lernpfade werden nicht besser, weil wir klügere Algorithmen schreiben, sondern weil wir mehr und bessere Daten über Lernverhalten sammeln. Jede Interaktion von 60.000 Fernschülern macht das System intelligenter.

Die neue Realität: Nutzerzentrierte Produktentwicklung

Was alle erfolgreichen Transformationen gemeinsam hatten, setzt sich heute in der KI-Ära fort: echte Nutzerorientierung durch Daten. Netflix wusste durch Daten, was Zuschauer wollen. Zalando verstand durch Daten, wie Menschen einkaufen. Microsoft lernte durch Daten, was Entwickler brauchen. Spotify erkannte durch Daten, wie Menschen Musik erleben.

Heute geht es noch einen Schritt weiter. KI-Systeme können nicht nur verstehen, was Nutzer wollen, sondern vorhersagen, was sie brauchen werden. Sie können in Echtzeit personalisieren, adaptieren und optimieren. Das ist der Quantensprung von der datengetriebenen zur KI-getriebenen Produktentwicklung.

In der Bildung bedeutet das eine Revolution. Statt standardisierter Curricula entstehen adaptive Lernpfade. Statt statischer Inhalte entwickeln sich dynamische Lernumgebungen. Statt Einheitslösungen entstehen personalisierte Bildungserlebnisse.

Die MUSTER DER ZUKUNFT SIND KLAR

Unternehmen, die Daten als strategischen Vorteil verstehen, gewinnen. Diejenigen, die Daten nur als Nebenprodukt betrachten, verlieren. In der KI-Ära wird dieser Unterschied noch drastischer. Die Frage ist nicht mehr, ob Ihr Unternehmen KI einsetzen wird, sondern ob Sie die Datengrundlage haben, um KI erfolgreich einzusetzen. Die Gewinner von morgen sammeln seit gestern die Daten, die ihre KI-Systeme übermorgen antreiben werden.

Als jemand, der beide Welten erlebt hat - die traditionelle Produktentwicklung und die KI-gestützte Innovation - kann ich sagen: die Zukunft gehört den Unternehmen, die Daten nicht nur sammeln, sondern systematisch für bessere Nutzererlebnisse nutzen. In der Bildung, in der Mobilität, in jedem Bereich.

Welche Daten sammelt dein Unternehmen bereits? Und noch wichtiger: Wie nutzt ihr sie für bessere Produktentscheidungen? Ich bin gespannt auf eure Erfahrungen und Einschätzungen zu diesem Thema.

Zum Artikel “The world’s most valuable resource is no longer oil, but data” im The Economist: https://www.economist.com/leaders/2017/05/06/the-worlds-most-valuable-resource-is-no-longer-oil-but-data

Warum ist traditionelle Kursentwicklung zu langsam für die digitale Transformation?

Diese Erfahrung brachte mich zur Entwicklung des Learning Velocity Canvas - einem Framework, das die bewährten Prinzipien agiler Produktentwicklung auf die spezifischen Herausforderungen der Bildungsbranche überträgt. Als Product Owner weiß ich, dass die Antwort nicht darin liegt, noch mehr Zeit in die Planung zu investieren, sondern vielmehr darin, schneller zu lernen und zu iterieren.

Die vier Quadranten des Learning Velocity Canvas verstehen

Das Framework basiert auf vier wesentlichen Denkbereichen, die man systematisch durcharbeiten sollte, um von einer Kursidee zu einem markttauglichen Lernprodukt zu gelangen. Diese Quadranten sind nicht als starre Checkboxen zu verstehen, sondern als lebendige Denkräume, die man immer wieder besucht und verfeinert.

Quadrant 1: Learner Jobs-to-be-Done - Das wahre Warum verstehen

Der erste und wichtigste Schritt liegt darin, das wahre Bedürfnis der Zielgruppe zu verstehen. Hier geht es nicht um oberflächliche Wünsche wie "Python lernen" oder "digitale Kompetenzen aufbauen", sondern um die tieferliegenden Motivationen und Ziele.

Wenn man diesen Quadranten erarbeitet, stellt man sich vor, man führt ein Gespräch mit den idealen Lernenden. Was treibt die Person wirklich an? Vielleicht ist es die Angst vor dem Jobverlust durch Automatisierung, der Wunsch nach beruflicher Weiterentwicklung oder die Hoffnung, endlich das Gehalt zu bekommen, das sie verdient.

In meiner Erfahrung stellen wir oft fest, dass Lernende nicht primär Wissen erwerben wollen, sondern ein spezifisches Problem lösen oder ein konkretes Ziel erreichen möchten. Ein Teilnehmer unseres KI-Grundlagen-Kurses wollte beispielsweise nicht einfach nur "Künstliche Intelligenz verstehen", sondern "in sechs Monaten als KI-Consultant arbeiten können". Diese Unterscheidung ist fundamental für alles, was folgt.

Quadrant 2: Minimum Viable Curriculum - Der Kern des Lernens

Sobald man das wahre Bedürfnis verstanden hat, geht es darum, das absolute Minimum an Lerninhalten zu identifizieren, das zur Zielerreichung notwendig ist. Hier kommt das Pareto-Prinzip ins Spiel: Welche 20 Prozent der möglichen Inhalte werden 80 Prozent des gewünschten Ergebnisses liefern?

Diese Denkweise widerspricht dem traditionellen Ansatz vieler Bildungsanbieter, die dazu neigen, umfassende und vollständige Curricula zu erstellen. Stattdessen zwingt man sich dazu, radikal zu priorisieren. Was ist wirklich essenziell für den Erfolg der Lernenden?

Nehmen wir das Beispiel eines Data Science Kurses. Anstatt alle verfügbaren Python-Bibliotheken, statistischen Methoden und theoretischen Grundlagen zu behandeln, konzentriert man sich auf die relevanten Kernkompetenzen: Pandas für Datenmanipulation, Matplotlib für Visualisierung und grundlegende statistische Konzepte. Alles andere wird zu "Nice-to-have"-Inhalten, die man später hinzufügen kann, wenn sich die Kernkompetenzen bewährt haben. Damit hat man nicht nur einen schnellen und kompakten Kurs, sondern im Grunde auch direkt auch Themen für Aufbaukurse oder Zusatzmodule.

Quadrant 3: Learning Validation Metrics - Erfolg messbar machen

Der dritte Quadrant beschäftigt sich mit der Frage, wie man den Lernerfolg kontinuierlich messen und validieren kann. Hier geht es nicht um traditionelle Abschlussprüfungen in Form von Wissensabfragen, sondern um fortlaufende Validierung der Lernfortschritte in Echtzeit.

Man denkt an Metriken, die wirklich aussagekräftig sind: Kann die Lernende nach Modul drei tatsächlich eine einfache Datenanalyse durchführen? Wie lange braucht die Person dafür? Welche Fehler macht sie dabei? Diese praktischen Assessments geben wertvolle Einblicke in die Effektivität des Curriculums.

Besonders wichtig ist dabei die Messung der "Time-to-Competency" - also der Zeit, die Lernende benötigen, um eine bestimmte Fähigkeit zu erlangen. Diese Metrik hilft zu verstehen, ob das Curriculum effizient strukturiert ist oder ob es Bereiche gibt, die Lernende systematisch aufhalten.

Quadrant 4: Feedback Loops - Der Motor der kontinuierlichen Verbesserung

Der vierte Quadrant ist der Motor des gesamten Systems. Hier definiert man, wie kontinuierlich Feedback von Lernenden, aber auch von der Praxis erhalten und in Verbesserungen umgesetzt wird.

Man sollte regelmäßige Berührungspunkte mit Lernenden etablieren. Dies können regelmäßige Community-Check-ins sein, in denen man nicht nur den Lernfortschritt bespricht, sondern auch herausfindet, wo sie Schwierigkeiten haben oder welche Aspekte besonders hilfreich waren. Live-Sessions, in denen Lernende praktische Aufgaben lösen, während man zuschaut, geben unschätzbare Einblicke in die Realität des Lernprozesses.

Genauso wichtig ist das Feedback aus der Praxis. Gespräche mit Arbeitgebern, die die Absolventen und erfolgreiche Teilnehmenden einstellen, sind wertvoll. Welche Fähigkeiten sind wirklich relevant? Wo gibt es Lücken zwischen dem, was vermittelt wird, und dem, was in der Praxis gebraucht wird?

Die praktische Erarbeitung des Canvas

Wenn man den eigenen Learning Velocity Canvas erstellt, beginnt man nicht mit leeren Feldern, sondern mit Annahmen. Man füllt jeden Quadranten mit den besten Vermutungen aus - basierend auf der eigenen Erfahrung und dem Verständnis des Marktes. Der Schlüssel liegt darin, diese Annahmen schnell zu testen und zu verfeinern. Dazu müssen natürlich Bedingungen für Testszenarien gegeben sein, wie z.B. Zugriff auf Testpersonen. Etwa ein Lernenden-Beirat oder ein Test-Panel, das bei Entwicklungen und Fragen hinzugezogen werden darf. Ein anderer Weg können Studien und Branchenanalysen sein, die Erkenntnisse und Bedürfnisse von bestimmten Zielgruppen verraten.

Man startet also mit einem kleinen Pilotprojekt. Man entwickelt eine erste Version des Minimum Viable Curriculums (MVC) und testet es mit einer kleinen Gruppe von Lernenden. Diese Gruppe wird zu den wertvollsten Partnern in der Produktentwicklung, da sie direktes Feedback aus erster Hand geben kann.

Während des Pilotprojekts sammelt man kontinuierlich Daten zu den definierten Metriken. Wie entwickeln sich die Lernenden? Wo haken sie? Welche Teile des Curriculums sind besonders effektiv? Diese Erkenntnisse fließen direkt in die nächste Iteration ein.

Von der Theorie zur Praxis: Ein konkretes Beispiel

In unserem Fachbereich haben wir diesen Ansatz bei der Entwicklung eines Kurses zu Agile Grundlagen angewandt. Statt ein Jahr in die Entwicklung eines umfassenden Curriculums zu investieren, haben wir mit der Kernfrage begonnen: Was wollen unsere Lernenden wirklich erreichen?

Die Antwort war nicht "Agile Methoden verstehen", sondern "in meinem Unternehmen erfolgreiche agile Projekte leiten können". Daraus entwickelten wir ein Minimum Viable Curriculum, das sich auf die praktischen Aspekte von Scrum und Kanban konzentrierte, ergänzt durch echte Fallstudien und praktische Übungen.

Das Ergebnis war beeindruckend: Von der ersten Idee bis zum Launch vergingen nur wenige Wochen. Die Completion-Rate und Weiterempfehlungsquote lagen jeweils über dem Durchschnitt des restlichen Kursangebots. Noch wichtiger: Die Lernenden berichteten, dass sie die erlernten Fähigkeiten unmittelbar in ihrem Beruf anwenden konnten.

Der Paradigmenwechsel: Von perfekt zu iterativ

Mit der Learning Velocity Canvas starteten wir einen fundamentalen Paradigmenwechsel in der Produktentwicklung für die Erwachsenen-Weiterbildung. Statt zu versuchen, von Anfang an perfekte Kurse zu erstellen, akzeptieren wir, dass Lernen ein iterativer Prozess ist - sowohl für unsere Lernenden als auch für uns als Bildungsanbieter.

Dieser Ansatz erfordert Mut zur Unvollkommenheit und die Bereitschaft, aus Fehlern zu lernen. Es bedeutet, dass man Kurse launcht, bevor sie sich "vollständig" anfühlen, und dass man kontinuierlich basierend auf realem Feedback verbessert.

Die Belohnung für diese Herangehensweise ist eine deutlich höhere Marktrelevanz Ihrer Bildungsangebote und eine kürzere Time-to-Market, die in der schnelllebigen digitalen Welt entscheidend ist. Mehr noch: man entwickelt eine Kultur der kontinuierlichen Verbesserung, die ein gesamtes Unternehmen transformiert.

