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 Fassung des KI-Narrativs, die sich die Beratungsbranche selbst erzählt - und gerne auch ihren Kunden.

Sie geht ungefähr 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 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, das 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. Dabei ging es in meinen Gesprächen nicht etwa um die Sorge einzelner Berater, bald ersetzt zu werden, sondern darum, den eigenen Wettbewerbsvorteil an kleinere Teams zu 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. Ohne Qualitätsverlust.

Der Fokus ist hierbei nicht auf Produktivitätsgewinn. Es geht vor allem um das Skalieren von Fähigkeiten - mit direkten Konsequenzen dafür, wie das Beratungsmodell selbst funktioniert und wer künftig noch glaubwürdig mitspielt.

Das übliche Playbook - Tool abonnieren, individuellen ChatGPT-Einsatz fördern und ein paar interne Prompt-Guides herausgeben - adressiert nichts davon. Es mag die Produktivität einzelner Berater verbessern, lässt das Grundmodell aber unangetastet. Genau darin liegt das Problem. Denn die wirkliche Frage ist nicht, ob man KI einsetzt, sondern wie man ein System aufbaut, das KI ermöglicht, das Wissen, die Methodik und die Fachkompetenz der Firma über jedes Mandat hinweg zu potenzieren, ohne sich dabei 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 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 “Harness Layers” aufbauen, der KI im Beratungsunternehmen wirklich nützlich macht - nicht generisch, sondern so, dass so codiert, dass die KI versteht, wie die Firma spezifisch arbeitet.

• Sie müssen den Harness nutzen, um der Art und Weise, wie das Unternehmen Kunden Wert liefert, neu zu gestalten.

Das erste ohne das zweite endet in einem internen Effizienzgewinn. Das zweite ohne das erste endet meistens in einem nicht eingehaltenen Versprechen.

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 ernsthaften Beschäftigung mit KI machen, ist auch der verständlichste. 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 - zumindest in dieser frühen Phase - 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 Outputs zu übersetzen. Diese Methodik - oft über Jahre entwickelt, oft implizit, fast nie vollständig dokumentiert - ist die eigentliche Quelle der Differenzierung. Deshalb ist die wichtigste 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 Agents, Skills, Knowledge Bases und Workflows - die auf bestehender KI-Infrastruktur aufbaut. Es ist kein proprietäres Modell, sondern ein KI-Betriebssystem für die Firma. Es ist hochspezifisch in der Art, wie Mandate geführt werden, einfach auf jeden Kundenkontext konfigurierbar  und deckt den gesamten Lebenszyklus eines Beratungsprojekts ab, von der Datenerhebung und -analyse, Hypothesenentwicklung, Strategiesynthese bis zum Deck-Building und Verfassen von Reports.

Die Daten sprechen eine klare Sprache: 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 sehr 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 die Natur des Wertangebots.

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:

Die erste ist intern: das KI-Betriebssystem nutzen, um die Arbeitsweise von Teams zu verändern, Mandate anders zu besetzen und Wissen aus vergangenen Projekten wiederzuverwenden. Die zweite ist extern: das System nutzen, um die Schnittstelle zwischen dem eigenen Unternehmen und dem Kunden zu verändern. Beide gemeinsam schaffen echte Differenzierung.

Bei der internen Dimension sind die Effizienzgewinne real und erheblich. 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 konzipiert, besetzt und letztlich bepreist werden.

“Der Kunde ist kein Empfänger von Analysen - er ist ein aktiver Teilnehmer daran. Das verändert die Dynamik der Beziehung auf eine Weise, die schwer zu replizieren und sehr schwer zu commoditisieren ist.”

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 replizieren und sehr schwer zu commoditisieren ist.

NexStrat.ai ist das aktuelle Beispiel dieses Ansatzes. 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 Gemini, 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 hat Gemini Enterprise eingesetzt, um eine interne Suchmaschine innerhalb der eigenen institutionellen Wissensbasis zu betreiben - mit automatisierter Zusammenfassung und Content-Erstellung, die Expertise, die früher in einzelnen Köpfen lebte, systematisch für das gesamte Unternehmen zugänglich macht.

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.

Für mittelgroße Firmen und Boutique-Beratungen ist das ein Vorteil, keine Einschränkung. Größere Unternehmen rüsten KI in Strukturen, Kundenbeziehungen und Abrechnungsmodellen nach, die für eine andere Ära gebaut wurden.

Kleinere Unternehmen mit echtem Domain-Fokus können ihren Harness und ihr Modell für Leistungserbringung gleichzeitig aufbauen und so letztendlich ein System entwickeln, das kohärenter, spezifischer und differenziert ist, als alles, was ein Generalist mit einem größeren KI-Budget produzieren kann.

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, statt in der relativen Klarheit eines internen Produktteams.

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 beginnt nun, die Art und Weise zu formen, 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 ein Berater, der ein Jahrzehnt in der Restrukturierung von Finanzdienstleistungen verbracht hat, auf den Pharma-Markt spezialisiert ist, oder in der Supply-Chain-Optimierung für Industriehersteller ausgeprägte Kompetenz besitzt, verfügt über Expertise, die keine KI-Plattform hat. Und es nicht einfach, diese schnell aufzubauen. Doch genau diese Expertise braucht es, um zu verstehen, welche Fragen wichtig, welche Daten verlässlich sind und welche Empfehlungen den Kontakt mit der operativen Realität überleben.

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 Applied-AI-Kompetenz zu investieren. Nicht generisch, sondern spezifisch in die Fähigkeit, das KI-Betriebssystem des Unternehmens auf den Kontext eines Kunden zu konfigurieren und innerhalb der Umgebung des Kunden auszurollen.

Gesucht werden also keine KI-Evangelisten, sondern Domain-Experten, 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 Mandat 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.

Die Frage ist nicht ob Berater KI nutzen sollten, sondern wie sie es systemisch tun können

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, die eine KI-Strategie vorstellen. Senior Partner erwähnen KI in Kundengesprächen und intern wird überlegt, wie die Technologie im Unternehmen genutzt werden sollte.

Doch diese Exploration führt bislang noch oft nirgendwo hin. Zumindest nicht zu einem Wettbewerbsvorteil. Die Unternehmen, die in der KI-Ära wirklich relevant bleiben, sind nicht die, die KI am schnellsten einführen.

Es sind die, die genau wissen, was sie von anderen unterscheidet, und wie sie ihr implizites Wissen mit Hilfe von KI skalieren und potenzieren können. Sie nutzen die Technologie, um ihre Identität und ihren Wettbewerbsvorteil direkt in ihr Betriebsmodell zu codieren. Die drei hier beschriebenen Schritte sind kein Framework für KI-Adoption. Sie sind ein Framework dafür, zu potenzieren, was bereits heute das zentrale Asset des Beratungsunternehmens ist: hart erarbeitetes Domain-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 ihre KI-Betriebssysteme bereits gebaut haben, ihr Business Model schon auf KI ausgerichtet haben und 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 jahrelang aufgebautes Domain-Wissen zu skalieren und direkt in die Kundenrealität zu bringen, baut einen Vorsprung auf, den andere nicht einfach einkaufen können. Wer sie nur einsetzt, um Deliverables schneller 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.

Jetzt Demo buchen.