Künstliche Intelligenz verändert das Geschäftsmodell von Beratungsfirmen

Über den Autor: Thomas Euler hat über zehn Jahre in der Beratung gearbeitet. Nun als Teil des nuwacom-Teams, ist er der Branche nach wie vor verbunden. Auf Basis seiner Erfahrungen im Consulting und mit KI, teilt er seine Gedanken dazu, wie Beratungsunternehmen relevant bleiben und ihr Arbeitsmodell rund um KI neu denken können. Auf LinkedIn vernetzen.

Beratungsfirmen stecken in der Klemme

Es gibt eine Version des KI-Narrativs, die sich die Beratungsbranche selbst erzählt - und gerne auch ihren Kunden. Sie geht in etwa so: Wir haben die Tools eingeführt, die Workshops durchgeführt, KI ist jetzt Teil unserer täglichen Arbeit. Die implizite Botschaft: Wir sind auf der Höhe der Zeit und Vorreiter beim Implementieren von KI.

Doch stimmt die Geschichte? Meiner Erfahrung nach oft (leider) nicht. Ich habe in den letzten Wochen diverse Gespräche mit Beratern geführt und festgestellt: viele Unternehmensberatungen nutzen bei weitem noch nicht das volle Potenzial von KI, welches sich erst dann entfalten kann, wenn sie als echtes System, und nicht lediglich als Tool, implementiert wird.

Ebenfalls nehme ich wahr, dass viele Beratungshäuser Druck verspüren. In meinen Gesprächen schimmerte nicht etwa die Sorge durch, dass einzelne Berater bald ersetzt würden, sondern dass sie ihren Wettbewerbsvorteil an kleinere Teams verlieren, die bei KI aus den Vollen schöpfen. Ein einzelner kompetenter Operator mit der richtigen Infrastruktur kann heute Recherche, Synthese, strukturierte Analysen und kliententaugliche Deliverables in einem Tempo erstellen, das noch vor wenigen Jahren ein Team von fünf oder mehr Personen erforderte. Und das ohne Qualitätsverlust.

Oft liegt der Fokus beim Thema KI auf Produktivitätsgewinn. Eigentlich, zumindest in meinen Augen, sollte es aber in erster Linie um das Skalieren von Fähigkeiten gehen. Und dieser Ansatz hat unmittelbar Konsequenzen darauf, wie das Beratungsmodell selbst funktioniert.

Das übliche Playbook - Tool abonnieren, individuellen ChatGPT-Einsatz fördern und ein paar interne Prompt-Guides herausgeben - adressiert dies nicht. Es mag die Produktivität einzelner Berater verbessern, lässt das Grundmodell aber unangetastet. Genau darin liegt das Problem. Denn eine Beratungsfirma, die KI wirklich produktiv einsetzen will, muss ein System aufbauen, das es den Modellen ermöglicht, das Wissen, die Methodik und die Fachkompetenz der Firma über jedes Mandat hinweg zu potenzieren - ohne sich auf das Kontext-Window der aktuellen Session zu beschränken.

“Der Kapazitätsüberschuss, den KI erzeugt, kommt nicht automatisch den Unternehmen zugute, die sie zuerst einführen. Er kommt den Unternehmen zugute, die bewusst die richtige Architektur um sie herum bauen.”

​Peter Milan Trapps Analyse zu KI in der Beratung bringt es auf den Punkt: Spezialisierte Boutique-Unternehmen überholen bereits größere Generalisten. Nicht weil sie bessere Modelle haben, sondern eben weil sie kohärente, spezialisierte Systeme rund um diese Modelle aufgebaut haben. Der Kapazitätsüberschuss, den KI erzeugt, kommt nicht automatisch den Unternehmen zugute, die sie zuerst einführen. Er kommt den Unternehmen zugute, die bewusst die richtige Architektur um sie herum bauen.

Um dies zu gewährleisten, müssen Beratungsunternehmen zwei Dinge angehen:

• Sie müssen einen sogenannten “Harness Layers” aufbauen, welcher die KI im Kontext des jeweiligen Beratungsunternehmen agieren lässt - und zwar nicht generisch, sondern so kodiert, dass die KI versteht, wie die Firma spezifisch arbeitet.

• Sie müssen den Harness nutzen, um die Art und Weise, wie das Unternehmen Wert für seine Kunden schafft, neu zu gestalten.

