Dein Wettbewerbsvorteil ist nicht deine KI. Es ist deine Lerngeschwindigkeit.

Mich beschäftigt seit einiger Zeit eine Frage: Wie würde man heute ein Unternehmen aufbauen, wenn man nicht von Software, sondern vom Unternehmer selbst ausgeht?

Nicht: Welche Buchhaltungssoftware brauche ich?

Nicht: Welches CRM soll ich verwenden?

Nicht: Welches KI-Modell ist das beste?

Sondern: Welche Informationen brauche ich, um mein Unternehmen gut zu führen – und welche Entscheidungen muss ich regelmäßig treffen?

Je länger ich darüber nachdenke, desto weniger glaube ich an die eine große Unternehmenssoftware, die alles können soll. Interessanter erscheint mir ein anderes Modell: ein Unternehmen aus spezialisierten Layern aufzubauen und diese durch KI miteinander zu verbinden.

Heute arbeiten viele Unternehmen genau umgekehrt. Für die Buchhaltung gibt es ein Programm. Für Kunden ein CRM. Für Marketing weitere Anwendungen. Aufgaben liegen in einem Projektmanagementsystem. Dokumente irgendwo in der Cloud.

Jedes System hat seine eigene Benutzeroberfläche, seine eigenen Auswertungen und seine eigene Logik. Der Unternehmer muss lernen, diese Systeme zu bedienen und die Informationen anschließend selbst zusammenzuführen.

Generative KI eröffnet eine andere Möglichkeit.

Die einzelnen Systeme könnten zunehmend zu spezialisierten Daten- und Ausführungsschichten werden. Sie machen das, wofür sie gebaut wurden, möglichst zuverlässig. Darüber liegt eine KI, mit der der Unternehmer kommuniziert.

Die entscheidende Frage lautet dann nicht mehr: „In welchem Programm finde ich diese Information?“ Sondern: „Was muss ich heute wissen oder tun?“

Nehmen wir die Finanzen.

Ein guter Financial Layer kennt Rechnungen, Zahlungen, offene Forderungen, Bankbewegungen, Kosten, Buchungen, Kostenstellen und steuerlich relevante Informationen. Seine Aufgabe ist nicht, Unternehmensstrategie zu entwickeln. Seine Aufgabe ist, eine möglichst verlässliche finanzielle Realität des Unternehmens abzubilden und die dazugehörigen Prozesse auszuführen.

Darüber kann eine KI Fragen beantworten wie:

Der Unterschied erscheint zunächst klein. Tatsächlich verändert er aber die Rolle der Software. Das Buchhaltungsprogramm wird vom Arbeitsplatz zum Financial Layer.

Dasselbe Prinzip lässt sich auf Marketing und Vertrieb übertragen.

Dieser Layer muss wissen: Woher kommen Interessenten? Welche Anfragen sind offen? Welche Angebote wurden gelegt? Welche wurden angenommen? Welche Marketingmaßnahmen erzeugen tatsächlich Kunden?

Bei einem Handwerksunternehmen könnte noch etwas hinzukommen, das mich derzeit besonders interessiert: Proof.

Ein Restaurator kann seine Arbeit hervorragend zeigen. Vorher: ein beschädigtes Möbelstück. Dann sieht man den Arbeitsprozess. Nachher: das restaurierte Stück. Die Leistung wird sichtbar.

Bei vielen Dienstleistungen ist diese Transformation schwerer zu erkennen. Trotzdem existiert sie. Bei einem Berater könnte sie beispielsweise lauten:

Ausgangsproblem → Analyse → Intervention → neues System → messbare Veränderung.

Damit wird ein abgeschlossener Auftrag gleichzeitig zu einer möglichen Fallstudie für den nächsten Kunden. Marketing wird dadurch weniger zu einer permanenten Produktion von Werbebotschaften und stärker zur Dokumentation tatsächlich geleisteter Arbeit.

Über Finanzen, Marketing und Vertrieb fehlt allerdings noch eine Ebene: die Strategie.

Wo wollen wir hin? Welches Problem lösen wir? Für wen? Was ist momentan unser größter Engpass? Welche Annahme testen wir? Welche Maßnahme hat aktuell Priorität?

Diese Informationen müssen nicht zwangsläufig in einem riesigen Strategietool liegen. Wahrscheinlich reichen am Anfang relativ wenige strukturierte Informationen.

Entscheidend ist etwas anderes: Die Strategie muss mit der Realität verbunden bleiben.

Wenn die Strategie sagt, dass Neukundengewinnung der wichtigste Engpass ist, die Daten aber zeigen, dass genügend Leads vorhanden sind und nur kaum jemand ein Angebot annimmt, stimmt möglicherweise nicht das Marketingproblem, sondern die Diagnose.

