# Convios GmbH > Convios identifiziert den wichtigsten wirtschaftlichen oder operativen Engpass und begleitet einen begrenzten Umsetzungsschritt. Die Arbeit richtet sich an Investoren und Portfolios sowie an Unternehmer und Management-Teams, in B2B-Software wie in etablierten Unternehmen. Schwerpunkte sind Akquise, Pricing, Retention und Delivery-Kosten in B2B-Software sowie die Integration nach Zukäufen und KI im laufenden Betrieb. Sitz: Landsberg am Lech, in der Metropolregion München. Geschäftsführer: Dr. Oliver Gausmann. Der Einstieg ist eine belastbare Analyse. Ein möglicher Folgeschritt benennt Arbeitsumfang, Verantwortlichkeit, Messung, Abnahme und Einflussgrenzen vor dem Start. --- ## Leistungen - [Angebot im Überblick](https://www.convios.com/de/angebot): Drei Stufen: Skalierungsaudit ab 9.500 Euro netto, 90-Tage-Hebel ab 25.000 Euro netto, laufende Begleitung. Zwei Zielgruppen: Investoren und Portfolios, Unternehmer und Management-Teams. Je Zielgruppe ein anrechenbarer Einstieg: Dev-Team-Assessment und KI-Readiness. - [KI-Strategie Readiness](https://www.convios.com/de/leistungen/ki-strategie-readiness): KI-Readiness-Assessment mit Use-Case-Portfolio, Risikoeinordnung, Verantwortlichkeiten und Entscheidungsgrundlage; Regulatorik-Modul (NIS2, DORA, EU AI Act) zubuchbar - [Software Delivery Performance](https://www.convios.com/de/leistungen/software-delivery-performance): Assessment für Arbeitsfluss, Delivery-Kosten und einen begrenzten nächsten Verbesserungs-Scope - [KI-Workshop für Geschäftsführungen](https://www.convios.com/de/leistungen/ki-workshop-geschaeftsfuehrung): Eintägiger Entscheidungsworkshop zu KI-Nutzung, Risiken, Verantwortlichkeiten und nächsten Schritten - [Defensible Scale](https://www.convios.com/de/methodik/defensible-scale): Fünfschichtiges Denkmodell für B2B-Software: Position, Nachfrage, Monetarisierung, Ökonomik und Compound - [Für Investoren und Portfolios](https://www.convios.com/de/fuer-investoren): Vier Anlässe im Beteiligungszyklus, Prüffelder Akquise, Pricing, Retention, Delivery und Umsetzbarkeit, begrenzter erster Arbeitsumfang mit Hebel-Entscheidung - [B2B-Software skalieren (fachlicher Pfad)](https://www.convios.com/de/fuer-software): Akquise, Pricing, Retention und Delivery anhand einer wirtschaftlichen Zielgröße priorisieren, mit Engpassanalyse, messbarem 90-Tage-Scope und optionaler operativer Begleitung - [KI und Delivery für etablierte Unternehmen (fachlicher Pfad)](https://www.convios.com/de/fuer-etablierte-unternehmen): KI-Nutzung und Software Delivery erst einordnen, dann in einem begrenzten Scope umsetzen; Nachweise über das zubuchbare Regulatorik-Modul - [Hebel: Akquise & Vertriebseffizienz](https://www.convios.com/de/fuer-software/akquise-vertriebseffizienz): Eine wirtschaftlich relevante Funnel-Stufe messen und in einem begrenzten Scope verändern - [Hebel: Pricing & Monetarisierung](https://www.convios.com/de/fuer-software/pricing-monetarisierung): Zahlungsbereitschaft erheben, Preismetrik und Stufen neu bauen, Expansion ins Modell holen - [Hebel: Retention & Expansion](https://www.convios.com/de/fuer-software/retention-expansion): Onboarding an den ersten Erfolg koppeln, Kohorten steuern, Net Revenue Retention heben - [Hebel: Delivery-Kosten & KI-Produktivität](https://www.convios.com/de/fuer-software/delivery-kosten): Kosten je Kunde messen, Engpass umbauen, KI im Prozess verankern, Richtwert Rule of 40 - [Defensible-Scale-Score](https://www.convios.com/de/score): Selbsteinschätzung im Browser, zehn Aussagen entlang der fünf Schichten, ohne Anmeldung, ohne Speicherung - [KI-Kosten-Benchmark 2026](https://www.convios.com/de/insights/ki-kosten-benchmark-2026): KI-Gebühren je Vorgang für 46 KI-Modelle und 12 Geschäftsvorfälle, aus Listenpreisen mit dem KI-Kostenrechner in Version 10 (Stand 30. September 2026), Methodik und Zitierhinweis ### Services (EN) - [Offering at a Glance (EN)](https://www.convios.com/en/offering): Three stages: scaling audit from EUR 9,500 net, 90-day lever from EUR 25,000 net, ongoing support. Two audiences: investors and portfolios, business owners and management teams. One creditable entry point per audience: development team assessment and AI readiness. - [For Investors and Portfolios (EN)](https://www.convios.com/en/for-investors): Four buying moments in the holding cycle, assessment fields acquisition, pricing, retention, delivery plus feasibility, bounded first scope with a lever decision - [AI Strategy Readiness (EN)](https://www.convios.com/en/services/ai-strategy-readiness): AI readiness assessment with use-case portfolio, risk classification, owners and a decision basis; regulatory module (NIS2, DORA, EU AI Act) available - [Software Delivery Performance (EN)](https://www.convios.com/en/services/software-delivery-performance): Assessment of workflow, delivery cost and a limited next improvement scope - [Executive AI Workshop (EN)](https://www.convios.com/en/services/executive-ai-workshop): One-day decision workshop on AI use, risk, ownership and next steps - [Defensible Scale (EN)](https://www.convios.com/en/methods/defensible-scale): Five-layer model for B2B software: position, demand, monetization, economics and compound - [Scaling B2B Software (subject path, EN)](https://www.convios.com/en/for-software): Prioritize acquisition, pricing, retention and delivery against one economic target, with constraint analysis, a measurable 90-day scope and optional operating support - [AI and Delivery for Established Companies (subject path, EN)](https://www.convios.com/en/for-established-companies): Assess AI use and software delivery before implementing one bounded scope; evidence via the optional regulatory module - [Lever: Acquisition & Sales Efficiency (EN)](https://www.convios.com/en/for-software/acquisition-sales-efficiency): Measure one economically relevant funnel stage and change it in a bounded scope - [Lever: Pricing & Monetization (EN)](https://www.convios.com/en/for-software/pricing-monetization): Survey willingness to pay, rebuild pricing metric and tiers, build expansion into the model - [Lever: Retention & Expansion (EN)](https://www.convios.com/en/for-software/retention-expansion): Couple onboarding to first success, steer cohorts, lift net revenue retention - [Lever: Delivery Costs & AI Productivity (EN)](https://www.convios.com/en/for-software/delivery-costs): Measure cost per customer, rebuild the constraint, anchor AI in the process - [Defensible Scale Score (EN)](https://www.convios.com/en/score): Self-assessment in the browser, ten statements across the five layers, no sign-up, nothing stored - [About (EN)](https://www.convios.com/en/about-us): Team background and approach - [AI Cost Benchmark 2026](https://www.convios.com/en/insights/ki-kosten-benchmark-2026): AI fees per task for 46 AI models across 12 business scenarios, from list prices with the AI cost calculator, version 10 (as of 30 September 2026), method and citation note --- ## Autor / Author ### Dr. Oliver Gausmann URL: https://www.convios.com/de/autor/oliver-gausmann URL (EN): https://www.convios.com/en/author/oliver-gausmann Role: Geschäftsführer Convios GmbH, Lehrbeauftragter am Institut für Informatik der Universität Zürich Credentials: Dr. rer. pol. (summa cum laude, Universität Augsburg), Diploma in Corporate Governance (Distinction, The Corporate Governance Institute) Articles: 16 auf convios.com veröffentlicht, 5 syndiziert mit Primärquelle olivergausmann.com (zuletzt 2026-08-10) Dr. Oliver Gausmann ist Geschäftsführer der Convios GmbH und Lehrbeauftragter am Institut für Informatik der Universität Zürich (MSc-Vorlesung Global Software Management, BSc-Seminar Applied AI Systems). Er arbeitet als operativer Berater für B2B-Software-Unternehmen und ihre Kapitalgeber, mit Schwerpunkt auf Akquise, Pricing, Retention und Delivery-Kosten sowie der Integration nach Zukäufen und KI im laufenden Betrieb. Parallel unterstützt er Unternehmen als CEO, COO und Operating Advisor in B2B-Software, je nach Situation fraktional, interim oder fest, mit Schwerpunkt auf wirtschaftlicher Skalierung von B2B-SaaS. Profile: LinkedIn (https://www.linkedin.com/in/olivergausmann/), Google Scholar (https://scholar.google.com/citations?user=cEXpCZsAAAAJ), olivergausmann.com. #### Veröffentlichte Artikel (kanonische URLs): 21 - 2026-08-10: [KI-Preismodelle 2026: die KI-Preistreppe vom Token-Preis zum Preis je Ergebnis](https://olivergausmann.com/insights/ki-preismodelle-preistreppe) - 2026-08-02: [Honorarmodelle im KI-Zeitalter: Warum der Tagessatz sein Monopol verliert](https://www.convios.com/de/insights/honorarmodelle-ki-beratung) - 2026-08-01: [Übernahmewürdigkeit entscheidet: Zum ersten Mal wollen mehr Mittelständler schließen als übergeben](https://www.convios.com/de/insights/nachfolge-uebernahmewuerdigkeit) - 2026-07-07: [SaaS-Preismodelle im Agenten-Zeitalter: Der Preis pro Nutzer verliert seinen Anker](https://www.convios.com/de/insights/saas-preismodelle-ki-agenten) - 2026-07-02: [KI-Nutzung in Deutschland: Wer ChatGPT nutzt und wo das Vertrauen endet](https://www.convios.com/de/insights/ki-nutzung-deutschland-studie) - 2026-06-24: [Die B2B-SaaS-Burg bauen: wie Nischenanbieter im KI-Zeitalter ihren Graben ziehen](https://olivergausmann.com/insights/build-b2b-saas-castle) - 2026-06-14: [B2B-SaaS im KI-Zeitalter skalieren: warum die Mauer alle bauen und nur der Graben zählt](https://olivergausmann.com/insights/scaling-b2b-saas-ai-era) - 2026-06-11: [Die Uhr ist weg: Wie längere Haltedauern die Buy-and-Build-Plattform verändern](https://olivergausmann.com/insights/buy-and-build-plattform-haltedauer) - 2026-06-08: [KI-Agenten, Vibe Coding und der EU AI Act](https://www.convios.com/de/insights/ki-agenten-vibe-coding-eu-ai-act) - 2026-05-02: [Wie B2B-Software jenseits des Direktvertriebs skaliert: drei Hebel aus drei Mandaten](https://olivergausmann.com/insights/b2b-software-skalieren-multiplikatoren) - 2026-04-29: [Multi-Agenten-Framework für den Mittelstand: Vier Kandidaten, neun Kriterien, eine unbequeme Antwort](https://www.convios.com/de/insights/multi-agenten-framework-mittelstand-vergleich) - 2026-04-13: [KI-Compliance-Architektur: Drei Entscheidungen, die schwerer wiegen als die Framework-Wahl](https://www.convios.com/de/insights/ki-compliance-architektur) - 2026-04-10: [Multi-Agenten-RAG im Mittelstand: Vom ersten Use Case zur produktiven Architektur](https://www.convios.com/de/insights/multi-agenten-rag-mittelstand-einfuehrung-architektur) - 2026-04-08: [KI-Regulierung 2026: Pflichten im Mittelstand](https://www.convios.com/de/insights/ki-regulierung-mittelstand-2026) - 2026-03-30: [KI-ROI-Landkarte: Wo sich KI-Investitionen rechnen](https://www.convios.com/de/insights/ki-roi-landkarte-mittelstand) - 2026-03-25: [15 KI-Frameworks, die Ihre Strategie bestimmen](https://www.convios.com/de/insights/ki-frameworks-mittelstand-strategie) - 2026-03-22: [25 KI-Begriffe, die Geschäftsführer 2026 kennen müssen](https://www.convios.com/de/insights/ki-begriffe-geschaeftsfuehrer-2026) - 2026-03-15: [Wenn der KI-Reflex teuer wird: Was Beratung im Mittelstand noch wert ist](https://www.convios.com/de/insights/ki-beratung-mittelstand-wert-expertise) - 2026-03-13: [35% ersetzen SaaS durch Eigenentwicklung: Welche Geschäftsmodelle AI überleben](https://www.convios.com/de/insights/b2b-saas-geschaeftsmodell-framework-ai-disruption) - 2026-03-12: [KI-Agenten im Unternehmen: Warum 42% der Projekte vor dem Echtbetrieb scheitern](https://www.convios.com/de/insights/ki-agenten-unternehmen-pilot-echtbetrieb) - 2026-02-27: [KI-Betriebssystem im Mittelstand einrichten](https://www.convios.com/de/insights/ki-betriebssystem-mittelstand-praxisleitfaden) --- ## Data & Insights ### Studie zur Internetkommunikation 2025 URL: https://www.convios.com/de/insights/studie-internetkommunikation URL (EN): https://www.convios.com/en/insights/studie-internetkommunikation Published: 2025-10-15 Repräsentative jährliche Erhebung zum digitalen Kommunikationsverhalten in Deutschland. Durchgeführt von der Convios GmbH im Auftrag von WEB.DE und GMX (United Internet). 16 Wellen seit 2009, n=1.004, CAWI. Kernergebnisse Wave 16 (Oktober 2025): - E-Mail-Marktanteile: WEB.DE 26,4%, GMX 25,7%, Gmail 13,8%, T-Online 7,8%, Outlook 8,0% - KI-Nutzung: ChatGPT 46,3%, Gemini 24,9%, Copilot 14,3%, Galaxy AI 13,5% - KI-Generationengraben: 87,5% der 16-19-Jährigen nutzen ChatGPT, 26,6% der über 60-Jährigen (Faktor 3,3x) - Datenschutzbedenken bei US-Konzernen: 68,4% (26,9% klar, 41,5% teilweise) - Wechselbereitschaft zu deutschen Anbietern: 57,5% - E-Mail bevorzugter B2C-Kanal: 77,7% - 24,8% wollen KI für keine Aufgabe nutzen --- ### KI-Preismodelle 2026: die KI-Preistreppe vom Token-Preis zum Preis je Ergebnis URL: https://olivergausmann.com/insights/ki-preismodelle-preistreppe Published: 2026-08-10 Canonical: olivergausmann.com (Syndikat auf convios.com) #### TL;DR KI-Preismodelle sortieren sich 2026 neu, weil KI anders als klassische Software bei jeder einzelnen Nutzung Rechenkosten verursacht: Anbieter von KI-Produkten kalkulieren im Median mit rund 50 Prozent Bruttomarge statt der SaaS-üblichen 80 [1]. Die KI-Preistreppe ordnet das Feld in fünf Stufen, vom Token-Preis über die Kosten je gelöster Aufgabe bis zum Preis je Ergebnis. Der Listenpreis allein trägt dabei nicht weit, denn in 32 Prozent der untersuchten Modellpaare verursacht das billiger gelistete Modell die höheren Gesamtkosten [2]. Hybride KI-Preismodelle sind binnen eines Jahres von 25 auf 37 Prozent der Anbieter gesprungen [1]. Der Preis je Ergebnis nimmt dem Kunden dabei vor allem das Zahlungsrisiko ab; ob das Ergebnis etwas taugt, misst weiterhin meist der Anbieter selbst. Wer einkauft, verhandelt deshalb zuerst die Zähleinheit und dann den Preis. Ich pflege auf meiner Website einen KI-Kostenrechner, damals mit 75 Modellen, und der hat mir eine Lektion erteilt. Zweimal in zwei Wochen war mein Preisstand veraltet, ohne dass ein einziger Test anschlug: Einmal stand ein Modell fünffach zu hoch, einmal hatte ein Anbieter eine zweite Preisstufe für lange Eingaben nur als Fußnote unter der Preistabelle vermerkt. Am 30. Juli senkte OpenAI dann den Preis eines drei Wochen alten Modells um 80 Prozent [3]. Wer KI einkauft oder selbst bepreist, arbeitet auf einem Markt, dessen Preisschilder sich schneller drehen als jeder Budgetzyklus. Das wirkt chaotisch, folgt aber einer Ordnung, die man in fünf Stufen fassen kann. Ich nenne sie die KI-Preistreppe: Token-Preis, Tarifmechanik, Preis je Fähigkeit, Kosten je gelöster Aufgabe, Preis je Ergebnis. Mit jeder Stufe wandert das Zahlungsrisiko ein Stück weiter vom Kunden zum Anbieter. #### Jede KI-Antwort kostet Geld, deshalb wackeln alle Preismodelle Eine verkaufte Softwarelizenz kostete den Anbieter im Betrieb fast nichts mehr. Auf dieser Grenzkostenlogik ruhten zwanzig Jahre Abo-Preise. KI bricht sie, weil jede Antwort Rechenzeit auf teurer Hardware verbraucht, und die Rechnung dafür kommt beim Anbieter jeden Monat an. Die Folgen stehen inzwischen in den Erhebungen. Anbieter von KI-Produkten peilen im Median rund 50 Prozent Bruttomarge an, nur 12 Prozent halten die SaaS-üblichen 80 Prozent für erreichbar [1]. Eine zweite, unabhängig erhobene Stichprobe kommt auf projizierte 52 Prozent für 2026 [4]. Dazu sagen 70 Prozent der Anbieter, ihre Kunden bezahlten KI aus dem vorhandenen Software-Budget [1]. Der Spielraum für Preisfehler ist also klein, und trotzdem tastet die Branche: 76 Prozent der Software-Anbieter haben KI-Funktionen eingeführt, doch die Mehrheit berichtet von einer Umsatzwirkung unter 10 Prozent [5]. Für die folgenden Stufen hilft ein konkreter Fall, den ich durch den ganzen Text trage: ein Unternehmen mit 10.000 Kundenanfragen im Monat, die eine KI beantworten soll. An diesem einen Arbeitsvolumen lässt sich jede Stufe der KI-Preistreppe durchrechnen. #### Was kostet ein Token wirklich? Die unterste Stufe klingt beruhigend einfach. Sprachmodelle rechnen in Token ab, kleinen Textstücken von ein paar Zeichen, mit Listenpreisen je Million. Unsere 10.000 Kundenanfragen mit je rund 3.700 Token Umfang kosten auf einem günstigen Modell etwa 37 US-Dollar im Monat, die Zahl stammt aus der Preisdokumentation von Anthropic selbst [6]. Bis hierhin rechnet das jeder Praktikant nach. Der Tarif dahinter, Stufe zwei der Treppe, hat mehr bewegliche Teile. Wiederkehrende Eingaben lassen sich zwischenspeichern, das Lesen aus diesem Cache kostet bei Anthropic nur ein Zehntel des Eingabepreises, das Befüllen dafür einen Aufschlag von 25 Prozent bis 100 Prozent [6]. Bei DeepSeek kostet der Cache-Treffer sogar nur rund ein Prozent [7]. Für Aufträge ohne Zeitdruck halbiert die Stapelverarbeitung den Preis [6]. Und bei langen Eingaben führen mehrere Anbieter eine zweite Preisstufe, oft nur als Fußnote unter der Preistabelle vermerkt: Google verdoppelt beim Modell Gemini 2.5 Pro oberhalb von 200.000 Token den Satz, und zwar rückwirkend für alle Token des Aufrufs [8], OpenAI hebt bei mehreren Modellen ab 272.000 Token an [9]. Dazu kommt das Nachdenken: Moderne Modelle erzeugen beim Überlegen unsichtbare Denk-Token, die ganz normal auf der Rechnung landen und deren Menge bei identischer Aufgabe um das bis zu 9,7-Fache schwankt [2]. Die Ausgabenseite der Rechnung ist damit im Wortsinn unkalkulierbar geworden. Die dritte Stufe der Treppe ist der Preis je Fähigkeit, und auf ihr liegt eine Preisdynamik, die beide Richtungen gleichzeitig kennt. Der Preis für ein festes Fähigkeitsniveau fällt um den Faktor 5 bis 10 pro Jahr [10], an einzelnen Leistungsschwellen gemessen im Median sogar um den Faktor 50 [11]. Der Spitzenpreis für das jeweils beste Modell steigt zugleich um den Faktor 3 bis 18 pro Jahr [10]. Deshalb erleben Unternehmen beides zugleich: Die gestrige Aufgabe wird laufend billiger, die neueste Ambition laufend teurer. #### Die ehrliche Einheit ist die gelöste Aufgabe Auf der vierten Stufe ändert sich die Frage: Was kostet es, bis eine Aufgabe erledigt ist? Die Forschung hat dafür seit 2025 eine schlichte Formel: Kosten je gelöster Aufgabe gleich Preis je Versuch geteilt durch Erfolgsquote [12]. Ein Modell, das halb so viel kostet, aber nur ein Drittel so oft richtig liegt, ist auf dieser Stufe das teurere. Wie oft die Listenpreise dabei in die Irre führen, hat eine im März veröffentlichte Studie beziffert: In 32 Prozent der Modellpaare verursacht das billiger gelistete Modell die höheren Gesamtkosten, im Extrem um das 28-Fache [2]. Ein Modell mit 80 Prozent niedrigerem Listenpreis kam über alle Aufgaben hinweg 38 Prozent teurer [2]. Die Studie führt das auf die schwankenden Denk-Token und zusätzliche Arbeitsschritte zurück [2]. Der Listenpreis versagt als Preissignal ausgerechnet dort, wo er am meisten verspricht. Für unsere 10.000 Kundenanfragen heißt das: Die 37 Dollar von eben sind nur dann eine gute Zahl, wenn das günstige Modell die Anfragen auch löst. Bleibt jede fünfte Antwort unbrauchbar und ein Mensch arbeitet nach, steht die wahre Rechnung woanders. Ab wann sich das stärkste Modell trotz höherem Preis rechnet, lässt sich sogar beziffern: Sobald ein einzelner Fehler rund 10 Cent kostet, gewinnt fast immer das Spitzenmodell, so eine Caltech-Arbeit auf dem Preisstand von Mitte 2025 [13]. Das klingt niedrig, folgt aber aus dem Größenverhältnis: Was das Spitzenmodell je einzelner Anfrage mehr kostet, ist klein gegen das, was ein einziger vermiedener Fehler spart. Bei Kundenanfragen ist ein verlorener Kunde schnell teurer. Diese Stufe ist der Grund, warum mein Kostenrechner neben den KI-Gebühren auch Menschenzeit und Fehlerfolgen ausweist, und die Kostenhebel dieser Stufe habe ich in KI-Kosten senken durch Modellwahl auseinandergenommen. #### Welche KI-Preismodelle setzen sich 2026 durch? Oberhalb des Einkaufs beginnt die Anbieterseite der KI-Preistreppe, und dort läuft seit zwei Jahren eine Wanderung. 