Erste Schritte für das eigene Framework

Wenn man den Learning Velocity Canvas in der eigenen Organisation implementieren möchte, empfiehlt es sich, klein anzufangen. Man wählt ein Pilotprojekt aus, das wichtig genug ist, um Aufmerksamkeit zu bekommen, aber nicht so kritisch, dass ein Scheitern das Unternehmen gefährdet.

Man beginnt beispielsweise mit einem halb- oder ganztägigen Workshop, in dem man gemeinsam mit dem Team die vier Quadranten für das Pilotprojekt erarbeitet. Dabei fokussiert man sich auf konkrete, messbare Ergebnisse und vermeidet abstrakte Formulierungen.

Man plant von Anfang an kurze Iterationszyklen ein. Zwei bis drei Wochen für die erste Version, gefolgt von wöchentlichen Verbesserungsrunden basierend auf Lernenden-Feedback. Diese Geschwindigkeit mag am Anfang ungewohnt sein, aber sie ist der Schlüssel zum Erfolg des gesamten Ansatzes.

Der Learning Velocity Canvas ist mehr als nur ein Framework - er ist eine neue Art, über Bildung zu denken. Eine Art, die Lernende in den Mittelpunkt stellt und die Geschwindigkeit des Lernens über die Perfektion der Inhalte stellt. In einer Welt, die sich immer schneller verändert, ist diese Denkweise nicht nur hilfreich, sondern essenziell für den Erfolg moderner Bildungsanbieter.

Die Kraft der Integration: Warum OKR und Scrum perfekt harmonieren

"Wenn OKRs das strategische GPS sind, dann ist Scrum der Motor, der uns ans Ziel bringt", so versuche ich das bei Implementierungen immer zu verbildlichen. Diese Metapher trifft den Kern der Sache: Während OKRs die strategische Ausrichtung und Zielsetzung definieren, liefert Scrum das operative Framework für die agile Umsetzung.

Die Frameworks bilden quasi eine Brücke zwischen Strategie und Umsetzung. Die Integration von OKRs in den Scrum-Prozess beginnt bereits bei der Sprint-Planung und die quartalsweise definierten OKRs bilden dabei den übergeordneten Rahmen für die Sprint-Ziele. Product Owner können die Key Results als Orientierung für die Priorisierung des Product Backlogs nutzen. Dies ermöglicht eine direkte Verbindung zwischen strategischen Zielen und täglicher Entwicklungsarbeit.

Eine besondere Herausforderung liegt in der unterschiedlichen Taktung von OKRs und Scrum-Sprints. Während OKRs typischerweise quartalsweise gesetzt werden, arbeiten Scrum-Teams in zweiwöchigen Sprints. Die Lösung liegt in der geschickten Verschachtelung: Die quartalsbezogenen Key Results werden in Sprint-Ziele übersetzt, die sich wie Puzzleteile zu einem größeren Bild zusammenfügen.

Digitale Tools als Enabler

Modern ausgerichtete Unternehmen setzen dabei auf leistungsfähige digitale Plattformen. Monday.com hat sich dabei als besonders effektiver Enabler erwiesen. Die Plattform ermöglicht eine nahtlose Integration von OKRs in den Scrum-Prozess. Durch die Verknüpfung von strategischen Zielen mit konkreten Sprint-Aufgaben entsteht maximale Transparenz über alle Ebenen hinweg.

All-in-one Tools für OKR und Scrum:

• Monday.com: Bietet eine flexible Plattform für die Visualisierung von Workflows und die Verknüpfung von OKRs mit Aufgaben und Projekten. Ideal für Unternehmen, die eine zentrale Plattform für alle ihre Projekte suchen.

• Workpath: Speziell auf OKRs zugeschnitten, bietet Workpath eine intuitive Oberfläche für die Erstellung, Verwaltung und Messung von OKRs. Es integriert sich nahtlos mit anderen Tools wie Jira und Asana.

• Gtmhub: Eine weitere umfassende Lösung für OKR-Management, die auch Funktionen für Feedback, Coaching und Performance Management bietet.

Tools mit starker OKR-Fokussierung:

• Weekdone: Vereinfacht die wöchentliche Überprüfung von OKRs und ermöglicht es Teams, ihren Fortschritt transparent zu machen.

• Perdoo: Bietet eine umfassende Suite von Tools für OKR-Management, einschließlich Integrationen mit anderen Tools und KI-gestützten Funktionen.

• Ally.io: Eine Cloud-basierte Plattform für OKR-Management, die sich besonders für große Unternehmen eignet.

Agile Projektmanagement-Tools mit OKR-Unterstützung:

• Jira: Das beliebte Agile-Projektmanagement-Tool von Atlassian bietet Add-ons und Apps, um OKRs zu integrieren und den Fortschritt zu verfolgen.

• Asana: Ein weiteres flexibles Projektmanagement-Tool, das mit verschiedenen OKR-Tools integriert werden kann.

• Trello: Mit seinen Boards und Listen eignet sich Trello gut für die Visualisierung von OKRs und die Zusammenarbeit in kleinen Teams.

Weitere nützliche Tools:

• Google Sheets: Für einfache OKR-Tracking und -Berichterstattung.

• Excel: Ähnlich wie Google Sheets, bietet Excel viele Möglichkeiten zur individuellen Anpassung.

• Notion: Ein All-in-one Workspace, der für die Erstellung von OKR-Dashboards und die Zusammenarbeit genutzt werden kann.

  
  

Der Kulturwandel als Schlüssel zum Erfolg

Die technische Integration ist jedoch nur ein Aspekt. Der wahre Erfolg liegt im kulturellen Wandel. Teams müssen lernen, sowohl in OKR-Zyklen als auch in Scrum-Sprints zu denken. Vielmehr: Teams aus klassischen Strukturen müssen das agile Mindset verinnerlichen. Sie müssen lernen, dass z.B. Daily Stand-Ups keine typischen “I show you mine, you show me yours”-Ergebnismeetings sind, wodurch plötzlich extremer Druck bei Mitarbeitenden entsteht, sondern offener Austausch zum Status Quo und zur Förderung von Transparenz und Gemeinschaft. Dies erfordert intensive Kommunikation und kontinuierliches Coaching. Product Owner spielen dabei eine zentrale Rolle, auch als Vermittler zwischen strategischer und operativer Ebene. Die regelmäßigen Scrum-Ereignisse bieten ideale Anknüpfungspunkte für OKR-Reviews. In den Sprint Reviews kann neben der Präsentation der entwickelten Funktionalitäten auch der Beitrag zu den übergeordneten OKRs reflektiert werden. Die Sprint Retrospektiven bieten zudem Raum, um die OKR-Integration kontinuierlich zu verbessern.

Die Skalierung dieses integrierten Ansatzes erfordert durchdachte Strukturen. Cross-funktionale OKR-Koordination wird dabei zum kritischen Erfolgsfaktor. Regelmäßige Sync-Meetings zwischen Product Ownern verschiedener Teams helfen, Abhängigkeiten frühzeitig zu erkennen und zu managen. Die Integration von OKRs und Scrum führt zu messbaren Verbesserungen. Teams berichten von höherer Zielklarheit, besserer Priorisierung und gesteigerter Motivation. Die transparente Verknüpfung von strategischen Zielen mit der täglichen Arbeit schafft Sinn und Orientierung.

Der Blick in die Zukunft

Die Evolution dieser Integration wird maßgeblich durch technologische Entwicklungen geprägt. KI-gestützte Tools werden künftig dabei helfen, OKRs und Sprint-Ziele noch besser aufeinander abzustimmen. Predictive Analytics werden die Zielerreichung prognostizieren und frühzeitige Anpassungen ermöglichen.

Der Weg zur erfolgreichen Integration beginnt mit kleinen Schritten. Starten Sie mit einem Pilot-Team, das beide Frameworks bereits gut beherrscht. Etablieren Sie klare Kommunikationsstrukturen und nutzen Sie digitale Tools für maximale Transparenz. Wichtig ist dabei, den Prozess kontinuierlich zu reflektieren und anzupassen.

Die Kombination von OKRs und Scrum bietet Unternehmen einen mächtigen Hebel für die digitale Transformation. Der Schlüssel zum Erfolg liegt in der systematischen Integration beider Frameworks, unterstützt durch moderne Tools und eine agile Unternehmenskultur. Organisationen, die dies beherzigen, schaffen die Grundlage für nachhaltige Agilität und Innovation.

Foto von Steve Johnson auf Unsplash

Warum traditionelle Transformationsansätze scheitern

Die digitale Transformation stellt Organisationen vor die fundamentale Herausforderung, technologische Innovation mit organisatorischem Wandel zu verbinden. Diese Komplexität erfordert einen ganzheitlichen Steuerungsansatz, der strategische Zielsetzung und operative Umsetzung nahtlos integriert. Ein Plan ist eben keine Strategie und eine Strategie ist nichts ohne einen Plan. Die Kombination von OKRs und Scrum adressiert genau diese Anforderung, indem sie einen durchgängigen Rahmen von der Vision bis zur Implementierung und Operationalisierung schafft.

OKRs als Kompass der digitalen Transformation

Die strategische Dimension der Transformation wird durch OKRs orchestriert. Sie übersetzen die digitale Vision in greifbare Ziele und schaffen Transparenz über den Transformationsfortschritt. Dabei fokussieren die Objectives auf zentrale Aspekte wie die Entwicklung digitaler Geschäftsmodelle, die Optimierung der Customer Experience oder den Aufbau digitaler Kompetenzen. Die zugehörigen Key Results quantifizieren den Transformationsfortschritt anhand spezifischer Metriken wie Digital Revenue Share, Customer Satisfaction Scores oder Employee Digital Readiness Index.

Scrum als Motor der Veränderung

Die operative Umsetzung wird durch Scrum strukturiert, das als agiles Framework die iterative Entwicklung digitaler Lösungen ermöglicht und gleichzeitig den kulturellen Wandel unterstützt. Die Scrum Events werden dabei spezifisch auf die Anforderungen der digitalen Transformation ausgerichtet. Sprint Planning priorisiert transformative Initiativen und berücksichtigt neben technologischen auch kulturelle Aspekte. Daily Scrums adressieren Transformationsherausforderungen und fördern die cross-funktionale Zusammenarbeit. Sprint Reviews evaluieren den Transformationsfortschritt sowohl aus technischer als auch aus organisatorischer Perspektive.

Die Kunst der Integration: Wie OKRs und Scrum zusammenwirken

Die Integration beider Frameworks erfolgt durch systematische Verzahnung der strategischen und operativen Ebene. OKRs bilden den übergeordneten Rahmen, wie ich bereits im ersten Teil dieser Serie näher beleuchtete, für die Sprint-Planung und -Priorisierung. Die in den Key Results definierten Metriken fließen direkt in die Definition of Done der Sprints ein. Gleichzeitig liefern die Scrum Events kontinuierliches Feedback zum Transformationsfortschritt und ermöglichen eine agile Anpassung der OKRs an veränderte Rahmenbedingungen.

Kulturwandel als Schlüssel zum Transformationserfolg

So, nun kommt ein entscheidender Teil. Denn diese Integration katalysiert den kulturellen Wandel, der für erfolgreiche digitale Transformation essenziell ist. Sie fördert Transparenz, Experimentierfreudigkeit und kontinuierliches Lernen. Die regelmäßige Synchronisation zwischen strategischen Zielen und operativer Realität schafft ein gemeinsames Verständnis für die Transformationsrichtung und mobilisiert die Organisation für den Wandel. Vielen ist das Zitat von Peter Drucker bekannt: “Culture eats strategy for breakfast”, aber was passiert, wenn Kulturwandel inhärenter Bestandteil der Strategieumsetzung ist?

Messbarer Erfolg in der digitalen Transformation

Die Wirksamkeit der Integration manifestiert sich in verschiedenen Dimensionen der Transformation. Auf geschäftlicher Ebene zeigt sich der Erfolg in der Entwicklung digitaler Umsätze, verbesserter Kundenbeziehungen und gestärkter Marktposition. Organisatorisch spiegelt sich der Fortschritt in erhöhter Agilität, beschleunigter Innovationsrate und gesteigertem Mitarbeiterengagement wider. Technologisch wird die Evolution durch Metriken wie Digital Maturity Score, Technical Debt Reduction und Platform Scalability quantifiziert. Kurzum: alle Dimensionen einer Transformation lassen sich messen, wenn sie in einem entsprechenden Rahmen integriert sind.

