Strategie ist Spannung - warum Sprachmodelle sie nicht halten

Es findet gerade ein Wandel in Unternehmen statt, den so kaum jemand offen ausspricht. In mittelständischen Unternehmen, in Marketingabteilungen, in Strategierunden werden Sprachmodelle für Aufgaben genutzt, die früher von aussen zugekauft werden mussten: Positionierungspapiere, Konkurrenzanalysen, Marktstrategien, Kommunikationskonzepte. Manchmal als bewusste Entscheidung, oft aber doch eher beiläufgig im Einsatz: ein Geschäftsführer öffnet ChatGPT, ein Marketingleiter befragt Claude, eine Strategiereferentin lässt sich von Gemini drei Varianten von etwas formulieren. Was dabei entsteht, wird selten als "KI-Output" deklariert. Es wird als eigenes Konzept ausgegeben. Manchmal noch redaktionell überarbeitet, und in Gremien vorgelegt, als sei es das Ergebnis menschlicher Strategiearbeit.

... Wenn alles weichgespült ist, an was sollen wir uns dann noch reiben?

— Steven Broschart

Diese Praxis ist nicht prinzipiell falsch. Sie ist ökonomisch nachvollziehbar, denn klassische Strategieberatung ist teuer, oft langsam, und für viele KMU ohnehin nicht zugänglich. Eine KI liefert in Stunden Material, das früher Wochen und fünfstellige Beträge gekostet hätte. Das ist eine echte Demokratisierung von Sachverstand. Wer sie pauschal ablehnt, der verweigert sich realen und substantiellen Effizienzgewinnen.

Doch das Vorgehen zeichnet sich strukturell durch etwas aus, was in den meisten Diskussionen nicht wirklich zur Sprache kommt - was aber darüber entscheidet, ob aus dem Effizienzgewinn ein strategischer Vorteil wird oder einfach nur eine teure Selbsttäuschung.

Was Strategie eigentlich ist

Bevor wir darüber sprechen, was KI für die STrategieentwicklung wirklich leisten kann, sollten wir kurz klären, was Strategie überhaupt ist - denn die geläufige Verwendung des Begriffs verwischt einen zentralen Aspekt.

Strategie ist nicht Wissen. Wissen über den eigenen Markt, über die Wettbewerbslage, über die eigenen Stärken ist eine notwendige Voraussetzung, ist aber selbst noch keine Strategie. Strategie ist auch nicht Analyse. Eine SWOT-Analyse, eine Marktstudie, eine Wettbewerbsmatrix beschreiben die Lage, ohne sie zu einer Strategie zu machen.

Strategie ist im Kern etwas anderes: das Aushalten von Spannungen und das anschliessende Positionieren. Wer Marktführer im Premium-Segment sein will, kann nicht gleichzeitig Massenmarktanbieter sein. Wer auf Geschwindigkeit setzt, kann nicht auf perfekte Qualität bauen. Wer eine bestimmte Zielgruppe priorisiert, vernachlässigt eine andere ganz bewusst. Eine echte Strategie verlangt also die Bereitschaft, mit Konflikten zu leben, Optionen abzulehnen, sich für etwas zu entscheiden - nicht gegen, sondern für den Verzicht auf Alternativen.

Doch Strategie endet nicht mit einer einmaligen Entscheidung. Sie ist nicht nur die Positionierung, sondern auch der Weg durch die Spannung dorthin. Denn mit der Positionierung beginnt erst die eigentliche Arbeit: die Strategie über Monate und Jahre gegen den ständigen Druck zu verteidigen, sie aufzuweichen. Jeder Grosskunde, der nach einer Sonderkondition fragt, jeder Mitarbeiter, der ein neues Geschäftsfeld vorschlägt, jede Krise, in der schnelle Liquidität gebraucht wird - das sind Momente, in denen die anfängliche Spannung wieder akut spürbar wird und in denen die Versuchung gross ist, die eigene Position aufzugeben. Strategie hat deshalb eine konkrete zeitliche Dimension. Sie ist nicht nur eine Entscheidung, sondern eine Disziplin. Nicht nur eine Wahl, sondern ein Aushalten dieser Wahl über die Zeit, mit allen Korrekturen und Anpassungen, die unterwegs erforderlich werden. Genau diese Eigenschaft - sowohl die Spannung in der Entscheidung als auch der Weg durch sie hindurch - ist es, an der gemessen werden muss, zu was KI in der Strategiearbeit in der Lage ist. Eine KI, die ein "Strategiepapier" produziert, in dem alle Optionen gleichermassen sinnvoll präsentiert werden, hat keine Strategie produziert, sondern eine Materialsammlung. Eine KI, die in einer Sitzung eine Positionierung formuliert, aber drei Monate später keine Beziehung mehr zu dieser Position hat, hat ebenfalls keine Strategie geliefert. Der Unterschied wird in der Praxis oft nicht gesehen.