2024 bepreisten die meisten Software-Anbieter ihre KI-Funktionen wie gewohnt, als Aufpreis je Nutzer. Dann kam die Margenrechnung von oben, und seither probiert der Markt öffentlich neue Zähleinheiten aus. Man kann dabei zusehen. Salesforce führt für seinen Service-Agenten zwei Verbrauchsmodelle parallel, 2 US-Dollar je Gespräch oder ein Guthabenmodell mit 10 Cent je Standard-Aktion, und welches günstiger ist, muss der Kunde selbst durchrechnen [14]. GitHub stellte Copilot zum 1. Juni 2026 auf Token-Guthaben um, die alten Pauschal-Kontingente entfielen [15]. Cursor wechselte sein Preismodell im Juni 2025 so unglücklich, dass das Unternehmen sich öffentlich entschuldigte und unerwartete Gebühren erstattete [16]. Und auf der fünften Stufe, dem oberen Ende der Treppe, steht seit 2026 das Ergebnis selbst auf der Preisliste: Intercom berechnet 0,99 US-Dollar je erreichtem Ergebnis, gezählt als bestätigt gelöstes Anliegen oder abgeschlossener Arbeitsablauf [17], HubSpot senkte im April von 1 US-Dollar je Gespräch auf 0,50 je gelöstem Gespräch [18], und Zendesk lässt die abgerechneten Lösungen von einem zweiten KI-Modell verifizieren, bezahlt wird nur der bestätigte Erfolg [19]. Für unsere 10.000 Kundenanfragen existieren damit zwei Welten: als Token-Rechnung ein zweistelliger Dollarbetrag, als Ergebnis-Rechnung beim Anbieter mehrere tausend Dollar, wenn man die 50 bis 99 Cent je gelöstem Fall hochrechnet (eigene Kalkulation). Die Spanne dazwischen ist Marge, Risiko und Verifikationsaufwand des Anbieters. Im deutschsprachigen Raum hat SAP eine eigene Antwort gewählt: eine konzernweite Vorauszahl-Währung namens AI Units, aus der KI-Funktionen über alle Produkte hinweg schöpfen. Ein Joule-Beraterpaket etwa bündelt 22.900 Anfragen je Nutzer und Monat, gepoolt über alle Nutzer [20]. Die Treppe ordnet die Logik; am Markt verdichtet sie sich zu vier Grundtypen von Preismodellen. Die Zahlen zur Verbreitung passen zur Erzählung. Unter gut 300 befragten KI-Anbietern rechnen 58 Prozent per Abo, 35 Prozent nach Verbrauch und 18 Prozent nach Ergebnis, Mehrfachnennungen inklusive [4]. Das hybride Modell ist unter 230 B2B-Software-Anbietern binnen zwölf Monaten von 25 auf 37 Prozent gesprungen und damit das häufigste [1]. In der DACH-Empirie zeigt sich derselbe Bruch: Klassisches SaaS wird hier zu 92 Prozent im Abo verkauft, bei KI-Produkten springt der Anteil nutzungsbasierter Preise auf 69 Prozent [21]. Und 45 Prozent der Software-Anbieter fahren bereits zwei oder mehr Preismodelle parallel [5]. Hinter all dem steht eine alte Preisregel, die im KI-Zeitalter neu zieht: Der Preis gehört an die Einheit, die mit dem Kundennutzen mitwächst. Was das für Software-Verträge und die Doppelzahlungs-Falle aus Lizenz plus Guthaben bedeutet, habe ich in SaaS-Preismodelle im Agenten-Zeitalter beschrieben, die Dienstleistungsseite in Honorarmodelle im KI-Zeitalter. #### Wer prüft das Ergebnis, für das Sie zahlen? Bezahlt wird nur der gelöste Fall. Das Zahlungsrisiko wandert damit tatsächlich zum Anbieter; beim Kunden bleibt das Informationsproblem, also die Frage, was dieses Ergebnis überhaupt wert ist. Die Forschung der letzten zwölf Monate zeigt ziemlich genau, warum das so schwer wiegt. Das beginnt eine Ebene tiefer, als die meisten vermuten. Schickt man derselben KI tausendmal dieselbe Frage bei Temperatur null, also mit ausgeschaltetem Zufall, kommen im heutigen Normalbetrieb Dutzende verschiedene Antworten zurück; ein dokumentierter Versuch zählte 80 unterschiedliche aus 1.000 Anläufen [26]. Der Grund ist banal: Wie viele andere Kunden gerade dieselben Server nutzen, verändert die Rechenreihenfolge und damit das Ergebnis [26]. Allein die Serving-Konfiguration, also Batchgröße, GPU-Typ und Kartenzahl, kann die gemessene Lösequote eines offenen Modells um bis zu 9 Prozentpunkte verschieben [27]. Selbst der Anbieter sagt sein Produkt im Normalbetrieb also nur ungefähr vorher; abstellbar wäre das, es kostet nur Serving-Effizienz [26]. Dazu kommt die Zeitachse. Modelle hinter Schnittstellen ändern ihr Verhalten, ohne dass der Kunde davon erfährt: Dieselben Aufgaben löste GPT-4 im März 2023 zu 84 Prozent, im Juni 2023 zu 51 Prozent [28]. Die Software-Engineering-Forschung führt solche stillen Anbieter-Updates 2026 als eigenes Governance-Problem [29]. Und ob hinter der Schnittstelle wirklich das bezahlte Modell arbeitet, kann ein Kunde mit Software-Mitteln praktisch kaum verlässlich prüfen; ausgerechnet der Nichtdeterminismus lässt die statistischen Tests scheitern, belastbare Prüfung erfordert nach heutigem Forschungsstand spezielle Hardware oder kryptographische Verfahren [30]. Jetzt die Anreizseite. Dass ein Anbieter bei festem Ergebnispreis das billigste gerade noch ausreichende Modell einsetzen kann, ist in der Ökonomie als Moral Hazard formal beschrieben [31]; die Vertragstheorie hat ergebnisgebundene Verträge sogar als Gegenmittel gegen genau diesen Anreiz bei Token-Preisen entworfen [31]. Ein Feldnachweis, dass Anbieter tatsächlich still verbilligen, existiert übrigens nicht. Was begutachtet existiert: Wo eine KI die Zielerreichung einer anderen KI bewertet, urteilt sie systematisch verzerrt, bis hin zur Bevorzugung verwandter Modelle [32]. Ökonomisch ist eine KI-Leistung damit ein Vertrauensgut wie eine Autoreparatur, der Anbieter weiß mehr über die angemessene Leistung als der Kunde, und Experimente zeigen, dass diese Asymmetrie zulasten der Kunden wirkt [33]. Für unsere 10.000 Kundenanfragen heißt das: Die mehreren tausend Dollar Ergebnis-Rechnung sind nur dann ein fairer Tausch, wenn die Messung stimmt. Wer verifiziert, was gelöst heißt, mit welchem Modell gearbeitet wird und wie sich die Qualität über die Laufzeit hält, ist deshalb eine Vertragsfrage. #### Mit wem schließen Sie eigentlich den KI-Vertrag? Wer von einem KI-Vertrag spricht, meint drei sehr verschiedene Dinge. Große Unternehmen verhandeln Enterprise-Rahmenverträge direkt mit den Modellanbietern; der Mittelstand kauft dieselbe Technik meist als Standard-Abo von der Stange, knapp drei Viertel der KI-nutzenden Unternehmen in Deutschland zahlen für externe KI-Lösungen [45]. Dazwischen liegen zwei Produktwelten: etablierte Software, die KI-Funktionen auf ihr bestehendes Preismodell aufsetzt, und KI-native Produkte, die es ohne KI gar nicht gäbe. In unserem Werkzeugkasten führen wir genau diese Unterscheidung als eigene Dimension jedes Werkzeugprofils („Etabliert“, „Etabliert, KI nachgerüstet“, „KI-nativ“), weil sich daran entscheidet, welche Vertragsfragen zählen. Beim Vertrag direkt mit dem Modellanbieter ist die wichtigste Zahl die Lebensdauer des Modells. OpenAI garantiert für ausgereifte Modelle mindestens sechs Monate Abkündigungsvorlauf, Anthropic mindestens 60 Tage, und in Microsofts Azure-Katalog steht der Satz, den man gelesen haben sollte: „Retirement dates aren't extendable“ [34][35][36]. Preise und Bedingungen darf der Anbieter einseitig anpassen, wesentliche Änderungen mit rund 30 Tagen Vorlauf, bei OpenAI wie bei Anthropic [46][37]; reduziert ein Update die Funktionalität wesentlich, bleibt bei OpenAI ein Kündigungsrecht mit nur fünf Geschäftstagen Reaktionsfrist [46]. Datierte Modell-Snapshots lassen sich festpinnen, sie sichern aber nur konstantes Verhalten, kein Weiterleben des Modells [35]. Und Enterprise heißt dabei längst nicht Großkonzern: Anthropic verkauft seinen Enterprise-Plan ab 20 Plätzen im Selbstbedienungskauf, die Nutzung kommt zu API-Preisen obendrauf [38]. Bei nachgerüsteter Bestandssoftware stapeln sich drei Zahlschichten: Basislizenz, KI-Zuschlag je Nutzer, Verbrauchsguthaben. Die Guthaben verfallen, bei HubSpot wörtlich am Ende jeder Abrechnungsperiode, bei Salesforce zum Vertragsende, bei SAP nach zwölf Monaten [39][14][20]. Und welches Modell hinter der Funktion arbeitet, sichert niemand zu: Salesforce beschreibt sein Standardmodell als „managed mix of trusted models (currently including GPT-4o)“ [40], Microsoft orchestriert im Copilot seit Herbst 2025 auch Anthropic-Modelle, gehostet außerhalb der eigenen Bedingungen [41]. Der Vertragsinhalt steckt in dem Wort „currently“. KI-native Produkte sind die beweglichste Gruppe, beim Preis wie beim Unterbau. Replit bepreist seit 2025 nach Aufwand je Arbeitsschritt, von sechs Cent bis mehrere Dollar für dieselbe Einheit [43]; Cursors Bedingungen erlauben, Funktionen „at any time … without notice“ zu ändern oder einzustellen [42]. Und das Modell hinter dem Produkt kann über Nacht kippen: Windsurf verlor im Juni 2025 mit weniger als fünf Tagen Vorlauf fast den gesamten Zugang zu den Claude-Modellen seines Zulieferers [44]. Wer ein KI-natives Produkt einführt, kauft eine Wette auf dessen Lieferkette mit. #### Drei von vier Anfragen brauchen kein Spitzenmodell Quer über alle Stufen der KI-Preistreppe liegt ein Hebel, der erst sichtbar wird, wenn Unternehmen mehrere Modelle kombinieren. Der Durchschnittsbetrieb nutzt bereits 3,1 Modellanbieter parallel [4], meist ohne System. Dabei funktioniert die Sortierung wie im Versandraum: Niemand schickt jeden Brief per Expresskurier, und von unseren 10.000 Kundenanfragen sind die meisten Routine und wenige heikel. Wie viel diese Sortierung wert ist, hat die Berkeley-Arbeit RouteLLM gemessen: Ein trainierter Verteiler schickte nur gut jede fünfte Anfrage zum teuren Modell statt jeder zweiten bei zufälliger Verteilung und hielt dabei 95 Prozent der Qualität des Spitzenmodells [22]. In einer Produktionsumgebung senkte ein kalibrierter Verteiler die reinen Modellkosten um 31 Prozent bei stabiler Güte [23]. Als Größenordnung gilt: ein Drittel bis zwei Drittel der Kosten, immer bezogen auf eine erklärte Qualitätsschwelle. Zwei Einschränkungen gehören dazu, sonst wird das hier Werbung. Erstens schlagen viele fertige Verteiler, auch kommerzielle, eine simple Faustregel nicht, das zeigt ein Vergleich über 400.000 Testfälle [24]. Zweitens gilt die Fehlerkosten-Schwelle von eben auch hier: Sobald ein Fehler richtig Geld kostet, gewinnt das eine Spitzenmodell gegen jede Kombination [13]. Bei Agenten, die selbstständig in mehreren Schritten arbeiten, fällt die Modellwahl zudem längst je Arbeitsschritt und die Kombination wird zur Architekturfrage. Damit lässt sich das Beispiel einmal komplett durchrechnen, alle Werte eigene Kalkulation auf Basis der zitierten Listenpreise, Stand 10.08.2026: #### Wie bringen Sie Ordnung in Ihre KI-Preisfindung? - Datieren Sie jeden Preisstand. Schreiben Sie an jede KI-Kalkulation das Abrufdatum der Anbieter-Preisseiten, und behandeln Sie jede Zahl ohne Datum als veraltet. Mein eigener Rechner war trotz täglicher Nutzung zweimal binnen zwei Wochen überholt, das Problem trifft also auch Leute, die es hauptberuflich versuchen. - Messen Sie eine Woche lang die Kosten je gelöster Aufgabe. Lassen Sie eine echte Arbeitslast parallel auf einem günstigen und einem starken Modell laufen und zählen Sie mit, wie viele Ergebnisse ohne Nacharbeit brauchbar sind. Für die Rechnung dahinter, inklusive Durchläufen, Cache und Nacharbeit, können Sie den KI-Kostenrechner nutzen. - Verhandeln Sie die Zähleinheit vor dem Preis. Als Einkäufer fragen Sie: Was genau zählt der Anbieter, wer verifiziert ein gelöstes Ergebnis, was passiert oberhalb des Kontingents? Als Anbieter wählen Sie die Einheit, die mit dem Nutzen Ihres Kunden mitwächst, und steigen realistischerweise hybrid ein, mit Sockel und Ergebniskomponente. - Definieren Sie Ihre Fehlerkosten-Schwelle. Beziffern Sie je Aufgabentyp, was ein falsches Ergebnis kostet. Oberhalb der Schwelle arbeitet das beste verfügbare Modell, unterhalb das günstigste, das die Qualitätsschwelle hält. Ein Wort zur Umstellung selbst, denn sie ist Kommunikationsarbeit. Cursor hat 2025 vorgeführt, wie ein sachlich vertretbarer Preiswechsel zum Reputationsschaden wird, wenn Kunden ihn erst auf der Rechnung bemerken [16]. Vor jeden Wechsel des eigenen KI-Preismodells gehören deshalb eine Ankündigung, vorgerechnete Beispiele und eine Übergangsfrist für Bestandskunden. #### Meine Einordnung Die Preisdebatte wird als Anbieterthema geführt, dabei verschiebt sie gerade die Anforderungen an den Einkauf. Wer 2026 KI-Verträge unterschreibt, braucht Kompetenzen, die bisher in der Produktion saßen: Erfolgsquoten messen, Qualitätsschwellen definieren, Verifikation verhandeln. Die Einkaufsabteilungen, die ich sehe, sind darauf selten vorbereitet, und die Anbieter wissen das. Bemerkenswert finde ich, wie offen die Anbieterseite ihr eigenes Suchen dokumentiert. Wenn 37 Prozent der KI-Anbieter ankündigen, ihr Preismodell binnen zwölf Monaten zu ändern [4], ist jeder Vertrag dieser Tage ein Experiment, an dem beide Seiten lernen. Das spricht für kurze Laufzeiten und eingebaute Anpassungsklauseln, auf beiden Seiten des Tisches. Vielleicht unterschätze ich auch, wie lange Übergangszustände sich halten können. Und ob am Ende überhaupt noch jemand Token zählt oder nur noch Ergebnisse... ich traue mich nicht, das zu datieren. Eine Beobachtung zum Schluss. Als ich Ende Juli fünf marktübliche KI-Kostenrechner verglichen habe (eigene Erhebung), konnte keiner von ihnen Kosten je gelöster Aufgabe ausweisen, alle rechneten in Token. Der Markt diskutiert öffentlich über die oberste Stufe der KI-Preistreppe und seine Werkzeuge stehen noch auf der untersten. --- ### Honorarmodelle im KI-Zeitalter: Warum der Tagessatz sein Monopol verliert URL: https://www.convios.com/de/insights/honorarmodelle-ki-beratung URL (EN): https://www.convios.com/en/insights/honorarmodelle-ki-beratung Published: 2026-08-02 #### TL;DR 43 Prozent der Managementberatungen in Deutschland geben an, KI habe bislang keinerlei Auswirkung auf ihre Preisgestaltung [1]. Zugleich stammt bei McKinsey rund ein Viertel der globalen Honorare aus ergebnisgebundenen Vereinbarungen [2], und Deloitte zeigt den eigenen Beratern eine Projektion, in der die abrechenbare Stunde bis 2035 zur Randerscheinung schrumpft [3]. Honorarmodelle folgen damit der Software, wo der Preis je Ergebnis bereits als Listenpreis geführt wird [4]. Wer Beratungsleistung verkauft oder einkauft, sollte 2026 mindestens ein Leistungsmodul dagegen rechnen. Ich bin vor ein paar Wochen an einer Zahl hängen geblieben. 43 Prozent der Managementberatungen in Deutschland sagen laut Lünendonk, KI habe auf ihre Preisgestaltung bislang keinerlei Auswirkung [1]. Im selben Bericht steht die Gegenbewegung gleich mit: Einzelne große Häuser arbeiten dort bereits mit wert- und erfolgsabhängigen Honorarmodellen [1]. Diese Lücke ist der eigentliche Befund. Die Breite der Branche erklärt die eigene Preislogik für unberührt, während die Spitze sie umbaut. Eine von beiden Gruppen irrt sich, und die Auflösung entscheidet darüber, wer in fünf Jahren noch auskömmlich verkauft. #### Die Breite hält still, die Spitze baut um Die Lünendonk-Erhebung unter 68 Beratungshäusern zeichnet ein Bild produktiver Gelassenheit: KI wird längst in der Projektarbeit genutzt, aber nur 19 Prozent der Häuser haben ihre Preise angehoben, mit besserer Qualität als Begründung [1]. Die Kunden fordern die KI-Rendite bislang schlicht nicht ein [1]. Dass die Rechnung trotzdem kommt, liegt an der Käuferseite. Einkaufsabteilungen lernen Preislogiken dort, wo sie am härtesten verhandelt werden, in Software- und Cloud-Verträgen. Steht dort erst einmal eine Ergebniseinheit auf der Preisliste, wandert dieselbe Frage irgendwann zu jedem Dienstleister. Budgetzyklen verzögern diesen Moment. Bei den größten Häusern liegt der Umbau dagegen dokumentiert vor. Rund 25 Prozent der globalen McKinsey-Honorare sind laut Berichterstattung des Wall Street Journal inzwischen an Ergebnisse gekoppelt, der Rest hängt weiter an Zeit und Aufwand [2]. Deloitte zeigte den eigenen US-Beratern im Juni eine interne Projektion, in der stundenbasierte Beratungsarbeit bis 2035 auf einen schmalen Rest des Gesamtmarkts schrumpft [3]. Ein Teilnehmer fasste die Botschaft danach so zusammen: das eigene Modell sei damit wohl erledigt [3]. Die Software-Nachbarschaft ist schon einen Schritt weiter, dort steht das Ergebnis bereits auf der Preisliste. Wie schnell sich die Zähleinheiten dort verschieben, habe ich in SaaS-Preismodelle im Agenten-Zeitalter beschrieben. #### Der Tagessatz bepreist die falsche Größe Der Tagessatz bepreist Aufwand, und Aufwand war jahrzehntelang ein brauchbarer Stellvertreter für Wert. Solange eine Marktanalyse vier Wochen dauerte, konnte niemand ernsthaft bestreiten, dass 20 Beratertage auf der Rechnung stehen. KI löst genau diese Kopplung. Wenn dieselbe Analyse in einem Drittel der Zeit entsteht, hat der Anbieter drei Möglichkeiten. Er berechnet weniger Tage und schrumpft den eigenen Umsatz. Er berechnet gleich viele Tage und hofft, dass der Kunde nicht nachrechnet. Oder er wechselt die Bezugsgröße und lässt sich für das Resultat bezahlen. Die 19 Prozent, die laut Lünendonk ihre Preise mit Qualitätsargumenten anheben [1], sind der sichtbare Anfang der dritten Variante. Wer selbst Angebote über Tagessätze kalkuliert und Teams nach Auslastung gesteuert hat, kennt die Trägheit dieses Systems von innen. Jede Planungsrunde, jedes Staffing-Gespräch und jeder Forecast hängt an verkauften Tagen. Ein Honorarmodell ist das Betriebssystem der Firma dahinter. Den Endzustand kann man sich in der Software ansehen. HubSpot berechnet für seinen Service-Agenten seit April 0,50 US-Dollar je gelöstem Kundengespräch, vorher kostete jedes Gespräch 1,00 US-Dollar, egal wie es ausging [4]. Unter den Anbietern von KI-Produkten rechnen bereits 18 Prozent ergebnisbasiert ab [5]. Beratungsleistung wird an diesen Vergleichsmaßstab heranrücken, weil dieselben Einkäufer beide Verträge unterschreiben. #### Was heißt Preis je Ergebnis konkret? Preis je Ergebnis bedeutet, dass eine vorab definierte, messbare Einheit des Resultats bezahlt wird. Die Zeit auf dem Weg dorthin bleibt Sache des Anbieters. Das unterscheidet den Ansatz vom klassischen Erfolgshonorar, das prozentual an einem Deal hängt, und vom Value-based Pricing, das einen Anteil am geschaffenen Gesamtwert verhandelt. Der Preis je Ergebnis ist schlichter: ein Stückpreis für ein definiertes Stück Wirkung. Solche Einheiten gibt es in fast jedem Beratungsfeld, sie werden nur selten so verkauft. Ein abgeschlossenes Lieferantenaudit. Eine bestandene Zertifizierung. Ein qualifizierter, angenommener Lead. Eine umgesetzte Preisanpassung mit gemessenem Delta zur Basislinie. Die Basislinie legt fest, ab welchem Ausgangswert die Wirkung zählt und über welches Zeitfenster gemessen wird. Und sie benennt, wer misst. Ein Delta ohne vereinbartes Fenster lädt beide Seiten zum Rosinenpicken ein. Ein Zahlenbeispiel macht den Mechanismus greifbar (Beispielrechnung). Ein Dokumentationsprojekt über vier Standorte kostet klassisch 20 Beratertage à 1.800 Euro, also 36.000 Euro. Mit KI-Unterstützung schafft der Anbieter die Arbeit in 12 Tagen. Beim Tagessatz sinkt seine Rechnung auf 21.600 Euro, der gesamte