Leadership als Enabler der Transformation

Erfolgsentscheidend für diese Integration ist das aktive Commitment der Führungsebene. Leadership muss den Transformationsprozess nicht nur unterstützen, sondern durch eigenes Verhalten die neue Arbeitsweise vorleben. Dies umfasst die Bereitschaft zu Transparenz, die Akzeptanz von Feedback und die Förderung experimenteller Ansätze. Und den Wunsch einer lernenden Organisation. Gleichzeitig müssen natürlich organisatorische Rahmenbedingungen geschaffen werden, die autonome Teams und flexible Strukturen ermöglichen, klar.

Zukunftsperspektiven der digitalen Steuerung

Die Zukunft der digitalen Transformation - und besonders einer von KI durchdrungenen - wird durch fortschreitende Technologieentwicklung weitere Komplexität mit sich bringen. Die Integration von OKRs und Scrum wird sich entsprechend weiterentwickeln, unterstützt durch KI-gestützte Transformationssteuerung, Predictive Change Analytics und Kollaborations-Tools wie Microsoft Teams, Slack oder Monday. Diese Evolution wird die Fähigkeit zur adaptiven Transformation weiter stärken.

Fazit: Der Weg zur erfolgreichen digitalen Organisation

Was bedeutet das nun alles? Die Kombination von OKRs mit Scrum und Nutzung passender Steuerungs-Tools bietet einen robusten Rahmen für die Steuerung der digitalen Transformation. Sie verbindet strategische Zielsetzung mit operativer Agilität und schafft damit die Voraussetzungen für nachhaltige Veränderung. Die praktische Erfahrung zeigt, dass Organisationen, die diese Integration erfolgreich meistern, ihre Transformationsziele schneller und nachhaltiger erreichen. Sie entwickeln eine erhöhte Adaptionsfähigkeit und können flexibler auf Marktveränderungen reagieren. Diese Fähigkeit zur kontinuierlichen Evolution wird in der zunehmend digitalen Wirtschaft zum entscheidenden Wettbewerbsvorteil.

Foto von Mick Haupt auf Unsplash

OKRs und Remote Work: Eine symbiotische Beziehung

Die durch die COVID-19-Pandemie katalysierte Beschleunigung des Remote-Work-Trends hat die Notwendigkeit robuster Managementsysteme in dezentralisierten Arbeitsumgebungen befeuert. In diesem Kontext offenbart sich, für mein Empfinden, die besondere Eignung von OKRs für Remote-Work-Szenarien. Die inhärente Struktur des OKR-Frameworks, charakterisiert durch klare Zielsetzungen (Objectives) und quantifizierbare Erfolgsindikatoren (Key Results), adressiert zentrale Herausforderungen der Remote-Arbeit.

Man könnte meinen, OKRs fungieren als Substitut für die in traditionellen Büroumgebungen vorherrschende direkte Überwachung. Was aber tatsächlich passiert: sie etablieren einen transparenten Rahmen für Erwartungen und Ziele, der unabhängig von physischer Präsenz und unabhängig von Hierarchiestufen funktioniert. Diese Transparenz fördert nicht nur die Accountability der Mitarbeitenden, sondern erleichtert auch die asynchrone Kommunikation, die in verteilten Teams mit unterschiedlichen Arbeitszeiten und teils über verschiedene Zeitzonen hinweg essenziell ist.

Darüber hinaus adressieren OKRs die in Remote-Work-Umgebungen oft auftretende Problematik der Fokussierung. Durch die explizite Priorisierung von Zielen und die klare Definition von Erfolgskriterien bieten OKRs einen kognitiven Anker, der Mitarbeitern hilft, sich auf die relevantesten Aufgaben zu konzentrieren, ungeachtet potentieller Ablenkungen im häuslichen Umfeld.

OKRs als Katalysator für Future-of-Work-Konzepte

Die Konvergenz von OKRs mit den Kernprinzipien der "Future of Work" oder "New Work" Bewegung ist bemerkenswert. Diese Konzepte, die eine Arbeitswelt propagieren, die von Flexibilität, Sinnhaftigkeit und kontinuierlichem Lernen geprägt ist, finden in OKRs ein kompatibles Managementtool.

Ein zentrales Element der Future-of-Work-Philosophie ist die Flexibilisierung von Arbeitsprozessen, laut OECD. OKRs unterstützen diesen Ansatz durch ihren inhärenten Fokus auf Ergebnisse statt auf Prozesse oder Arbeitszeiten. Diese Orientierung ermöglicht es Organisationen, flexible Arbeitsmodelle zu implementieren, ohne Einbußen in der Zielerfüllung oder strategischen Ausrichtung befürchten zu müssen.

Die Frage der Sinnhaftigkeit und des übergeordneten Zwecks (Purpose) der Arbeit, ein weiteres Kernelement des Future-of-Work-Diskurses, wird durch OKRs ebenfalls adressiert. Durch die explizite Verknüpfung individueller Aufgaben mit übergeordneten Unternehmenszielen schaffen OKRs eine kognitive Brücke, die es Mitarbeitern ermöglicht, den Beitrag ihrer Arbeit zum Gesamterfolg des Unternehmens zu verstehen und zu internalisieren. Diese Sinnstiftung kann als intrinsischer Motivator fungieren und zur Steigerung der Arbeitszufriedenheit beitragen.

Das Konzept des kontinuierlichen Lernens, ein weiterer Eckpfeiler moderner Arbeitsphilosophien, findet in der iterativen Natur des OKR-Prozesses seine Entsprechung. Der zyklische Prozess der Zielsetzung, Überprüfung und Anpassung fördert eine Kultur der kontinuierlichen Verbesserung und des organisationalen Lernens. Insbesondere die Setzung ambitionierter Ziele, ein Charakteristikum des OKR-Ansatzes, stimuliert Innovation und die Entwicklung neuer Kompetenzen.

Implikationen für die organisationale Praxis

Die Integration von OKRs in Remote-Work-Umgebungen und Future-of-Work-Konzepte erfordert eine sorgfältige Implementierungsstrategie. Zentral kann hierbei die Etablierung einer robusten digitalen Infrastruktur sein, die eine transparente Kommunikation und Verfolgung von OKRs einfach macht und Hürden senkt. Die Auswahl adäquater Software-Tools, die nahtlose Integration, Echtzeit-Updates und aussagekräftige Visualisierungen bieten, kann hierbei von entscheidender Bedeutung sein, um Berührungsängste zu verringern und die Arbeit mit OKRs zu befruchten.

Gleichzeitig - und nicht minder wichtig - bedarf es einer Anpassung der organisationalen Kultur. Die Implementierung von OKRs in modernen Arbeitsumgebungen erfordert eine Kultur des Vertrauens und der Ergebnisorientierung. Führungskräfte müssen von traditionellen Kontrollmechanismen Abstand nehmen und stattdessen eine Kultur der Autonomie und Verantwortung fördern.

Die Frequenz und Modalität der OKR-Zyklen bedarf ebenfalls einer Neuevaluation im Kontext von Remote Work und agilen Arbeitsumgebungen. Kürzere OKR-Zyklen oder die Implementierung von "Fluid OKRs", die bei Bedarf angepasst werden können, könnten sich als adäquate Antwort auf die erhöhte Dynamik und Unsicherheit in modernen Arbeitsumgebungen erweisen.

Abschließend ist die Integration von Well-being-Aspekten in den OKR-Prozess zu betonen. Die mentale Gesundheit und Work-Life-Balance der Mitarbeiter, insbesondere in Remote-Work-Szenarien, sollten explizit in den Zielsetzungsprozess einbezogen werden, um eine nachhaltige und gesunde Arbeitskultur zu fördern.

Potenzial für Future of Work

Die Symbiose zwischen OKRs und den Anforderungen moderner Arbeitsumgebungen offenbart das Potenzial dieses Management-Frameworks als Katalysator für organisationale Transformation. Durch die adäquate Implementation und kontinuierliche Adaption können OKRs als effektives Instrument zur Bewältigung der Herausforderungen von Remote Work und zur Realisierung von Future-of-Work-Konzepten dienen.

Aber warum ist BNE überhaupt so wichtig?

Zunächst einmal hilft sie uns, besser auf zukünftige Herausforderungen vorbereitet zu sein. Die Welt steht vor zahlreichen Problemen, von Klimawandel und Ressourcenknappheit bis hin zu sozialen Ungerechtigkeiten. BNE hilft uns, diese Herausforderungen besser zu verstehen und uns auf sie einzustellen. Bildung für nachhaltige Entwicklung (Education for Sustainable Development, ESD) ist ein wichtiger Aspekt der SDGs, der 17 Ziele für nachhaltige Entwicklung (Sustainable Development Goals) sowie der darauffolgenden „Decade of Action“ und zielt darauf ab, Menschen aller Altersgruppen die Fähigkeiten, Werte und Kenntnisse zu vermitteln, die sie benötigen, um eine nachhaltige Zukunft zu gestalten. ESD beinhaltet die Förderung von Wissen über die Herausforderungen und Möglichkeiten der nachhaltigen Entwicklung und die Fähigkeit, dieses Wissen in konkrete Handlungen umzusetzen. Sie spielt eine wichtige Rolle bei der Förderung einer Kultur der Nachhaltigkeit und beim Aufbau von Fähigkeiten für die Zukunft.

Die 17 Ziele für nachhaltige Entwicklung (Sustainable Development Goals, SDGs) sind eine globale Agenda, die von den Vereinten Nationen im Jahr 2015 verabschiedet wurde. Sie haben das Ziel, bis 2030 die Lebensbedingungen auf der ganzen Welt zu verbessern und eine nachhaltige Entwicklung zu fördern.

Darüber hinaus fördert BNE einen verantwortungsvolleren Umgang mit Ressourcen. Indem wir lernen, unseren Ressourcenverbrauch zu minimieren und unsere Umwelt zu schützen, tragen wir dazu bei, eine nachhaltige Zukunft zu sichern. Bildung ist also als Voraussetzung für ein gelungenes Leben und Bildung für nachhaltige Entwicklung verschreibt sich dieser nachhaltigen Wirkung.  

BNE ist aber nicht nur für den Einzelnen wichtig, sondern auch für die Gesellschaft insgesamt. Sie hilft uns, eine inklusive und gerechte Gesellschaft aufzubauen, in der alle Menschen die gleichen Chancen haben.

Doch wie können wir BNE in der Praxis umsetzen?

Eine Möglichkeit ist, sich aktiv mit dem Thema auseinanderzusetzen und sich fortzubilden. Es gibt zahlreiche Angebote, wie zum Beispiel Online-Kurse oder Veranstaltungen, die sich mit BNE beschäftigen. Auch in der Entwicklung von Lehrmaterial für Weiterbildung oder in Schulen gibt es viele Möglichkeiten, BNE zu vermitteln. Weiterbildungs-Institute und Schulen können das Thema in ihr Material integrieren und so Teilnehmer und Schüler auf nachhaltige Projekte, nachhaltiges Verhalten oder nachhaltige Konzepte hinweisen.

Jetzt, wo wir am eigenen Leib spüren, dass Ressourcen endlich sind, dass Güter auch einmal nicht verfügbar sein können, werden wir vor eine Entscheidung gestellt. Wir können uns beschweren und klagen – oder uns bewusst machen, dass das alte Normal schon ein Unnormal war.

– Ein Auszug aus dem Zukunftsreport 2023

Im Alltag gibt es viele Möglichkeiten, sich für eine nachhaltige Entwicklung zu engagieren.