Die KI muss dabei nicht das System of Record sein. Das Finanzsystem bleibt für Finanzdaten verantwortlich. Das CRM für Kunden und Verkaufschancen. Andere spezialisierte Systeme behalten ihre jeweilige Aufgabe.

Die KI bekommt über standardisierte Schnittstellen Zugriff auf die benötigten Informationen und Funktionen. APIs existieren dafür schon lange. Standards wie das Model Context Protocol zeigen zusätzlich eine mögliche Richtung, wie KI-Systeme strukturierter mit externen Werkzeugen und Datenquellen interagieren können.

Damit wird ein anderes Interface vorstellbar.

Der Unternehmer öffnet morgens nicht fünf Programme. Er fragt:

Die Antwort könnte Informationen aus mehreren Layern zusammenführen: Eine Rechnung wartet auf Freigabe. Zwei Kunden haben ihr Zahlungsziel überschritten. Drei neue Anfragen wurden noch nicht beantwortet. Ein Angebot liegt seit acht Tagen ohne Follow-up. Eine Kostenposition entwickelt sich ungewöhnlich.

Und aus der aktuellen Strategie ergibt sich vielleicht, dass heute nicht mehr Werbung, sondern die Bearbeitung bestehender Angebote Priorität haben sollte.

Das wäre keine weitere Unternehmenssoftware. Es wäre eine Interaktionsschicht über dem Unternehmen.

Peter Diamandis argumentierte kürzlich, dass klassische Burggräben wie proprietärer Code, Patente oder einzelne Produktfeatures an Schutzwirkung verlieren können, weil KI Nachbauen, Analysieren und Weiterentwickeln massiv beschleunigt. Seine zentrale These ist, dass Geschwindigkeit der Neuerfindung wichtiger wird als der einmal errichtete Schutzwall.

Das passt überraschend gut zu diesem Layer-Modell.

Wenn der Financial Layer austauschbar ist, ist das kein Fehler. Wenn wir ein besseres CRM finden und wechseln können, ist das ebenfalls kein Fehler. Selbst das KI-Modell sollte austauschbar sein.

Die Architektur soll gerade verhindern, dass der Unternehmer seine Zukunft an ein einzelnes Werkzeug bindet.

Der entscheidende Vorteil liegt dann nicht im Besitz eines bestimmten Tools, sondern in der Fähigkeit, neue Werkzeuge schnell zu verstehen, sinnvoll zu integrieren und produktiv einzusetzen.

Aber ich glaube, dass noch etwas dazukommt, das in Technologiediskussionen leicht unterschätzt wird: Vertrauen in Personen.

Wenn Wissen, Software und einzelne Methoden leichter kopierbar werden, gewinnt eine andere Frage an Bedeutung:

Ein Kunde kauft bei einem Steuerberater, Berater, Arzt, Trainer oder Handwerker nicht nur den heutigen Wissensstand. Er kauft auch die Erwartung, dass diese Person ihr Fachgebiet weiter beobachtet, neue Werkzeuge kritisch prüft und ihre Fähigkeiten kontinuierlich aktualisiert.

Damit verändert sich auch die Bedeutung von Erfahrung.

„20 Jahre Erfahrung“ ist nicht automatisch ein Wettbewerbsvorteil. Es kann ebenso bedeuten, zwanzig Jahre lang dieselben Routinen zu wiederholen.

Interessanter wird eine andere Kombination:

Erfahrung × Lernfähigkeit × Aktualisierungsgeschwindigkeit × Urteilskraft.

Der Kunde vertraut dann nicht darauf, dass jemand alles weiß. Er vertraut darauf, dass diese Person weiterlernt.

Und dieses Vertrauen lässt sich nicht einfach durch ein neues Feature kopieren. Beziehungen, nachvollziehbare Entscheidungen, sichtbare Lernprozesse, geänderte Meinungen, bewährte Routinen und über Jahre dokumentierte Entwicklung entstehen nur durch Zeit und Praxis.

Hier liegt gleichzeitig eine Gefahr.

Wenn KI immer mehr Informationen sammelt, analysiert und Entscheidungen vorbereitet, könnte der Unternehmer genau jene Fähigkeiten verlieren, die er eigentlich entwickeln sollte.

Lisanne Bainbridge beschrieb bereits 1983 eine grundlegende Ironie von Automatisierung: Je mehr Routinearbeit automatisiert wird, desto stärker können Menschen auf jene seltenen Situationen reduziert werden, in denen etwas Ungewöhnliches passiert – also genau auf die Situationen, in denen hohe Kompetenz notwendig wäre.