Effizienzgewinn wandert zum Kunden. Als Preis je Ergebnis kalkuliert er 9.500 Euro je auditfähigem Standort, also 38.000 Euro. Der Kunde zahlt für ein garantiertes Resultat, der Anbieter behält den Gewinn aus der eigenen Werkzeuginvestition. Der realistische Pfad dorthin ist selten der harte Schnitt. In der Software fahren inzwischen 37 Prozent der Anbieter hybride Modelle, ein Sockel plus nutzungs- oder ergebnisabhängige Komponenten, binnen 12 Monaten waren es zuvor 25 Prozent [6]. Für Beratungen heißt das übersetzt: Grundhonorar für Verfügbarkeit und Governance, Ergebniskomponente für das definierte Stück Wirkung. #### Wie finden Sie das passende Honorarmodell für eine Leistung? Drei Prüffragen reichen für die Weichenstellung, und sie funktionieren in beide Richtungen, für Anbieter wie für Einkäufer von Beratungsleistung. - Lässt sich das Ergebnis eindeutig messen und der Leistung zurechnen? Ohne saubere Basislinie wird jede Ergebnisrechnung zum Streitfall. „Durchlaufzeit im Einkauf von 12 auf sechs Tage" ist so eine Einheit, anders als „die Organisation zukunftsfähig machen". Wenn die Antwort Nein lautet, bleiben Sie beim Tagessatz oder Festpreis und stellen Sie zuerst die Messbarkeit her, das ist für sich genommen schon ein bezahlbares Arbeitspaket. - Kontrolliert der Anbieter die Variablen, die das Ergebnis treiben? Ein Zertifizierungsprojekt scheitert auch an fehlenden Unterlagen des Kunden, ein Lead-Programm an dessen Vertrieb, der die Übergaben liegen lässt. Hängt das Resultat an Zulieferungen, Entscheidungen oder Daten des Kunden, gehört eine Mitwirkungsklausel in den Vertrag, oder das Modell wird hybrid: Sockel plus Ergebniskomponente. - Trägt die Kostenbasis auch den Fehlschlag? Der Preis je Ergebnis verlagert das Lieferrisiko auf den Anbieter, und dieses Risiko hat einen Preis in Vorleistung: Werkzeuge, Modellkosten, unbezahlte Anläufe. Was eine Ergebniseinheit in der Produktion tatsächlich kostet, lässt sich beziffern, für KI-gestützte Leistungen etwa mit dem KI-Kostenrechner. Ohne diese Zahl verkauft ein Anbieter blind, und zwar im Wortsinn: Er weiß dann nicht, ob ein gewonnener Auftrag ein Gewinn ist. Starten Sie anschließend mit genau einem Leistungsmodul im neuen Modell und lassen Sie den Rest des Portfolios unverändert. Ein Pilot mit echtem Kunden lehrt in einem Quartal mehr über Messung, Basislinien und Streitpunkte als jede interne Modellrechnung. #### Was sich intern ändert, wenn die Einheit wechselt Der Pilot legt zugleich die interne Seite offen. Eine Firma, die nach Auslastung steuert, braucht für den Preis je Ergebnis andere Steuerungsgrößen: die Kosten je Ergebniseinheit und die Quote, mit der ein Modul sein Ergebnis tatsächlich erreicht. Der Forecast wandert von verkauften Tagen zu erwarteten Einheiten, und der Vertrieb braucht eine Antwort für den Fall, dass das Ergebnis ausbleibt. Bei einem einzelnen Leistungsmodul bleibt dieser Umbau überschaubar, für den Anfang genügen eine Kostenrechnung und ein Risikopuffer im Preis. Entscheidend ist die Reihenfolge: erst die Messgröße, dann der Preis. Der Vertriebstext kommt zuletzt, denn andersherum verkauft der Vertrieb ein Versprechen, das die Produktion noch gar nicht kalkuliert hat. #### Meine Einordnung Die 43 Prozent sind für mich vor allem ein Anreizproblem. Solange Auslastung die interne Steuerungsgröße ist, bleibt der Tagessatz für jede einzelne Führungskraft rational, bis ein Wettbewerber das Ergebnis bepreist und die Ausschreibung kippt. Der Umbau wird in DACH deshalb kaum von den Beratungen selbst ausgehen. Er kommt über die Einkaufsseite, von PE-Portfolios und Einkaufsabteilungen, die den Preis je gelöstem Fall aus ihren Software-Verträgen bereits kennen und irgendwann dieselbe Frage an Beratungshonorare stellen. Vielleicht dauert es auch länger, als mir lieb ist, Einkaufsgewohnheiten sind zäh. Trotzdem rechne ich damit, dass die erste große DACH-Ausschreibung, die eine verpflichtende Ergebniskomponente im Honorarmodell verlangt, vor Ende 2027 kommt, und zwar aus einem PE-Portfolio. --- ### Übernahmewürdigkeit entscheidet: Zum ersten Mal wollen mehr Mittelständler schließen als übergeben URL: https://www.convios.com/de/insights/nachfolge-uebernahmewuerdigkeit URL (EN): https://www.convios.com/en/insights/nachfolge-uebernahmewuerdigkeit Published: 2026-08-01 #### TL;DR Bis Ende 2029 streben jährlich rund 109.000 mittelständische Unternehmen eine Nachfolge an. Im selben Zeitraum planen rund 114.000 den Rückzug ohne Fortführung. Zum ersten Mal gibt es mehr Stilllegungsplaner als Unternehmen mit konkreten Nachfolgewünschen. Das IfM Bonn schätzt die Zahl der übergabereifen Unternehmen für 2026 bis 2030 auf 186.000 und damit auf rund 4.000 weniger als im Vorzeitraum, obwohl die Inhaber weiter altern. Als Grund für die Stagnation nennt das Institut ausdrücklich die Ertragslage, nicht die Demografie. Bei einem Teil der Unternehmen lohnt sich die Übernahme aus Sicht der Nachfolgeinteressierten schlicht nicht mehr. #### Die Zahl, die kippt Das KfW-Nachfolge-Monitoring erhebt seit Jahren dieselbe Frage im selben Panel. Für den Zeitraum bis Ende 2029 stehen sich zwei Größen gegenüber: 545.000 Unternehmen mit Nachfolgeabsicht, also jährlich rund 109.000, und 569.000 Unternehmen, deren Inhaber ohne Fortführung aussteigen wollen, also jährlich rund 114.000. Diese Reihenfolge ist neu. Bis dahin lagen die Nachfolgewünsche vorn. Die Alterung erklärt die Menge, aber nicht die Verschiebung. 57 Prozent der mittelständischen Inhaber sind 55 Jahre oder älter, über zwei Millionen Menschen. Vor zwanzig Jahren waren es 20 Prozent. Wer kurzfristig bis Ende 2026 übergeben will, ist im Schnitt 66,5 Jahre alt. Diese Entwicklung ist seit Jahrzehnten absehbar und trifft Übergabe und Schließung gleichermaßen. Interessanter ist, was die Stilllegungsplaner nennen, wenn man sie nach dem Grund fragt. Rentenalter erreicht: 52 Prozent. Kein Interesse in der Familie: 47 Prozent. Zu viel Bürokratie: 42 Prozent, nach 30 Prozent im Vorjahr. Kein anderer Faktor hat im Jahresvergleich so stark zugelegt. #### Die Schätzung stagniert, obwohl die Inhaber altern Das IfM Bonn rechnet anders als die KfW, und der Unterschied ist der Kern der Sache. Die KfW fragt Inhaber nach ihren Plänen, also die Angebotsseite. Das IfM versteht eine Unternehmensübertragung als Marktergebnis und betrachtet deshalb beide Seiten: wie viele Unternehmen übergabereif sind, und bei wie vielen sich eine Übernahme wirtschaftlich überhaupt lohnt. Für 2026 bis 2030 kommt das Institut auf rund 186.000 Unternehmen, etwa 37.000 im Jahr. Das sind rund 4.000 weniger als im Vorzeitraum. Die Begründung steht wörtlich in der Zusammenfassung: Bei einigen Unternehmen habe sich die Ertragslage so verschlechtert, dass sich eine Übernahme aus Sicht der Nachfolgeinteressierten nicht mehr lohne. Betroffen seien vor allem unternehmensbezogene Dienstleistungen mit Jahresumsätzen unter 500.000 Euro. Die beiden Zahlen widersprechen sich also nicht, obwohl 109.000 und 37.000 weit auseinanderliegen. Sie messen Verschiedenes. Wer beide in einem Satz nennt, muss diesen Unterschied dazusagen. Der DIHK misst eine dritte Größe: wer tatsächlich zur Beratung erscheint. 9.636 Senior-Unternehmerinnen und -Unternehmer standen 2024 rund 4.016 Übernahmeinteressierten gegenüber, ein Verhältnis von 2,4 zu 1 und der höchste Wert seit Beginn der Reihe 2007. Seit 2019 hat sich die Lücke fast verdoppelt. Bemerkenswert daran: Nur 12 Prozent der Altinhaber nennen betriebswirtschaftliche Gründe für die Weitergabe. Die große Mehrheit der Unternehmen ist wirtschaftlich also nicht in Not. #### Was ein Unternehmen übernahmewürdig macht An dieser Stelle wird die Frage konkret, und die Kaufpreisdaten geben eine unbequeme Antwort. Der durchschnittlich angestrebte Verkaufspreis liegt bei 499.000 Euro, der Median bei 375.000. Seit 2019 sind die Preisvorstellungen nominal um 34 Prozent gestiegen, preisbereinigt um 9,5 Prozent. Im Schnitt streben die Nachfolgeplaner das 1,2-Fache ihres Jahresumsatzes an, der Median liegt bei 0,6. Der Vergleich mit tatsächlich realisierten Übergaben zeigt, woran das hängt. Die FINANCE-Umsatz-Multiplikatoren im Micro-Cap-Segment reichen von 0,25 bis 0,50 für Bau und Handwerk bis 1,33 bis 2,30 für Software und IT-Services. Das ist ein Faktor fünf zwischen zwei Branchen, gemessen an derselben Größe. Den Unterschied macht eine andere Frage als das Branchenetikett: wie viel des Unternehmenswerts an der Person des Inhabers hängt und wie viel im Betrieb selbst liegt. Also in wiederkehrenden Umsätzen, in dokumentierten Abläufen, in Systemen, die auch dann noch arbeiten, wenn der Inhaber im Ruhestand ist. Ein Handwerksbetrieb, dessen Aufträge über die Beziehungen des Chefs hereinkommen und dessen Wissen in seinem Kopf liegt, ist schwer zu übernehmen. Der Grund liegt nicht im geringeren Wert des Handwerks. Der Käufer kauft hier genau das, was mit dem Verkäufer geht. #### Was daraus für die zehn Jahre vor der Übergabe folgt Die meisten Beiträge zum Thema behandeln Nachfolge als Ereignis: Bewertung, Käufersuche, Vertrag, Übergabe. Die Daten legen etwas anderes nahe. Ob ein Unternehmen übernahmewürdig ist, entscheidet sich Jahre vorher, und zwar an Fragen, die nach Betrieb aussehen und nicht nach Verkauf. Drei davon sind messbar, lange bevor jemand an einen Nachfolger denkt. Wie viel Umsatz kommt wieder, ohne dass jemand neu verkauft. Wiederkehrende Umsätze sind der Grund, warum Software höhere Multiplikatoren erzielt. Sie sind aber kein Softwareprivileg: Wartungsverträge, Rahmenvereinbarungen und Serviceverträge tun dasselbe. Wie viel des Betriebs läuft ohne den Inhaber. Der Test dafür ist unangenehm einfach. Vier Wochen Abwesenheit ohne Rückfragen. Wer das nicht kann, verkauft eine Stelle, kein Unternehmen. Wie viel Wissen ist aufgeschrieben. Gemeint ist dabei nicht das Handbuch, das niemand liest. Gemeint ist die Stelle, an der gearbeitet wird. Das ist die Stelle, an der die Digitalisierungsfrage aufhört, ein Selbstzweck zu sein, und anfängt, auf den Kaufpreis durchzuschlagen. Diese drei Punkte kosten Zeit und wenig Geld. Sie sind der Grund, warum zwei Betriebe mit identischem Gewinn um den Faktor fünf verschieden bewertet werden. #### Die andere Seite des Tisches Bisher stand hier die Sicht des Übergebers. Sie ist die Hälfte der Geschichte. Wer einen dieser Betriebe kauft, prüft dieselben drei Fragen, nur mit umgekehrtem Vorzeichen. Wiederkehrender Umsatz, Unabhängigkeit vom Inhaber, aufgeschriebenes Wissen: Diese Liste entscheidet über den Preis, und sie ist zugleich die Arbeitsliste des Käufers für die Zeit nach dem Kauf. Was der Übergeber versäumt hat, wird zur Aufgabe dessen, der übernimmt. Bei 2,4 Verkäufern je Interessent sucht der Käufer aus. Er nimmt den Betrieb, bei dem diese Arbeit am kürzesten ist, und er zahlt für die Differenz. Das erklärt den Faktor fünf zwischen Handwerk und Software besser als jede Branchenlogik. Interessant wird es bei denen, die gleich zwanzig Betriebe kaufen. Bain rechnet vor, dass dieselbe Zielrendite heute 10 bis 12 Prozent jährliches EBITDA-Wachstum verlangt, wo 2015 fünf Prozent genügten. Fremdkapital kostet 8 bis 9 statt 6 bis 7 Prozent, und finanziert wird nur noch ein Drittel des Kaufpreises statt der Hälfte. Der Zuwachs muss also aus dem Betrieb kommen. Aus genau der Arbeit, die der Übergeber nicht gemacht hat. Wer im Jahr eine Handvoll inhaberabhängiger Betriebe aufnimmt, kann diesen Umbau nicht Person für Person leisten. Wissen, das in einem Kopf liegt, lässt sich nicht durch mehr Köpfe ersetzen. Es muss in Abläufe, Systeme und Daten wandern, und zwar in dieselben, in die schon der letzte Zukauf gewandert ist. An dieser Stelle hört Digitalisierung auf, ein Projekt zu sein, und wird zur Betriebsfrage. #### Die unbequeme Schlussfolgerung Die Nachfolgelücke wird meistens als demografisches Problem beschrieben und als solches ist sie nicht lösbar. Niemand kann die geburtenstarken Jahrgänge zurückholen. Als Frage der Übernahmewürdigkeit ist sie lösbar, und zwar von den Inhabern selbst, in den Jahren, in denen sie noch arbeiten. Das IfM sagt es in seiner Begründung für die Stagnation deutlich: Der Engpass liegt inzwischen weniger bei den Übergebern als bei der Frage, ob sich die Übernahme rechnet. Wer in zehn Jahren übergeben will, arbeitet heute daran. Und zwar nicht am Verkaufsprospekt. Sondern daran, dass der Betrieb ohne ihn läuft. Und wer kauft, kauft am Ende genau diese Arbeit. Entweder sie ist getan, oder er macht sie selbst. --- ### SaaS-Preismodelle im Agenten-Zeitalter: Der Preis pro Nutzer verliert seinen Anker URL: https://www.convios.com/de/insights/saas-preismodelle-ki-agenten URL (EN): https://www.convios.com/en/insights/saas-preismodelle-ki-agenten Published: 2026-07-07 Mir fällt seit ein paar Monaten auf, dass in Software-Angeboten am häufigsten die Preiszeile wechselt. Nutzer, Credits, Konversationen, gelöste Fälle: Je nach Anbieter wird eine andere Einheit gezählt, und manchmal ändert sie sich mitten in der Vertragslaufzeit. SaaS-Preismodelle verlieren gerade ihren gemeinsamen Anker, den Preis pro Nutzer. Für Einkäufer wie für Software-Anbieter ist das die konkreteste Folge der KI-Agenten. Wie unentschieden der Markt ist, zeigt der größte CRM-Anbieter selbst. Salesforce hat für seine Agentenplattform drei Preislogiken in 18 Monaten durchprobiert: 2 US-Dollar pro Konversation ab Oktober 2024, 0,10 US-Dollar pro Aktion ab Mai 2025, seit Ende 2025 zusätzlich eine Nutzerlizenz ab 125 US-Dollar pro Monat [2]. Das Agentengeschäft dahinter erreichte im Quartal bis April 2026 eine Jahresumsatzrate von 1,2 Milliarden US-Dollar, ein Plus von 205 Prozent gegenüber dem Vorjahr [1]. Quer durch den Markt bepreisen laut einer Befragung von 230 B2B-Software-Anbietern vom Mai 2026 bereits 37 Prozent hybrid, 29 Prozent haben ein Credit-Modell eingeführt, weitere 33 Prozent planen es innerhalb von 6 bis 12 Monaten [4]. #### Warum verliert der Preis pro Nutzer gerade seinen Anker? Drei Jahrzehnte lang war die Logik einfach. Software wurde von Menschen bedient, also war die Zahl der Menschen ein brauchbarer Stellvertreter für den Nutzen. Mehr Vertriebsmitarbeiter im CRM bedeuteten mehr Wert und mehr Lizenzen. Der Preis pro Nutzer machte Budgets planbar und Verhandlungen kurz. Im Agenten-Zeitalter löst sich diese Kopplung. Ein KI-Agent beantwortet Servicefälle oder qualifiziert Leads, und er belegt dabei keinen einzigen Arbeitsplatz. Die Arbeit wird weiter geleistet, nur taucht sie in keiner Lizenzzählung mehr auf. Damit verliert die Zahl der Beschäftigten ihre Aussagekraft für den Wert der Software. Deloitte hält für 2026 einen Anteil von bis zu 75 Prozent für möglich, nach 39 Prozent, die in den 12 Monaten davor agentische KI finanziert haben [5]. Dass die Suche nach der neuen Einheit holprig läuft, liegt an der Natur der Agentenarbeit. Was zählt als Konversation, wenn eine einzige Kundenanfrage acht Prozesse im Hintergrund anstößt [2]? Was ist eine einzelne Aktion wert, wenn erst eine ganze Kette davon ein brauchbares Ergebnis liefert? Jede Zwischeneinheit erzeugt neue Diskussionen. Am Ende der Kette steht die einzige Einheit, die den Käufer wirklich interessiert, das gelöste Problem. Auch in Deutschland ist das keine Randnotiz mehr. Nach dem Bitkom-Studienbericht vom Februar 2026 setzen 36 Prozent der Unternehmen ab 20 Beschäftigten KI ein, doppelt so viele wie 2024 [6]. 29 Prozent planen höhere KI-Investitionen als im Vorjahr [6]. Jede dieser Firmen erlebt die Preisfrage zuerst als Einkäufer, lange bevor sie eigene KI-Leistungen bepreist. #### Was bedeuten neue SaaS-Preismodelle für Einkäufer und Anbieter? Für Einkäufer wird aus einem planbaren Fixkostenblock eine variable Größe. Credit- und Verbrauchsmodelle koppeln die Rechnung an Aktionen, deren Menge vorab kaum jemand genau kennt. Gartner rechnet damit, dass bis 2030 mindestens 40 Prozent der Enterprise-SaaS-Ausgaben auf verbrauchs-, agenten- oder ergebnisbasierte Modelle entfallen [5]. Wer heute verlängert, verhandelt also über Einheiten, die er noch nie budgetiert hat. Dazu kommt ein stilles Doppelzahlungsrisiko. Viele Verträge kombinieren inzwischen eine Grundgebühr pro Nutzer mit Credits für Agentenarbeit. Sinkt die Zahl der menschlichen Nutzer, weil Agenten Routinearbeit übernehmen, zahlt das Unternehmen trotzdem beide Komponenten weiter, solange niemand die Staffeln anpasst. Zugleich entsteht für Einkäufer neuer Verhandlungsspielraum. Anbieter mitten im Modellwechsel brauchen Referenzkunden für ihre neue Einheit und akzeptieren dafür Pilotklauseln, Preisdeckel oder Umstiegsrechte, die es unter stabilen Listenpreisen selten gab. Wer die Unruhe auf der Anbieterseite als Verhandlungsfenster liest, holt in dieser Runde mehr heraus als mit jedem Mengenrabatt der alten Welt. Die Budgets verschieben sich bereits. In einer Deloitte-Befragung US-amerikanischer Unternehmen stecken 57 Prozent zwischen 21 und 50 Prozent ihres jährlichen Digitalisierungsbudgets in KI-Automatisierung [5]. Dieses Geld kommt zu einem großen Teil aus denselben Töpfen, aus denen bisher klassische Lizenzverlängerungen bezahlt wurden. Software-Anbieter verhandeln 2026 gegen einen neuen internen Konkurrenten, das Agentenbudget ihrer eigenen Kunden. Ein Rechenbeispiel macht die Verschiebung greifbar (eigene Kalkulation auf Basis der HubSpot-Preise [3]). Ein Serviceteam mit 10 Lizenzplätzen zu je 100 US-Dollar im Monat kostet 12.000 US-Dollar im Jahr. Übernimmt ein Agent 4.000 gelöste Konversationen im Monat zu 0,50 US-Dollar, stehen 24.000 US-Dollar auf der Jahresrechnung. Der Ergebnispreis kann also über dem Lizenzpreis liegen, sobald das Volumen steigt. Zu jedem Verbrauchs- und Ergebnismodell gehört deshalb eine Volumenprojektion, bevor unterschrieben wird. Was wir bei Convios in Gesprächen mit Geschäftsführern immer wieder erleben, ist schlichte Unkenntnis der eigenen Zählbasis. Kaum jemand weiß auswendig, welche der eigenen 30 oder 40 Software-Verträge pro Nutzer, pro Gerät, pro Vorgang oder pauschal abrechnen. Solange fast alles stabil pro Nutzer lief, war das egal. Jetzt entscheidet genau diese Liste darüber, wo die nächste Preisrunde teuer wird. Für Anbieter ist die Rechnung härter. Das Wachstum im Bestand hing jahrelang an steigenden Nutzerzahlen der Kunden, und genau diese Größe stagniert oder fällt jetzt in den Routinebereichen. HubSpot hat die Konsequenz im April 2026 gezogen. Zwei der Breeze-Agenten kosten seither nur noch dann etwas, wenn das Ergebnis vorliegt, 0,50 US-Dollar pro gelöster Servicekonversation und 1 US-Dollar pro empfohlenem Lead [3]. Ein Ergebnispreis überträgt das Lieferrisiko auf den Anbieter. Tragen kann ihn nur, wer das Ergebnis sauber messen kann und den Arbeitsablauf des Kunden tief genug besitzt, um es zu beeinflussen. Auch die Finanzplanung der Anbieter ändert sich mit. Unter einem Verbrauchsmodell wird Umsatz zur Funktion der tatsächlichen Nutzung. Die Monatswerte schwanken, die Prognose wird schwerer, und der Vertrieb wird am Nutzungswachstum gemessen. Hybride Modelle sind der Versuch, beides zu halten, eine planbare Basis plus einen wachstumsfähigen Verbrauchsanteil. Dass 37 Prozent der befragten Anbieter genau dort gelandet sind [4], passt zu dieser Zwickmühle. Für Kapitalgeber und Boards entsteht daraus eine neue Diligence-Frage. Welcher Anteil des wiederkehrenden Umsatzes hängt an einer Einheit, die der Kunde budgetieren kann, und