Dazu gehört zum Beispiel der Einsatz für den Klimaschutz, wie das Vermeiden von unnötigen Autofahrten oder das Energiesparen im eigenen Haushalt. Auch der verantwortungsvolle Umgang mit Ressourcen, wie zum Beispiel das Reduzieren von Müll und das Fördern von Recycling, trägt dazu bei, die Belastung für die Umwelt zu minimieren. Auch das Engagement in der lokalen Gemeinschaft, zum Beispiel durch das Unterstützen von Projekten zur Förderung der Nachhaltigkeit oder das Engagement in politischen Prozessen, kann dazu beitragen, die Ziele der nachhaltigen Entwicklung zu erreichen. Es gibt also viele Möglichkeiten, im Alltag aktiv zu werden und sich für eine nachhaltige Entwicklung einzusetzen.

Doch welche Kompetenzen sind besonders wichtig, um in der Zukunft erfolgreich zu sein?

Eine wichtige Kompetenz - wenig überraschend - ist die digitale Kompetenz. In der digitalen Welt spielen Technologie und das Internet eine immer größere Rolle und es ist wichtig, sich mit diesen Tools auseinanderzusetzen und sie zu beherrschen. Dazu gehört auch das Verständnis für Cybersecurity und Datenschutz, wie man alleine in Jahr 2022 an den Angriffen deutscher Unternehmen und Organisationen wie Continental, IHK oder der Deutschen Presse Agentur sehen konnte. Was lange Zeit unter Medienkompetenz immer wieder gefordert wurde, wird im digitalen Kontext immer wichtiger. Medien und ihre Inhalte den eigenen Zielen und Bedürfnissen entsprechend sachkundig zu nutzen, muss nunmehr durch die Fähigkeit ergänzt werden, digitale Zusammenhänge und Daten ("data literacy") zu erkennen und im Sinne einer sicheren Verwendung zu nutzen.

Als weitere wichtige Kompetenz ist die Fähigkeit zum lebenslangen Lernen zu nennen. Die Welt verändert sich ständig und es ist wichtig, sich immer wieder neues Wissen anzueignen und sich weiterzubilden. Dazu gehört auch die Fähigkeit, sich schnell an neue Situationen und Herausforderungen anzupassen. Das gilt im Kleinen wie im Großen. Das können spezifische und sehr konkrete, produkt- oder berufsnahe Fähigkeiten, wie etwa bestimmte neue oder relevante Programmiersprachen sein. Aber auch allgemeinere Konzepte im beruflichen sowie gesellschaftlichen Umfeld müssen frühzeitig gesehen, verstanden und eingeordnet werden. Seien es agile Arbeitsweisen, eine neue Realität rund um New Work oder auch sich verändernde Kommunikationsmuster zwischen Generationen und Kulturen.

Die dritte wichtige Kompetenz ist die Fähigkeit zur Zusammenarbeit und zur Teamarbeit. In vielen Berufen arbeitet man heute in Teams und es ist wichtig, die Stärken und Fähigkeiten anderer zu nutzen und gemeinsam an Projekten zu arbeiten. Eine Person mit starken Fähigkeiten in diesem Bereich verfügt über die Fähigkeit, sich in ein Team einzufügen und einen Beitrag zum gemeinsamen Ziel zu leisten. Sie ist in der Lage, konstruktiv mit anderen zusammenzuarbeiten, Kompromisse zu schließen und Probleme gemeinsam zu lösen. Dies setzt jedoch auch voraus, dass man neben bestimmten Fachwissen auch entsprechende Kreativität und Lösungsorientierung mitbringt.

Daher gilt als vierte wichtige Kompetenz die Fähigkeit zu kritischem Denken und Problemlösung. In einer sich ständig verändernden Welt ist es wichtig, die Fähigkeit zu haben, komplexe Probleme zu analysieren und Lösungen zu entwickeln. Eine Person, die diese Fähigkeit besitzt, verfügt über die Fähigkeit, logisch zu denken und Informationen zu hinterfragen, um zu einer begründeten Entscheidung oder Lösung zu gelangen. Zum Hinterfragen gehört allerdings auch das nötige Rüstzeug wie Fachwissen, Methodenwissen, Erfahrungen und die Fähigkeit zum Transfer dieses Wissens auf die vorliegende Aufgabe. Die Attraktivität der T-shaped Profile sowie das erfolgreiche Wiedererwachen von Generalisten mit einem breiten Erfahrungsschatz (s. Range) sind sichtbare Kennzeichen für die Notwendigkeit dieser Skills.

Eine fünfte wichtige Kompetenz ist die Fähigkeit zur Kommunikation und zum Networking. Das Aufbauen und Pflegen von Netzwerken ist für den beruflichen Erfolg von großer Bedeutung. Und nicht nur in einer globalisierten Welt ist es wichtig, die Fähigkeit zu haben, sich auf verschiedene Kulturen und Konstellationen einzustellen und effektiv zu kommunizieren, wie alleine der Beitrag von Swantje Allmers und die wertvollen Kommentare dazu zeigen. Kommunikation ist oft das entscheidende Puzzlestück zum Erfolg bzw. Misserfolg von Teams oder Projekten. Selten geht es nur darum, dass man kommuniziert, sondern vielmehr was und wie man etwas kommuniziert.

"Man kann nicht nicht kommunizieren." - Paul Watzlawick

German Mittelstand

Dem Mittelstand werden in Deutschland rund 99 Prozent der Unternehmen zugeordnet. Darunter zählen Selbständige, Startups, Handwerksfirmen, Handelsunternehmen und Familienbetriebe. Für die Bundesregierung zählen alle Unternehmen mit bis zu 499 Beschäftigten und weniger als 50 Millionen Euro Jahresumsatz zu den KMU. Die KfW subsumiert dem Mittelstand sogar alle Unternehmen mit einem maximalen Jahresumsatz von 500 Millionen Euro. Nach der Definition der EU-Kommission zählen Unternehmen mit bis zu 249 Beschäftigten, einem Jahresumsatz von höchsten 50 Millionen Euro und einer Bilanzsumme von bis zu 43 Millionen Euro als KMU.

Also, mit der Definition ist es schon nicht so eindeutig, aber alle wissen im Groben was damit gemeint ist. Schließlich ist “German Mittelstand” international ein Begriff, der auch gerne in einem Zug mit “Made in Germany” genannt wird.

Ist das schon Digitalisierung?

Wirft man einen Blick in die Erwartungen, Ängste und Maßnahmen des Mittelstands, die sich rund um Digitalisierung drehen, gibt es scheinbar auch dort stellenweise ein wenig Verwirrung. In einem Bericht des Zentrums für Europäische Wirtschaftsforschung (ZEW) wurden Zahlen aus einer Studie („Digitalisierung im Mittelstand: Status Quo, aktuelle Entwicklungen und Herausforderungen“ von Saam, Viete und Schiel (2016) ) und der Volkswirtschaftlichen Gesamtrechnung (VGR) miteinander verglichen, mit dem Ziel, ein echtes Bild der Digitalisierung und der vorgenommenen Maßnahmen zu bekommen. Mittelständische Unternehmen wurden für die Jahre 2013 bis 2015 befragt und das Ergebnis scheint ernüchternd: die Hälfte des Mittelstands gab gerade mal 10.000 Euro pro Jahr für Digitalisierungsprojekte aus. Nur 12 Prozent der Unternehmen geben 40.000 Euro pro Jahr oder mehr aus. Das ist aus meiner Sicht noch nicht mal ein Tropfen auf dem heissen Stein. Die Investitionen sind 2018 zwar leicht gestiegen, aber mit immer noch nur 18.000 Euro pro Jahr nicht weiter erwähnenswert. Klar sind die finanziellen Spielräume andere als bei großen Konzernen, aber genauso sind die unmittelbaren Bedrohungen substantieller als bei großen Unternehmen. Daher muss man sich schon die Frage stellen, was da genau im Mittelstand unter Digitalisierung verstanden wird und warum - und vor allem wie - darauf reagiert wird.

Problem erkannt. Was nun?

Laut einer Studie von E&Y aus dem letzten Jahr haben 2000 mittelständische Unternehmen bestätigt, dass die aus ihrer Sicht das größte Potenzial der Digitalisierung in den Bereichen Vertrieb, Rechnungswesen und Marketing liegen. Richtig erkannt wird, dass die Welt, sprich: der Kunde, sich weitergedreht hat und somit auch seine Konsum- und Kommunikationsgewohnheiten. Kundenbeziehung werden heute digital gepflegt. Sie findet ganz oder teilweise auf digitalem Weg statt, ob das nun E-Mail, Chat oder Transaktionsplattformen bedeutet. Möchte man seine Produkte an den Mann/die Frau bringen, pflegt man Geschäfte vor allem digital.

Alleine diese Tatsache hat schon so enorme Auswirkungen in kleinen und mittelständischen Unternehmen, dass man nur erahnen kann, wie umfangreich solche Vorhaben sein können. Betrachtet man nur mal das Thema “Kommunikation”, kann den kompletten Bogen von IT Infrastruktur, Tools wie Office365, Slack oder WhatsApp bis hin zu Mitarbeitertrainings und Teamstrukturen spannen. Denn alles davon wird durch die Digitalisierung der Kommunikation beeinflusst. Umso erstaunlicher welch lächerliche Summen dafür ausgegeben werden.

Die Grundlage steht oft noch nicht mal.

Um diese erheblichen Eingriffe in den Bestand des deutschen Mittelstands überhaupt ermöglichen zu können, müssen die Grundlagen geschaffen sein. Daher ist es nicht verwunderlich, dass laut KfW die Erneuerung von IT-Strukturen die größte Rolle bei den Digitalisierungsvorhaben des Mittelstands spielt (54 % der Befragten), dicht gefolgt eben von der Digitalisierung des Kontakts zu Kunden und Zulieferern (52 %). Da haben wir noch nicht mal über Produkte gesprochen, geschweige den von Geschäftsmodellen. Ähnlich erschreckend dabei ist die Aussage, dass neben der neuen Infrastruktur von lediglich 29% der Befragten auch die Reorganisation von Workflows angegangen wird.

Mittelstand ist nicht gleich Mittelstand. Die Aufgaben bleiben aber die gleichen.

Geht man diese Befragungen und Studien durch, könnte einem durchaus ein wenig mulmig um die Zukunft unserer Wirtschaft werden. Natürlich muss man das alles aber ein wenig relativieren. Denn von “dem” Mittelstand in Bezug auf Digitalisierung zu sprechen, ist zugegebenermaßen nicht ganz fair. Wenn wir von 99% aller Unternehmen reden, dann muss klar sein, dass die Tischlerei, Rechtsanwaltskanzlei und der Bäckereibetrieb anderen Gegebenheiten ausgesetzt sind, als eine IT-Firma oder Werbeagentur.

Natürlich gibt es Branchenzweige, die von Natur aus näher an IT und Digital zuzuordnen sind, was es ihnen die Umsetzung oft einfacher macht. Genauso ist das volle Spektrum der Reifegrade im Mittelstand vorhanden. Viele die eben erst anfangen und die Grundlagen schaffen, einige die schon mitten drin sind und wenige die das Thema Digitalisierung bereits vor einem Jahrzehnt erkannt haben und mit der Transformation begannen. Denn vor 10 Jahren hätte man tatsächlich damit starten müssen, nachdem 2007 das erste iPhone vorgestellt wurde und - nach kurzer “aber-wo-ist-meine-Tastatur”-Phase - die meisten erkannt, dass sich vieles damit ändern wird. Aber mit der Blindheit, der Ignoranz oder einfach Unwissenheit war man wahrlich nicht alleine.

Gunter Dück hat das in seinem Blog-Post aus 2013 schön beschrieben. Basierend auf der Business-Parabel von Spencer Johnson “Who morphed my cheese?” zeigt Dück wie man mit einem immer-weiter-so eben irgendwann nicht mehr weiter kommt, sondern als Maus erkennen muss, dass man Speck anfangen muss zu essen, wenn es keinen Käse mehr gibt.

Alles neu! Wo fange ich an?

Eine gute und berechtigte Frage. Wenn man bedenkt, dass Digitalisierung im Grunde jede Ritze des Unternehmens beeinflusst, wenn nicht gar verändert, dann steht man vor einer großen Aufgabe. Gleichzeitig steht man da aber auch schon mitten im digitalen Raum. Denn ein entscheidendes Erfolgskriterium ist eine aktive Haltung zur Veränderung. Man muss sich verändern wollen, was auch die Arbeits- und Herangehensweise betrifft. Mit der Digitalisierung kommt nämlich auch ein vollgepacktes Set an Methoden, Konzepte, Frameworks oder einfach Denk- und Arbeitsweisen mit, an dem man sich bedienen kann und sollte.

