Machen KI-Strategieplattformen die Analyse aller Unternehmen gleich?

Feldexperimente zeigen, dass KI-Unterstützung Qualität und Geschwindigkeit steigert und gleichzeitig die Leistungsunterschiede zwischen Analysten komprimiert. Das Konvergenzrisiko ist real – es verläuft aber über Quellen, Synthese und Ausdruck, drei Ebenen, die eine Hausmethodik nicht vollständig erreichen kann. Unverwechselbarkeit hängt jetzt von proprietären Belegen und interpretativen Frameworks ab, die als Eingaben in den KI-Workflow selbst eingebettet sind und nicht als nachträgliche Prüfphase aufgesetzt werden.

Die zweiteilige Antwort auf die Titelfrage: Ja, KI-Plattformen homogenisieren die Mitte des Marktes, wo alle Unternehmen auf denselben webzugänglichen Korpus und dasselbe Modell zurückgreifen, das Ambiguität in Richtung derselben Konsensansicht auflöst. Nein, sie erzwingen keine Konvergenz an der Spitze, weil die Decke nie eine Funktion des Werkzeugs war – sie war immer eine Funktion der proprietären Belege und des interpretativen Urteils, das das Unternehmen in die Frage einbrachte.

Die rigidesten Belege stammen aus dem Feldexperiment von Dell'Acqua und Kollegen, durchgeführt mit Boston Consulting Group und veröffentlicht von der Harvard Business School, mit 758 zufällig zugewiesenen Beratern, die Beratungsaufgaben ohne KI, mit GPT-4 oder mit GPT-4 plus einer Einführung in Prompt-Engineering absolvierten.^[1]

Zwei Befunde, die für die Differenzierung wichtiger sind als die Produktivitätsgewinne:

1. Die Gewinne waren ungleich verteilt: Berater in der unteren Hälfte der Grundleistungsverteilung verbesserten sich wesentlich stärker als jene in der oberen Hälfte, was damit übereinstimmt, dass KI als Egalisator über Kompetenzstufen hinweg wirkt.
2. Der Konvergenzmechanismus verläuft über das Modell selbst. Als Forscher die semantische Vielfalt analysierten, half GPT-4 dabei, qualitativ hochwertigere Inhalte zu erzeugen, führte aber zu einer deutlichen Verringerung der Variabilität der Ideen im Vergleich zu Beratern, die ununterstützt arbeiteten – homogenere Outputs, auch bei höherer Durchschnittsqualität.

Eine Studie zu Kurzgeschichten in Science Advances kam zu einem parallelen Befund: Mit generativer KI schneiden Autoren individuell besser ab, aber kollektiv wird ein engerer Bereich neuartiger Inhalte produziert.^[3]

Eine Hausmethodik kontrolliert etwas Reales: wie Probleme zerlegt werden, welche Frameworks angewendet werden, wie Hypothesen sequenziert werden und wie das Deliverable aufgebaut ist.

Was sie kontrolliert versus was sie nicht erreicht:

• Was sie kontrolliert: Problemzerlegung und -rahmung, Auswahl und Sequenzierung analytischer Frameworks, Hypothesendesign, Architektur des endgültigen Deliverables.
• Was sie nicht erreicht: die im Modell eingebetteten Annahmen darüber, wie Märkte funktionieren, was die Strategieorthodoxie in einer bestimmten Situation sagt und wie eine plausible Empfehlung aussieht, bevor unternehmenssspezifische Eingaben ankommen.
• Die Konsequenz: Zwei Unternehmen mit unterschiedlichen Methoden, die dasselbe Modell mit derselben Frage abfragen, erhalten Empfehlungen, die sich in der Struktur unterscheiden, in der Substanz aber oft übereinstimmen.

Das BCG-Experiment liefert die schärfste Illustration. KI-gestützte Analysen erzeugten Outputs, die unabhängige Bewerter als überzeugender und intern kohärenter einstuften – selbst wenn die zugrundeliegende Antwort falsch war. Die Korrektheit bei der Aufgabe außerhalb der Grenze sank von 84,5 % in der Kontrollgruppe auf 70,6 % unter Beratern mit GPT-4-Zugang – ein durchschnittlicher Rückgang von 19 Prozentpunkten. KI-gestützte Outputs sind nicht nur konvergent; sie sind überzeugend konvergent.

