Strategische Entscheidungsfindung wird durch KI nur dann besser, wenn eine Organisation bereits einen funktionierenden Weg hat, um zu entscheiden, welche der von der KI generierten Optionen finanziert, besetzt und umgesetzt wird. Die meisten Organisationen haben diesen Weg noch nicht. Diese Lücke entscheidet, ob KI überhaupt etwas verändert.
Das Versprechen: von einer Handvoll Optionen zu Tausenden
Ein aktueller Harvard-Business-Review-Artikel von Felipe Csaszar, der den Strategie-Lehrstuhl an der Ross School of Business der University of Michigan leitet, bringt die zugespitzteste Version des aktuellen KI-und-Strategie-Arguments auf den Punkt. Klassische Strategiesitzungen bringen nur eine Handvoll Optionen hervor, weil ein Raum voller Führungskräfte begrenzte Zeit und begrenzte Geduld für das Durchdenken von Alternativen hat. KI hebt diese Grenze auf. Sie kann Tausende strategischer Optionen generieren und bewerten, Markt- und Wettbewerbsanalysen aufbauen, die sich fortlaufend aktualisieren statt zwischen Planungszyklen zu veralten, und einen Plan in einer strukturierten Debatte auf die Probe stellen, die nicht davon geprägt ist, wer im Raum das meiste politische Kapital besitzt.
Csaszars Argument hat eine zweite Hälfte, die seltener zitiert wird. Da die KI-Werkzeuge selbst jedem Wettbewerber zur Verfügung stehen, entsteht der Vorteil aus der Kombination mit proprietären Daten, mit Workflows, die tatsächlich mit dem verbunden sind, wie die Organisation arbeitet, und mit der Fähigkeit, nach der Entscheidung für eine Richtung schneller umzusetzen als der Wettbewerb.
Diese zweite Hälfte lohnt sich festzuhalten, denn sie gibt still zu, dass mehr Optionen zu generieren nie der schwierige Teil der Strategie war.
Welche Optionen tatsächlich Ressourcen bekommen
Workpaths eigenes Diagnosemodell für Strategieumsetzung, die Impact Chain, behandelt die Strategie einer Organisation als Abfolge: input wird zu output, output wird zu outcome, outcome wird zu impact. Geld, Zeit und Aufmerksamkeit fließen hinein, Ergebnisse kommen heraus, diese Ergebnisse verändern das Verhalten von Kund*innen oder eines Marktes, und diese Veränderung zeigt sich als Umsatz, Marktanteil oder was auch immer das Unternehmen als Erfolg definiert.
Die Kette bricht an drei wiederkehrenden Stellen, und eine davon beschreibt fast genau das, was passiert, wenn eine Organisation KI auf die strategische Planung ansetzt, ohne sonst etwas zu verändern. Sie heißt entkoppelte Investitionspriorisierung: Ressourcen werden Projekten zugewiesen, ohne dass eine nachvollziehbare Verbindung zu den Unternehmenszielen besteht, denen diese Projekte eigentlich dienen sollen, weil das Budgetgespräch und das Priorisierungsgespräch in unterschiedlichen Räumen, zu unterschiedlichen Terminen, mit unterschiedlichen Menschen stattfinden.
Tausend KI-generierte Optionen in genau dieses getrennte Gespräch zu speisen, gibt ihm nur mehr Rohmaterial, um weiterhin getrennt zu sein. Ein Führungsteam, das sich vorher nicht einigen konnte, welche fünf Projekte das Budget des nächsten Quartals verdienen, einigt sich nicht plötzlich, sobald fünfhundert Kandidaten zur Auswahl stehen. Eher machen mehr plausibel klingende Optionen die eigentliche Knappheit, das Budget, die Kapazität, die Aufmerksamkeit, schwerer sichtbar, weil jede Option jetzt mit einer KI-generierten Begründung ankommt, warum sie Ressourcen verdient.
Hier lohnt es sich, bei Workpaths eigenen KI-Funktionen konkret zu werden, denn die Einordnung ist entscheidend. Smarter Goal Drafting, der OKR Quality Checker und der OKR Coach sind dafür gebaut, einem Team zu helfen, strategische Optionen schneller zu entwickeln und zu verfeinern, und die Entscheidung, welche Option finanziert wird, läuft weiterhin über denselben gesteuerten Prozess wie immer. KI erweitert das vordere Ende des Trichters; der Mechanismus, der ihn verengt, bleibt genau dort, wo er war.
Ein Steuerungsmechanismus, der das bereits löst: Exploration vor Execution
Workpaths OKR-Praxis unterscheidet bereits zwischen zwei Arten von Arbeit, und diese Unterscheidung wurde genau für dieses Problem gebaut, Jahre bevor KI es dringlicher machte.