Parasuraman und Riley zeigten später, dass Automatisierung sowohl übermäßiges Vertrauen als auch Unter- oder Fehlgebrauch fördern kann. Vertrauen in Automation, Arbeitsbelastung und wahrgenommenes Risiko beeinflussen, wie Menschen automatisierte Systeme tatsächlich einsetzen.

Das ist für unser Meisterschaftsmodell entscheidend.

Das Ziel darf nicht sein, dass die KI den Unternehmer ersetzt. Das Ziel muss sein, dass sie ihn besser macht.

Deshalb interessiert mich eine andere Form der KI-Nutzung.

Die KI sollte nicht immer sofort sagen: „Mach A.“

Sie könnte zunächst fragen: „Deine Abschlussquote ist gefallen. Was glaubst du, woran es liegt?“

Der Unternehmer formuliert seine Hypothese. Danach zeigt die KI die Daten, widerspricht gegebenenfalls, stellt weitere Fragen oder schlägt ein Experiment vor.

So entsteht aus Unternehmensführung Training.

Jarrahi argumentiert in seiner Arbeit über Mensch-KI-Symbiose, dass Maschinen und Menschen unterschiedliche Stärken in Entscheidungen einbringen: KI kann große Mengen komplexer Information analytisch verarbeiten, während Menschen weiterhin Kontext, Unsicherheit und Mehrdeutigkeit ganzheitlicher beurteilen können.

Genau das ist für mich Co-Intelligenz. Nicht Mensch oder Maschine. Sondern ein System, in dem Mensch und Maschine unterschiedliche Aufgaben übernehmen und sich gegenseitig ergänzen.

Damit schließt sich für mich der Kreis zur Meisterschaft.

Ein Dōjō ist nicht primär ein Ort, an dem jemand erklärt bekommt, wie etwas theoretisch funktioniert. Es ist ein Ort des Übens.

Dasselbe könnte für ein Unternehmen gelten.

Jede Woche entstehen reale Situationen: Ein Kunde zahlt nicht. Eine Kampagne funktioniert nicht. Eine Kalkulation war falsch. Ein Angebot wird abgelehnt. Die Liquidität entwickelt sich anders als geplant. Ein Prozess kostet zu viel Zeit.

Das sind keine Störungen des Lernens. Das ist das Lernmaterial.

Wenn wir diese Situationen dokumentieren, analysieren, Entscheidungen treffen und anschließend überprüfen, was tatsächlich passiert ist, entsteht ein kontinuierlicher Lernkreislauf:

Beobachten → Hypothese → Entscheiden → Handeln → Messen → Reflektieren → Anpassen.

Oder in unserer Sprache:

Learn. Apply. Prove It.

Eine weitere Erkenntnis ergibt sich daraus.

Wenn ein spezialisiertes System Buchhaltung hervorragend kann, müssen wir keine eigene Buchhaltung programmieren. Wenn ein anderes System Kundenbeziehungen hervorragend verwaltet, müssen wir kein eigenes CRM bauen.

Meisterschaft bedeutet nicht, jedes Werkzeug selbst herzustellen.

Meisterschaft bedeutet zu verstehen, welches Werkzeug welche Aufgabe übernehmen soll – und selbst jene Fähigkeiten zu entwickeln, die nicht delegiert werden sollten.

Das könnte auch ein Prinzip für Unternehmen im KI-Zeitalter werden:

Spezialisierte Systeme erledigen ihre jeweilige Arbeit. Standards verbinden die Systeme. KI macht die Informationen zugänglich und hilft beim Denken. Der Mensch setzt Ziele, beurteilt Zusammenhänge, trifft Entscheidungen und trägt Verantwortung.

Unsere derzeitige Hypothese lautet deshalb:

Tools werden austauschbarer. Fähigkeiten müssen erneuert werden. Vertrauen muss verdient werden.

Und genau deshalb bleibt Meisterschaft relevant.

Diamandis, P. H. (2026). What Counts as a Moat in the Age of AI? Metatrends, Substack. Quelle.

Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6), 775–779. DOI: 10.1016/0005-1098(83)90046-8.

Parasuraman, R. & Riley, V. (1997). Humans and Automation: Use, Misuse, Disuse, Abuse. Human Factors, 39(2), 230–253. DOI: 10.1518/001872097778543886.

Jarrahi, M. H. (2018). Artificial Intelligence and the Future of Work: Human-AI Symbiosis in Organizational Decision Making. Business Horizons, 61(4), 577–586. DOI: 10.1016/j.bushor.2018.03.007.