Was Sprachmodelle gut können

Jenseits von Hype und Skepsis lohnt es sich einen Blick darauf zu werfen, was Sprachmodelle tatsächlich leisten.

Sprachmodelle sind ausgezeichnete Sparringspartner zur Vorbereitung strategischer Arbeit. Sie können in kurzer Zeit relevantes Wissen verdichten, Argumente strukturieren, blinde Flecken sichtbar machen und Gegenpositionen formulieren. Wer so arbeitet, kommt schneller zu einer informierten Ausgangsposition als ohne sie. Und genau das stellt einen realen Mehrwert dar.

Sie eignen sich besonders gut für eine bestimmte Form der Vorbereitung: die Standard-Etablierung. Wenn ein Unternehmen in seinem Marketing oder seiner Positionierung unter dem branchenüblichen Niveau operiert, kann KI dabei helfen, schnell und kostengünstig auf "Marktstandard" aufzuschliessen. Das ist ein häufig unterschätzter Anwendungsfall - nicht alle Unternehmen müssen Vorreiter sein, viele müssen erst einmal ihre Hausaufgaben erledigen, die der Wettbewerb längst gemacht hat. Hier liefert KI in einer halben Stunde oft deutlich mehr, als drei Wochen interne Gesprächsrunden.

Sie eignen sich auch als Sparringspartner zur Prüfung von Argumentationen: Wer eine eigene Idee hat und sie prüfen will, kann sie einer KI vorlegen und ihre Gegenargumente sammeln. Das ist eine sinnvolle Vorgehensweise zur realistischen Einordnung der eigenen Gedankengänge - vorausgesetzt, man ist bereit, die Gegenargumente ernst zu nehmen und ihnen, wenn erforderlich, auch zu widersprechen. Diesen gedankengang möchte ich gleich noch einmal aufgreifen.

Aufschliessen vs. voraus sein

Genau an diesem Punkt aber wird eine wichtige Unterscheidung sichtbar. KI hilft, Standard zu erreichen - sie hilft nicht, Standard zu übertreffen. Das ist nicht als technologische Abwertung gemeint, sondern vielmehr eine Beschreibung ihrer Funktionsweise.

Sprachmodelle sind auf die statistisch wahrscheinlichste Antwort optimiert. Sie generieren das, was in ähnlichen Situationen typischerweise gesagt und entschieden wird, gewichtet nach Häufigkeit in den Trainingsdaten. Das ist beim Aufholen ein Vorteil - wer noch nicht das Niveau erreicht hat, das in der Branche üblich ist, kann durch KI schnell dorthin gelangen. Beim Führen ist es ein Nachteil. Was über dem Standard liegt, definiert sich gerade dadurch, dass es nicht die wahrscheinlichste Antwort ist. Eine wirklich differenzierende Positionierung, eine wirklich neue Geschäftsidee, eine echte Vorausentscheidung liegt per Definition ausserhalb von dem, was die Modelle als wahrscheinlich erachten.

Das hat eine Konsequenz: Wer mit KI seine Strategie entwickelt, landet vermutlich an einem Punkt, an dem auch andere mit denselben Werkzeugen landen werden - und vielleicht schon gelandet sind. Das Ergebnis ist nicht wirklich falsch. Es ist nur eben dasselbe Ergebnis wie das der Wettbewerber, die ebenfalls die selben Modelle nutzen. Eine "Strategie", die zur statistischen Mitte tendiert, ist im strengen Sinn keine Strategie mehr, sondern eine Entpositionierung. Wer sie umsetzt hat zwar nicht weniger als andere - aber er hat auch nichts, was ihn unterscheidet.