Homogenisierung operiert auf drei unterschiedlichen Ebenen, die eine Hausmethodik jeweils unterschiedlich erreicht:

1. Quellen: Jedes Unternehmen, das eine KI-Plattform abfragt, greift auf im Wesentlichen denselben webzugänglichen Korpus zurück. Die Roheingaben der Analyse konvergieren, bevor überhaupt ein Gedanke beginnt. Ein Unternehmen ohne proprietäre Daten oder Primärforschung startet vom selben Ausgangspunkt wie jedes andere Unternehmen, das dieselbe Plattform nutzt.
2. Synthese: Wenn Belege mehrdeutig sind, löst das Modell sie in Richtung der in seiner Trainingsverteilung codierten Konsensansicht auf. Ein Computerexperiment, das 2.400 strategische Empfehlungen über zehn Business Cases und vier führende Modelle generierte, stellte fest, dass LLMs als institutioneller Verstärker zugunsten von Konformität gegenüber dem kreativen Widerstand menschlicher Manager wirken – eine strukturelle Verzerrung, die die Autoren Synthetischen Optimismus nennen.^[4]
3. Ausdruck: Hausstil kann nur so weit gehen, wenn die Sätze selbst vom selben Modell generiert werden. In einer Analyse von College-Bewerbungsaufsätzen trug jeder zusätzliche menschlich verfasste Aufsatz mehr neue Ideen bei als jeder zusätzliche KI-generierte Aufsatz, und die Lücke weitete sich aus, je mehr Aufsätze hinzugefügt wurden.^[5]

Die unbequeme Implikation: Die meisten Differenzierungsbemühungen der Unternehmen konzentrieren sich auf die dritte Ebene – Hausvorlagen, Terminologie und Ton –, während die ersten beiden Ebenen den eigentlichen Schaden anrichten. Eine unverwechselbare Vorlage, die eine Konsenssynthese umhüllt, ist immer noch eine Konsenssynthese.

Wenn gemeinsame Quellen, konsensauflösende Synthese und modellgenerierter Ausdruck das Problem sind, muss die Differenzierung an denselben drei Punkten in den Workflow eintreten – nicht in der Prüfphase, nachdem das Modell das Argument bereits geformt hat.

Vier Eingaben, die den größten Teil der Arbeit leisten:

• Proprietäre Daten und unternehmensspezifische Benchmarks, auf die das Modell nie trainiert wurde. Diese verändern, womit das Modell auf der Quellenebene arbeitet.
• Primärforschung und Expertengespräche, die nirgendwo im gemeinsamen Korpus existieren. Eine Ansicht, die aus einem proprietären Expertengespräch abgeleitet wurde, kann von einem Wettbewerber nicht repliziert werden, der dieses Gespräch nicht führt.
• Interpretative Frameworks und Hypothesen, die vom Unternehmen geliefert und nicht vom Modell generiert werden. Diese treten auf der Syntheseebene ein und beeinflussen, wie das Modell Ambiguität auflöst.
• All das als Eingaben in den KI-gestützten Workflow selbst einbetten, nicht erst in der Prüfphase aufsetzen. Wenn proprietäre Belege erst bei der Prüfung einfließen, hat die Konsensansicht des Modells das Argument bereits geformt, und das eigene Material des Unternehmens wird zur Dekoration auf einem gemeinsamen Fundament.

Die Blindvergleichs-Diagnose prüft, ob der KI-gestützte Output wirklich differenziert ist, bevor er das Unternehmen verlässt:

1. Nehmen Sie ein aktuelles KI-gestütztes Deliverable und entfernen Sie Logo, Hausvorlage, Schriftarten und alle unternehmensspezifischen Begriffe, sodass nur der analytische Inhalt übrig bleibt.
2. Fragen Sie einen unbeteiligten Kollegen – einen, der nicht an dem Auftrag mitgearbeitet hat –, ob der Output materiell identisch aussehen würde, wenn er von einem gleichrangigen Unternehmen käme, das dieselbe KI-Plattform nutzt.
3. Bewerten Sie das Deliverable auf den drei Ebenen separat: Quellen (welcher Anteil der Belege ist öffentlich zugänglich), Synthese (wiederholt die Kernempfehlung die Konsensmarktansicht) und Ausdruck (wäre der Fließtext ohne die Vorlage dem Unternehmen zuzuordnen).
4. Identifizieren Sie die Ebene, auf der die Konvergenz am stärksten ist. Dort fehlen proprietäre Eingaben.
5. Führen Sie den Test in einem regelmäßigen Rhythmus durch – nicht nur bei Arbeiten, die unterdifferenziert wirkten, sondern auch bei Arbeiten, die sich unverwechselbar anfühlten, um zu prüfen, ob die Intuition korrekt ist.