welcher an schwankendem Verbrauch? Zwei Unternehmen mit identischem Umsatz können unter dieser Brille sehr unterschiedlich aussehen, je nachdem, wie belastbar ihre Zähleinheit die kommenden zwei Jahre übersteht. Hier geht es um die Vertrags- und Preisseite. Wie dieselbe Frage in der Bewertung eines Software-Assets ankommt, steht in KI-Due-Diligence für Software-Deals. #### Wie prüfen Sie Ihr Preismodell in vier Schritten? Die Prüfung funktioniert auf beiden Seiten des Vertrags, als Einkäufer wie als Anbieter. - Inventarisieren Sie Ihre Verträge. Listen Sie jede Software mit Preis pro Nutzer auf und markieren Sie die Bereiche, in denen Agenten in den nächsten zwei Jahren Routinearbeit übernehmen. Dort sinkt Ihre Nutzerzahl, und dort gehören Staffeln und Kündigungsfenster auf den Verhandlungstisch. - Machen Sie den Wert-Metrik-Test. Zählt Ihre Preiseinheit Menschen oder erledigte Arbeit? Kann Ihr Kunde die Einheit vor Vertragsabschluss budgetieren? Können Sie das Ergebnis messen, das Sie bepreisen? Dreimal Nein heißt, Ihr Modell hängt an einer Größe, die gerade an Aussagekraft verliert. - Setzen Sie Leitplanken für Verbrauchsmodelle. Budgetobergrenzen, Warnschwellen, eine vertraglich definierte Aktionseinheit und ein monatlicher Verbrauchsbericht gehören in jeden Credit-Vertrag, sonst wird aus dem Pilotprojekt ein offener Posten. - Stellen Sie zuerst ein einzelnes Produkt um. Wählen Sie als Anbieter das Produkt mit dem am saubersten messbaren Ergebnis, lernen Sie dort Prognose und Abrechnung, und erweitern Sie erst danach. #### Meine Einordnung Ich vergleiche die Entwicklung gern mit der Stromrechnung. Grundpreis für den Anschluss, Arbeitspreis für den Verbrauch, seit 100 Jahren budgetiert jeder Haushalt so. Genau dorthin bewegt sich Software: eine Grundgebühr für Zugang und Plattform, ein Arbeitspreis für das, was Agenten tatsächlich erledigen. Deshalb erwarte ich, dass der Preis pro Nutzer als Grundgebühr überlebt, während die eigentliche Arbeit separat bepreist wird. Spannender finde ich, was Ergebnispreise über die Anbieter verraten. Ein Outcome-Preis ist ein unfreiwilliger Ehrlichkeitstest. Wer das Resultat seines Produkts wirklich messen kann und den Arbeitsablauf des Kunden besitzt, kann ihn tragen. Alle anderen führen das Etikett und rechnen darunter doch nach Verbrauch ab. Na ja, und dass ausgerechnet der größte CRM-Anbieter nach zwei Verbrauchsanläufen wieder eine Nutzerlizenz eingeführt hat [2], sagt viel darüber, wie hartnäckig Finanzchefs auf budgetierbare Einheiten bestehen. Wer heute Preisblätter desselben Anbieters aus zwei Jahren nebeneinanderlegt, sieht diese Suchbewegung mit bloßem Auge. Ich rechne damit, dass sich viele Verhandlungen bald auf eine einzige Frage verengen, nämlich welche Einheit überhaupt gilt. Und weil in Deutschland gerade erst 36 Prozent der Unternehmen KI einsetzen [6], werden viele der Verträge, um die es hier geht, in den kommenden zwei Jahren zum ersten Mal verhandelt. Die Muster, die sich dabei einschleifen, bleiben lange. Wer heute eine unklare Zähleinheit akzeptiert, verhandelt beim nächsten Mal gegen seinen eigenen Präzedenzfall. Welche Software-Geschäftsmodelle den KI-Umbruch überstehen, analysiert unser Beitrag zu Geschäftsmodellen unter AI-Disruption. Warum viele Agentenprojekte vor dem Echtbetrieb scheitern, zeigt die Analyse zu KI-Agenten im Unternehmen. Und wie Verteidigbarkeit jenseits des Preismodells entsteht, beschreibt der Artikel zur B2B-SaaS-Burg im KI-Zeitalter. --- ### KI-Nutzung in Deutschland: Wer ChatGPT nutzt und wo das Vertrauen endet URL: https://www.convios.com/de/insights/ki-nutzung-deutschland-studie URL (EN): https://www.convios.com/en/insights/ki-nutzung-deutschland-studie Published: 2026-07-02 KI-Nutzung ist in Deutschland vor allem eine Frage des Alters. 87,5 % der 16- bis 19-Jährigen nutzen ChatGPT, bei den über 60-Jährigen sind es 26,6 % (Frage P24, Welle 16, Mehrfachnennungen) [1]. Google Gemini erreicht seinen höchsten Wert mit 31,5 % bei den 30- bis 39-Jährigen, Perplexity kommt bei den unter 30-Jährigen auf 12,5–13,6 % [1]. Auch der Einsatzzweck ist vermessen: 34,3 % nutzen KI für die Produktsuche (P26), 35,0 % würden eine KI-gestützte E-Mail-Verwaltung nutzen (P28) [1]. Beim autonomen Einkaufen endet das Vertrauen, 53,8 % lehnen es ab, dass eine KI selbstständig Käufe tätigt (P27) [1]. Die Zahlen stammen aus der Studie zur Internetkommunikation 2025/26, die Convios seit 2009 im Auftrag von WEB.DE und GMX (United Internet) durchführt, inzwischen in der 16. Welle [1]. Erhoben wurde im Oktober 2025 per CAWI mit 1.004 Befragten, repräsentativ. Erstmals weist die Studie einen Drei-Jahres-Trend zur KI-Nutzung aus, aufgeschlüsselt nach Anbieter, Alter, Geschlecht und Bildung. Damit lässt sich KI-Adoption in Deutschland zum ersten Mal über mehrere Jahre und Bevölkerungsgruppen hinweg verfolgen. #### Wie viele Deutsche nutzen ChatGPT, Gemini und Perplexity? ChatGPT führt das Feld deutlich an, mit einem steilen Altersgefälle: 87,5 % der 16- bis 19-Jährigen nutzen den Dienst, bei den über 60-Jährigen sind es 26,6 % (P24, Mehrfachnennungen) [1]. Gemini ist bei den 30- bis 39-Jährigen am stärksten vertreten (31,5 %). Perplexity erreicht bei den unter 30-Jährigen 12,5–13,6 % und bleibt damit ein Werkzeug der Jüngeren [1]. Mir fällt an diesen Zahlen vor allem der Abstand auf. Zwischen der jüngsten und der ältesten Gruppe liegen bei ChatGPT gut 60 Prozentpunkte (eigene Rechnung auf Basis von P24). Wer über KI-Adoption in Deutschland spricht, spricht also über sehr unterschiedliche Realitäten: Für Schüler und Berufseinsteiger ist ChatGPT Alltag, für die Generation 60+ eine Ausnahme. Dass die Studie den Verlauf erstmals über drei Jahre und zusätzlich nach Geschlecht und Bildung aufschlüsselt, macht diese Lücke über die Zeit messbar. #### Vertrauen die Deutschen KI beim Einkaufen? Nur bis zu einem klaren Punkt. 34,3 % der Befragten nutzen KI bereits für die Produktsuche (P26) [1]. Sobald die KI aber selbstständig kaufen soll, kippt das Bild: 53,8 % lehnen autonomes KI-Einkaufen ab (P27) [1]. Die Verbraucher lassen sich bei der Recherche helfen und behalten die Kaufentscheidung selbst. Für Anbieter von Agenten-Funktionen ist das eine harte Ansage. Ein Drittel der deutschen Online-Bevölkerung hat KI bereits in den Kaufprozess gelassen. Bei der finalen Entscheidung steht eine Mehrheit auf der Bremse. Wer agentisches Einkaufen baut, muss die Kontrolle sichtbar beim Menschen lassen, sonst arbeitet er gegen 53,8 % seines Marktes [1]. #### Bleibt E-Mail der wichtigste Kanal zwischen Kunden und Unternehmen? Ja, mit großem Abstand. 77,7 % der Deutschen bevorzugen E-Mail für die Kommunikation mit Unternehmen, Chatbots erreichen 16,8 % (P42) [1]. 82,8 % wollen Bestellbestätigungen per E-Mail erhalten. Der Kanal ist dabei mobil geworden: 66 % nutzen E-Mail primär auf dem Smartphone (P23) [1]. Der Blick zurück zeigt, wie stabil dieser Markt ist. Seit der ersten Welle 2009 hat WEB.DE seinen Anteil von 23,0 % auf 26,4 % ausgebaut, Gmail fiel von 17,5 % auf 13,8 % (P8) [1]. 50,1 % der Nutzer bleiben aus Gewohnheit bei ihrem Anbieter (P12), und 82,2 % zahlen nichts für ihr Postfach (P19) [1]. Ein träger, gewohnheitsgetriebener Markt, in dem sich Anteile über 16 Jahre nur um wenige Punkte verschieben. Und die KI-Frage im Postfach? 35,0 % würden eine KI nutzen, die ihre E-Mails verwaltet (P28) [1]. Zusammen mit den 34,3 % bei der Produktsuche ergibt das ein konsistentes Bild: Rund ein Drittel der deutschen Online-Bevölkerung ist offen dafür, KI Routinearbeit zu übergeben. Die Grenze aus P27 bleibt bestehen, entscheiden soll der Mensch. #### Wie groß ist das Interesse an einer Super-App in Deutschland? In der Lebensmitte am größten. 53,6 % der 30- bis 39-Jährigen und 52,4 % der 20- bis 29-Jährigen zeigen Interesse an einer Super-App (P43) [1]. Bei den 16- bis 19-Jährigen sind es 41,7 %, bei den 40- bis 49-Jährigen 42,8 %, danach fällt die Kurve auf 32 % (50–59) und 23,4 % (60+) [1]. Überraschend finde ich die Jüngsten. Ausgerechnet die Gruppe mit der höchsten ChatGPT-Nutzung liegt beim Super-App-Interesse hinter den 20- bis 39-Jährigen. Die höchste KI-Nutzung und das höchste Interesse an gebündelten Diensten sitzen also in unterschiedlichen Altersgruppen. Für Produktstrategen heißt das, beide Kurven getrennt zu lesen, bevor sie eine Zielgruppe festlegen. #### Wie stehen die Deutschen zum Datenschutz bei US-Anbietern? Gespalten. 26,9 % der Befragten haben Bedenken, ihre Daten US-Konzernen anzuvertrauen, 41,5 % antworten mit teilweise, 22,4 % haben keine Bedenken (P35) [1]. Die Studie vergleicht dazu die Nutzung von US-Cloud-Diensten wie Google Drive, Apple iCloud, Microsoft, Amazon und Dropbox mit dem deutschen Angebot von T-Online (P30) [1]. Addiert man Bedenken und Teil-Bedenken, äußern über zwei Drittel der Befragten Vorbehalte gegenüber US-Datenverarbeitung (eigene Rechnung auf Basis von P35: 26,9 % plus 41,5 %). Für europäische Anbieter ist das ein Ansatzpunkt. Die gleiche Studie dämpft die Erwartung allerdings gleich mit, denn 50,1 % bleiben aus Gewohnheit bei ihrem Anbieter (P12) [1]. #### Meine Einordnung Ich lese die Studie als Korrektiv für Produkt-Roadmaps. In vielen B2B-Software-Planungen, die ich sehe, steht der Chatbot weit oben und die E-Mail gilt als Altlast. Die Kunden dieser Unternehmen sagen mit 77,7 % zu 16,8 % das Gegenteil. Ähnlich klar ist die Generationenfrage: Wer heute für Einkäufer zwischen 40 und 60 baut, kann sich auf die Selbstverständlichkeit der 16- bis 19-Jährigen im Umgang mit ChatGPT nicht verlassen. Für Go-to-Market heißt das, KI-Funktionen nach Zielgruppe zu dosieren und die letzte Entscheidung beim Kunden zu lassen. Na ja, und wer einen autonom handelnden KI-Agenten verkauft, sollte die 53,8 % Ablehnung aus P27 in sein Onboarding einpreisen, bevor der Vertrieb sie im Erstgespräch erklärt bekommt. Die vollständigen Ergebnisse der Studie zur Internetkommunikation 2025/26 mit allen Trendreihen und Aufschlüsselungen finden Sie auf der Studien-Seite zur Internetkommunikation. Dort können Sie auch die Vollstudie anfragen. Weitere Analysen zu Skalierung und KI finden Sie in unseren Insights auf convios.com. --- ### Die B2B-SaaS-Burg bauen: wie Nischenanbieter im KI-Zeitalter ihren Graben ziehen URL: https://olivergausmann.com/insights/build-b2b-saas-castle Published: 2026-06-24 Canonical: olivergausmann.com (Syndikat auf convios.com) Mir begegnet bei kleineren B2B-SaaS-Anbietern gerade ein stiller Zweifel: Wir haben KI im Produkt, und trotzdem fühlen wir uns austauschbar. Der Zweifel ist berechtigt. Modelle sind kein Burggraben. Sie werden Monat für Monat billiger und besser, und ein KI-Feature hat morgen jeder [1]. Für ein Unternehmen mit 20 bis 200 Leuten in einer Nische heißt das: Die B2B-SaaS-Burg, die Sie bauen, steht auf dem Graben, den Sie an einer engen Stelle tiefer ausheben als alle anderen. Vier Dinge füllen diesen Graben: eigene Betriebsdaten, ein Workflow, der zur Datenquelle des Kunden wird, regulatorische Tiefe und, wo vorhanden, eine physische Schicht. Wer das zusammenbringt, baut ein verteidigbares B2B-SaaS, das auch ein Series-B-Investor 2025 erkennt. #### Warum ist die KI im Produkt für Nischenanbieter kein Burggraben? Die Logik ist unbequem für jeden, der seine Geschichte aufs KI-Feature gestellt hat. Bessemer formuliert sie klar: Wenn die Kosten für die Modell-Infrastruktur weiter fallen, hören Modelle auf, ein Graben zu sein [1]. Der Vorteil liegt eine Ebene tiefer. a16z bringt es auf den Punkt: Der Wert vertikaler Software kommt daher, den Prozess und die Organisation so gut zu verstehen, dass die Software genau das Richtige tut [2]. Genau das kann eine breite KI-Plattform nicht leisten, weil ihr die Tiefe in Ihrer Nische fehlt. In regulierten Feldern kommt ein zweiter Punkt dazu. a16z beschreibt es am Beispiel Finanzen: 90 Prozent richtig ist dasselbe wie 100 Prozent falsch, jeder einzelne Schritt muss verlässlich sein [2]. Verlässlichkeit in einem engen, regelgetriebenen Workflow ist Arbeit, die ein allgemeines Modell nicht nebenbei erledigt. Eine dünne Hülle um ein fremdes Modell bleibt angreifbar [2]. Der Markt zeigt, dass Tiefe sich auszahlt. Menlo Ventures zählt nur sieben vertikale Softwarefirmen mit mehr als zehn Milliarden Dollar Börsenwert, gegenüber rund dreißig horizontalen, und führt das auf strukturelle Wechselkosten zurück: führende Datenquelle, eigene Datenmodelle, eingebettete Workflows und Compliance-Logik [3]. Ein kleiner Anbieter gewinnt nicht über Reichweite und auch nicht über das schönere Feature. Er gewinnt über Tiefe an einer Stelle, an der die Großen flach bleiben. Und die Mauer ist breiter als das Produkt. Wie effizient ein Team mit KI entwickelt, im Service arbeitet oder seine Abläufe steuert, entscheidet längst über die Kosten. Ein Team in einer stark regulierten Nische, etwa in Finanzen oder Versicherung, darf KI in der Entwicklung oft enger einsetzen als ein Wettbewerber in einer lockereren Jurisdiktion, und das schlägt direkt auf die Kosten durch [15][16]. Gleichzeitig bringen die Werkzeuge, die Sie einkaufen, immer mehr KI mit, und damit mehr Leistung und mehr regulatorisches Risiko, das Sie steuern müssen [17]. Genau deshalb fährt schnell und sicher nur, wer die Leitplanken vorher baut. Gute Governance ist die Bedingung dafür, KI überhaupt mit Tempo einzusetzen [18]. BCG empfiehlt, rund 10 Prozent des Aufwands in Algorithmen, 20 Prozent in Technologie und 70 Prozent in Menschen und Prozesse zu stecken [19]. Das Basismodell darunter bleibt nachgeordnet. Es macht jedes Werkzeug besser, und der Graben entsteht trotzdem woanders. #### Womit ziehen kleine B2B-SaaS-Firmen ihren Graben? Vier Gräben tragen in der Praxis. Selten hat ein kleiner Anbieter alle vier, zwei davon reichen oft schon. - Eigene Betriebsdaten. Daten, die nur durch Ihr Produkt entstehen, werden mit jedem Tag wertvoller. Bessemer betont, dass die Qualität der Daten zählt, nicht die Menge, und dass gute Daten einen sich verstärkenden Effekt haben [1]. Denken Sie an eine B2B-Handelsplattform, die aus jeder Transaktion eigene Daten gewinnt und daraus eigene Produkte baut, etwa für Preisfindung oder Betrugserkennung, die ein Sprachmodell nicht nachbauen kann. Der Graben ist die Transaktionshistorie selbst, die mit jedem Geschäft tiefer wird und die ein neuer Wettbewerber nicht einfach mitbringt. - Der Workflow als Datenquelle des Kunden. Wenn Ihre Software der Ort wird, an dem die Arbeit wirklich passiert, also das führende System, steigt die Wechselhürde steil an. Sequoia sagt es konkret: Die Suche nach einer Buchungsrichtlinie muss in der Buchhaltungssoftware leben, nicht daneben [5]. Auch NfX nennt das Einbetten in den Arbeitsablauf zusammen mit eigenen Daten als die zwei haltbaren Verteidigungslinien [6]. Eine Plattform, die in einer Fabrik Teile, Lieferanten und Produktion synchron hält, oder eine, die Arbeitsanweisungen und Qualitätsprüfung direkt an der Linie führt, wird operativ tragend. Tragende Systeme tauscht niemand leichtfertig [3]. - Regulatorische Tiefe. Was viele als Last sehen, ist für einen Nischenanbieter ein Graben. Menlo nennt Compliance, Lizenzen und Sorgfaltspflichten als Investitionen, die sich zu einem dauerhaften Vorsprung verdichten, den ein Generalist nicht abkürzen kann [3]. Ein Compliance-System, das in großen Konzernen die Geldwäsche-, Lieferketten- und ESG-Pflichten abbildet, oder eine Beschaffungssoftware, die eng an das deutsche Lieferkettengesetz gekoppelt ist, sitzt genau auf dieser Tiefe. Je strenger die Regeln, desto höher die Mauer für jeden, der neu einsteigt. Ein verwandter Hebel ist eingebettete Bezahlung: Ein Anbieter, der die Transaktion im Workflow abwickelt, verdient oft mehr am Vorgang als am Software-Platz [4]. - Eine physische Schicht. Hardware im Feld ist ein Graben, den reine Software nur schwer nachzieht. Ein eingebautes Gerät macht den Wechsel teuer, technisch wie logistisch und politisch [7]. Geräte in Fahrzeugen oder Containern, die einen ganzen Fuhrpark vermessen, werden über ihre installierte Basis selbst zur Datenquelle, und jede weitere Einheit erhöht den Vorsprung. Dasselbe gilt für Anbieter, die Sensoren und Software in Land- oder Baumaschinen verbauen: Je mehr Geräte angebunden sind, desto schwerer wird der Wechsel und desto reicher die Datenbasis. Für kleine Teams ist Schlankheit heute ein Vorteil. Bessemers schnellste KI-Firmen erreichen über eine Million Dollar Umsatz je Vollzeitstelle, das Vier- bis Fünffache des SaaS-Mittels, und die solideren Vertreter liegen bei rund 164.000 Dollar je Stelle bei etwa 60 Prozent Marge [8]. Rund 70 Prozent der von ICONIQ befragten Firmen bauen heute vertikale KI-Anwendungen [9]. In der Nische gewinnt ein kleines Team, das tiefer gräbt als alle anderen. Mir fällt an diesen Firmen auf, dass die stärksten selten die lauteste KI-Geschichte erzählen. Sie reden über Anlagen, Filialen und Lieferketten, und die KI steckt unsichtbar im Workflow. #### Was Series-B-Investoren 2025 wirklich sehen wollen Bei der Series B reicht Produkt-Markt-Fit nicht mehr, da wird die Maschine geprüft. Der Abstand zwischen Series A und B ist auf einen Median von 2,8 Jahren gewachsen, die Latte für den Beweis liegt also höher [10]. Drei Zahlen trennen finanzierbare Firmen vom Rest: - Wachstum im oberen Viertel. Firmen unter 50 Millionen Dollar Umsatz wuchsen im oberen Viertel um 111 Prozent im Jahr, während der Median privater SaaS bei rund 25 Prozent liegt. Die Lücke dazwischen ist der Filter [11]. - Netto-Umsatzbindung über 120 Prozent. Also wie viel Umsatz ein Jahrgang Kunden ein Jahr später noch bringt. Im oberen Viertel unter 50 Millionen Dollar sind es 123 Prozent [11]. Das ist das sauberste Graben-Signal, das ein Investor prüft. - Effizienz. Bessemers Series-B-Faustregel lautet: Wachstum plus Marge über vierzig, bei einem Kapitalverbrauch je Wachstums-Euro (Burn Multiple) unter zwei. 83 Prozent der späten Investoren nennen diese Effizienzzahl inzwischen ein zentrales Kriterium [12]. An der Effizienz-Zahl finde ich einen Punkt bemerkenswert. Ein Kapitalverbrauch unter zwei ist für eine Nischenfirma mit physischer Komponente härter zu erreichen als für reine Software, und genau das macht ihn bei Investoren wertvoller. Die eigentliche Frage im Investorengespräch ist aber eine andere: Warum kann ein etablierter Anbieter oder eine KI-Hülle das nicht in sechs Monaten nachbauen? Genau hier zahlt die Nische. In Europa ist der Druck größer als anderswo. 