Unternehmen, die beides realisieren, entwickeln ein System, das skaliert und ihren Output potenziert. Unternehmen, die nichts von beidem tun, werden langsam zu einer teureren Version dessen, was jeder mit dem richtigen KI-Setup replizieren kann.

Die folgenden drei Schritte zeigen auf, wie beides gelingen kann. Für maximale Wirkung sollten die Schritte am besten parallel umgesetzt werden.

Schritt 1: Ein KI-Betriebssystem für das eigene Unternehmen bauen

Der erste Fehler, den die meisten Beratungsunternehmen bei der Beschäftigung mit KI machen, ist verständlich. Sie fangen mit dem Modell an. Welches LLM sollten wir nutzen? Sollten wir etwas Eigenes entwickeln? Sollten wir eine branchenspezifische Lösung lizenzieren? Das sind vernünftige Fragen. Leider sind es inzwischen weitgehend die falschen.

Das Modell wird zunehmend zur Commodity. Was nicht so einfach ausgetauscht werden kann, ist die Schicht, die man über den Modellen aufbaut, den bereits zuvor genannten Harness.

Man kann sich dies so vorstellen: Jedes Beratungsunternehmen hat eine eigene Methodik. Eine Art, Probleme zu framen, Analysen zu strukturieren, Hypothesen zu entwickeln, Empfehlungen zu entwickeln und all das in kliententaugliche Dokumente zu übersetzen. Diese Methodik - oft über Jahre entwickelt, oft implizit, fast nie vollständig dokumentiert - ist die eigentliche Quelle der Differenzierung. Deshalb ist die entscheidende Frage nicht, welches Modell am meisten kann, sondern welche Infrastruktur am besten kodiert und katalysiert, wie die eigene Firma spezifisch arbeitet und was sie differenziert.

Wie sieht ein Harness in der Praxis aus? Er ist eine Art Orchestrierungsschicht - eine firmenspezifische Kombination von Agenten, Skills, Unternehmenswissen und Workflows - die auf bestehender KI-Infrastruktur aufbaut. Es ist kein proprietäres Modell, sondern die Grundlage für ein KI-Betriebssystem für die Firma. Es ist spezifisch und gibt der KI den Rahmen, in dem sie agieren kann. Der Harness beschreibt, wie Mandate geführt werden, kennt die Methoden und Qualitätsstandards der Beratung, den Kontext des Kunden und deckt den gesamten Lebenszyklus eines Beratungsprojekts ab, von der Datenerhebung und -analyse, Hypothesenentwicklung, Strategiesynthese bis zum Deck-Building und Verfassen von Reports.

Dass der Harness der Schlüssel zum produktiven KI-Einsatz ist, zeigt das folgende Beispiel. Als Harvey, die Legal-AI-Plattform, ihre Orchestrierungsschicht verbesserte - ohne das zugrundeliegende Modell zu ändern - sprang die Task-Performance von 40,8 % auf 87,7 %. Das Modell blieb gleich. Die Architektur drumherum änderte sich.

Es gibt zwei Design-Anforderungen für einen produktiven Harness:

1. Er muss als kollaborative Infrastruktur funktionieren - Berater (und ggfs. Kunden) arbeiten in einer gemeinsamen KI-Umgebung, nicht in parallelen Chat-Silos, die in einem wöchentlichen Status-Meeting abgeglichen werden.

2. Er sollte in der Lage sein, an Kundensysteme anzudocken -  also die Daten des Kunden aufzunehmen, in seiner Umgebung zu arbeiten und Outputs zu produzieren, die seine Sprache sprechen. Das mag heute noch weit weg erscheinen - und viele Kunden werden als ersten Impuls Datenschutzbedenken äußern - doch wenn das System compliant und sicher aufgebaut ist, sind die Mehrwerte eines “Client Interface Layers” so groß, dass es kaum haltbare Gegenargumente gibt.

Die meisten Beratungsfirmen, die KI implementieren, erfüllen maximal eine dieser Anforderungen. Nur wenige werden beiden gerecht. Wer es jedoch schafft, beide Anforderungen zu erfüllen, hat faktisch das technische Fundament für eine andere Art von Kundenbeziehung gebaut, bei der die Grenze zwischen “unserer Analyse” und “ihrem Kontext” zu verschwimmen beginnt - und bei der das KI-Betriebssystem des Beraters zur Erweiterung der eigenen Fähigkeiten des Kunden wird, statt zu einer Black Box, die Deliverables nach festem Zeitplan produziert.