Die Architektur des Problems

Wie bereits angedeutet liegt der Grund in der Architektur der Modelle selbst. Sprachmodelle sind so trainiert, dass sie auf jede Eingabe die Antwort produzieren, die statistisch am ehesten zu erwarten wäre - getrieben durch riesige Trainingsdaten, in denen die Mehrheit der formulierten Positionen den Konsens, die Branchenmitte, das Gewohnte abbildet. Genau das ist ihre Stärke beim Aufholen und ihre Schwäche bei der Differenzierung.

Diese strukturelle Tendenz lässt sich auch empirisch belegen: in einem Experiment, das ich im Mai 2026 durchgeführt habe, liess ich vier verschiedene Sprachmodelle gemeinsam das über Jahre im ZDF augestrahlte Beruferaten "Was bin ich?" spielen - ein einfaches Ja-Nein-Frage-Format, das mehrere Reasoning-Fähigkeiten gleichzeitig testet. Drei Beobachtungen aus dem Experiment sind für die Strategiearbeit besonders interessant.

Erstens: Frame-Fixierung. Sobald sich in den Köpfen der Modelle ein bestimmter Lösungsrahmen eingestellt hatte - etwa: "die gesuchte Person arbeitet allein und kontrolliert etwas" -, hielten sie daran fest, auch wenn neue Erkenntnisse später dagegen sprachen. In keiner einzigen Runde gelang es dem LLM-Team aus eigener Kraft, einen falschen Frame zu verlassen, sobald er einmal aufgezogen war. Übertragen auf Strategie heisst das: wenn sich eine KI einmal in einem bestimmten Strategie-Frame befindet (etwa: "Differenzierung über Preis"), wird sie dort bleiben, selbst wenn die Datenlage allmählich für etwas anderes spricht. Das Aufbrechen des Frames muss vom Menschen kommen. Er muss widersprechen.

Zweitens: Negations-Blindheit. Die Modelle berücksichtigen positive Belege deutlich besser als negative. Wenn eine Frage mit "Ja" beantwortet wurde, bauten sie effizient darauf auf. Wenn sie mit "Nein" beantwortet wurde, ignorierten sie die einhergehenden Implikationen überraschend oft. Das ist für Strategiearbeit hoch relevant, weil viele strategische Aussagen Negationen sind: "Wir sind nicht Premium-Marke", "wir können nicht über Geschwindigkeit konkurrieren", "wir bedienen nicht das Massensegment". Wenn die KI diese Negationen nicht sauber integriert, produziert sie Strategievorschläge, die im Detail logisch nicht haltbar sind, ohne dass das auffällt.

Drittens, und vielleicht am wichtigsten: Die Modelle dachten nicht gemeinsam. Selbst wenn drei verschiedene Sprachmodelle im selben Spiel zusammenarbeiteten, war die Qualität einer Runde meist von ein oder zwei einzelnen Wendepunkt-Fragen abhängig - die typischerweise von einem einzigen Modell stammten. Mehr Stimmen erzeugten also nicht mehr kollektive Intelligenz.

Diese drei Beobachtungen zeigen deutlich: Sprachmodelle können in einem etablierten Rahmen effizient arbeiten. Den Rahmen selbst aufzubrechen - und genau das ist Strategiearbeit - können sie nicht wirklich.

Multi-Agent-Setups: Reparatur, nicht Auflösung

Es liegt nahe, das Problem technisch zu lösen: wenn ein einzelnes Modell zur Mitte tendiert, könnte vielleicht ein Setup aus mehreren spezialisierten Agenten helfen - einer übernimmt den visionären, kreativen Part, ein zweiter spielt den kritischen Gegenpol, ein dritter fügt alles zusammen. Solche Multi-Agenten-Architekturen werden aktuell in der Praxis erprobt und liefern in bestimmten Bereichen tatsächlich bessere Ergebnisse als einzelne Modelle.