Führen Sie den Test insbesondere bei Aufgaben innerhalb der KI-Grenze durch – Marktscans, Wettbewerbsübersichten, Optionsrahmung –, wo das Modell am besten abschneidet und das Konvergenzrisiko am höchsten ist. Die Aufgaben, bei denen sich KI am hilfreichsten anfühlt, sind genau die Aufgaben, bei denen sich die KI jedes anderen Unternehmens gleichermaßen hilfreich anfühlt.

Der Befund des BCG-Experiments, dass KI-Unterstützung schwächere Performer am stärksten hebt, überträgt sich direkt auf den Markt. Der Boden der Qualität der Strategieanalyse steigt für alle Unternehmen gleichzeitig, und er steigt schnell. Kompetente Marktgrößenbestimmung, strukturierte Problemzerlegung und polierte Deliverables werden billig.

• Der Boden wird durch das gesetzt, was gemeinsame Plattformen allen liefern – flüssige Synthese, breite Korpora und konsistente Struktur. Er steigt für alle Unternehmen gleichzeitig und verleiht keinen relativen Vorteil.
• Die Decke wird durch den eigenen proprietären intellektuellen Beitrag des Unternehmens gesetzt – seine Daten, seinen Expertenzugang und seine interpretativen Frameworks –, die keine gemeinsame Plattform liefert und kein Wettbewerber replizieren kann, ohne dieselbe Arbeit zu leisten.
• Die strategische Konsequenz: Commoditisierte Analysen werden zur Grundvoraussetzung, und die Prämie wandert zu Urteilsvermögen, proprietären Belegen und Interpretation. Unternehmen, die in die Decke investieren – nicht nur in den Zugang zu besseren KI-Werkzeugen –, sind diejenigen, die sich differenzieren.

Drei dauerhaft aufrechtzuerhaltende Commitments verhindern, dass Konvergenz die analytische Position des Unternehmens erodiert:

1. Prüfen Sie, wo der aktuelle Workflow auf gemeinsame Korpuseingaben angewiesen ist – Marktscans, Wettbewerbsanalysen, Optionsgenerierungsschritte – und identifizieren Sie, welche davon durch proprietäre Daten oder Primärforschung bedient werden könnten.
2. Investieren Sie in proprietäre Datenbestände, Expertennetzwerke und interpretative Frameworks als erstklassige Eingaben in den KI-Workflow, die vor der Synthese aufgenommen werden und nicht erst bei der Prüfung hinzugefügt werden.
3. Führen Sie den Blindvergleichstest als wiederkehrende Qualitätssicherung durch und nicht als einmalige Diagnose – bei KI-gestützten Deliverables, bevor sie das Unternehmen verlassen.

Decisity wurde auf der Prämisse aufgebaut, dass die eigenen Dokumente, Briefings und Frameworks des Unternehmens die Analyse antreiben und jede Aussage bis zu ihrer Quelle rückverfolgbar bleibt. Proprietäre Eingaben treten auf der Quellen- und Syntheseebene ein, nicht als nachträgliche Überlagerung – genau dort, wo die Differenzierung tatsächlich standhält.

Weiterführende Artikel:

• Die eigene Beratungsmethodik in einer KI-Plattform bewahren
• Strategieberater-Fähigkeiten im KI-Zeitalter
• Warum KI-Strategiepräsentationen zu leicht akzeptiert werden: Die Governance-Lösung
• Decisity für Beratungsunternehmen

• Dell'Acqua et al., Harvard Business School: Navigating the Jagged Technological Frontier – Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality (2023)
• Harvard Crimson: Jagged Edge AI and BCG (Oktober 2023)
• Science Advances: Studie zu KI und kreativer Vielfalt im Schreiben
• Journal of Business Research: LLMs als institutionelle Verstärker – Synthetischer Optimismus in strategischen Empfehlungen (2026)
• Times of India / Forschungsstudie: Schüler ohne ChatGPT produzieren vielfältigere Ideen als KI-generierte Aufsätze