Sprich: Ein gut designter Harness schafft nicht bloß Effizienzgewinn, er verändert das Geschäftsmodell.

Schritt 2: Neu denken, wie Services mit KI erbracht werden

Das KI-Betriebssystem mit individuellem Harness ist das Fundament. Was man damit am Punkt der Leistungserbringung macht, entscheidet über die Differenzierung im Wettbewerb. Dies geschieht in zwei Dimensionen:

Intern: Die Firma nutzt ihr KI-Betriebssystem, um die Arbeitsweise ihrer Beraterteams zu verändern, Mandate anders zu besetzen und Wissen aus vergangenen Projekten wiederzuverwenden.

Extern: Die Firma nutzt das System, um die Schnittstelle zwischen dem eigenen Unternehmen und dem Kunden zu verändern.

Beide gemeinsam schaffen echte Differenzierung.

Die interne Dimension schafft Effizienzgewinne. Ein gut konfiguriertes KI-Betriebssystem reduziert die Zeit von der Datenerhebung zum strukturierten Insight, vom Insight zur strategischen Empfehlung, von der Empfehlung zum fertigen Deliverable. Teams, die einen Großteil eines Mandats damit verbracht haben, Informationen zu sammeln und zu formatieren, können die so gewonnene Kapazität nun für ihr eigenes Urteil, Synthese und Kundeninteraktion nutzen. Also genau jene Tätigkeiten, bei denen Menschen einen klaren USP haben. So verändert sich, wie Mandate geplant, besetzt und letztlich bepreist werden.

Die externe Dimension ist folgenreicher. Die Beratungsunternehmen, die sie erfolgreich umsetzen, nutzen KI nicht nur, um bessere Outputs zu produzieren, die sie dann an Kunden weitergeben. Sie bauen gemeinsame KI-Umgebungen auf, welche die Infrastruktur des Beraters direkt mit den Daten, Systemen und Teams des Kunden verbinden. Das verändert die Dynamik der Beziehung auf eine Weise, die schwer zu kopieren ist.

NexStrat.ai ist ein aktuelles Beispiel für diesen Ansatz. 2024 von ehemaligen Bain- und Deloitte-Partnern gegründet, hat das Unternehmen sein gesamtes Betriebsmodell auf hypothesengetriebenen Beratungsworkflows aufgebaut, die direkt in die eigene KI-Infrastruktur eingebettet sind. Ein Ansatz, der rigorose Strategiearbeit ermöglicht, aber in einem Tempo und Umfang, den das traditionelle Modell nicht hätte unterstützen können. Bis Anfang 2025 arbeiteten sie bereits für Fortune-500-Unternehmen und große Finanzinstitute - und das, obwohl das Unternehmen noch keine zwei Jahre alt war. Den Unterschied macht nicht das Talent. Er besteht darin, dass Leistungserbringung und KI-Infrastruktur nie getrennt konzipiert wurden.

Andere Unternehmen lösen Teile des Problems auf bemerkenswerte Weise. Square Management, eine Beratung für Kunden in Banking, Luxus und Aerospace, nutzt KI, um Berater präziser mit Kundenmandaten zu matchen - und hat ein internes KI-Lab aufgebaut, das sich der Entwicklung von “augmented consultants” widmet.

Apex Leaders wiederum betreibt eine interne Suchmaschine innerhalb der eigenen institutionellen Wissensbasis - mit automatisierter Zusammenfassung und Content-Erstellung. So wird Expertise, die früher in einzelnen Köpfen lebte, systematisch für das gesamte Unternehmen zugänglich.

Was diese Beispiele gemeinsam haben, ist nicht die Auswahl einer bestimmten Technologie. Es ist eine Design-Philosophie, die KI nicht als Toolkit für einzelne Consultants denkt, sondern als Teil der Architektur, um die herum die gesamte Value Chain gebaut ist. Die Unterscheidung klingt subtil. Die operativen Konsequenzen sind es nicht.

Kleinere und Mid-Tier-Firmen mit echtem Domänen-Fokus können ihren Harness und ihr Modell der Leistungserbringung gleichzeitig aufbauen - und so ein System entwickeln, das kohärent, spezifisch und differenziert ist.