Arbeit durchläuft drei Räume: Problem Space, Solution Space und Execution. Die Übergänge dazwischen sind Fit-Gates. Customer-Problem-Fit markiert den Übergang vom Problem Space zum Solution Space. Problem-Solution-Fit markiert den Übergang vom Solution Space zur Execution. Exploration-Phase-OKRs decken die ersten beiden Räume ab. Execution-Phase-OKRs decken den dritten ab.
Die Regel für Exploration-Phase-OKRs ist, dass sie bewusst schwächer sein dürfen. Früh im Problem und Solution Space gibt es weniger messbare Kundenergebnisse und weniger Frühindikatoren, deshalb ist die Messlatte Validierung: die Idee bei Kund*innen testen, ersatzweise bei externen Expert*innen, ersatzweise bei internen Expert*innen, und eine echte Antwort bekommen, bevor man sie als gesichert behandelt. Erst wenn eine Option dieses Gate passiert, wird sie zu einem Execution-Phase-Commitment mit einem benannten Owner, einer Frühindikator-Kennzahl oder einem Meilenstein und einem Anspruch auf die Ressourcen des nächsten Quartals.
Genau diese Struktur brauchen tausend KI-generierte Optionen, und meistens bekommen sie sie nicht. Der Instinkt, wenn ein Modell eine plausibel klingende strategische Option mit einer selbstbewussten Begründung zurückliefert, ist, sie für weiter fortgeschritten zu halten, als sie tatsächlich ist. Das ist sie nicht. Eine KI-generierte Option gehört standardmäßig in die Exploration, getestet auf dieselbe Weise wie eine menschlich entstandene, unabhängig davon, wie hoch der Confidence-Score des Modells aussah. Wie überzeugend eine Option klingt, ändert nichts daran, welches Fit-Gate sie passieren muss:
- Eine getestete Option hat Kund*innen- oder Expert*innen-Validierung hinter sich, mehr als eine gut geschriebene Begründung.
- Eine ressourcierte Option hat einen benannten Owner, bewusst bestimmt statt standardmäßig an wen auch immer das Modell zuletzt gepromptet hat.
- Eine execution-reife Option hat eine Frühindikator-Kennzahl oder einen Meilenstein, sodass Fortschritt vor Quartalsende überprüft werden kann, statt erst danach.
Was sich ändert, ist das Volumen, das das Gate verarbeiten muss. Ein Team, das früher fünf Optionen pro Quartal bewertet hat, muss jetzt vielleicht fünfzig triagieren. Das Gate selbst muss häufiger laufen, in kleineren Paketen, näher an dem Zeitpunkt, an dem die Optionen tatsächlich entstehen, statt für ein erschöpfendes Quartalsreview aufgespart zu werden.
Wo der eigentliche Engpass wirklich liegt
Jede Stufe der Impact Chain hat einen Owner, und input, die Ressourcenentscheidung, liegt bei der Führungsebene, gerade weil sie bedeutet, eine Option gegen eine andere abzuwägen, unter einer echten Beschränkung: einem festen Budget, einer festen Anzahl Menschen, einer festen Menge Aufmerksamkeit. KI verändert, wie viele Optionen bei dieser Entscheidung ankommen. Wer sie trifft, und dass nur einige der Optionen finanziert werden können, bleibt gleich.
Diese Entscheidung braucht ein Forum, in dem sie offen stattfindet, mit echten Daten, statt bei wem auch immer das Modell zuletzt mit der überzeugendsten Formulierung gepromptet hat. Business Reviews existieren aus genau diesem Grund: Sie machen aus einer Ressourcenentscheidung etwas, das die Organisation sehen, hinterfragen und wofür sie jemanden zur Verantwortung ziehen kann, statt einer Entscheidung, die still getroffen und im Nachhinein erklärt wird. Dieselbe Disziplin gilt eine Ebene weiter vorne, bei der Ressourcenentscheidung, die getroffen wird, bevor ein strategisches Objective oder eine strategische Initiative überhaupt existiert. KI-generierte Optionen sind Kandidat*innen, die in diese Entscheidung eintreten.
Confidence Level, Workpaths Frühsignal dafür, ob ein Execution-Phase-Commitment noch auf Kurs ist, spielt hier ebenfalls eine Rolle. Eine KI-entstandene Initiative, die das Exploration-Gate passiert und in die Execution eintritt, braucht dieselbe fortlaufende Prüfung wie jedes andere Commitment. Ihre Herkunft verschafft ihr keinen Freifahrtschein.