Bevor man jedoch einen Kreativraum in einem Coworking-Space bucht und wild Ideen spinnt, nach dem Motto “einfach mal machen”, sollte man vorher doch eine strategische Ordnung geben. Der Entrepreneur, Investor und Professor am Harvard Innovation Lab, Michael J. Skok, bezeichnet es in einem Blog-Post als Balance zwischen Vision und Execution. Auch wenn es bei ihm um Startups geht, trifft aus meiner Sicht das Vorgehen für jedes Unternehmen bzw. digitale Produktentwicklung zu. Schließlich will man oft ein wenig mehr wie ein Startup agieren können.

Er macht das Vorgehen an 3 Schritten aus:

1. Value Proposition

2. Vision

3. Roadmap

Nichts Neues. In der Hektik aber oft vernachlässigt. Aber in der Vergangenheit hat es sich immer als hilfreich erwiesen, sich vorab Gedanken zu machen, wofür man steht, welches Problem man löst und wie man sich vom Wettbewerb abgrenzt. Eine Vision darf dabei nicht zum Märchen einer Zukunftswelt werden. Eine gute Vision ist in der Realität verwurzelt und zeigt auf, wie sich der Markt, der Kunde und die Anforderungen verändern und vor allem, welche Rolle man selbst darin spielen wird. Wichtig dabei ist auch zu zeigen, wie man aktiv den Kundenbedürfnissen entgegnet oder gar das Geschäft transformiert.  

Die Roadmap ist dann die Verbindung zwischen Ihrem Wertversprechen (Value Proposition) und der Vision. Sie zeigt, wie man die entwickelten Anforderungen des gerade beschriebenen Marktes berücksichtigen möchten. Dabei sollte man so viele Schritte und Meilensteine wie möglich in die Roadmap setzten, da sie helfen, sich vorzustellen, wie die Transformation voranschreitet und sich entwickelt. Darüber hinaus helfen die Meilensteine dabei sich ein Bild der Zusammenhänge zu machen. Die Roadmap kann je nach Unternehmen unterschiedlich umfangreich ausfallen. Die Tiefe der Roadmap hängt vom Reifegrad der bestehenden Digitalisierung ab. Hat man aber eine Vorstellung wo man hinmöchte und welche Schritte dafür notwendig sind, weiß man wen man dafür benötigt. Danach geht es an die Umsetzung nach Lean Startup, mit Design Sprints oder einer anderen passenden Methodik.

Der Digitalisierungs-Elefant. Schnitt für Schnitt dem Ziel näher.

Auch wenn es nur drei Schritte sind, fühlen sich viele Mittelständler damit vielleicht auch schon überfordert, wenn sie gar nicht sagen können, wie der Markt sich in Zukunft durch die Digitalisierung verändert. Oder welche Meilensteine sinnvoll für zur digitalen Vision führen. Einfach ist das auch nicht. Nicht umsonst gibt es viele Agenturen und Beratungen, die dabei unterstützen. Schaut man sich den Digitalisierungs-Index der Telekom an, hat das Vorhaben auf unterschiedlichsten Ebenen Auswirkungen. Für einen Start mit ausreichend Nachdruck macht ein Chief Digital Officer Sinn oder wie in 63% der Befragten Unternehmen, die Digitalisierung zur Chefsache zu machen.

Das Commitment von oben ist für die Mitarbeiter wesentliche, wenn es eben um Veränderung geht. Und dann kann es der Aufbau einer neuen oder erneuerten Kommunikation, wie einer Website, asynchrones Arbeiten mit Slack, Jammer und Co. oder den Aufbau neuer IT und Datenbanken für flexibleres und schnelleres CRM. Entscheidend ist dabei, dass es eben nicht bei der Website aufhören darf. Dass man sich nicht nur eine neue IT als Ziel setzt. Sondern, dass diese Aktivitäten nur Meilensteine auf der Roadmap sind, die zu einem viel größeren und wesentlich entscheidenderen Ergebnis führen, nämlich der Digitalisierung des Unternehmens mit marktgerechten Geschäftsmodell und wettbewerbsfähigen Produkten.

Mobile App-Nutzung steigt. App-Marktplätze stagnieren.

Während in vielen aufeinanderfolgenden Jahren ein stetiges Wachstum in den Marktplätzen zu verzeichnen war, egal ob Downloads, Werbung oder Revenue, ist für die letzten und kommenden Jahre eine Sättigung zu verzeichnen, die auch abzusehen war. "Was?! Apps sind doch populärer denn je", behaupten die einen. "Der App-Markt stagniert", schreien die anderen. Beides kann man so nicht stehen lassen. Beides ist keine Analyse, sondern nur das Ablesen einer Metrik. Beide haben nämlich recht.

Die Nutzungsdauer innerhalb von Apps ist nach wie vor ansteigend. Auch die Gesamtzahl der Downloads steig weiter an. Laut einer Studie von Flurry Analytics stieg im Zeitraum von 2014 bis 2015 stieg der Anteil der Menschen, die täglich mehr als 60 Mal eine App auf ihrem Tablet oder Smartphone nutzen, um 59%. Auch 2016 stieg die verbrachte Zeit in Apps. Die Zahl wird aber erst nachvollziehbar, wenn man sich anschaut, welche Apps auf den Endgeräten installiert sind. Mit Hilfe der App-Analyseplattform Priori Data sah man, dass die prominenten Verdächtigen sich in den Top Downloads befinden, nämlich Kategorien wie Entertainment, Fotografie, Soziale Netzwerke und Musik - also Whatsapp, Facebook Messenger, Instagram und Spiele. 

Im Folgejahr 2016 verdoppelte sich sogar die Nutzungsintensität von sogenannten Communitainment Apps um fast das Doppelte, während Games um 11 % fielen. Zu den großen Verlierern zählen besonders die Personalisierungs-Apps: in Deutschland nahm die Anzahl an gestarteten App-Sessions um 55 Prozent ab, der höchste Wert im europaweiten Abwärtstrend.

Die Nutzer schreiben sich also den ganzen Tag Messenger-Nachrichten, überweisen Geld per Mobile Banking und verfolgen ihren Sportverein. Für viele Marken und Produkte ist da wenig Platz oder Anknüpfungsmöglichkeit, wenn man nicht mit einem konkreten Mehrwert daherkommen kann. Daraus abzuleiten, man müsse im Rahmen seiner digitalen Markenstrategie eine App anbieten, weil alle Nutzer verrückt nach Apps seien, muss man kritisch hinterfragen. Blickt man dann noch darauf, wie viele Apps insgesamt im Drei-Monats-Mittel heruntergeladen werden, dann sehen die genannten Zahlen noch verheerender aus: gerade mal ein Drittel (33,9%) hat in 2016 mindestens eine App auf sein mobiles Device geladen (34.8% im gleichen Zeitraum des Vorjahrs). Davon wiederum hat sich gerade mal ein Viertel mehr als ein App installiert. Das als "alle laden Apps runter" zu interpretieren, erscheint sehr befremdlich.

Ist das nun der lang propagierte Tod der nativen Apps?

Die Veränderung der mobilen Landschaft.

Mobile native Apps haben ihre einzigartigen Vorzüge. Keine Frage. Man muss jedoch erkennen, wie sich der Umgang mit Apps verändert. Und das hat auch oder vor allem mit sich verändernden Rahmenbedingungen zu tun. Fernab der Frage, ob man erst iOS oder Android entwickeln sollte. 

Technologische Neuerungen und gesellschaftliche Veränderungen bewegen sich langsam aber zielsicher hin zu einer flexibleren, transparenteren und mobileren Struktur, als sie es in der Vergangenheit war. Prozesse werden digitalisiert oder auf digitaler Basis neu geschaffen, Mitarbeiter und Kunden werden durch digitale Anwendungen und Services befähigt und in den Prozess/die Kommunikation eingebunden. Anwendungsfälle werden komplexer und verlangen immer spezifischere Lösungsoptionen. Im Corporate-Umfeld kann es eine ausgewiesene Strategie sein, seinen Mitarbeitern ein Set an betrieblichen Apps an die Hand zu geben, um Prozesse zu beschleunigen, Daten zu zentralisieren oder Aufgaben mobil erledigen zu können. 

In vielen Fällen muss man miterleben, wie von Digitalisierung und digitaler Strategie gesprochen wird, aber eigentlich nur die Entwicklung einer (meist iOS) App gemeint ist.

Muss es aber immer eine native App sein?

Eine neue Definition von App muss her.

Vorab: Smartwatches haben nicht den sprunghaften Erfolg hingelegt, wie es erwartet wurde. Und auch vernetzte Kühlschränke mit eingebauten Webcams gehören auch noch nicht zum Durchschnittshaushalt. Trotzdem gibt es sie, genauso wie vernetzte Fernseher, mobile Betriebssysteme in Fahrzeugen und demnächst vielleicht vermehrt Smart Displays. 

Wir befinden uns also in einer fragmentierten Welt, wo eine Anwendung wie z.B. die Wettervorschau in sehr unterschiedlichen Ausgabeformaten, -medien und Nutzungsszenarien ausgegeben wird. Weder wirtschaftlich sinnvoll, noch nachhaltig performant und schon gar nicht dem Endkunden erklärbar, wäre eine individuelle (native) Umsetzung, die unterschiedlich aussieht oder asynchrone Updates bekommt - wenn überhaupt. 

Progressive Web-Apps finden immer breitere Unterstützung.

Nicht ganz so fragmentiert, aber trotzdem mit breitem Spektrum, ist das mobile Ökosystem. Wie schafft man unterschiedliche Betriebssysteme, OS-Versionen, Gerätehersteller und Browser so unter einen Hut zu bringen, dass der Nutzer immer und überall eine Anwendung starten kann. Google versucht dies über den Browser zu lösen. So sind Progressive Web Apps beispielsweise Web-Anwendungen, die jedoch mit Features daherkommen, die bisher besonders den nativen Apps zugeschrieben wurden: Offline-Fähigkeit, Performance, Engagement.

Nun kann sich aber eine Web-Anwendung wie eine native App verhalten, fast so, dass der Nutzer es nicht oder kaum merkt. Google setzt dabei auf die Schaffung eines globalen Standards, sodass es nicht nur ein Google-Ding bleibt, sondern eben übergreifend einsetzbar wird. Daher sieht man das Commitment zur Integration von PWAs bei anderen Browsern wie Opera, Firefox und auch Safari. Seit einigen Wochen sieht man wie Google eigene Apps als PWAs ausrollt, die sehr gut zeigen, wie gering der Unterschied ist, wenn es um Performance und Experience geht. Auf der Go-Plattform werden Apps wie Google Maps (URL am besten in den mobilen Browser kopieren), Contacts, Photos und einige mehr als PWA entwickelt oder sind eben schon längst als PWA im PlayStore eingebunden. In der PWA-Directory findet man darüber hinaus Umsetzungen von BMW, Autoscout24 oder Starbucks.  

Nun wurde bekannt, dass Microsoft mit dem nächsten Update von Windows 10 Redstone 4 auch PWAs unterstützten wird. Darüber hinaus werden jetzt auch bereits per Bing-Crawler PWAs gesucht und im Store aufgeführt. 

Instant Apps lassen bereits heute Grenzen verschwimmen.

Instant Apps sind ein weitere Schritt, der die Bezeichnung von Web, App und Native noch stärker verschwimmen lässt. Erst letzte Woche wurde der Google PlayStore in einer neuen Version veröffentlicht, dass modulare APK-Updates ermöglicht und somit den Grundstein für den Start von Instant Apps legt. Damit können einzelne Funktionen aus bestehenden nativen Apps, wie z.B. der Warenkorb eines Retailers, in der Websuche dargestellt werden. Oder die einfache Anwendung zur Bezahlung einer Parkuhr.