Schritt 3: Angewandte KI-Expertise aufbauen und verkaufen

Der dritte Schritt komplementiert die ersten beiden und schafft eine neue Marktposition.

Es gibt eine Rolle, die sich in den letzten Jahren in der KI-Industrie verbreitet hat und nun zunehmend innerhalb von Beratungsunternehmen adaptiert wird. Der Forward Deployed Engineer, kurz FDE, entstand bei Palantir in den frühen 2010ern als interne Bezeichnung für Entwickler, die nicht die eigene Software schreiben, sondern direkt beim Kunden vor Ort im Einsatz waren. Dort entwickelten und konfigurierten sie Palantirs Software direkt in der Umgebung des Kunden. Palantir ging also weiter, als bloß ein fertiges Produkt und Onboarding zu liefern. Das Modell war bewusst unbequem. Es erforderte Menschen, die tiefe technische Kompetenz und tiefes kontextuelles Verständnis gleichzeitig mitbrachten und die in der Ambiguität einer Kundenorganisation effektiv wirken konnten.

Mittlerweile sind FDEs weit verbreitet. OpenAI formalisierte seine eigene FDE-Praxis 2024 und wuchs bis Jahresende von zwei auf neununddreißig FDEs. Anthropic folgte. Im April 2026 fing EY an, auf Anthropic spezialisierte Forward-Deployed-Engineer-Rollen in Großbritannien und Irland auszuschreiben; Deloitte stellt FDEs speziell für Palantir-Deployments ein. Was als Palantir-spezifische Rolle begann, wird zur gängigen Praxis in der gesamten KI-Industrie - und verändert aktuell, wie die fortschrittlichsten Beratungsunternehmen über ihr Senior-Talent nachdenken.

​Die Erkenntnis daraus für mittelgroße und Boutique-Beratungsunternehmen ist nicht, dass sie ihre Berater als FDEs rebranden müssen. Es geht um den Aufbau von Kompetenz, die zunehmend nachgefragt ist. Ein Forward Deployed Engineer kombiniert tiefe Domain-Expertise mit der Fähigkeit, maßgeschneiderte KI-Setups innerhalb einer Kundenorganisation zu konfigurieren und auszurollen. Das ist genau das, wozu das Beratungsmodell einzigartig positioniert ist - und der Markt ist bereit, zu investieren.

Warum? Weil Berater, die ein Jahrzehnt aktiv Restrukturierung von Finanzdienstleistungen betreut haben, auf den Pharma-Markt spezialisiert sind, oder in der Supply-Chain-Optimierung für Industriehersteller erfahren sind, über Expertise verfügen, die kein KI-Lösungsanbieter hat. Und es ist nicht einfach, entsprechende Erfahrung schnell aufzubauen. Doch genau diese Expertise braucht es, um zu verstehen, welche Fragen den Kunden wichtig, welche Daten verlässlich sind und welche Empfehlungen sich in der operativen Realität bewähren.

Die Technologieanbieter - OpenAI, Anthropic, die spezialisierten Plattformunternehmen - haben die Produkt- und Technologiekompetenz. Was ihnen fehlt, ist die Branchentiefe, die Deployments auf der Ebene eines komplexen, spezifischen Kundenproblems wirklich nützlich macht. Diese Lücke ist die Chance der Beratungsunternehmen.

Der praktische Aufbau sieht so aus:

Zunächst gilt es, die Berater im eigenen Unternehmen zu identifizieren, die in den eigenen Schwerpunktbereichen bereits die tiefste Domain-Expertise haben - und in die Entwicklung ihrer KI-Kompetenz zu investieren. Und zwar spezifisch in die Fähigkeit, ein KI-Betriebssystem für den Kontext eines Kunden aufzusetzen und innerhalb der Umgebung des Kunden auszurollen.

Gesucht werden also keine KI-Evangelisten, sondern Industrieexperten, die gelernt haben, ihr Wissen in maßgeschneiderte KI-Konfigurationen zu übersetzen, die in der chaotischen, von Einschränkungen geprägten Realität einer echten Organisation funktionieren. Wer dieses Profil in einem Projekt einsetzen kann, bietet etwas qualitativ anderes als traditionelle Beratungsleistung - und etwas, das Technologieanbieter nicht glaubwürdig replizieren können.

Das erschließt auch zwei neue Umsatzfelder zu denen das traditionelle Beratungsmodell keinen Zugang hat.