31 Prozent der europäischen Finanzierung floss zuletzt in KI, ein KI-Etikett allein unterscheidet also nichts mehr [13]. Gleichzeitig ist die Kapitallücke gewaltig: rund 14 Milliarden Dollar in Europa gegen 146 Milliarden in den USA bei jungen KI-Firmen [13]. Eine europäische Series-B-Firma muss kapitaleffizienter sein als ihr US-Pendant, und genau das ist die Burgenstrategie. Dass diese eher unscheinbaren, operativen Softwarefirmen funktionieren, sehe ich an den Käufern. Mir fällt auf, dass Übernahmen durch Industriekonzerne und Software-Investoren sowie frische Series-B-Runden zuletzt genau in solche Nischen flossen, etwa in industrielle Lieferketten, in Fertigung und Logistik oder in vertikale Prognose- und Pricing-Software. Tiefe in einer Nische zieht Kapital und Übernehmer an. #### Wie bauen Sie Ihre B2B-SaaS-Burg? Fünf Schritte - Den engen Workflow wählen, den Sie ganz besitzen können. Bessemer rät, einen Ablauf von Anfang bis Ende abzudecken und tief in die bestehenden Systeme einzubinden [1]. Lieber eine Sache komplett als zehn halb. - Die eigenen Daten instrumentieren. Erfassen Sie systematisch, was nur durch Ihr Produkt entsteht, und füttern Sie es zurück ins Produkt, denn hier zählt die Qualität der Daten mehr als ihre Menge [1]. - Zur Datenquelle des Kunden werden. Binden Sie sich so tief in die täglichen Abläufe ein, dass ein Wechsel den laufenden Betrieb ins Risiko bringt [3]. - Hardware als Graben behandeln, nicht als Kostenstelle. Wenn Sie Geräte im Feld haben, ist die installierte Basis Ihr Vorsprung und Ihr Kanal für jedes weitere Software-Update [7]. - Klumpenrisiko und Marktgröße im Blick behalten. Ein Kunde über 30 Prozent Umsatz kostet beim Verkauf 20 bis 35 Prozent Bewertung [14]. Und eine zu enge Nische begrenzt den erreichbaren Markt, was bei Series-B-Investoren der häufigste Einwand ist [3]. #### Meine Einordnung Was ich in Gesprächen mit Gründern höre, dreht sich selten um Technik. Fast immer geht es um den Druck, die Geschichte größer zu erzählen, als die Nische ist. Investoren wollen einen großen Markt sehen, und die ehrliche Antwort, dass ein enger Markt tief verteidigbar ist, klingt im Pitch schwächer, als sie wirtschaftlich ist. Gibt ein Gründer diesem Druck nach und verbreitert zu früh, verliert er genau die Tiefe, die seine Burg ausmacht. Soll man die Burg überhaupt bauen, um übernommen zu werden? Mein Eindruck ist, dass dieses Schielen auf den Käufer die Tiefe untergräbt. Ein Team, das auf Sichtbarkeit und Story optimiert, vernachlässigt den Graben. Der Konzern kauft am Ende ohnehin nur die Firma, in der etwas steht, das er nicht selbst bauen kann, und dieses Etwas wächst im täglichen Geschäft mit dem Kunden. Wie sich dieselbe Logik bei größeren, PE-finanzierten Anbietern in vier Hebeln zeigt, lesen Sie in B2B-SaaS im KI-Zeitalter skalieren. Wie operative Multiplikatoren jenseits des Direktvertriebs greifen, vertieft der Beitrag zu B2B-Software jenseits des Direktvertriebs. --- ### B2B-SaaS im KI-Zeitalter skalieren: warum die Mauer alle bauen und nur der Graben zählt URL: https://olivergausmann.com/insights/scaling-b2b-saas-ai-era Published: 2026-06-14 Canonical: olivergausmann.com (Syndikat auf convios.com) Mir fällt in vielen Gesprächen gerade dasselbe auf: Fast jedes Mal kommt die Frage, wo der Wert aus den KI-Investitionen bleibt. Die ehrliche Antwort ist unbequem. Nur rund sechs Prozent der Unternehmen ziehen aus generativer KI einen messbaren Ergebnisbeitrag, also mehr als fünf Prozent Effekt auf das operative Ergebnis [1]. Eine Untersuchung des MIT kommt zum selben Bild von der anderen Seite: 95 Prozent der Organisationen sehen aus ihren KI-Projekten bisher keinen messbaren Effekt in der Gewinn-und-Verlust-Rechnung, obwohl die Ausgaben für KI im Unternehmen 2025 auf rund 37 Milliarden Dollar gestiegen sind [2][3]. Wer B2B-SaaS im KI-Zeitalter skalieren will, zieht vier Hebel zusammen: Go-to-Market-Effizienz, Monetarisierung, Operating-Modell und Organisation. Einzeln bewegt jeder wenig. Zusammen verschieben sie, wo der Wert entsteht und bei wem er bleibt. #### Was verändert KI an der Skalierung von B2B-SaaS? KI im Produkt ist zur Eintrittskarte geworden. Käufer setzen sie voraus, und sie trennt kaum noch ein Angebot vom anderen. McKinsey nennt horizontale KI-Funktionen wie Chatbots, Assistenten und Zusammenfasser inzwischen Grundausstattung, die selten eine Gewinn-und-Verlust-Rechnung bewegt [4]. Aaron Levie, Gründer von Box, sagt es schärfer: Ein einziges Modell-Update holt einen Wettbewerber ein ganzes Entwicklungsjahr ein, niemand kann seine Position als sicher betrachten [5]. Denken Sie an das Geschäftsmodell als Burg. Die Burg ist der Wert selbst, also das Geschäft, das Umsatz erzeugt und hält. Die Mauer ist die KI im Produkt, die inzwischen jeder hochzieht. Sie schützt, aber alle haben dieselbe. Der Abstand zur Konkurrenz entsteht erst im Graben davor: eigene Daten, die das Produkt selbst erzeugt, tief verankerte Workflows, eine Distribution, die sich nicht über Nacht nachbauen lässt. Der Graben entscheidet, ob der Wert, den die KI schafft, beim Unternehmen bleibt oder zum Kunden abfließt. Die Mauer reicht weit über das Produkt hinaus. KI läuft heute durch die gesamte Betriebsstruktur: Softwareentwicklung, Service, Go-to-Market, Operations und Buchhaltung. Fast jede Firma nutzt sie inzwischen, aber nur rund ein Prozent nennt den Einsatz reif, und erst etwa ein Fünftel hat seine Abläufe wirklich umgebaut [1]. Dort entscheidet sich der Vorsprung. BCG empfiehlt, rund 10 Prozent des Aufwands in Algorithmen, 20 Prozent in Technologie und 70 Prozent in Menschen und Prozesse zu stecken [20]. Es ist ein Wettlauf nach dem Prinzip der Roten Königin, bei dem man rennen muss, nur um auf der Stelle zu bleiben [21]. Schon 2023 formulierte Baldwin die Mechanik, nach der den Vorsprung verliert, wer KI später nutzt als andere [22]. Schnell fahren kann aber nur, wer vorher Leitplanken gebaut hat. Gute Governance ist die Leitplanke, die hohes Tempo überhaupt erst erlaubt [23]. Gleichzeitig stehen die Margen unter Druck, weil die KI-Kosten in der Bereitstellung mitlaufen. Klassisches SaaS lebte mit rund 80 Prozent Bruttomarge [6]. Bei KI-Produkten liegt die Bruttomarge im Schnitt bei 52 Prozent, immerhin gestiegen von 41 Prozent im Jahr 2024, und die reine Rechenleistung für die KI-Antworten frisst im Mittel rund 23 Prozent des Umsatzes [7]. Die Rule of 40, also die Faustregel, dass Wachstum plus Marge zusammen über vierzig Prozent liegen sollten, gerät damit unter Spannung. Im börsennotierten SaaS schaffen sie aktuell nur etwa 20 Prozent der Firmen, der Median liegt bei rund 28 Prozent [8]. Bain bringt deshalb die Rule of 30 ins Gespräch, eine niedrigere Messlatte für eine Welt mit echten variablen KI-Kosten [9]. #### Welche vier Hebel skalieren B2B-SaaS heute wirklich? Vier Hebel tauchen in der Praxis immer wieder auf. Erst zusammen entfalten sie Wirkung. - Go-to-Market-Effizienz. Käufer informieren sich weitgehend selbst, bevor sie mit dem Vertrieb sprechen. 2025 nimmt eine Buying-Group im Schnitt erst nach gut 60 Prozent ihrer Entscheidung Kontakt auf, und in 95 Prozent der Fälle steht der spätere Gewinner schon am ersten Kontakttag auf der engen Auswahlliste [10]. 67 Prozent der B2B-Käufer wünschen sich ein verkäuferfreies Kauferlebnis [11]. Wer Reichweite weiter teuer über bezahlte Akquise einkauft, zahlt doppelt: für die KI im Produkt und für eine Vertriebsmaschine, die die Marge frisst. Die konkrete Maßnahme: Vertrieb auf Produkt- und Nutzungssignale umstellen, Self-Service ernst nehmen, und den Personalschwerpunkt vom Neuverkauf in die Bestandsbetreuung verschieben. Bei schnell wachsenden KI-Firmen sitzt schon mehr als die Hälfte des Go-to-Market-Teams im Bereich nach dem Verkauf [12]. - Monetarisierung. Sitzplatz-Pricing bricht, sobald KI-Agenten die Arbeit erledigen, für die früher mehr Köpfe und damit mehr Lizenzen nötig waren. a16z formuliert es so: Der Sitzplatz ist nicht mehr die kleinste Verrechnungseinheit von Software [13]. Die Praxis zieht nach. Intercom verlangt für seinen Support-Agenten Fin 0,99 Dollar je gelöstem Fall, abgerechnet nur, wenn der Fall wirklich gelöst ist [14]. Zendesk staffelt ergebnisbasiert ab etwa einem Dollar je automatischer Lösung. Salesforce hat sein Agentforce von zwei Dollar je Konversation auf rund zehn Cent je Aktion umgestellt. Ein Chargeback-Spezialist nimmt 25 Prozent Erfolgsanteil je gewonnenem Fall. Im KI-Software-Markt fließen die Modelle bereits: 58 Prozent Abo, 35 Prozent nach Verbrauch, 18 Prozent nach Ergebnis, wobei der Verbrauchsanteil von 19 Prozent im Vorjahr und der Ergebnisanteil von 2 Prozent gesprungen ist [7]. Wer den Preis an ein messbares Ergebnis koppelt, hält die Marge stabil. - Operating-Modell. In PE-Portfolios treiben heute die Operatoren den Großteil der Wertschöpfung, nicht mehr der Hebel aus Fremdkapital und Bewertungsanstieg. Im Softwaresektor stammten über die letzte Dekade 52 Prozent der Wertschöpfung aus Umsatzwachstum und nur 6 Prozent aus Margenverbesserung [15]. Genau hier setzt der AI Operating Partner an, eine neue Rolle, die Korn Ferry und Heidrick übereinstimmend als Reaktion auf eine Lücke beschreiben: Erst rund 20 Prozent der Portfoliofirmen haben KI mit konkreten Ergebnissen operativ verankert, der Rest steckt im Pilotbetrieb [16][17]. Wo es gelingt, ist es messbar. In großen PE-Portfolios senkten KI-Programme die Reaktionszeit im Vertrieb um bis zu 65 Prozent und die Kosten der Inhalteproduktion um rund 40 Prozent [17]. Bain berichtet, dass Firmen, die ihre Abläufe mit KI umgebaut haben, das operative Ergebnis um 10 bis 25 Prozent steigern konnten [9]. Welche Hebel jenseits des Direktvertriebs dabei tatsächlich tragen, ist an drei Operator-Rollen durchgerechnet in drei Hebel für Skalierung über Multiplikatoren. - Organisation und Talent. Schlanke Strukturen schlagen große. KI-native Anbieter erreichen heute 100 Millionen Dollar wiederkehrenden Umsatz mit wenigen Dutzend Personen, und einzelne betreuen tausende Kunden mit einer Handvoll Vertriebsleuten [12]. Der Umsatz je Vollzeitstelle ist über fünf Jahre von 182.000 auf 237.000 Dollar gestiegen [12]. Entscheidend ist die richtige Führung zur richtigen Zeit, jemand mit dem Mandat und der Energie, die offenen Themen wirklich nach vorne zu bringen. Diese Person kann fest an Bord kommen oder eine Lücke für eine begrenzte Zeit schließen, je nach Aufgabe. Eine Warnung gehört dazu: Klarna ersetzte 2024 mit einem KI-Assistenten die Arbeit von 700 Servicekräften, ruderte 2025 aber zurück und stellte wieder Menschen ein, weil die Qualität gelitten hatte [18]. Schlank heißt nicht ausgehöhlt. Die Tabelle zeigt, warum ein einzelner Hebel zu wenig ist. Wer nur den ersten Hebel zieht und Pricing und Operating-Modell unangetastet lässt, verschiebt die Kosten bloß. Gesenkt hat er nichts. #### Der Graben hat eine Kennzahl Über den Wert entscheidet der Graben, und der Graben ist messbar. Seine Kennzahl ist die Netto-Umsatzbindung, also wie viel Umsatz ein Jahrgang Kunden zwölf Monate später noch bringt, samt Ausweitung und abzüglich Kündigungen. Im privaten B2B-SaaS liegt der Median bei rund 102 Prozent, im Enterprise-Segment bei 118 Prozent, im Kleinkundengeschäft bei nur 97 Prozent [19]. Der Anteil des neuen Umsatzes, der aus Bestandskunden kommt, ist von rund 25 Prozent (2022) auf etwa 40 Prozent (2024) gestiegen [19]. Firmen mit einer Bindung über 120 Prozent werden am Markt mit rund dem dreifachen Umsatzvielfachen bewertet [19]. Wenn die KI im Produkt den Kunden tiefer in den Workflow zieht und seine Daten dort liegen, zeigt sich das in der Bindung, lange bevor es auf eine Pitch-Folie kommt. Steigt sie nicht, ist der Graben flach, egal wie gut die Mauer aussieht. #### Wie starten Boards die Skalierung im KI-Zeitalter? Vier Schritte haben sich bewährt. - Messgrößen umstellen. Ergebnis-Erfolgsraten, Automatisierungsquoten und die Netto-Umsatzbindung gehören ins Board-Reporting, neben wiederkehrendem Umsatz und Kundenbindung. In vielen Board-Reportings, die ich sehe, fehlen genau diese drei Zahlen bis heute. - Einen Hebel zuerst ziehen. Go-to-Market-Effizienz oder Monetarisierung. Vier gleichzeitige Umbauten überfordern jede Organisation und scheitern. - Operating-Verantwortung verankern. Ein 100-Tage-Plan mit einer benannten Person und einem Ergebnisziel im operativen Ergebnis, kein weiteres KI-Pilotprojekt ohne Besitzer. - Die Organisation schlank halten. Eine Führungslücke mit der Person besetzen, die das Thema bewegt, fest oder zeitlich begrenzt, je nach Aufgabe. #### Meine Einordnung Pricing-Umstellungen scheitern selten am Produkt. Sie scheitern an den Anreizen im Vertrieb und an Verträgen, die neu aufgemacht werden müssen. Das nächste Quartal sieht danach erst einmal unangenehm aus, und genau das hält die meisten davon ab. Deshalb gehört das Thema ins Board und nicht in die Produktabteilung. Der teuerste Fehler bleibt, den Preis am alten Sitzplatz hängen zu lassen, während die KI das Produkt besser macht und die zusätzliche Marge beim Kunden versickert. Boards, die 2027 die Rule of 40 weiter nach alter Lesart einfordern, hungern genau die Reinvestition aus, die das Bewertungsvielfache schützt. Am Ende entscheidet der Graben über den Wert, den ein Unternehmen behält. Und der Graben verrät sich in einer einzigen Zahl, der Netto-Umsatzbindung, lange bevor er auf einer Strategiefolie auftaucht. Ausheben muss ihn jemand mit Urteilsvermögen, das Modell liefert nur die Schaufel. Na ja, eine ziemlich gute Schaufel. Wie die operativen Hebel jenseits des Direktvertriebs greifen, zeigt die Analyse zu B2B-Software jenseits des Direktvertriebs. Was sich für Private Equity an den Geschäftsmodellen ändert, vertieft der Beitrag zu MCP und PE-Geschäftsmodellen. --- ### Die Uhr ist weg: Wie längere Haltedauern die Buy-and-Build-Plattform verändern URL: https://olivergausmann.com/insights/buy-and-build-plattform-haltedauer Published: 2026-06-11 Canonical: olivergausmann.com (Syndikat auf convios.com) Wenn ich Beteiligungsmanager frage, wie viele verschiedene Definitionen von „qualifiziertem Lead“ in ihrem Portfolio existieren, kommt meistens Stille. Lange war das folgenlos, weil die Uhr lief: kaufen, ordnen, nach fünf Jahren verkaufen. Diese Uhr ist weg, und damit ändert sich die Rechnung für jede Buy-and-Build-Plattform. Die Haltedauer beim Exit liegt inzwischen bei rund sieben Jahren, zwischen 2010 und 2021 waren es fünf bis sechs [1]. Vereinheitlichung im Marketing und Vertrieb kostet vom ersten Tag an und zahlt erst nach Jahren. Genau deshalb entscheidet die Haltedauer darüber, ob sie sich lohnt. #### Was hat sich an der Haltedauer geändert? Zwei Entwicklungen laufen parallel und treffen sich im selben Ergebnis. Die erste ist erzwungen. Mehr als 16.000 Gesellschaften liegen länger als vier Jahre im Portfolio, das sind 52 Prozent des gesamten Buyout-Bestands und der höchste je gemessene Stand [2]. Weltweit warten 32.000 unverkaufte Portfoliounternehmen mit einem Wert von 3,8 Billionen Dollar auf einen Käufer [1]. Die zweite Entwicklung ist freiwillig und fällt in der Diskussion oft unter den Tisch. 2025 wurden 123 neue Evergreen-Fonds aufgelegt, davon 32 im Private Equity, gegenüber 50 Auflagen im gesamten Jahr 2020 [3]. Diese Fonds haben kein Laufzeitende. Sie müssen nie verkaufen. Welche der beiden Entwicklungen trägt, ist die Frage, an der die ganze Rechnung hängt, und sie wird selten beantwortet. Meine Einschätzung lautet: Der Rückstau ist zyklisch und löst sich mit dem nächsten offenen Exit-Fenster. Die Evergreen-Strukturen sind strukturell und bleiben bestehen. Eine Entscheidung, die allein auf dem Rückstau beruht, hält bis zum nächsten guten Verkaufsjahr. Was danach kommt, gilt für beide Wege. Für dieselbe Rendite, die vor zehn Jahren 5 Prozent EBITDA-Wachstum pro Jahr ermöglichte, braucht es heute 10 bis 12 Prozent bei Fremdkapitalkosten von 8 bis 9 Prozent [4]. Diese Punkte stammen aus dem operativen Geschäft. Im mittleren Marktsegment gewinnt der ergänzende Zukauf gegenüber dem großen Transformationsdeal deshalb an Gewicht [5]. #### Was Vereinheitlichung in der Buy-and-Build-Plattform wirklich einbringt Vereinheitlichung wird meistens mit Kosten begründet. Ein Rahmenvertrag, ein Tool-Stack, ein Einkaufshebel rechnen sich einmal. Bei Software-Transaktionen stammten 52 Prozent der Wertschöpfung aus Wachstum und 6 Prozent aus der Marge, der Rest aus Multiple-Expansion und Verschuldung [6]. Diese beiden stehen heute kaum noch zur Verfügung, und damit verschiebt sich das ganze Gewicht auf die 52 Prozent. Lerngeschwindigkeit verzinst sich jedes Quartal. Nehmen Sie zwölf Beteiligungen, jede testet vier Dinge im Quartal, eine neue Zielgruppe, einen anderen Preisanker, einen zusätzlichen Kanal, ein verändertes Onboarding. Bei getrennten Datenmodellen lernt jede Gesellschaft aus ihren eigenen vier Versuchen. Bei einem gemeinsamen Modell lernen alle aus 48. Über acht Jahre stehen 128 auswertbare Versuche pro Gesellschaft gegen 1.536 für die Gruppe (eigene Kalkulation). Diese Rechnung nimmt volle Übertragbarkeit an, und die gibt es nicht. Preisanker und Onboarding-Strecken reisen fast immer, Zielgruppen-Tests fast nie. Rechnen Sie mit einem Drittel, dann bleiben statt 128 immer noch über 500 (eigene Kalkulation). Warum das erst spät zahlt, hat einen belegbaren Grund. Umsatzsynergien brauchen drei bis fünf Jahre bis zur vollen Wirkung, erste messbare Erfolge zeigen sich frühestens in den ersten 90 Tagen [13]. Unter einer Fünfjahresuhr fällt der Ertrag hinter den Exit. Über acht Jahre bleiben fünf Jahre Verzinsung, und darin liegt der Unterschied. Sobald zwei Gesellschaften dieselbe Definition benutzen, wird eine Kampagne, die in der einen funktioniert hat, für die andere übertragbar. Vorher war sie eine Anekdote aus einer Beiratsrunde. Was danach passiert, habe ich mehrfach gesehen. Die Vertriebsleitungen rufen sich von selbst an, weil sie dieselben Zahlen vor sich haben, und hören auf, einander zu erklären, warum ihr Markt anders funktioniert. #### Was gehört der Gruppe, was bleibt beim Unternehmen? Die brauchbare Trennlinie verläuft quer durch jedes einzelne Unternehmen. Alles, was der Kunde sieht, bleibt lokal. Die Marke, die Sprache der Branche, der Vertragspartner, der Ansprechpartner mit Handynummer. Dort sitzt der Grund, aus dem dieses Unternehmen gekauft wurde, und dort zerstört man ihn am schnellsten. Alles, was der Kunde nie sieht, gehört der Gruppe. Hier wird es konkret, denn „gemeinsames Datenmodell“ klingt nach einem Großprojekt und ist keines. Jede Gesellschaft behält ihr eigenes System. Gleich sind die Objekte und ihre Pflichtfelder: Kontakt, Konto, Chance, Kampagne, Angebot, Auftrag, jeweils mit denselben Statuswerten und derselben Währungslogik. Wer das für sechs Objekte durchzieht, kann über zwölf Gesellschaften auswerten, auch wenn darunter zwölf verschiedene CRM-Systeme laufen. Für die Definition selbst muss niemand etwas erfinden. Forresters B2B Revenue Waterfall ist der verbreitetste Standard und zählt Chancen samt der Personengruppe, die entscheidet [11]. Eine Chance zählt, sobald Bedarf, Entscheidungsbefugnis, ein Budget oder ein belegbarer Weg dorthin und ein Zeitrahmen vorliegen. Welchen Standard eine Gruppe wählt, kann sie selbst entscheiden. Dass alle denselben wählen, ist der ganze Punkt. Auch der Maßstab lässt sich benennen. Für Marketing und Vertrieb reichen zum Start zwei Zahlen: qualifizierte Chancen je Quartal und der Anteil des Neugeschäfts am Umsatz. Beide in allen Gesellschaften nach derselben Formel gerechnet, monatlich im selben Format, verantwortet von einer Person auf Gruppenebene. Constellation Software stützt davon die eine Hälfte. Marken, Produkte und Zukaufsentscheidungen liegen vollständig bei den Geschäftseinheiten, und trotzdem wird jede Einheit an derselben Kennzahl gemessen, der Summe aus Kapitalrendite und organischem Umsatzwachstum, an der auch die Vergütung hängt [7]. Ein gemeinsames Datenmodell für Marketing und Vertrieb gehört dort nicht dazu. Meine Behauptung geht also weiter als das Vorbild, und der Grund liegt im Kaufobjekt. Software kommt mit eingebautem Vertriebsapparat und wiederkehrenden Umsätzen. Dienstleister kommen mit gewachsenen Vertriebsteams, deren Wissen in Köpfen liegt. Wer die zweite Sorte kauft, bezahlt sie zweimal, solange er sie nebeneinander laufen lässt. Zwei Fälle liegen genau auf der Linie und lassen sich schwer zuordnen. Der Preis gehört dem Unternehmen, die Bandbreite gehört der Gruppe, weil sonst zwei Beteiligungen beim selben Einkäufer gegeneinander bieten. Der Zugriff auf die Kundenliste einer Schwestergesellschaft bleibt eine Verhandlung und wird keine Regel. Beide Punkte im ersten Jahr offen zu lassen heißt, sie später vor dem Beirat zu klären. Es gibt Portfolios, für die das alles nicht gilt. Verkaufen Ihre Gesellschaften an völlig verschiedene Käufergruppen, ein Werkzeughändler an den Einkauf und ein Softwareanbieter an die IT-Leitung, dann reisen Kampagnen und Inhalte nicht. Der gemeinsame Maßstab trägt trotzdem, die gemeinsame Kampagnenproduktion nicht. #### Was kostet Vereinheitlichung, wenn sie schiefgeht? Was ich in solchen Programmen immer wieder sehe, ist eine verdrehte Reihenfolge. Die Systemmigration beginnt, bevor jemand definiert hat, was gemessen werden soll. Dann binden Monate an Projektarbeit genau die Leute, die Umsatz bringen, und am Ende steht eine Oberfläche, die alle bedienen können und niemand für seine Arbeit braucht. Danach ist das Thema für Jahre verbrannt. Die Größenordnung lässt sich beziffern. Gartner setzt die jährlichen Kosten schlechter Datenqualität für ein einzelnes Unternehmen im Schnitt bei 12,9 Millionen Dollar an, und als schwierigstes Problem gilt dort die Inkonsistenz zwischen Quellen [12]. Das ist der Wert pro Gesellschaft, nicht pro Gruppe. Teurer wird es, wenn der Kaufgrund selbst getroffen wird. Eine Beteiligung, die wegen ihrer Nähe zu einer Branche erworben wurde und anschließend zentrale Kampagnen bekommt, die in dieser Branche nach Konzern klingen, verliert genau das, wofür bezahlt wurde. Ein Vertriebsteam, das seine Kunden nicht mehr in deren Sprache anschreiben darf, protestiert selten laut. Es hört auf mitzuarbeiten. Politisch wird es, sobald ein gemeinsamer Maßstab Unterschiede sichtbar macht, die vorher in verschiedenen Rechenwegen verschwanden. Zwei Gesellschaften mit derselben Umsatzentwicklung sehen plötzlich unterschiedlich gut aus. Sprechen Sie das an, bevor die erste Auswertung auf dem Tisch liegt. Danach führen Sie die Diskussion aus der Defensive. #### Wo KI in einem Portfolio tatsächlich Geld verdient Eine Frage bringt in einer Gruppe mehr als jede Ideenliste zu KI. Wo machen wir dasselbe zwanzigmal leicht unterschiedlich? Angebotserstellung, Antworten auf Ausschreibungen, Onboarding-Strecken, Reaktivierung inaktiver Kunden, Freigabe von Sonderpreisen. Diese Liste ist gleichzeitig der KI-Plan und der Vereinheitlichungsplan. FTI hat 200 Entscheider aus Beteiligungsgesellschaften ab einer Milliarde Dollar verwaltetem Vermögen befragt. 