Wenn man also über Apps redet, dann meint man künftig nicht mehr die "physische" (native) App auf dem Device, sondern eigentlich nur das Anwendungs-Konzept dahinter. Welche Ausprägung die Lösung dann hat, ob native oder Web-App wird zunehmend egal bzw. wird der Nutzer gar nicht mehr unterscheiden können. Das ändert das Verständnis von Apps wie wir sie bisher gesehen haben. Und das muss es auch, bei den neuen Rahmenbedingungen. 

Mit Fuchsia OS wird sich alles ändern.

Vor zwei Jahr wurde bekannt, dass Google an einem neuen, eher neuartigem, Betriebssystem arbeitet, dass sich von der bisheriger Systematik unterscheidet. Da es aktuell noch mitten in der Entwicklung steckt und es keine offiziellen Infos gibt, kann man nur mutmaßen. Aber beim letzten erfolgreichen Versuch der Kollegen von Ars Electronica wurde ein wenig klarer, was damit erreicht werden soll. Mit Fuchsia OS wird genau die Brücke zwischen Desktop und Mobile Device geschlagen, die wir so dringend brauchen (werden). 

Google hat das neue Betriebssystem noch nicht einmal offiziell bestätigt. Im Grunde ist Fuchsia aktuell nur ein Haufen open source Code, der auf fuchsia.googlesource.com liegt. Aber über Umwege kann man einen ersten Eindruck bekommen, wie es sich verhält und wie es das Paradigma von Programmen, Apps und Modularisierung verändert . So ist auch die Beschreibung von Zirkon, dem Kernel von Fuchsia, zu lesen: 

Besonders der modulare Umgang mit Anwendungen öffnet neue Möglichkeiten. Man erkennt an den Screenshots, dass einzelne Anwendungen über die Suche aufgerufen werden, als Karten erscheinen und in einem Feed wieder abgelegt werden. Dabei werden Anwendungen nicht als ganzes gestartet, sondern als eigene Instanz in einem Container samt dazugehöriger Daten, einer sogenannten Story. Somit kann eine Anwendung in unterschiedlichen Kombinationen mit anderen Anwendungen oder Dateien auftreten, auf Desktop sowie Mobile wohlgemerkt. Man kann sich so also ein Umfeld schaffen, das themenspezifisch benötigte Anwendungen sammelt, sodass man nicht - wie aktuell - zwischen Tabs oder Apps springen muss. Nimmt man dazu das Konzept von Instant Apps dazu, könnte ein Nutzer sich spezielle Funktionen von Anwendungen zu einer individuellen Super-Anwendung zusammenstecken. Auch die Tatsache, dass Fuchsia Offline-first entwickelt wird, zeigt wie sehr Fuchsia alles Bekannte über den Haufen wirft und beide - heute strickt getrennte Welten - vereinen will. 

Was ist ihre digitale Strategie?

Ok, aber welche Implikationen hat eine Definition von Apps auf digitale Strategien? Nun, wie schon erwähnt, tendiert man stellenweise eine App als Meilenstein einer digitalen Strategie zu feiern. Auch mehrere Apps sind noch keine Strategie. Schafft man jedoch das Verständnis darüber, wie ein Prozess oder Arbeitsschritt durch digitale Umsetzung verbessert werden kann, hat man bereits viel gewonnen. Einfache Digitalisierung von Papierprozessen sind natürlich ein erster naheliegender Schritt, aber erst die Verknüpfung von Tasks - und damit oft die Verkürzung von Prozessketten - führt zum eigentlichen Gewinn. Fängt man auf einem weißen (digitalen) Blatt Papier an und nutzt das digitale Spektrum, welche Möglichkeiten sich bieten, wenn Flexibilität und Offenheit als Prinzipien gelten. Sollten Sie ihre Enterprise-Anwendungen beispielsweise mit der Modularität von Fuchsia entwickeln, lassen sich im Grunde auf Knopfdruck unendlich viele, aber immer spezifische neue Anwendungen entwickeln. Vielleicht wird eine besondere Kombination von Skills nur temporär benötigt, möglicherweise ist sie aber auch ein Grundfunktion für viele Mitarbeiter. Diese Frage jedoch, sollte man sich in Zukunft nicht mehr stellen müssen. Genauso wie es heute Website-Baukästen oder CRM-Systeme gibt, wo man Funktionalitäten zusammensteckt, sollte man nicht mehr darüber diskutieren müssen, ob man nun erst eine iOS oder Android App entwickelt.  

Natürlich gehört zu einer umfassenden Digitalstrategie noch mehr dazu. Hat man jedoch die Basis geschaffen, dass sich Module universell einsetzen und kombinieren lassen und das Daten ausgetauscht werden können, ermöglicht man eine wesentlich schnellere und effizientere Digitalisierung von Produktion, Fertigung, Kundenbeziehungen und letztlich der gesamten Customer Experience.

Der Hype Cycle for Emerging Technologies 2017 ist der am längsten laufende jährliche Bericht von Gartner, der eine branchenübergreifende Perspektive auf Technologien und Trends wiedergibt, die Business-Strategen, Chief Innovation Officers, F&E-Leiter und Unternehmer bei der Entwicklung von innovativen Technologie-Portfolios berücksichtigen sollten. Er bietet Erkenntnisse aus Auswertungen von mehr als 2.000 Technologien, die die Forschungs- und Beratungsfirmen verfolgen. Von dieser großen Basis an vorhandenen Technologien, sind diese im Hype Cycle enthalten, die in den nächsten fünf bis zehn Jahren das meiste Potential für die Bereitstellung eines Wettbewerbsvorteils zeigen.

Acht neue Technologien

Naturgemäß finden sich natürlich Namen auf aufeinander folgenden Hype Cycles wieder, wenn sie ihren Potenzial über einen Zeitraum treu bleiben. So kommen aber auch immer wieder neue dazu. Acht neue Technologien sind es, die dem Hype-Zyklus in diesem Jahr hinzugefügt wurden: 5G, Artificial General Intelligence, Deep Learning, Deep Reinforcement Learning, Digital Twin, Edge Computing, Serverless PaaS und Cognitive Computing. 

Zum Vergleich, der Hype Cycle der Vorjahres: 

Drei Key Technology Trends

Künstliche Intelligenz, Transparently Immersive Experiences und Digitale Plattformen sind die drei übergeordneten Technologietrends. Sie schaffen tiefgreifend neue Erfahrungen mit unerreichtem Wissen und bieten Plattformen, die Unternehmen ermöglichen, an neue Ökosysteme anzuknüpfen. 

AI Everywhere

Laut Gartner, wird die Klasse der Künstlichen Intelligenz die disruptivste aller Technologien in den nächsten 10 Jahren werden. Aufgrund der radikalen Rechenleistung, nahezu endlose Datenmengen und beispiellose Fortschritte in tiefen neuronalen Netzwerken. Diese ermöglichen es nämlich Unternehmen mit AI-Technologien Daten zu nutzen, um sich an neue Situationen anzupassen und Probleme zu lösen, an die bisher noch niemand gedacht hat.

"AI Everywhere" Technologien bewegen sich schnell durch den Hype Cycle. Technologien wie Deep Learning, autonomes Lernen und kognitives Rechnen überqueren gerade den Gipfel, was zeigt, dass es sich um Schlüsseltechnologien handelt, die transparente und immersive Erfahrungen schaffen.

Das Rennen für geistiges Eigentum (IP) beim Deep und Machine Learning ist im vollen Gange. Der Erfolg von Amazon Alexa, Apple Siri, Google Now, Microsofts Cortana und andere machen diesen Bereich heute zur obersten Priorität für F&E-Investitionen dieser Unternehmen. Gartner prognostiziert, dass bis 2018 zu 80% der standard Arbeitsmittel von Datenwissenschaftlern Deep-Learning Anwendungen und Werkzeuge sein werden. Amazon Machine Learning ist auf Amazon Web Services heute verfügbar. Apple hat auch ein Machine Learning Journal ins Leben gerufen. Google Research ist eines der umfassendsten von allen, mit einer Fülle von Publikationen und Forschungsergebnisse.

Unternehmen, die in diesem Thema eine Hebelwirkung suchen, sollten folgende Technologien berücksichtigen: Deep Learning, Deep Reinforcement Learning, Artificial General Intelligence, Autonomous Vehicles, Cognitive Computing, Commercial UAVs (Drones), Conversational User Interfaces, Enterprise Taxonomy and Ontology Management, Machine Learning, Smart Dust, Smart Robots und Smart Workspace.

Transparently Immersive Experiences

Technologie wird immer mehr Human-centric, bis zu dem Punkt, wo sie Transparenz zwischen Menschen, Unternehmen und Dingen aufzeigen wird. Diese Beziehungen rücken immer mehr zueinander, während die Entwicklung der Technologie immer anpassungsfähiger, kontextueller und präsenter am Arbeitsplatz, zu Hause und in der Interaktion mit Unternehmen und anderen Menschen wird.

Entscheidende Technologien hierbei sind 4D Printing, Augmented Reality (AR), Computer-Brain Interface, Connected Home, Human Augmentation, Nanotube Electronics, Virtual Reality (VR) und Volumetric Displays.

Digital Platforms

Aufkommende Technologien erfordern die Revolutionierung der darunter liegenden und ermöglichenden Basis, die das benötigte Datenvolumen, die fortschrittliche Rechenleistung und die ubiquitätsfähigen Ökosysteme bereitstellen. Die Verlagerung von kompartimentierten technischen Infrastrukturen zu ökosystemtauglichen Plattformen legt den Grundstein für ganz neue Geschäftsmodelle, die die Brücke zwischen Mensch und Technik bilden.

Endlich bewegen sich auch digitale Plattformen schnell entlang des Hype Cycles und veranschaulichen die neuen IT-Realitäten, die durch die Bereitstellung der unterstreichenden Plattformen, die die Zukunft formen werden, möglich sind. Technologien wie Quantum Computing und Blockchain sind bereit, die transformativsten und dramatischsten Auswirkungen in den nächsten fünf bis zehn Jahren zu schaffen.

Zu verfolgende Plattform-Technologien sind u.a. 5G, Digital Twin, Edge Computing, Blockchain, IoT Platform, Neuromorphic Hardware, Quantum Computing, Serverless PaaS und Software-Defined Security.

Im Grunde basiert der Deal auf einer einfachen Analyse: Amazon benötigt das Lebensmittelgeschäft und städtische Immobilien, und Whole Foods braucht Hilfe. Kürzlich eröffnete Amazon erst seinen ersten Buchladen, probiert sich mit Amazon Fresh also Lieferdienst und zeigte mit Amazon Go wie sie den Einzelhandel der Zukunft verstehen. Whole Foods bietet mittlerweile den größten Namen in Yuppie-Lebensmitteln und eine Flotte von Geschäftsräumen in urbanen Top-Locations, die sich als Amazon-Lager nutzen ließen. Das Umsatzwachstum fällt jedoch jedes Jahr seit 2012. Investoren drängen seit Wochen, an einen größeren Lebensmittelhändler zu verkaufen. Mit Amazon hätte man nicht wirklich gerechnet.

Disruptive Innovation als Geschäftsmodell

Amazon wäre aber nicht Amazon, wenn sie nicht so einen Deal einfädeln würden. Amazon scheint immer nicht nur einige Züge vor seinen Konkurrenten zu sein, sondern spielen ein ganz anderes Spiel, etwa wie Schach und Mühle. Man muss sich also durch einige der langfristigeren, hypothetischen Implikationen dieses Deals denken. 

Bisher hieß es Omnichannel und Retailer haben Offline- und Online-Präsenzen, teilweise sogar durch separate Gesellschaften geführt. Das Denken hat sich geändert. Einzelhändler verstehen, dass die Verbraucher Online und Geschäfte nicht wirklich trennen. Stattdessen sieht man sie wie zwei Instrumente, die zusammen spielen und ein Ensemble bilden. Digitale und physische Läden schaffen eine Botschaft und einen Service, indem sie zusammen sind und nicht als zwei getrennte Dinge betreibt.