1. Die Möglichkeit, Applied-AI-Expertise direkt in Kundenmandaten als eigenen Workstream einzubetten, als abrechenbaren, namentlichen Bestandteil des Projekts.

2. Ein Partnerkanal mit Technologieanbietern, die genau das brauchen: die Domain-Tiefe und Kundennähe, um ihre Plattformen in der Industrie maximal produktiv einzusetzen. Für ein mittelgroßes oder Boutique-Unternehmen mit Sektor-Fokus ist das eine bedeutende Verschiebung: vom nachgelagerten Technologiekäufer zum Go-to-Market-Partner der Unternehmen, die sie entwickeln.

Keiner dieser Umsatzströme erfordert, dass das Unternehmen ein Technologieunternehmen wird. Unternehmen müssen sich lediglich ihrer eigenen Stärken bewusst werden und diese mit KI verstärken.

Beratungen brauchen ihr individuelles KI-Betriebssystem

Nach außen hin suggerieren viele Unternehmensberatungen, dass sie beim Thema KI mit der Zeit gehen und sich anpassen. Sie haben die Tools und die Decks mit der KI-Strategie. Senior Partner erwähnen KI in Kundengesprächen und intern wird überlegt, wie die Technologie im Unternehmen genutzt werden sollte.

Doch bislang führt diese Exploration noch nicht zum Wettbewerbsvorteil. Die Unternehmen, die in der KI-Ära wirklich relevant bleiben, wissen, was sie von anderen unterscheidet, und wie sie ihr implizites Wissen mit Hilfe von KI skalieren können. Sie nutzen die Technologie, um ihre Identität und ihren Wettbewerbsvorteil direkt in ihrem Betriebsmodell zu kodieren.

Die drei hier beschriebenen Schritte sind ein nützliches Framework, um die zentralen Assets eines Beratungsunternehmens zu potenzieren: Ihr hart erarbeitetes Domänen-Wissen, über Jahre aufgebautes Kundenvertrauen und das Urteilsvermögen, das entsteht, wenn man genug Komplexität in der Business-Realität gesehen hat. Es geht darum zu wissen, was zählt und was nicht.

Der Harness Layer kodiert dieses Wissen und macht es systematisch zugänglich. Die neue Art der Leistungserbringung bringt es in direkten Kontakt mit der Kundenrealität - statt es in einem Deliverable zu verpacken, das am Ende eines Mandats übergeben wird. Die Applied-AI-Expertise - Kompetenz, die aus Branchenwissen entsteht und nicht einfach darüber gelegt werden kann - macht das Angebot für neue Partner attraktiv und eröffnet neue Umsatzquellen. Zusammen machen sie das Unternehmen nicht nur effizienter. Sie machen es schwerer zu replizieren, schwerer zu verdrängen und deutlich wertvoller für Kunden, die mehr als ein Slide-Deck brauchen.

Die Wettbewerbsbedrohung, die ernstgenommen werden sollte, sind nicht einzelne Large Language Models. Es sind konkurrierende Firmen - möglicherweise kleinere als das eigene, möglicherweise jüngere Unternehmen - die ihren Harness bereits gebaut haben, ihr Business Model schon auf KI ausgerichtet haben und die auf Applied-AI-Experten mit tiefem Domänenverständnis setzen. Diese Unternehmen existieren. In manchen Sektoren gewinnen sie bereits Mandate.

Beratungsunternehmen, die KI ernstnehmen, stehen vor einer Entscheidung. Wer KI einsetzt, um ihre Expertise zu skalieren und direkt in die Kundenrealität zu bringen, baut einen Vorsprung auf, den andere nicht einfach einkaufen können. Wer sie nur einsetzt, um schneller Deliverables zu produzieren, beschleunigt lediglich seinen eigenen Bedeutungsverlust.

Die Firmen, die KI heute mit System angehen, schaffen ihren Wettbewerbsvorteil von morgen.

Mit nuwacom können Beratungsfirmen ihren Harness Layer direkt aufbauen. Unsere Plattform liefert alles, was ein KI-Betriebssystem benötigt: die aktuellen Top-Modelle, Agenten, Workflows, eine Context Engine, die das Unternehmenswissen versteht, kollaborative Workspace (z.B. für jedes Kundenprojekt) und höchste Compliance- und Sicherheitsstandards. Natürlich EU-souverän oder mit German-soil Hosting. Vereinbare einen mit einem unserer Experten.