Die konzeptionelle Limitierung aber bleibt: es ist eine oberflächliche Reparatur, keine Auflösung des Grundproblems. Auch ein "Kritiker"-Agent ist im Kern derselbe Modelltyp und unterliegt denselben strukturellen Verzerrungen. Was als Kritik formuliert wird, ist statistisch die wahrscheinlichste Kritik - nicht die schärfste, nicht die unbequemste, nicht jene, die der etablierten Position wirklich gefährlich werden könnte. Das "Was bin ich"-Experiment hat genau das gezeigt: Selbst mit mehreren Modellen blieb es bei der Fixierung auf einen anfänglich etablierten Frame. Mehrere LLM-Stimmen sind nicht dasselbe wie echte Differenz.

Multi-Agenten-Setups können den Output verbessern. Sie können aber nicht die Spannung erzeugen, die eine Strategieentscheidung verlangt. Wer das übersieht, hat zwar schön und sicher formulierten Output, aber möglicherweise auch einen gefährlichen.

Was der Nutzer aushalten muss

An dieser Stelle wird ein Aspekt erkennbar, der in der KI-Diskussion praktisch nicht vorkommt - und der gerade in der Strategiearbeit zentral ist: Die Qualität eines KI-Sparringpartners hängt nicht nur von der KI ab, sondern auch von der psychologischen Disziplin des Nutzers. Ganz konkret: von zwei Fähigkeiten, die sich auf den ersten Blick zu widersprechen scheinen.

Die erste ist die Fähigkeit, Kritik der eigenen Idee auszuhalten, ohne sich davon einschüchtern zu lassen. Wer eine kontroverse, unkonventionelle Idee zur Prüfung in ein Sprachmodell gibt, bekommt mit hoher Wahrscheinlichkeit eine zurückhaltende, abwägende, im Ton freundliche, im Inhalt aber tendenziell skeptische Bewertung - einfach weil die statistische Mehrheit der Argumente in den Trainingsdaten in Richtung des Konsenses tendiert.

Die zweite ist die Fähigkeit, der KI zu widersprechen, wenn ihre Bewertung keine ausreichende logische Substanz liefert. Wer alles annimmt, was die KI sagt, weil sie souverän formuliert, ersetzt sein Urteil durch ihres - und ist manipulierbar. Die Bewertung der eigenen Idee durch ein Sprachmodell ist nicht das Urteil eines erfahrenen Beraters, sondern eine statistisch geglättete Wahrscheinlichkeitsverteilung - und sie kann schlicht falsch sein, wenn die Logik der Idee ausserhalb dessen liegt, was in den Trainingsdaten häufig vorkommt.

Diese Doppelanforderung - Kritik aushalten und widersprechen können - stellt eine essentielle kognitive Kompetenz dar, bei der es um Streitkultur mit sich selbst geht - vermittelt durch eine Maschine. Wer diese Fähigkeiten nicht besitzt, wird die KI entweder ignorieren oder ihr verfallen.

Interessant ist zu beobachten, dass es genau diese Eigenschaft sind, die einen guten menschlichen Berater ausmachen. Im Zusammenspiel mit der KI werden diese nun auf den zu Beratenden verlagert.

Die Manipulationsfalle

Daran schliesst ein weiterer psychologischer Aspekt an, die in der KI-Diskussion ebenfalls oft unter den Tisch fällt. Sprachmodelle formulieren souverän. Sie wirken sicher, abgewogen, professionell. Diese sprachliche Souveränität wird vom Nutzer schnell als inhaltliche Souveränität interpretiert - eine Falle ...

Eine zögernde, sich selbst korrigierende KI wäre weniger gefährlich, weil sie ihre Unsicherheit ehrlich kommuniziert. Eine selbstbewusst formulierende KI hingegen manipuliert in eine Position, die als gesicherte Mehrheitsmeinung verkauft wird, obwohl sie nur statistische Mehrheit ist. Wer auf KI-Empfehlungen baut, übernimmt nicht nur Inhalte, sondern auch eine Sicherheit, die nicht durch Erfahrung gedeckt ist. Diese Beobachtung lehnt sich an der aus meinem Essay an: Sprachmodelle externalisieren nicht nur Denkarbeit, sie verändern auch, wie sich das verbleibende Denken anfühlt - nämlich sicherer, als es sein sollte.