Auch Amazon hat also erkannt, dass online alleine auf Dauer nicht funktionieren kann. Um im Lebensmittelgeschäft erfolgreich zu sein, muss es eine Symbiose von Online- und physischen Geschäften geben. Das hat im wesentlichen mit zwei Dingen zu tun:

• Haptik: man möchte besonders Lebensmittel selber auswählen und sich nicht überraschen lassen.
• Kosten: die Warenauswahl von Mitarbeitern erledigen zu lassen ist teurer als wenn es Kunden selbst tun

Amazon ist für die Konkurrenz so gefährlich, weil sie das Geschäft mit Niedrigmarge beherrschen und damit viele andere Branchen in ihren Sog ziehen können. So könnte Kunden erwarten, dass die Preise für Lebensmittel bei Whole Foods fallen und die Anleger im Gegenzug, dass der Umsatz steigt. So wie es eben mit Büchern und CDs passierte.

Der Deal dreht sich aber auch, neben Whole Foods als Distributionsdrehscheibe und Amazon als physische Einzelhandelspräsenz, um die neu eingekaufte Kundschaft. Whole Foods verkauft hochpreisige Ware, die ausschließlich nachhaltig und biologisch hergestellt wird. Damit ziehen sie auch eine oft kaufkräftige Kundschaft an. Mit dem Zukauf könnte Amazon also auch ein wenig an seinen Margen drehen und aus der reinen Niedrigmarge herauskommen. Mehr als die Hälfte der amerikanischen Haushalte mit Einkommen über $ 100.000 sind bereits Prime Abonnenten, und sie geben mehr als $ 1.000 pro Jahr darüber aus. Mit Whole Foods, wo reiche Familien regelmäßig $500 pro Monat ausgeben, könnte Amazon erwarten, dass seine reichsten Kunden Tausende von Dollar pro Jahr bei Amazon ausgeben

Betriebssystem des Alltags

Vor allem geht es aber auch um Amazon als "Betriebssystem des Alltags". Jeff Bezos geht es schon lange nicht mehr nur um Bücher und CDs. Mit Prime hat ist der Einzelanfertigung in den Ring gestiegen, wo sich bereits die Schwergewichte Netflix, Apple iTunes, Hulu und andere tummeln. Amazon ist im Grunde auch schon lange kein Einzelhändler mehr. Es ist ein Marktplatz wo Angebot und Nutzer zusammenfinden. Dabei ist es (fast) egal was angeboten wird. Und eigentlich ist Amazon auch mehr als nur ein Marktplatz. Die Tatsache, dass Transaktionen getätigt werden und sogar eine Kreditkarte von Amazon angeboten wird, macht die einstige E-Commerce Website zur Plattform für unendlich viele zukünftige Dienste und Waren.

Auf stille, aber beeindruckende Weise zeigte Amazon dies mit der Einführung der Kreditkarte, als Kombination aus Zahlungs-, Kunden- und Rabattkarte. Dabei geht es in erster Linie um "Customer Convenience", das oberstes Ziel ist, bei allem was Amazon tut. Als Vehikel dient es den "einfachen" Kunden zu einen Prime-Kunden und damit zu einen regelmäßig zahlenden Abonnenten zu machen. Als CRM- und Rabatt-Tool ist es dann ein einfaches immer wieder Incentives raus zu geben und so den Kunden bei der Stange bzw. an der kurzen Leine zu halten. 

Jeff Bezos: "Alexa, buy me something from Whole Foods."

Alexa: "Sure, Jeff. Buying Whole Foods now."

Jeff Bezos: "WHA- ahh go ahead." pic.twitter.com/GuJ2jlAiuU

— JESAL (@JesalTV) June 16, 2017

Amazon in der post-mobile Ära

Vor allem ist es aber für eine No-Screen, No UI oder post-mobile Welt notwendig, den Kunden in all seinen Facetten zu kennen. Denn je weniger Computer-Intelligenz an einen Desktop oder gar ein Smartphone gebunden ist, und wir uns in eine neue Ära bewegen, in der wir in kleinen Mikrofone, zu Gegenständen oder zu Heimassistenten sprechen, umso mehr muss eine Plattform ihren Kunden kennen. "Hast du die Milch gerade leer gemacht? Keine Sorge, eine Lieferung ist bereits unterwegs." 

Der Heimassistent von Amazon, Echo, ist so ein Schritt in diese neue Welt. Mit dem Zylinder als Mittelpunkt des heimischen Geschehens, hofft das Unternehmen natürlich soviel Infos über den Kunden wie möglich zu bekommen. Im Gegenzug bekommt der Kunde die 

Für Amazon ist immer Day 1

Mit dem Dash-Button hatte Amazon nicht nur einen perfekten PR coup, sondern zeigte auch wie sie sich mit Technologien und dem Wandel der Zeit auseinandersetzen. Ein wesentlicher Kerngedanke von Bezos und wie Amazon funktioniert. Man muss sich schon lange von der Tatsache verabschieden, dass Amazon ein Online-Buchhändler ist. Genaus wie Google schon lange mehr nur eine Suchmaschine ist. Amazon geht es um "Customer Obsession", also den Kunden und dessen Bedürfnisse in all ihrer Tiefe zu verstehen. Ähnlich wie man zum Aufbau eines Start-Ups tief in den Bedürfnissen sucht, um sein Produkt zu positionieren. Das versteht Bezos unter Day 1. Daher verhindert Amazon auch, da wo es geht, Zwischenhändler und versucht stattdessen selbst die Kontrolle und damit die Insights zu haben. Paar man das ganze mit einer schnellen Entscheidungsfindung, bekommt man eines der wertvollsten Unternehmen weltweit.

Amazon bietet mit Fresh Prime ein einzigartiges Paket von Dienstleistungen an, die der Führung des Unternehmens in der digitalen und physischen Infrastruktur nutzen: unendlich viele Bücher, schnelle Lieferung, frische Lebensmittel, kostenloses Streaming. Wer würde versuchen, einen Konkurrenten mit diesem seltsamen Gemisch von sehr teuren und kaum rentablen Diensten zu bauen?

Niemand. Und für Bezos ist das genau der Punkt.

Digitalisierung und Markenrelevanz 

Der BRI versucht Aufschlüsse darüber zu geben, wie wichtig relevante Marken im Leben der Verbraucher sind und wie die Relevanz für das Wachstum steht. Die Relevanz umfasst alle Elemente, die für eine starke Marke und ein gesundes Fundament erforderlich sind - hohe Nachfrage, starke Anziehungskraft und Produkte und Dienstleistungen, die einen Mehrwert für das Leben eines Kunden schaffen. Daher ist Relevanz der wichtigste Faktor für den langfristigen Erfolg einer Marke. 

In Deutschland waren es mehr als 10.000 Konsumenten, die über 250 Marken aus 24 Branchen entscheiden sollten. Dabei handelt es sich um Marken, die 95+ % der deutschen Haushaltausgaben repräsentieren. Wenig überraschend: 7 Marken in den deutschen Top 10 sind digitale Marken. 

In den USA sieht es ähnlich aus: Es wurden 15.000 Verbraucher gefragt, welche der mehr als 300 Marken in 27 Branchen, für sie und ihren Alltag unentbehrlich geworden sind. Die Gewinner sind auch hier digitale Marken wie etwa FitBit und Pinterest. Klassiker wie Clorox, Tide und Band-Aid bleiben nach wie vor wichtig, da es dafür aktuell auch quasi keine digitale Alternative gibt. Aber Digitalisierung ist natürlich kein Garant für Erfolg und Relevanz, wie man z.B. an Yahoo sieht, die viele Plätze im Ranking abgeben mussten.

Everyday digital service brands

Der entscheidende Faktor für Relevanz scheint dabei aber nicht nur eine reine Digitalisierung im alten Sinne zu sein. Klassische Hardware- und Software-Marken verlieren zusehend an Boden gegenüber den modernen, software-fokussierten Dienstleistungsmarken. Es geht um die Verknüpfung von digitaler Infrastruktur und dem Alltag der Konsumenten. Marken wie Google und Whatsapp sind so stark mit den einzelnen Schritten der Kunden verwoben, dass sie eine kaum mehr trennbare Nähe schaffen, die das Leben anderer Marken schwer macht.

24/7 verfügbare Services, Ubiquität, Nahtlosigkeit und ständige Wertschöpfung werden zum entscheidenden Faktor.

Die 4 Erfolgsfaktoren

1. Außerordentliche Kundenorientierung
   Marken, ohne die wir nicht leben wollen. Alles, in das diese Marken investieren, sowie alles, was sie entwickeln und auf den Markt bringen, zielt darauf ab, die wirklich wichtigen Bedürfnisse ihrer Kunden zu befriedigen. 
2. Rigoroser Pragmatismus
   Marken, auf die wir uns angewiesen fühlen. Diese Marken stellen sicher, dass ihre Produkte überall erhältlich sind, wo und wann immer die Kunden sie benötigen. Sie sind zuverlässig und machen das Leben ihrer Kunden leichter. 
3. Einzigartige Kreativität
   Marken, die uns inspirieren. Diese Marken verfolgen eine emotionale Verbindung mit ihren Kunden, gewinnen deren Vertrauen und verfolgen häufig ein höheres Ziel, mit dem sich ihre Kunden identifizieren können. 
4. Kontinuierliche Innovation
   Marken, die sich fortlaufend weiterentwickeln. Diese Marken ruhen sich nicht auf ihren Lorbeeren aus. Selbst als Marktführer entwickeln sie sich ständig weiter, interagieren mit ihren Kunden auf neue und kreative Weise und finden neue Wege, um bisher unbefriedigte Bedürfnisse zu befriedigen.

Top 50 Marken in USA, UK und China

Top 50 Marken in Deutschland

Ausführliche Details zu den einzelnen Marken, der Erfolgsfaktoren und der Befragungsmethode gibt es in dem PDF des Reports. 

Der Hype Cycle for Emerging Technologies Report ist die am längsten laufende jährliche Bericht von Gartner, der eine branchenübergreifende Perspektive auf Technologien und Trends wiedergibt, die Business-Strategen, Chief Innovation Officers, F&E-Leiter und Unternehmer bei der Entwicklung von innovativen Technologie-Portfolios berücksichtigen sollten.

Drei Key Technology Trends

Transparente experiences, das intelligente Maschinenzeitalter und die Plattform-Revolution sind die drei übergeordneten Technologietrends. Sie schaffen tiefgreifend neue Erfahrungen mit unerreichter Intelligenz und bieten Plattformen, die Unternehmen ermöglichen, an neue Ökosysteme anzuknüpfen. 

Transparently immersive experiences

Technologien werden sich immer mehr in Richtung Human-centricity entwickeln, bis zu dem Punkt wo es echte Transparenz zwischen Menschen, Unternehmen und Dingen schafft. Dieses Zusammenspiel wird viel mehr miteinander verflochten werden, wenn Technologien zugänglicher, relevanter und reibungslos nutzbarer am Arbeitsplatz, zu Hause und bei Interaktion mit Unternehmen und anderen Menschen werden. 
Referenz-Technologien dafür sind 4D Druck, Augmented und Virtual Reality, Hirn-Computer Interface oder Gestenerkennung-/steuerung.

The perceptual smart machine age

In den kommenden 10 Jahren werden Smart-Maschine-Technologien die disruptivste Klasse von Technologien werden. Aufgrund von radikalen Rechenleistungen, nahezu endlose Mengen von Daten und neuartige tiefen neuronale Netzwerken, werden Unternehmen mit smarten Maschinentechnologien in der Lage sein, Daten zu nutzen, um sich an neue Situationen anzupassen und Probleme zu lösen, wie bisher nie zuvor.
Entscheidende Technologien hierbei sind Machine Learning, Virtual Personal Assistants, Conversational User Interfaces, Smart Robots oder Commercial UAVs (Drohnen) und autonome Fahrzeuge.