Was sich für Strategieteams ab jetzt ändert
Drei Praktiken folgen aus alldem, und keine davon muss warten, bis die Technologie weiter reift.
- Das Optionsfeld früh erweitern, bevor ihr euch für einen Favoriten entscheidet. KI ist darin wirklich gut. Nutzt sie, um früh, während das Team noch im Problem Space ist, echte Alternativen zu generieren, statt eine Begründung für eine bereits gewählte Richtung zu generieren.
- Jede KI-generierte Option durch dasselbe Exploration-Gate schicken, das eine menschlich entstandene passieren müsste. Eine selbstbewusst klingende Begründung eines Modells ist ein Grund, die Option durch echte Kund*innen-Validierung, Expert*innen-Validierung oder eine Frühindikator-Kennzahl zu testen, genau wie bei einer menschlich entstandenen.
- Die Ressourcenentscheidung im bestehenden, gesteuerten Forum belassen. Egal wie viele Optionen KI zutage fördert, die input-Allokation gehört weiterhin in das Business Review oder das Priorisierungs-Event, in dem sie immer schon lag, mit denselben benannten Owner*innen und derselben Rechenschaftspflicht.
KI einzusetzen, um strategische Optionsgenerierung zu erweitern, lohnt sich. Der Fehler liegt darin, von dieser Erweiterung zu erwarten, dass sie allein die Aufgabe erledigt, die an der Strategieumsetzung schon immer der schwierige Teil war.
FAQ
Macht KI strategische Entscheidungsfindung tatsächlich schneller?
Sie macht das Generieren und Bewerten von Optionen schneller. Der Teil, in dem sich ein Führungsteam einigt, welche Optionen finanziert werden, bleibt genauso langsam, denn diese Entscheidung war schon immer begrenzt durch knappes Budget, knappe Aufmerksamkeit und ob das Priorisierungsgespräch mit den strategischen Zielen verbunden ist, denen es dienen soll.
Was ist die Impact Chain, und warum ist sie für KI-generierte Strategie relevant?
Die Impact Chain ist Workpaths Modell dafür, wie Strategie tatsächlich Wert schafft: input wird zu output, output wird zu outcome, und outcome wird zu impact. Einer ihrer häufigsten Bruchpunkte, die entkoppelte Investitionspriorisierung, beschreibt, was passiert, wenn Ressourcenentscheidungen nicht nachvollziehbar mit strategischen Zielen verbunden sind. Mehr KI-generierte Optionen in diese gebrochene Verbindung zu geben, lässt sie genauso gebrochen.
Sollte KI entscheiden, welche strategische Option eine Organisation umsetzt?
Nein. KI kann Optionen schneller generieren und auf die Probe stellen, als es ein Raum voller Menschen könnte. Zu entscheiden, welche Option finanziert, besetzt und umgesetzt wird, ist eine Ressourcenentscheidung unter echten Beschränkungen, und sie gehört zu den Menschen, die für das Ergebnis verantwortlich sind, getroffen in einem Forum, in dem die Entscheidung sichtbar ist und hinterfragt werden kann.
Was ist der Unterschied zwischen Exploration-Phase- und Execution-Phase-OKRs?
Exploration-Phase-OKRs decken den Problem und Solution Space ab, wo es darum geht, Annahmen zu testen und ein Konzept zu validieren, weshalb eine niedrigere Messlatte bei der Messbarkeit bewusst erwartet wird. Execution-Phase-OKRs decken eine getestete Lösung ab, die für Wirkung ausgerollt wird, mit einer benannten Frühindikator-Kennzahl oder einem Meilenstein und einem echten Ressourcen-Commitment dahinter. Eine Option sollte erst von Exploration zu Execution wechseln, wenn sie dieses Validierungs-Gate passiert hat, unabhängig davon, ob ein Mensch oder eine KI sie hervorgebracht hat.
Wie viele strategische Optionen sollte ein Führungsteam realistisch in Betracht ziehen?
So viele, wie es braucht, um eine wirklich starke zu finden, und KI kann dabei helfen, sie zu generieren. Wichtiger ist die Zahl, die das Team tatsächlich gut mit Ressourcen ausstatten kann: meist eine kleine, bewusst gewählte Menge, mit klaren Owner*innen und einem sichtbaren Trade-off gegenüber allem, was es nicht geschafft hat.
Achtet darauf, dass jede KI-generierte Option dieselbe Messlatte passieren muss wie eine menschlich entstandene, und behaltet die Ressourcenentscheidung in derselben Steuerungsebene, die sie schon immer innehatte.