Diese Manipulationsfalle ist keine böswillige. Sie ist eine Nebenwirkung der Optimierung auf flüssige und präzise Sprache. Aber sie hat spürbare Konsequenzen: Strategieentscheidungen, die im Dialog mit einer KI entstehen, fühlen sich solider an, als sie sind. Das ist gefährlich, weil Strategiearbeit gerade von der Unsicherheit lebt, die ein guter Berater wachhalten würde.

Was bleibt - und was zu tun ist

Was folgt aus alldem für die Praxis?

Erstens, Sprachmodelle sinnvoll einsetzen. KI eignet sich hervorragend als Sparringspartner, Argumentationsspiegel, Materialgenerator und "Standard-Etablierer". Sie eignet sich nicht als Strategiegenerator. Diese Unterscheidung sollte in jeder konkreten Nutzung mitschwingen. In der Praxis hilft es, der KI einen dichten Kontextkorridor zu liefern: eine wiederverwendbare Datei mit Firmenvorstellung, Marktposition, Wettbewerbsumfeld, eigenen strategischen Hypothesen. Eine Markdown-Datei reicht völlig aus, für deren Erstellung einmalig etwas Zeit investiert werden muss und die dann in jeder folgenden LLM-Sitzung genutzt werden kann. Dieses Vorgehen verbessert die Output-Qualität enorm. Eine KI, die nur wenig Kontext erhält, erzeugt lediglich geglättete Allgemeinaussagen; eine KI mit dichtem Kontext kann erstaunlich relevante Reibungsargumente erzeugen. Trotzdem bleibt es Reibung innerhalb des Marktkonsenses, nicht jenseits davon.

Zweitens, die kognitive Eigenarbeit nicht delegieren. Was die KI nicht leisten kann - Frame-Wechsel, Aushalten von Spannung, echte Positionierung gegen die Mitte - muss der Mensch leisten. Das verlangt die Doppelfähigkeit, KI-Kritik auszuhalten und, wenn erforderlich, KI-Argumenten zu widersprechen. Wer diese Disziplin nicht aufbringt, sollte KI nicht für strategische Arbeit verwenden - die Gefahr, in eine "unauffällige Mittelposition" hineinmanipuliert zu werden, ist zu gross.

Drittens, das Verständnis von Beratung schärfen. Wenn KI den ersetzbaren Teil von Beratung übernimmt - das Verdichten von Wissen, das Strukturieren von Argumenten, die Vorbereitung von Material -, wird der maschinell nicht-ersetzbare Teil sichtbarer: Erfahrung, Konfrontation, das Aushalten von Konflikten, das Erzwingen von Entscheidungen. Das ist nicht weniger Beratung, sondern präzisere Beratung. Was früher in einem unscharfen Gesamtpaket gekauft wurde, lässt sich heute besser trennen: was die Maschine erledigen kann, und was nicht. Wer diese Trennung sauber zieht, bekommt bessere Beratung und spart Geld. Wer sie nicht zieht, bekommt eine schlechtere Variante von beidem.

Abschliessend lässt sich feststellen: KI löst die Beratungsbranche nicht ab. Es ist jedoch auch nicht so, dass sie diese nicht bedrohen würde - das tut sie, aber in einem klar definierten Teilbereich. Die Wahrheit ist, dass die Substitution genau dort funktioniert, wo Beratung ohnehin nur Information war. Was Beratung jenseits davon ist - das Aushalten der Spannung, in der jede Strategie steht, und das Begleiten ihres Weges durch die Zeit - bleibt menschliche Arbeit. Und sie wird durch die Verfügbarkeit von KI nicht weniger wichtig, sondern wichtiger. Denn je leichter Material und Mitte zugänglich und erreichbar werden, desto wertvoller wird das, was Material und Mitte nicht sind.