36 Prozent sagen, ihre Portfoliounternehmen nutzen KI im Tagesgeschäft, 7 Prozent durchgängig über das ganze Unternehmen [10]. BCG empfiehlt, rund 10 Prozent des Aufwands in Algorithmen, 20 Prozent in Technologie und 70 Prozent in Menschen und Prozesse zu stecken [8]. Wer den Prozess unangetastet lässt, kauft Software und bekommt eine Präsentation. Was bremst, sind Leute. 35 Prozent nennen den Mangel an KI- und IT-Fachkräften als größte Hürde [10]. Eine Gruppe sucht diese Leute einmal, eine einzelne Gesellschaft jedes Mal neu. Der Einwand dagegen liegt auf der Hand, eine zentrale Stelle wird schnell zum Engpass mit zwölf Warteschlangen, und für den laufenden Betrieb stimmt er. Für den Aufbau der ersten gemeinsamen Auswertung stimmt er nicht. Werkzeuge kaufen alle. William Barnett hat das Rennen beschrieben, in dem Wettbewerber sich gegenseitig zu immer schnellerem Lauf zwingen, ohne Boden gutzumachen [9]. Wenn dieselben Modelle jedem offenstehen, verschiebt sich der Vorteil auf das, was sich schwer kaufen lässt: auf das eigene Datenmodell und auf umgebaute Abläufe. Governance gehört in dieselbe Schublade. Bauen Sie die Leitplanken einmal für die Gruppe und passen Sie sie je Gesellschaft an. Das spart die Wiederholung und beschleunigt die Einführung, weil niemand mehr auf eine Grundsatzentscheidung wartet. #### Wie Sie die Trennlinie in vier Schritten ziehen - Geben Sie den Geschäftsführern zuerst schriftlich, was ihnen bleibt: Marke, Kundenbeziehung, Preishoheit im vereinbarten Rahmen. Beiratsbeschluss plus Zusatz zum Geschäftsführervertrag, verantwortet vom Beiratsvorsitz. Ohne diesen Schritt an Position eins verhandeln Sie die drei folgenden zweimal. - Messen Sie, wie weit die Definitionen auseinanderliegen. Schicken Sie jeder Gesellschaft dieselben fünf anonymisierten Vorgänge und lassen Sie ankreuzen, welche davon in der Pipeline stehen und mit welchem Wert. Eine Woche, ein Tabellenblatt. Die Abweichung ist Ihre Antwort. - Setzen Sie den Maßstab, bevor Sie ein Werkzeug anfassen. Zwei Kennzahlen, eine Formel, monatlich im selben Format, eine verantwortliche Person auf Gruppenebene. Erst wenn diese Zahlen drei Monate stabil laufen, reden Sie über Systeme. - Definieren Sie die Abbruchmarke, bevor Sie starten. Wenn nach zwei Quartalen mit gemeinsamem Maßstab keine Gesellschaft eine Maßnahme aus einer anderen übernommen hat, ist der Maßstab Papier. Dann hören Sie auf, statt auszurollen. #### Meine Einordnung Am meisten interessiert mich an dieser Entwicklung eine Kennzahl, die es heute in keinem Datenraum gibt. Ich erwarte, dass Käufer von Sekundärportfolios und Continuation-Vehikeln in zwei bis drei Jahren danach fragen werden, wie viele Gesellschaften einer Gruppe auf demselben Datenmodell messen. Der Anteil ist der billigste verfügbare Hinweis darauf, ob eine Gruppe noch lernfähig ist, und er wird Preise bewegen, lange bevor ein Beratungshaus ein Reifegradmodell dafür verkauft. Den größten Widerstand erwarte ich an einer Stelle, an der ihn niemand sucht, im eigenen Deal-Team. Ein gemeinsamer Maßstab macht sichtbar, welche Zukäufe die Wachstumsgeschichte getragen haben und welche nur die Zahlenreihe verlängert haben. Na ja, und wer das sichtbar macht, gewinnt selten Freunde. Wie der Unterschied zwischen der Mauer, die alle bauen, und dem Graben, der zählt, im KI-Zeitalter funktioniert, steht in Mauer, Graben und vier Hebel. Was offene Schnittstellen für die Bewertung von Softwaregeschäftsmodellen verschieben, zeigt MCP und Software-Geschäftsmodelle, und wie ein einzelner Nischenanbieter seinen Vorsprung verteidigt, steht in Die B2B-SaaS-Burg bauen. --- ### KI-Agenten, Vibe Coding und der EU AI Act URL: https://www.convios.com/de/insights/ki-agenten-vibe-coding-eu-ai-act URL (EN): https://www.convios.com/en/insights/ki-agenten-vibe-coding-eu-ai-act Published: 2026-06-08 Eine App bauen kann heute fast jeder. Sie so zu betreiben, dass sie einem Audit standhält, ist die eigentliche Arbeit. Genau darum ging es beim BVMW-Impuls am 8. Juni 2026 zu KI-Agenten, Vibe Coding und dem EU AI Act: ein Prüfkatalog für den verantwortbaren KI-Einsatz im Mittelstand, sechs Entscheidungen, jeweils mit rechtlicher Einordnung. Die Folien und den vollständigen Prüfkatalog inklusive der Anleitung zur Konfiguration in Lovable finden Sie hier zum Download: #### Warum Regeln: erst die Checkliste macht Tempo möglich Als Pilot wird ein Flug durch Checklisten, Instrumente und klare Verfahren sicher; das Können allein reicht nicht. Mit KI ist es genauso. Das Potenzial ist groß, das Risiko real. Die Regeln sind die Checkliste, die das Potenzial nutzbar macht. #### Vibe Coding: Software per Sprache beschrieben Beim Vibe Coding [11] beschreiben Sie in normaler Sprache, was die Software tun soll, und die KI schreibt den Code. Die Kehrseite ist belegt: Rund 45 Prozent des KI-Codes hat bekannte Sicherheitslücken [1], und ein Benchmark der Carnegie Mellon University wertet nur 10,5 Prozent des funktionierenden Codes als sicher [2]. Funktioniert und sicher sind zwei verschiedene Dinge. Tempo ohne Prüfung ist gefährlich. #### KI-Agenten und die agentische Organisation Die Eigenständigkeit steigt vom Assistenten über den Agenten bis zu autonomen Multi-Agenten. Je höher die Stufe, desto mehr Aufsicht, Protokoll und Not-Aus braucht es; die Verantwortung bleibt im Haus. Für die Geschäftsführung heißt das: von Befehl und Kontrolle zu Koordination und Aufsicht, eigene KI-Kompetenz [10], ein menschlicher Not-Aus und klare Rechenschaft [12]. #### Centaur, Cyborg, Self-Automator Eine Studie von MIT Sloan und HBS unterscheidet drei Arbeitsweisen: Centaur (gezielte Arbeitsteilung, 14 Prozent), Cyborg (enge Verzahnung, 60 Prozent) und Self-Automator (volle Abgabe, 27 Prozent) [3]. Wählen Sie den Modus pro Aufgabe: Wichtiges als Centaur, Routine als Self-Automator. Je höher das Risiko, desto mehr Mensch. #### EU AI Act: Risikoklassen und Fristen Der EU AI Act reguliert nach Risiko: verboten, hoch, begrenzt (Transparenz), minimal; dazu eine eigene, strengere Spur für Allzweckmodelle (GPAI). KI-Kompetenzpflicht (Art. 4) und Verbote (Art. 5) gelten seit Februar 2025 [4]. Der Digital Omnibus, im Mai 2026 politisch vereinbart [5], ist seit 27. Juli 2026 als Verordnung (EU) 2026/1744 in Kraft [13]. Für Art. 4 entfällt damit die Vorgabe eines bestimmten Niveaus [13]. Die Pflichten für eigenständige Hochrisiko-Systeme verschieben sich auf Dezember 2027. Die Kennzeichnungspflicht für KI-Inhalte (Art. 50 Abs. 2) gilt seit 2. August 2026, für vor diesem Datum in Verkehr gebrachte Systeme ab 2. Dezember 2026 [13]. Bußgelder reichen bis 35 Mio. Euro oder 7 Prozent Weltumsatz (Art. 99). #### Das Regelwerk steht nicht allein Neben dem AI Act greifen DSGVO (Rechtsgrundlage, Auftragsverarbeitung, Datenminimierung, Rechenschaftspflicht) [6], NIS2 (in Deutschland seit Dezember 2025; die Geschäftsleitung haftet persönlich) [7], die neue Produkthaftung (ab Dezember 2026 gilt Software als Produkt, Haftung ohne Verschuldensnachweis) [8] und das Urheberrecht (LG München I, 11.11.2025) [9]. #### Die sechs Entscheidungen des Prüfkatalogs An sechs Stellen fällt eine echte Entscheidung. Der Prüfkatalog führt durch jede davon: #### Nachweispflicht Ein Auditor prüft nicht nur, ob eine Richtlinie existiert, sondern ob der Beweis von der Anforderung bis zum Nachweis lückenlos vorliegt. Aus Anforderung wird Policy, daraus Control, daraus Evidence. Fehlt der Nachweis, entsteht das Risiko automatisch. DSGVO Art. 5 Abs. 2: Der Verantwortliche muss die Einhaltung nachweisen können (Rechenschaftspflicht) [6]. #### Unsere Einordnung In der Praxis ist das Hindernis selten das Tool und selten das Gesetz. Es ist die fehlende Zuständigkeit für die Nachweis-Ebene. Solange niemand im Haus dafür verantwortlich ist, aus Anforderung, Policy und Control belastbares Evidence zu erzeugen, entsteht es erst, wenn ein Vorfall es erzwingt. Benennen Sie diese Person, bevor das erste Audit kommt, dann ist der Prüfkatalog schon zur Hälfte umgesetzt. #### Materialien und Kontakt Die Folien und der vollständige Prüfkatalog stehen oben zum Download. Für Fragen oder Begleitung beim verantwortbaren KI-Einsatz vernetzen Sie sich gern. --- ### Wie B2B-Software jenseits des Direktvertriebs skaliert: drei Hebel aus drei Mandaten URL: https://olivergausmann.com/insights/b2b-software-skalieren-multiplikatoren Published: 2026-05-02 Canonical: olivergausmann.com (Syndikat auf convios.com) #### Trader vor dem Knopf In meiner Zeit als CCO eines Plattform-Mandats im OTC-Trading für Rohstoffe habe ich etwas erlebt, das mir geblieben ist. Trader saßen vor unserer Plattform. Vertrag unterschrieben, Onboarding fertig, erster Trade angelegt. Und sie drückten den Knopf nicht. Sie blieben am Telefon, in ihren Brokerage-Routinen, in ihren Excel-Tabellen. Die Plattform stand offen. Bezahlt war sie auch. Genutzt wurde sie nicht. Wir haben dann ehemalige Trader und Broker eingestellt. Menschen, die dieselbe Sprache sprachen wie unsere Kunden. Die saßen bei den Tradern in den Räumen und gingen mit ihnen die ersten echten Trades durch. Parallel haben wir täglich geprüft, welche Orders nur teilweise angelegt waren, wo Probleme entstehen könnten, wo Liquidität gerade nicht reichte. Aus Beinahe-Trades wurden Trades. Aus aktiven Lizenzen wurden aktive Volumen. Das war meine erste echte Lektion. Der Vertrieb ist nicht fertig, wenn der Vertrag unterschrieben ist. Er ist fertig, wenn der Kunde den Knopf drückt. Und der Knopf liegt fast nie dort, wo der Vertrieb sitzt. Daraus ist meine These für diesen Text geworden. B2B-Software wächst 2026 in den meisten Märkten nicht mehr nur über den eigenen Vertrieb. Sie wächst über drei Hebel jenseits davon. Pricing wäre der vierte Hebel, aber der hat eine eigene Logik und kommt in einen eigenen Folgeartikel. #### Was sich gerade verschiebt In 2026 sehe ich drei Verschiebungen. Die Gespräche, die ich mit PE-Partnern, Wachstums-VCs und Boards führe, zeigen alle dasselbe Bild. Die Nuancen sind anders, das Muster nicht. Erstens, die Renditerechnung wird härter. Bain hat im Global Private Equity Report 2026 vorgerechnet, dass früher fünf Prozent jährliches EBITDA-Wachstum reichten, um über fünf Jahre den 2,5-fachen Kapital-Rückfluss zu liefern. Heute, bei Finanzierungskosten von 8 bis 9 Prozent und Bewertungen auf Rekordniveau, sind es 10 bis 12 Prozent.[1] Bain nennt das: 12 ist das neue 5. Eine Wachstumsstory ohne Effizienzkomponente erzählt eine Geschichte aus 2021. Zweitens, der Käufer hat sich verändert. Eine Software-Beschaffung im Mid-Market und Enterprise läuft heute über ein Buying Committee aus durchschnittlich 13 Stakeholdern. Forrester hat das 2024 bei mehr als 16.000 B2B-Käufern weltweit gemessen und im State of Business Buying 2026 bei knapp 18.000 bestätigt.[18] Das ernüchternde Ergebnis der 2024er-Erhebung steht weiter: 86 Prozent dieser Beschaffungen bleiben mittendrin stecken, oft ohne Entscheidung. 81 Prozent der Käufer sind mit dem Anbieter, für den sie sich am Ende entscheiden, unzufrieden.[2] Gartner hat 2025 nachgemessen: 74 Prozent der Buying-Teams zeigen im Entscheidungsprozess destruktiven Konflikt, und Teams, die Konsens herstellen, bewerten ihren Abschluss 2,5-mal so häufig als hochwertig.[3] Der Käufer verbringt nur 17 Prozent seiner Zeit mit dem Vertrieb.[19] Den Rest mit Web-Suche, internen Gesprächen, KI-Antworten und Peer-Reviews. Drittens, der Vertrieb pitcht weniger. Er befähigt einen internen Champion, intern zu verkaufen. Wer 2026 Skalierung baut, muss sehr nah an den internen Stakeholdern des Käufers sein und ihnen helfen, das Produkt im eigenen Haus durchzubringen. Genau hier setzen die drei Hebel an, die ich aus drei Mandaten gelernt habe. #### Hebel 1: Eine Maschine, keine Sammlung guter Verkäufer Wenn ich mir B2B-SaaS-Setups anschaue, achte ich zuerst auf eine Sache. Läuft der Vertrieb wie eine Maschine, oder hängt das Niveau an einzelnen Sales-Champions, die mit Glück und Beziehungen liefern? Eine Maschine erkenne ich daran, dass drei Dinge wiederholbar sind: ein scharfes Wunschkundenprofil, eine saubere Pipeline, und Account Executives, die alle ungefähr gleich viel verkaufen. Wenn der erste AE 1,2 Millionen ARR pro Jahr macht und der dritte AE im selben Markt nur 280.000, dann ist das keine Maschine. Das ist Glück mit einzelnen Verkäufern. Was ich gerade in den Sales-Daten sehe, ist ein direktes Spiegelbild der Käufer-Verschiebung. The Bridge Group misst im 2026er-Report, dass nur noch 48 Prozent der Account Executives ihre Jahresquote erreichen. 2022 waren es 66 Prozent, 2024 noch 51. Die Win Rate ist bis 2024 von 23 auf 19 Prozent zurückgegangen, einen neueren öffentlichen Wert gibt es nicht.[4] Das deckt sich mit dem, was ich in meinen Rollen und Gesprächen gesehen habe. Wer 2026 noch denselben Apparat führt wie 2022, sieht die Erosion in den Quartalszahlen. Was ich in den Plattform-Mandaten gelernt habe: bei einer schwächelnden Maschine ist der erste Schritt fast immer derselbe. Das Wunschkundenprofil, also den Ideal Customer Profile, kurz ICP, wirklich schärfen. Den Fokus auf wenige hochqualifizierte Logos legen, die der AE wirklich bedienen kann. Pipeline ohne Aktivität raus, klare Kriterien rein. Die Maschine wird kleiner, bevor sie wieder größer wird. Aktivität ist nicht dasselbe wie Produktivität. In der Diligence will ich Folgendes sehen. Sind Lead-Qualität, Win Rate und neuer ARR pro AE über die letzten vier Quartale stabil? Wenn nicht, gibt es noch keine Maschine. Dann lebt das Unternehmen vom Glück. #### Hebel 2: Multiplikatoren neben dem eigenen Vertrieb Häufig werden nach meiner Erfahrung Multiplikatoren und Partnerschaften unterschätzt. Und der Direktvertrieb wird gerade in späteren Phasen überschätzt. Beides verzerrt die Skalierungs-These. Multiplikatoren ersetzen den eigenen Vertrieb nicht. Sie ergänzen ihn. Der Partner liefert Pipeline und Vertrauen. Der eigene Vertrieb strukturiert den Abschluss. Die Daten dazu sind klar. Forrester hat 2025 berichtet, dass 67 Prozent der Unternehmen erwarten, dass ihre partnergeführten Umsätze um mehr als 30 Prozent jährlich wachsen.[5] Bridge Partners hat in seinem Ecosystem Compass 2025 mit über 5.000 gescreenten Partner-Programmen gemessen, dass 68 Prozent der Unternehmen mit Partnern höhere Abschlussquoten erreichen und 64 Prozent mehr als die Hälfte ihrer Neukunden über partnergeführte oder gemeinsam verkaufte Deals gewinnen.[6] Ebsta kommt im GTM-Benchmark 2025 mit eigenständiger Datenbasis auf dasselbe Muster: Partner-Empfehlungen sind dort der effizienteste Akquisekanal, rund 30 Prozent über dem Durchschnitt aller Kanäle.[16] Das deckt sich mit dem, was ich erlebt habe. Bei dem Plattform-Mandat im OTC-Trading war die Pipeline aus Versorger-Vertriebsteams um Faktoren effizienter als alles, was wir mit eigenem Outbound je hätten erreichen können. Aber: ein Multiplikator allein schließt fast keinen komplexen B2B-Deal. Die letzten zehn Meter macht ein eigener Account Executive. Die Theorie hinter dem Muster ist gut belegt. Eisenmann, Parker und Van Alstyne haben 2006 in der HBR gezeigt, dass zweiseitige Märkte zur Konzentration tendieren. Eine Plattform pro Markt setzt sich oft durch.[7] 2011 haben sie das Konzept Platform Envelopment formuliert. Wer eine bestehende Nutzerbeziehung kontrolliert, kann sie nutzen, um einen angrenzenden Markt mitzubesetzen.