The platform revolution

Neue Technologien revolutionieren die Art, wie Plattformen definiert und verwendet werden. Der Übergang von der starren technischen Infrastruktur auf Plattformen, die Ökosysteme möglich machen, ist die Grundlagen für völlig neue Geschäftsmodellen, die die Brücke zwischen Mensch und Technik schlagen. Innerhalb dieser dynamischen Ökosysteme müssen Unternehmen proaktiv verstehen und ihre Strategie neu definieren, um Plattform-basierte Geschäftsmodelle zu schaffen, sowie interne und externe Algorithmen zu nutzen, um Mehrwert zu generieren.
Zu verfolgende Plattform-Technologien sind u.a. Quantum Computing, Blockchain, IoT-Plattformen, oder Software-Defined Anything (SDx).

Der IBM Travel Experience Index möchte genau dieses Zusammenspiel von physischen und digitalen Faktoren herausarbeiten. Im ersten Schritt untersucht und bewertet der Index digitale Reisendeninteraktionen mit Fluggesellschaften, ihre Service-Erfahrungen mit Airline-Mitarbeitern und die Nutzung von Kommunikation über Kanäle hinweg.

Die Erwartungen von Reisenden werden maßgeblich durch ihre letzten und besten Erfahrungen geprägt. Dabei ist es völlig egal, ob sie diese Erfahrungen bei einem Reiseunternehmen oder wo anders machen. Diese Tatsache sollten Führungskräfte zur Kenntnis nehmen. Denn das bedeutet, dass Kunden das Reiseerlebnis und digitale Angebote eines Reiseanbieters mit denen von innovativen, digitalen Unternehmen außerhalb der Reisebranche vergleichen, beispielsweise Netflix, Spotify oder Venmo. Personalisierung, Mobile und Sofortzugriff/-infos sind zur Norm geworden, und die Erwartungen von Reisende steigen tendenziell.

Innovationen und Experiences als Wettbewerbsvorteil im Reisemarkt

Um genau diese wachsenden Erwartungen der heutigen Reisenden zu treffen und sie in steigernde Loyalität und Gewinne zu wandeln, müssen Reiseanbieter wie Fluggesellschaften und Hotels herausstechende digitale Interaktionen liefern. Denn nur so schafft man ein differenziertes End-to-End Reiseerlebnis. Das wusste auch bereits Tim Mapes, SVP Marketing bei Delta Airlines, vor einigen Jahren, als sie ihr digitalen Aktivitäten ausbauten, z.B. mit Delta Innovation Class. 

Die Methode: Mistery Travelers

IBM führte dazu nun eine neuartige Studie über Fluggesellschaften und Hotels auf der ganzen Welt durch. Während der ersten Phase, zwischen September 2015 und Januar 2016, sammelte man Daten von mehr als 85 Prozent der Top 20 globalen Fluggesellschaften und allen Top 15 globalen Hotelmarken nach Umsatz. Insgesamt wurden 210 Flugsegmente und 119 Hotelnächte untersucht, mit 35 Airline-Marken und 31 Hotelmarken.

Es gibt viel Raum für Verbesserungen der Performance

Vergleicht man die digitale und physische Performance der Carrier, sieht man deutliche Unterschiede und ein breites Spektrum. Um den Reifegrad jeder Fluggesellschaft zu definieren, hat man alle Ergebnisse in 3 Kategorien eingeteilt. Innovatoren erreichten mehr als 70 Prozent im Index, Fast Followers zwischen 55 und 70 Prozent, und Nachzügler ("Laggards") weniger als 55 Prozent.

Schnell sieht man, dass es kaum echte Innovatoren unter den Airlines gibt. Der Großteil mit 69 Prozent wird als Fast Follower ausgewiesen. Ein recht großer Teil von 20 Prozent konnte mit seinen digitalen und physischen Servicewerten jedoch nicht überzeugen und wird als Nachzügler klassiert. 

Hotels mit besserer Performance als Fluglinien

Die Leistungsunterschiede zwischen den einzelnen Airlines erscheinen noch extremer, wenn man sie mit Hotels vergleicht. In allen drei Dimensionen, also Digitale Interaktion, Service-Orientierung und Multikanal-Kommunikation, schneiden Hotels durchweg besser ab als die Fluggesellschaften. Darüber hinaus scheint die Spanne der Performance bei den Hotels nicht so breit zu sein, sondern sich im Mittelfeld zu konzentrieren. Während 89% der Hotels höhere Werte für Service erzielten als für Digital, waren es 91% der Airlines. 

Starker Service Kaschiert oft schwaches Digital

Kundenbetreuung und eine starke Serviceausrichtung sind traditionell die Pfeiler von Hotels und Fluggesellschaften. Sie werden nicht selten als Best Case hinzugezogen, wenn es darum geht, sich rundum um den Kunden zu sorgen. Schaut man jedoch in die Auswertung von Nischenanbietern oder auch in andere Regionen wie der Mittlere Osten oder Afrika, gibt es erhebliche Diskrepanzen zwischen Service und beispielsweise Digital. So scheint es, dass man mit Fokus auf Kundeninteraktionen Mängel bei digitalen Interaktionen wiedergutmachen möchte. 

Im gleichen Schritt kann der stark ausgeprägte Service genutzt werden, digitale Aktivitäten auszubauen. Laut IBM sollten Fluggesellschaften mehr Zeit und Ressourcen darin investieren, ihre Mitarbeiter gezielt nach spezifischen Änderungen zu fragen, die bei Websites, mobilen Anwendungen und sozialen Kanälen notwendig sind, um sie dem persönlichen Service-Standard anzugleichen.

Personalisierung? Fehlanzeige.

Seit mindestens einem Jahrzehnt ist die Personalisierung ein wichtiges Thema auf der Agenda der Luftfahrtindustrie. Mittlerweile gibt es kaum noch Dienste im Internet, die ohne Personalisierung auskommen. Laut der Analyse jedoch, zeigen sie dich mageren Bemühungen, das Reiseerlebnis zu personalisieren, als unwirksam. Daher wird Personalisierung in der Studie durchweg mit den niedrigsten Werte ausgewiesen. Dabei gibt es zahlreiche Möglichkeiten und Bespiele, wie man sein Angebot im Digitalen an persönliche Vorlieben der Nutzer ausrichten kann. Auch die Verknüpfung einzelner Kanäle und Touchpoints zu einem Kundenbild erfolgt quasi nicht. Mit den Erwartungen, die digitale Nutzer vom Rest des Internets gewohnt sind, werden an dieser Stelle viele wichtige Punkte verloren. So sind die meisten Airlines nicht in der Lage, eine Online hinterlegte besondere Mahlzeit in der mobile App bereitzustellen. Einige Male wurde man aufgefordert, die Einträge mobil erneut einzugeben oder man erhielt zu oft nicht einmal die gewünschte Mahlzeit.

Fazit: 3 Empfehlungen

1. Digitale und besonders mobile Aktivitäten ausbauen.
   Hotels und Fluggesellschaften müssen von ihren Wettbewerbern und führenden Händlern lernen, digitale Interaktionen zu verbessern, vor allem auf dem mobilen Device. Die Kunden haben sich nahtlose und mobile Interfaces gewöhnt, und sie bringen die gleichen Erwartungen mit auf ihre Reisen. 
2. Mitarbeiter einbeziehen und Kundendialog fördern
   Mitarbeiter benötigen Systeme, um Informationen von Reisenden abzulegen und sie für zukünftige Interaktionen bereitzustellen. Es müssen auch Touchpoints geschaffen werden, die überzeugend genug sind, um zusätzliche Erkenntnisse über Muster und Präferenzen der Reisenden zu gewinnen. Nur mit diesen Daten lässt sich wiederum die jeweilige Reise individuell und einzigartig gestalten. Dadurch erst entsteht ein echter Kundendialog zwischen Mitarbeitern und Reisenden, der die Kundenbeziehungen verbessert.
3. Personalisierung
   Personalisierung kann positive Auswirkungen in allen Phasen der Reise haben, angefangen bei der Aufmerksamkeitsgewinnung, der Buchung, währen und auch nach der Reise. Gezielte, personalisierte Aktivitäten auf die individuelle Reise und deren Kontext können deutlich den Umsatz steigern. Die optimale Implementierung solcher Interaktionen für jeden Kunden, nicht nur bei Frequent Traveler, ist von entscheidender Bedeutung.

GARTNER HYPE CYCLES

Die Gartner Hype Cycles sind eine graphische Darstellung der Marktreife, der Adaption von Technologien und Anwendungen. Aber - und vor allem - zeigen sie wie und wann diese Trends potenziell relevant für die Lösung von Businessproblemen und die Nutzung neuer Möglichkeiten sind. Im Laufe der Jahre kann man mit Hilfe der Reports einzelne Technologien verfolgen und sehen in welchen Reifestadium sie sich befinden, um entsprechend als Unternehmen darauf zu reagieren.

Die Hype Cycles sind für Gartner eine Methode, um Märkte zu beobachten. Daher muss man verstehen, dass es diese Hype Cycles für eine Fülle von Märkten gibt. Die globalen Technologie-Trends werden in dem Hype Cycle Of Emerging Technologies erfasst. Die Hype Cycles aller anderen Markte findet man hier.

DIE TRENDKURVE DER GARTNER HYPE CYCLES

Unternehmen verwenden Hype Cycles, um sich über die Versprechen einer neuen Technologie im Rahmen ihrer Branche und individuellen Risikobereitschaft ein Bild zu machen. Sollten man einen frühen Zug zu wagen? Ist ein moderater Ansatz angemessen? Oder sollten man eher auf einen weiteren Reifestatus warten? Die Platzierung der Graphen geben eine grobe Orientierung. Und im Kontext der vergangenen Jahre kann man bestimmte Technologien sogar in ihrer Entwicklung verfolgen. 

Jeder Hype Cycle besteht aus den fünf wichtigsten Phasen im Lebenszyklus einer Technologie:

Technologie Trigger: Ein potentieller Technologiedurchbruch startet eine Bewegung. Frühe Proof-of-Concept-Geschichten und Medieninteresse triggern erhebliche Publizität. Oft existieren noch keine brauchbaren Produkte und die Wirtschaftlichkeit ist nicht klar.

Höhepunkt der überzogenen Erwartungen: Frühe Werbung produziert eine Reihe von Erfolgsgeschichten - oft von Reihen von Fehlern begleitet. Einige Unternehmen ergreifen zögerliche Maßnahmen.

Tal der Desillusionierung: Das Interesse schwindet, wenn Experimente und Implementierungen keine brauchbaren Ergebnisse liefern. Die Hersteller der Technologie wackeln oder scheitern. Investments bestehen weiterhin nur dann, wenn die überlebende Anbieter ihre Produkte zur Zufriedenheit der Early Adopters verbessern können.

Hang der Erleuchtung: Weitere Beispiele, wie Unternehmen von der Technologie profitieren können, zeichnen sich ab und werden allgemein verstanden. Die zweite und dritte Generation von Produkten der Technologieanbietern entstehen. Mehr Unternehmen finanzieren Piloten; konservative Unternehmen bleiben vorsichtig.

Plateau der Produktivität: Adaption der Technologie durch den Mainstream beginnt. Kriterien für die Beurteilung der Lebensfähigkeit werden klarer definiert. Anwendbarkeit und Relevanz der Technologie im breiten Markt zahlen sich aus klar aus.

VP Distinguished Analyst Betsy Burton talks about this year's Hype Cycle Special Report.

NEU IM HYPE CYCLE 2015: AUTONOME FAHRZEUGE, CONNECTED HOME

Wesentliche Änderungen in dem Hype Cycle for Emerging Technologies 2015 umfassen die Platzierung von autonomen Fahrzeugen, die sich von Fast-Spitze zu Spitze des Hype Cycle verschoben haben. Während autonome Fahrzeuge noch im Anfangsstadium liegen, haben allen großen Automobilunternehmen autonome Fahrzeuge auf ihren kurzfristigen Roadmaps, sodass diese Bewegung einen bedeutenden Fortschritt darstellt.

Ebenso hat die wachsende Dynamik durch neue Technologieanbieter und bestehende Hersteller im Connected-Home Feld zu völlig neuen Lösungen und Plattformen geführt, was die Technologie von Post-Trigger zum Pre-Peak voranschiebt.