[8] Im B2B sehe ich diese Mechanik in drei konkreten Mustern. Bei einem Konzern-Mandat in der Energie-Daten-Sparte war das Konzern-Vertriebsteam selbst der Multiplikator. Wir haben das Team auf SaaS- und Subscription-basierte Datenprodukte umgestellt. Für den Konzern damals Neuland. Sales-Trainings, gemeinsame Kundentermine, Mushrooming im Konzern, Commercial-Integration mehrerer Akquisitionen. Die Wirkung kam nicht aus der Größe meines eigenen Teams, sondern aus der Aktivierung eines bestehenden Apparats mit hunderten Vertriebsmitarbeitern in 7 Locations auf 3 Kontinenten. Bei einem Industrierohstoff-Marktplatz war es anders. Wir haben zwei, drei Anker-Konzerne dazu gebracht, ihre Lieferantenbasis ausschließlich über die Plattform traden zu lassen. Ein Konzern aktiviert hunderte Lieferanten in kurzer Zeit. Die GMV-Kurve hat sich nicht verändert, weil wir mehr Verkäufer eingestellt hätten. Sie hat sich verändert, weil die Lieferanten der Anker-Konzerne plötzlich einen ökonomischen Grund hatten, die Plattform produktiv zu nutzen. Die Bindung lief über die Geschäftsbeziehung, nicht über eine Vertragsklausel. Bei einem weiteren Plattform-Mandat im Energiesektor war es ein dritter Typ. Wir haben mit der Geschäftsleitung eines großen Schweizer Versorgers gemeinsam mit deren achtköpfigem Sales-Team Endkunden in Industrie und Stadtwerken bearbeitet. Das Versorger-Sales-Team wurde unser Multiplikator. Ergebnis: 80 neue Kunden im Schweizer Markt, mit kurzem Sales Cycle. Die Reichweite kam über das Versorger-Team. Was wir vorher gemacht hatten: die Strategie des Versorgers gelesen und unsere Plattform an genau der Stelle in dieser Strategie verankert, an der sie ohnehin verfolgt wurde. Drei Mandate, drei Typen. Konzern-Vertrieb. Anker-Kunde mit Lieferantenbasis. Versorger als Channel-Partner. Es gibt weitere Modelle. Plattform-Anbieter bauen häufig drei Schichten gleichzeitig auf. Channel-Partner als Vertriebsweg. OEM-Hardware-Partner als Plattform-Teilnehmer. Distributoren als Marktdurchdringung in die Handwerker-Kette. Jede Schicht hat eigene Anreize und eigene Berührungspunkte. Wer alle drei beherrscht, baut eine Reichweite, die über Direktvertrieb nicht erreichbar ist. Voraussetzung dafür ist nichts Magisches. Die Plattform muss technisch tragen. Der Anbieter muss vertrauenswürdig genug sein, dass ein Konzern oder ein Versorger seinen eigenen Vertrieb oder seine Lieferanten zur Plattform schickt. Und es braucht belastbare Beziehungen. Wer nur Funktionalität liefert, bekommt diesen Schritt nicht. Rob Bernshteyn, ehemaliger CEO von Coupa, hat es 2025 in einem ICONIQ-Beitrag so formuliert: Channel-Partnerschaften sind ein effizienter Hebel für skalierbares Wachstum. Aber das Fundament muss früh gelegt werden, idealerweise vor 25 Millionen ARR.[9] Aus eigener Erfahrung würde ich noch eine Schicht tiefer gehen. Das Fundament ist Beziehung. Wenige gut positionierte Multiplikatoren machen den Unterschied, weil sie Türen öffnen, die kein eigenes Sales-Team aufbekommt. So überzeugend die Daten sind, ich sehe drei klare Grenzen. In der Frühphase, vor stabilem Product-Market-Fit, funktionieren Multiplikatoren nicht. Partner verkaufen, was sich verkaufen lässt. Sie iterieren keine Storyline und beweisen keine Kategorie. Bis ungefähr 10 bis 20 Millionen ARR ist Direktvertrieb der primäre Lern-Mechanismus. In meiner ersten Co-Founder-Rolle in einer frühen Startup-Phase war ich faktisch der Vertrieb. Hätten wir damals einen Channel aktivieren wollen, hätten wir nichts zu aktivieren gehabt. Es stand noch zu wenig, an dem ein Partner hätte ansetzen können. Bei hochkomplexen Enterprise-Deals reicht der Multiplikator als Empfehlungsgeber. Aber den Abschluss macht ein eigener Account Executive. Security-Audits, Custom Pricing, die Choreografie zwischen CFO, IT, Compliance und Fachbereich, das delegiert kein Konzern-Vertrieb an seinen Plattform-Anbieter. Und das ist auch richtig so. Bei dem Industrierohstoff-Marktplatz hat der Anker-Konzern seine Lieferanten zur Plattform geschickt. Den Vertrag mit jedem dieser Lieferanten hat unser Sales-Team strukturiert. Bei Product-Led-Growth-Modellen, etwa in Entwickler-Tools oder Kollaborations-Software, schlägt nicht der Multiplikator den Direktvertrieb. Da schlägt das Produkt selbst beides. Der Vertrieb kommt erst beim Up-Sell ins Spiel. Was ich aus drei Mandaten mitgenommen habe, ist eine andere Lesart als die in den meisten ELG-Reports. Ecosystem-Led Growth ist die richtige Idee mit der falschen Verpackung. Die produktive Form heißt Co-Selling. Sie ist kein Ersatz für Direktvertrieb, sie ist ein Modell daneben. Der Multiplikator liefert Pipeline, Vertrauen und ICP-Validierung. Der eigene Vertrieb strukturiert den Deal, verhandelt den Vertrag, führt den Abschluss. Partner und Integratoren machen die Implementierung und treiben Adoption beim Kunden. Wer das eine ohne das andere führt, verschenkt einen Hebel. In der Diligence prüfe ich konkret drei Sachen. Hat das Unternehmen einen oder mehrere Multiplikatoren, deren Adoption belegbar Folgekunden zieht? Wird diese Aktivierung aktiv kuratiert, oder ist es ein Logo auf der Website? Ist das Co-Selling zwischen Partner-Pipeline und eigenem Vertrieb dokumentiert? Eine Logo-Liste ist kein Multiplikator. Ein Versorger-Vertriebsteam, das einen dokumentierten Sales-Prozess nach extern führt und mit dem eigenen AE-Team in Quartals-Reviews abgestimmt ist, schon. #### Hebel 3: Begleitung am Touchpoint Zurück zum Trader vor dem Knopf. Was bei diesem Plattform-Mandat funktioniert hat, war keine bessere Vertragsklausel und keine bessere Demo. Es war Begleitung in dem Moment, in dem der Kunde das Produkt tatsächlich nutzt. Der ehemalige Broker, der die Sprache der Trader sprach, hat den ersten echten Trade gemeinsam mit ihnen durchgeführt. Beinahe-Trades wurden zu Trades. Dieser Mechanismus überträgt sich auf viele andere B2B-Software-Modelle. Immer wenn Adoption eine Verhaltensänderung beim Endnutzer verlangt, und das ist in den meisten produktiven Software-Märkten so, entscheidet die Begleitung am Berührungspunkt über das Wachstum aus dem Bestand. Die Net Revenue Retention hängt daran. Bei einem Industrie-Marktplatz war es die Aktivitätsdichte einer Nutzer-Kohorte über die Zeit. Bei einer Plattform mit Endkunden-Komponente, also wenn ein Versorger oder ein OEM ein White-Label-Produkt an Haushalte oder Installateure ausrollt, ist die Frage, ob der Endkunde die Plattform tatsächlich nutzt. Oder ob die Software auf dem Server läuft, ohne dass jemand sie bedient. Im Sales-Funnel heißt das Multi-Threading. Forrester hat 2024 dokumentiert, dass Buying Committees in 60 Prozent der B2B-Beschaffungen mehr als sechs Stakeholder umfassen. Die Win Rate steigt mit der Tiefe des Stakeholder-Engagements deutlich.[2] Befähigung des Käufers heißt das Konzept. ROI-Vorlagen für das CFO-Meeting des Champions. Security-One-Pager für die Architektur-Review der IT. Reference-Cases für den Vendor-Vergleich des Procurement-Leads. Aus eigener Erfahrung: das ist die einzige strukturelle Antwort auf die Realität der Buying Committees. Wer noch primär auf Single-Champion-Selling setzt, wird systematisch unter seinen Möglichkeiten bleiben. KI verändert hier den Berührungspunkt, ohne ihn zu ersetzen. Käufer holen ihre Recherche-Munition zunehmend aus KI-Antworten. Aggarwal et al. haben 2024 auf der KDD-Konferenz peer-reviewed gezeigt, dass gezielte Optimierung von Inhalten für KI-Antworten die Sichtbarkeit dort um bis zu 40 Prozent steigert.[10] Das ist solide Evidenz auf einer der Top-Konferenzen für angewandte KI. Was das praktisch bedeutet: Wenn der Champion eines Käufers heute seine interne Argumentation aus ChatGPT oder Perplexity zieht und das eigene Unternehmen dort nicht auftaucht, ist es im Buying Committee nicht zitierbar. Auch dann nicht, wenn der Champion auf Vorstandsebene sitzt. Das ist Coaching am Berührungspunkt, eine Stufe vor dem Vertragsabschluss. Eine zweite Stelle, an der KI hilft, ist der Multiplikatoren-Vertrieb selbst. Wenn ein Versorger-Sales-Team oder ein Konzern-BU-Apparat ein fremdes Produkt mitverkaufen soll, ist das Sales Enablement der eigentliche Engpass. KI-gestützte Roleplay-Plattformen ersetzen Low-Stakes-Trainings.[11] ROI-Kalkulationen, Battle Cards und Industry-Reference-Synthesen, die früher Wochen brauchten, sind heute in Stunden produzierbar. In Channel-Vertrieb mit drei Multiplikatoren-Schichten ist genau dieses Enablement der entscheidende Engpass. KI macht es deutlich billiger. In der Diligence prüfe ich, ob das Unternehmen Multi-Threading systematisch betreibt oder Deals an einzelnen Champions hängen. Ob Adoption aktiv begleitet wird oder die Plattform „auf dem Server“ läuft. Ob KI-Sichtbarkeit als eigenständiger Kanal beobachtet wird. Bei AI-SDRs als Ersatz für klassisches Outbound bin ich skeptisch. Aktivitätssteigerungen sind dokumentiert, ein harter Pipeline-Effekt bisher nicht in einer Form, die ich peer-reviewed gesehen hätte. Bei Sichtbarkeit, Befähigung des Käufers und Schulung von Multiplikatoren ist die Evidenz solide. #### Schnellboot und Tanker Drei Hebel sind die Mechanik. Was sie zusammenhält, ist die Führung. Hier liegt eine Beobachtung aus zwei sehr unterschiedlichen Welten. Konzern und Mittelstand auf der einen Seite, Startup auf der anderen. Beide Modi haben eigene Spielregeln. Wer aus dem Startup mit Startup-Tempo in einen Konzern wechselt und dort mit derselben Direktheit operieren will, läuft regelmäßig gegen Wände. Wer umgekehrt Konzern-Prozesse ins Startup einbaut, nimmt ihm das Tempo, das es eigentlich ausmacht. Was in beiden Welten unterschätzt wird, ist die Politik im Konzern. Konzerne sind selten ein homogenes Ganzes. Sie sind fragmentiert, politisch, und werden von einer verdeckten Organisation aus internen Sponsoren, Türöffnern und Mikrokosmen getragen. Bei meinem Konzern-Mandat in der Energie-Daten-Sparte war die Frage in jedem internen Kontakt dieselbe: was hat dieser SVP davon, mich zu unterstützen? Wen kann er beeinflussen? Wo entstehen seine eigenen Interessen? Wer das nicht früh klärt, scheitert nicht an der Strategie. Er scheitert an der internen Aktivierung. Die formale Hierarchie ist nicht der Mechanismus. Sie ist nur die Karte. Der Mechanismus ist das Beziehungsgefüge dahinter. Operating Rhythm, also der Takt aus Quartals-Reviews, wöchentlichen Pipeline-Reviews und Forecasting auf 14-Tage-Horizont, ist die operative Antwort auf diese Spannung. Ohne diesen Takt trifft eine Maschine ihren Plan nicht. ICONIQ hat 2024 gezeigt, dass der Median des Erreichungsgrades vom Umsatzplan auf 80 bis 90 Prozent gefallen ist. Historisch lag er bei 100.[12] ICONIQs Daten für 2026 zeigen bei der Quotenerreichung erstmals wieder eine Gegenbewegung nach oben.[17] Eine Maschine, die nicht weiß, ob sie 80 oder 100 schafft, wird am Ende von den Wochen geführt, nicht vom Plan. Vertrauen ist die andere Seite davon. Eine GTM-Maschine ohne Vertrauen im Sales-Team ist eine Verwaltung von Quartalszahlen. Ein Anker-Kunde ohne persönliche Beziehung ist ein Logo auf der Website. Ein Pricing-Sprint ohne Vertrauen im Sales-Team endet in interner Sabotage. #### Wenn der Käufer ein Industriekonzern ist Eine letzte Verschiebung, die in den klassischen Skalierungs-Frameworks fehlt. Wenn ein Software-Unternehmen nicht von einem PE-Fonds, sondern von einem Industriekonzern übernommen wird, ändert sich die Logik. Drei Punkte sind dabei wichtig. Sie verdienen einen eigenen Folgeartikel, hier nur der Anriss. Der Konzern-Mutterkanal kann der größte denkbare Multiplikator sein. Ein Industriekonzern mit Landesgesellschaften, Vertriebsteams, Endkundenbeziehungen und regulatorischen Lizenzen kann eine Software-Plattform in einer Geschwindigkeit ausrollen, die ein PE-Vehikel nicht erreicht. BCG hat 2025 dokumentiert, dass mehr als die Hälfte aller M&A-Deals scheitert oder unter den Erwartungen bleibt. Mit einem strukturierten PMI-Framework lassen sich rund 9 Prozent mehr Wert aus Deals herausholen.[13] Der Hebel ist real, aber er ist schwer zu heben. Dann kommt die Drittmarkt-Frage. Wenn der Konzern selbst zum Lighthouse-Kunden wird, droht das Risiko, dass das Unternehmen zum internen Dienstleister wird und die externe Produktmarktfähigkeit verliert. McKinsey hat 2024 dokumentiert, dass weniger als 20 Prozent der untersuchten Transaktionen ihre Cross-Sell-Ziele erreichen.[14] Aus meiner S&P-Erfahrung weiß ich: die produktive Frage ist nicht „dürfen wir extern verkaufen“. Die produktive Frage ist, wie die Roadmap-Priorisierung zwischen Konzern-Anforderungen und externer Produktmarktfähigkeit dokumentiert ist. Und dann Integration versus Autonomie. Greven et al. haben 2023 in R&D Management mit 118 M&A- und Integrationsmanagern gezeigt, dass die Entscheidungsautonomie des akquirierten Unternehmens die radikale Innovativität des Käufers unterstützt.[15] Zu starke Integration zerstört Geschwindigkeit. Zu wenig Integration verschenkt Synergien. Aus drei Konzern-Mandaten ist meine Antwort eine Hybrid-Architektur. Hohe Entscheidungsautonomie, kombiniert mit strukturierter Integration an den richtigen Schnittstellen: Compliance, IT, Daten-Governance, regulatorische Reporting-Linien. Wer in einer solchen Konstellation führt, muss die Schnellboot-Tanker-Spannung produktiv halten. Schnellboot heißt: das Unternehmen behält seine Geschwindigkeit, sein Produkt-Tempo, seinen direkten Draht zum Kunden. Tanker heißt: der Konzern bringt Reichweite, regulatorische Anschlussfähigkeit, Capex-Effekte, Cross-BU-Adoption. Wer eines ohne das andere führt, verliert den Wert der Transaktion. Wer beides verbindet, baut eine Plattform-Wirkung, die weder PE noch reines Standalone-Wachstum erreicht. #### Meine Einordnung Drei Befunde aus drei Mandaten, die mehr miteinander zu tun haben, als sie auf den ersten Blick zeigen. Beziehung ist 2026 der härteste verbleibende GTM-Hebel. In einer Welt, in der Käufer nur 17 Prozent ihrer Zeit mit dem Vertrieb verbringen und 86 Prozent der Beschaffungen mittendrin steckenbleiben, ersetzt keine Software-Funktion das Vertrauen zwischen Champion, Multiplikator und Anbieter. Geschäftsführer mit Multi-Stage-Erfahrung jenseits reiner GTM-Logik werden 2026 knapp. Was knapp wird, ist die Schnittmenge aus operativer GTM-Skalierung, Org-Skalierung jenseits des Vertriebs und regulatorischer Tiefe in vertikalen Märkten. Wer alle drei mitbringt, hat eine Skalierungs-Prämie, die in den nächsten Jahren eher größer wird. Und meine kontroverse These nach drei Mandaten: wer 2026 ein B2B-Software-Target prüft, sollte nicht nur fragen, wie groß das Sales-Team ist. Er sollte fragen, wer die drei Multiplikatoren sind, deren Adoption die nächsten 50 Logos öffnet. Und wie das Co-Selling zwischen diesen Multiplikatoren und dem eigenen Vertrieb operativ funktioniert. In der Frühphase, bei komplexen Enterprise-Deals und in Product-Led-Modellen bleibt Direktvertrieb essenziell, daran würde ich nichts ändern. Was ich nach drei Mandaten ergänzen würde: in den meisten reifen Mid-Market-Segmenten der letzten Jahre war der größte ungenutzte Hebel der Multiplikatoren-Channel. Bridge Partners misst, dass 64 Prozent der Unternehmen mehr als die Hälfte ihrer Neukunden über Partner gewinnen. Mein Eindruck deckt sich mit dieser Größenordnung. Pricing fehlt in dieser Drei-Hebel-Erzählung bewusst. Es folgt einer eigenen Logik und bekommt einen eigenen Folgeartikel. Genauso die Strategic-Acquirer-Linse, die ich oben angerissen habe. Wenn Sie über ein Mandat oder eine Diligence-Frage konkret sprechen wollen, ich bin erreichbar über calendly.com/gausmannoliver/30min. Wie Investoren dieselben Hebel inzwischen in der Bewertung prüfen, steht in KI-Due-Diligence für Software-Deals. --- ### Multi-Agenten-Framework für den Mittelstand: Vier Kandidaten, neun Kriterien, eine unbequeme Antwort URL: https://www.convios.com/de/insights/multi-agenten-framework-mittelstand-vergleich URL (EN): https://www.convios.com/en/insights/multi-agenten-framework-mittelstand-vergleich Published: 2026-04-29 Vor zwei Wochen, Workshop bei einem RegTech-Scale-Up. Auf dem Whiteboard stand eine Frage zur Auswahl eines Multi-Agenten-Framework für den Mittelstand: LangGraph oder CrewAI? Drei Stunden später stand dort eine längere Liste an Bewertungskriterien. Vendor-Stabilität, Skill-Pool im eigenen Team, regulatorische Roadmap, Audit-Primitives. Manches davon technisch, vieles davon organisatorisch. Am Ende war jede dieser Achsen relevanter als die Ausgangsfrage. Im November 2025 hat ThoughtWorks LangGraph aus dem Adopt-Ring genommen [1]. Im April 2026 hat Microsoft AutoGen und Semantic Kernel zu Microsoft Agent Framework konsolidiert [2]. Wer im Frühjahr 2025 auf eines dieser Frameworks gesetzt hat, schaut heute auf eine andere Empfehlungslandschaft. Das ist die normale Geschwindigkeit eines Feldes ohne etablierte Best Practices, und es verändert, wie Sie eine Architekturentscheidung treffen. Vier Frameworks dominieren den Markt für Multi-Agenten-Architekturen: LangGraph, CrewAI, Microsoft Agent Framework und Haystack. Welches davon für den Mittelstand passt, entscheidet sich über neun Kriterien, die klassische Architektur-Checklisten ergänzen. GitHub-Sterne und Benchmark-Geschwindigkeit reichen für diese Wahl nicht aus. Audit-Primitives, Vendor-Velocity-Risiko und der verfügbare Skill-Pool wiegen schwerer als jede Feature-Liste. Dieser Artikel liefert die neun Kriterien, eine Cluster-Sicht auf die Framework-Landschaft und eine Heuristik für die Auswahl entlang der Architekturentscheidungen aus Teil 2. #### Warum die meisten Multi-Agenten-Framework-Vergleiche an Ihrem Problem vorbeigehen? Die typischen Vergleichstabellen bewerten Geschwindigkeit, Entwicklerfreundlichkeit, GitHub-Sterne und Token-Verbrauch in einem Benchmark-Szenario. Diese Kriterien sind Teil der Bewertung. Sie reichen nicht aus, weil sie wenig über die Wahrscheinlichkeit aussagen, dass ein Framework in 18 Monaten produktiv tragfähig ist. Nach Teil 2 dieser Serie ist die Ausgangslage anders. Sie haben die drei Architekturentscheidungen für KI-Compliance getroffen: wo Determinismus gefordert ist und wo Probabilistik genügt, ob Knowledge Graph und Vektorsuche kombiniert werden, ob ein Workflow als Pipeline oder als orchestrierter Agent läuft. Die Framework-Frage lautet jetzt: Welches Werkzeug setzt diese Entscheidungen am sichersten um, in einem Markt, dessen Anbieter alle paar Monate ihre Roadmap revidieren? Die Bewertungs-Achsen verschieben sich. Audit-Primitives werden zur Pflicht-Achse, weil EU AI Act und DORA Lifecycle-Logging fordern. Vendor-Velocity-Risiko ersetzt GitHub-Sterne als Stabilitäts-Indikator. Reifegrad zählt doppelt: bezogen auf das Framework selbst und bezogen auf das Team, das damit arbeiten soll. #### Welche Frameworks gibt es überhaupt? Wenn Sie nur die englischsprachige Tech-Diskussion verfolgen, sehen Sie vier bis fünf Namen: LangGraph, CrewAI, AutoGen, LlamaIndex. In Stellenanzeigen aus dem deutschen Mittelstand tauchen diese Namen seltener auf als in Konzern-Anzeigen. Häufiger steht dort generisch "KI-Engineer" oder "Data Scientist mit LLM-Erfahrung". Mittelständische IT-Abteilungen mit drei Senioren, von denen einer KI macht, wählen das, was vorhandenes Wissen am wenigsten entwertet. Skill-Bias dieser Art ist quantifizierbar. In Deutschland sind 109.000 IT-Stellen unbesetzt, 85 Prozent der Unternehmen melden Fachkräftemangel [3]. Die Stanford-ADP-Studie zeigt für die USA, dass die Beschäftigung von Softwareentwicklern zwischen 22 und 25 Jahren bis September 2025 um knapp 20 Prozent unter ihren Höchststand von Ende 2022 gefallen ist [4]. In Deutschland zeigt sich das gleiche Muster: Indeed Hiring Lab meldet für Softwareentwicklung einen Rückgang offener Stellen um 33 Prozent zwischen Januar und November 2024 [5]. Bei der Bundesagentur für Arbeit waren im Juli 2025 31 Prozent mehr Softwareentwickler arbeitslos gemeldet als im Vorjahr [6]. In einer Bitkom-Befragung von 513 Erwerbstätigen im Frühjahr 2025 gaben 70 Prozent an, ihr Arbeitgeber biete keine KI-Fortbildung an [7]. Wenn der Senior-Pool dünn besetzt ist und über Junior-Pipelines kaum nachwächst, fallen Architekturentscheidungen entlang dessen, was im Team bereits da ist. Statt einer Top-Liste lohnt eine Cluster-Sicht. Fünf Cluster bilden den realen Markt ab, jeder mit einem oder zwei Vertretern. Cluster eins: Code-First-Orchestrierung mit Persistence. Vertreter: LangGraph. Stärke bei Audit-Trail und Checkpointing. Cluster zwei: rollenbasierte Multi-Agenten-Frameworks. Vertreter: CrewAI und AutoGen, jetzt Microsoft Agent Framework. Stärke bei mehrstufigen Analyseaufgaben. Cluster drei: Workflow-Engines mit AI. Vertreter: LlamaIndex Workflows und n8n. Stärke bei Integration in bestehende Prozesse, n8n besonders bei Self-Hosting. Cluster vier: DACH-Open-Source und kontrollierter Eigenbau. Vertreter: Haystack von deepset Berlin und der direkte Zugriff auf OpenAI Agents SDK oder Claude Agent SDK. Stärke bei Datenresidenz und behördlichen Anforderungen. Cluster fünf: Cloud-native Agent-Services. Vertreter: Azure AI Foundry Agent Service und AWS Bedrock Agents. Stärke bei vorhandenen Cloud-Verträgen und Compliance-Zertifikaten. Diese Aufteilung ordnet die Landschaft, ohne sie zu bewerten. Sie ist die Voraussetzung dafür, mit den nächsten neun Kriterien sinnvoll arbeiten zu können. #### Welche neun Kriterien ergänzen die klassische Architektur-Checkliste? Eine klassische Architektur-Checkliste prüft sechs nicht-funktionale Anforderungen: Resilienz, Skalierbarkeit, Wartbarkeit, Austauschbarkeit, Sicherheit, Kosten. Diese sechs bleiben Pflicht. Sobald die Entscheidung in einem Feld fällt, das sich schneller verändert als die typische Lebensdauer eines Software-Systems, brauchen sie Ergänzungen. Im Workshop mit dem RegTech-Scale-Up haben wir die Checkliste um neun Punkte ergänzt. Jeder Punkt hat einen technischen und einen organisatorischen Anteil. Modell-Agnostik und LLM-Swappability. Ist die Geschäftslogik vom Modell-Provider entkoppelt? Können Sie GPT, Claude und Mistral durch eine Konfigurationsänderung tauschen, ohne den Anwendungscode anzufassen? LangGraph, CrewAI, AutoGen und Haystack sind modell-agnostisch. OpenAI Agents SDK und Claude Agent SDK sind es nicht. Das ist eine Lock-in-Achse, die in 18 Monaten teuer werden kann. Vendor-Velocity-Risiko. Wer trägt das Framework, wie stabil ist die Trägerschaft? LangChain Inc. hat im Oktober 2025 eine Series B über 125 Millionen Dollar bei 1,25 Milliarden Bewertung abgeschlossen [8]. Microsoft hat AutoGen in MAF überführt. CrewAI ist 2024 gegründet und hat eine Series A über 18 Millionen Dollar abgeschlossen, geführt von Insight Partners [17]. deepset hat im August 2023 eine Series B über 30 Millionen Dollar abgeschlossen, geführt von Balderton Capital [18]. Diese Zahlen sagen nichts über Produktqualität, aber etwas über die Wahrscheinlichkeit, dass das Projekt in zwei Jahren noch existiert oder gepflegt wird. Reproduzierbarkeit trotz stochastischer Outputs. EU AI Act Artikel 12 verlangt automatisches Logging über den gesamten Lebenszyklus von Hochrisiko-KI-Systemen [9]. DORA Artikel 12 verlangt Vergleichbares für den Finanzsektor seit Januar 2025 [10]. Frameworks mit nativen Eval-Suites, Trace-Logs und Seed-Management sind hier strukturell im Vorteil. Token-Kosten-Trajektorie und Cost-Observability. Eine 30-Schritt-Konversation auf einem aktuellen Top-Modell kostet je nach Modell und Kontextgröße ungefähr 0,50 bis 2,00 Dollar pro Ausführung (Schätzung auf Basis aktueller Anbieter-Preislisten). Bei 10.000 täglichen Ausführungen sind das 5.000 bis 20.000 Dollar pro Tag, nur für LLM-Aufrufe [11]. Ein Framework, das diese Kosten pro Trace nicht sichtbar macht, erschwert die spätere Modell-Substitution erheblich. Datenresidenz und Routing-Kontrolle. Welche Daten dürfen wohin? Lässt sich das im Framework durchsetzen? Haystack erlaubt air-gapped Deployment. Azure AI Foundry liefert EU-Regionen. n8n unterstützt Self-Hosting nativ. OpenAI- und Claude-SDKs sind an die jeweiligen US-Anbieter gekoppelt, mit EU-Data-Boundary-Versprechen. Reifegrad gegenüber dem Skill-Pool. Welche Frameworks beherrscht Ihr Team, ohne ein Schulungsprojekt zu starten? Welche müssten Sie über externe Berater einkaufen oder über Quereinsteiger aufbauen? 22 Prozent der Mittelständler setzen auf Quereinsteiger-Programme [12]. Diese Programme decken meist die Frameworks ab, die im Diskursraum sichtbar sind, nicht die, die zu Ihrer Architektur passen. Lock-in pro Layer separat. Bewerten Sie Lock-in nicht aggregiert. Trennen Sie Modell-Lock-in, Framework-Lock-in, Vector-DB-Lock-in und Observability-Lock-in. Ein Framework kann modell-agnostisch sein und trotzdem Sie an seine Observability-Plattform binden. LangGraph zieht Teams in Richtung LangSmith. Das ist legitim, sollte aber bewusst entschieden werden. Capability-Gap-Erkennung. Wann ist Ihr Stack zu klein für die Aufgabe? Welche Trigger zeigen das früh? Ein Framework, das nicht protokolliert, wann es an seine Grenzen kommt, lässt Sie den Wechsel zu spät bemerken. Regulatorische Roadmap-Alignment. EU AI Act gilt in Phasen, die letzten Pflichten ab August 2028. DORA gilt seit Januar 2025. NIS2 ist in Deutschland im Umsetzungsprozess. BSI C5:2026 ist seit April 2026 die neue Cloud-Sicherheits-Bezugsnorm. Welche Framework-Features bilden diese Anforderungen heute ab, welche sind angekündigt, welche fehlen? #### Wie schneiden die vier Frameworks gegen diese Kriterien ab? Wir bewerten LangGraph, CrewAI, Microsoft Agent Framework und Haystack entlang der neun Kriterien plus der drei Audit-Primitives Checkpointing, Replay und Human-in-the-Loop. Die Bewertung folgt veröffentlichten Quellen und eigener Praxis. Sie ist eine Momentaufnahme im April 2026. Drei Beobachtungen aus dieser Tabelle wiegen schwerer als die Einzelwertungen. Erstens gewinnt kein Framework auf allen neun Achsen. Zweitens ist das Framework mit der besten Audit-Trail-Story (LangGraph) nicht das mit der besten Datenresidenz-Story (Haystack). Drittens unterscheiden sich die Lock-in-Achsen pro Layer, nicht pro Framework. Wer LangGraph mit LangSmith kombiniert, hat eine andere Lock-in-Struktur als wer LangGraph mit eigener Observability betreibt. Eine Anmerkung zu Microsoft Agent Framework: 1.0 ist im April 2026 frisch GA, das wirkt im Reifegrad-Indikator zunächst neu. Tatsächlich ist MAF die Konsolidierung von AutoGen (Microsoft Research, seit 2023 produktiv eingesetzt) und Semantic Kernel (seit 2023 stabil). Die Code-Basis und das Engineering-Team haben mehrere Jahre Produktiv-Erfahrung. Was neu ist, ist die zusammengeführte API, nicht die Substanz dahinter [2]. ##### Wo Framework-Wahl doch architektonisch entscheidet Die Kernthese aus Teil 2 lautet: Architektur trägt schwerer als die Framework-Wahl. Diese These muss präzisiert werden. Es gibt eine Stelle, an der die Framework-Wahl materiell auf das Compliance-Ergebnis durchschlägt: die Audit-Primitives. DORA Artikel 12 verlangt automatisches Logging über den Lebenszyklus von IKT-Systemen [10]. EU AI Act Artikel 12 verlangt Vergleichbares für Hochrisiko-KI [9]. Frameworks mit nativem Checkpointing, Time-Travel-Debugging und persistenten State-Graphen erfüllen diese Anforderung mit deutlich weniger Eigenbau als Frameworks, in denen Sie Persistence, Replay und Audit-Trail manuell aufsetzen. LangGraph hat hier einen messbaren Vorsprung. Klassisches AutoGen hatte ihn nicht, MAF holt auf. CrewAI verlangt Custom-Bauen über Celery-Queues und Redis-Stores [13]. Wenn DORA oder ein vergleichbarer Audit-Anspruch der primäre Treiber Ihrer Architektur ist, ist das eine Stelle, an der Framework-Wahl architektonisch wird. Es ist genau ein Kriterium von neun. Es kann je nach Mandat das wichtigste sein. #### Was muss der Mittelstand beachten, was Konzerne ignorieren können? Konzerne federn Switch-Kosten ab. Sie haben dedizierte AI-Plattform-Teams, die einen Framework-Wechsel in zwölf Monaten vollziehen. Im Mittelstand fehlt diese Reserve. Das KfW-Mittelstandspanel zeigt für Februar 2026: 20 Prozent der KMU nutzen KI, bei FuE-treibenden Unternehmen liegt die Quote bei 53 Prozent. Die Lücke entsteht oft dort, wo Skill-Pool und Plattform-Reserve fehlen [14]. 76 Prozent der KMU haben kein KI-Governance-Framework, 91 Prozent halten es für kritisch [15]. 19 Prozent haben einen strukturierten KI-Fahrplan. Diese Lücke ist die eigentliche Herausforderung. Drei Punkte verschieben sich daraus für den Mittelstand. Erstens der Skill-Pool. Wenn Ihre IT-Abteilung aus drei Senioren besteht, verschiebt sich die Frage. Welches Framework können diese drei in vier Wochen produktiv beherrschen? Technische Überlegenheit auf dem Papier hilft wenig, solange das Team die Implementierung nicht trägt. Zweitens die Datenresidenz aus Teil 2 zur Architektur. Ein 200-Personen-Unternehmen schickt seine internen Audit-Dokumente in der Regel nicht in eine US-Cloud. Frameworks mit air-gapped Pfad oder Self-Hosting-Option bekommen damit ein anderes Gewicht als in Konzernkontexten. Drittens die Vendor-Velocity. Im Mittelstand kostet ein erzwungener Framework-Wechsel mehrere Quartale Liefergeschwindigkeit, weil das Plattform-Team fehlt, das den Wechsel parallel zum Produktivbetrieb stemmt. Hidden-Champion-Realität sieht oft anders aus als die englischsprachige Diskussion vermuten lässt. Haystack, das deutsche Open-Source-Framework von deepset, hat dokumentierte Produktionseinsätze bei der Europäischen Kommission, dem BMFTR, der Bundeswehr, dem Land Baden-Württemberg, Airbus, Lufthansa Industry Solutions, Infineon und LEGO [16]. Diese Liste taucht in den großen englischsprachigen Top-5-Vergleichen kaum auf. Für einen Maschinenbauer aus Baden-Württemberg mit Fokus auf Datensouveränität ist sie ein wesentlicher Datenpunkt. #### Wie wählen Sie den passenden Framework-Cluster für Ihre Architektur? Statt einer Empfehlung pro Framework eine fünfstufige Heuristik. Sie priorisiert vom wichtigsten Treiber zum sekundären. - Wenn DORA, EU AI Act oder eine vergleichbare Audit-Pflicht der primäre Treiber ist, prüfen Sie zuerst Cluster eins (Code-First mit Persistence, Vertreter LangGraph). Native Checkpointing-Primitives sparen Eigenbau-Aufwand und erleichtern Audit-Vorbereitung. - Wenn Datensouveränität nicht verhandelbar ist (KRITIS, Bundeswehr, BaFin-regulierte Häuser, Pharma mit Werkstoffdaten), prüfen Sie zuerst Cluster vier (DACH-Open-Source, Vertreter Haystack) oder Cluster drei mit Self-Hosting (n8n). Air-gapped oder on-prem-Pfade sind dort am besten dokumentiert. - Wenn Sie auf einem Microsoft- oder AWS-Stack sitzen, mit aktiven Enterprise-Verträgen und C5-Bescheinigungen, prüfen Sie zuerst Cluster fünf (Cloud-native, Vertreter MAF auf Azure AI Foundry oder Bedrock Agents). Sie erben Compliance-Zertifizierungen von der Plattform. - Wenn der Use Case in mehrstufigen Analyseworkflows liegt mit klaren Rollen (Researcher, Reviewer, Approver), und Audit-Trail nicht Top-Priorität ist, prüfen Sie zuerst Cluster zwei (rollenbasiert, Vertreter CrewAI). Schnellster Prototypenbau, geringste Lernkurve. - Wenn der Skill-Pool dünn ist und schnelle Integration in bestehende Workflows gefragt ist, prüfen Sie zuerst Cluster drei mit n8n. Low-Code reduziert die Anforderung an Senior-Engineering. Diese Heuristik ist nicht ausschließlich. Eine echte Architektur-Entscheidung kombiniert oft zwei Cluster. Haystack für die KG- und Retrieval-Logik, LangGraph für die Agent-Orchestrierung darüber, Postgres für die Persistence. Solche Kombinationen sind häufig die robusteste Antwort, weil sie pro Layer die jeweils stärkste Option wählen. #### Unsere Einordnung Im Workshop mit dem RegTech-Scale-Up endeten drei Stunden mit einer Einsicht, die wir vorher nicht erwartet hatten. Wir hatten am Ende kein Framework ausgewählt. Wir hatten ein Bewertungs-Verfahren entworfen. Das Verfahren trägt den eigentlichen Wert, weil es auch in sechs Monaten noch hält, wenn die Wahl, die heute daraus folgt, bereits durch eine andere ersetzt sein wird. Die These aus Teil 2 hält: Architekturentscheidungen wiegen schwerer als die Framework-Wahl. Sie braucht eine Präzisierung. Audit-Primitives sind die eine Stelle, an der Framework-Wahl materiell auf das Compliance-Ergebnis durchschlägt. Wer DORA oder EU AI Act in der Verantwortung hat, gewichtet diese Achse höher als die anderen acht. Wer ein internes Wissensmanagement-System baut, kann sie niedriger gewichten. Was wir bei Convios in Mandaten regelmäßig sehen: Die Skill-Pool-Frage wird unterschätzt. Ein Framework, das im Whitepaper überlegen wirkt, kostet im Mittelstand das Doppelte, wenn die vorhandenen Senioren es nicht beherrschen. Externer Aufbau dauert sechs bis zwölf Monate (Aufbau-Dauer aus Teil 1 zu Multi-Agenten-RAG). In dieser Zeit sortiert sich der Markt weiter. Die ehrlichste, manchmal unbequeme Antwort lautet: Wählen Sie das Framework, das Ihre vorhandenen Senioren in vier Wochen produktiv beherrschen, und investieren Sie die freigewordene Zeit in die saubere Architektur drumherum. Eine Architektur überlebt einen Framework-Wechsel mit überschaubarem Aufwand, sofern sie modular gebaut ist. Wo das nicht gegeben ist, zieht jeder Framework-Wechsel einen Rewrite nach sich. ThoughtWorks hat im November 2025 LangGraph aus Adopt genommen. Sechs Monate vorher war es die Default-Wahl. Sechs Monate später kann etwas anderes Default sein. Eine Architektur, die diese Bewegung übersteht, macht die Framework-Frage zur Detailfrage. Genau das ist das Ziel. Wenn Sie Ihre Framework-Auswahl gegen diese neun Kriterien prüfen wollen oder ein eigenes Bewertungs-Verfahren entwickeln möchten, starten wir mit einem 30-minütigen Erstgespräch. --- ### KI-Compliance-Architektur: Drei Entscheidungen, die schwerer wiegen als die Framework-Wahl URL: https://www.convios.com/de/insights/ki-compliance-architektur URL (EN): https://www.convios.com/en/insights/ki-compliance-architektur Published: 2026-04-13 #### Warum ist die Framework-Frage die falsche erste Frage? Die meisten Framework-Vergleiche bewerten Geschwindigkeit, Entwicklerfreundlichkeit und Skalierbarkeit. Keiner prüft, ob das Framework in regulierten Umgebungen überhaupt tragfähig ist. Das sind zwei verschiedene Bewertungen mit zwei verschiedenen Ergebnissen. Nach Teil 1 dieser Serie kam eine Frage immer wieder: „Welches Framework sollen wir nehmen?“ Die Frage ist verständlich. Sie überspringt drei Entscheidungen, die schwerer wiegen als jede Framework-Wahl. Dieser Artikel arbeitet diese Entscheidungen ab, bevor wir in Teil 3 konkrete Frameworks vergleichen. Die richtige KI-Compliance-Architektur funktioniert auch mit dem falschen Framework. Die falsche Architektur fällt mit jedem Framework durch. Laut einer aktuellen Branchenauswertung bauen 70 Prozent der regulierten Unternehmen ihren KI-Agenten-Stack innerhalb der ersten 90 Tage komplett um, weil die erste Architektur im Produktivbetrieb nicht trägt [1]. #### Wo braucht eine KI-Compliance-Architektur Determinismus, und wo darf sie probabilistisch arbeiten? Vor drei Monaten: Audit-Unterstützung bei einem mittelgroßen Versicherer mit rund 450 Mitarbeitenden. Das Haus betreibt seit einem Jahr ein RAG-System, das bei Fragen zu den Versicherungsbedingungen die Sachbearbeitung unterstützt. Testfrage der internen Revision: Welche Meldefrist gilt für einen Leitungswasserschaden nach der Bedingungswerk 2022? Die Vektordatenbank liefert 93 Prozent Match, zitiert aber einen Absatz aus Bedingungswerk 2018, aus einer anderen Tarifgeneration und mit einer anderen Frist. Der Auditor hatte seinen Befund. Der Grund ist lehrreich. Ein probabilistisches System hat eine deterministische Frage beantwortet. Semantische Nähe sagt: Diese beiden Texte handeln vom gleichen Thema. Ein Auditor fragt etwas anderes. Er fragt: Ist diese Anforderung erfüllt, ja oder nein, und wo ist der Nachweis? „Wir müssen Multi-Agenten-Systeme bauen.“ „Wir brauchen RAG.“ Diese Sätze höre ich in jedem zweiten Gespräch. Meine Rückfrage: Wofür genau? Compliance verlangt Determinismus. Die halbe Branche baut probabilistische Systeme, weil Multi-Agent und RAG gerade die Begriffe sind, die auf Konferenzen funktionieren. Die Architektur entscheidet. Das Framework kommt danach. Eine Studie der Hochschule Karlsruhe unter 517 mittelständischen Unternehmen stützt das Muster: 40 Prozent setzen KI ein, aber nur 21 Prozent haben eine KI-Strategie. Werkzeuge werden eingeführt, bevor die Architekturfragen beantwortet sind [2]. Die entscheidende Unterscheidung ist nicht binär. Ein Compliance-Status hat vier Zustände. Compliant heißt: Die Kontrolle ist dokumentiert, implementiert und nachgewiesen. Partial heißt: Die Kontrolle existiert, aber Nachweise fehlen oder sind veraltet. Gap heißt: Keine passende Kontrolle vorhanden. Not applicable heißt: Die Kontrolle gilt für dieses Unternehmensprofil nicht. Ein System, das nur Ähnlichkeit misst, kann diese vier Zustände nicht unterscheiden. Es sagt „94 Prozent Match“. Ein architektonisch durchdachtes System sagt „partial: Policy vorhanden, Nachweis abgelaufen seit 14 Monaten“. Dieses Prinzip gilt branchenübergreifend. In der Compliance heißt es: „MFA wird empfohlen“ bedeutet etwas anderes als „MFA ist Pflicht“. Im Qualitätsmanagement: „Messwert wurde erfasst“ bedeutet etwas anderes als „Messwert liegt im Toleranzbereich“. In der Finanzkontrolle: „Rechnung existiert“ bedeutet etwas anderes als „Rechnung ist freigegeben und gebucht“. In jedem Fall gilt: Ein Dokument, das ein Thema erwähnt, beweist nicht, dass eine Verpflichtung erfüllt ist. Die linke Spalte toleriert kein „kommt drauf an“. Die rechte Spalte gewinnt durch KI, braucht aber Leitplanken. Wer diese Aufteilung vor der ersten Codezeile macht, spart sich den Architektur-Umbau nach dem ersten gescheiterten Audit. #### Wann ist ein Knowledge Graph die bessere Wahl als Vektorsuche? Die zweite Entscheidung betrifft die Schichten Ihrer KI-Compliance-Architektur. Die meisten RAG-Implementierungen haben eine Schicht: die Vektorsuche. Für Compliance reicht das nicht. Ein Compliance-System, das einen Audit besteht, braucht drei Schichten. Der Knowledge Graph bildet die regulatorische Struktur ab und entscheidet, was anwendbar ist. Die Vektorsuche findet innerhalb des anwendbaren Scopes semantisch relevante Dokumente. Das LLM erklärt, warum ein Ergebnis relevant ist, und produziert lesbare Reports. Gartner nennt Knowledge Graphs einen „Critical Enabler“ für generative KI in regulierten Umgebungen [3]. Der Grund: Knowledge Graphs liefern die strukturierte Wahrheit, die LLMs aus sich heraus nicht produzieren können. Die Reihenfolge dieser drei Schichten ist eine bewusste Architekturentscheidung. Der Graph filtert zuerst. Die Vektorsuche verfeinert. Das LLM erklärt. Das LLM ist nie die Quelle der Wahrheit. In der Compliance ist das eine Governance-Anforderung. Edge et al. untersuchen GraphRAG für globale Fragen zu Dokumentbeständen. Die berichteten Vorteile betreffen Vollständigkeit und Vielfalt der Antworten, nicht eine allgemeine Compliance-Genauigkeit oder eine Restfehlerquote für diesen Prozess [4]. So sieht das in der Praxis aus. Ein Unternehmensprofil enthält strukturierte Daten: Branche (Finanzdienstleistung), Jurisdiktion (EU), Datentypen (personenbezogen und finanziell), Unternehmensgröße (200 Mitarbeitende). Diese Eingabe steuert die Graph-Abfrage. Ergebnis: DORA, DSGVO und ISO 27001 sind anwendbar. HIPAA nicht, weil das Unternehmen keine US-Gesundheitsdaten verarbeitet. Erst nach diesem Filter startet die Vektorsuche, und zwar nur innerhalb der anwendbaren Regulierungen. Ohne diesen ersten Schritt durchsucht die Vektorsuche die komplette regulatorische Datenbank. Sie findet „ähnliche“ Paragraphen aus Regulierungen, die für das Unternehmen gar nicht gelten. Mit diesem Schritt sucht sie nur dort, wo es tatsächlich relevant ist. Nach unserer Erfahrung halbiert das die False Positives mindestens (Schätzung). Der gesamte Workflow passt in acht Zeilen: Die Tags zeigen es deutlich: Entscheidung 1 legt fest, welche Technologie wohin gehört. Schritt 1 und 2 sind Graph-Abfragen ohne LLM. Ab Schritt 3 trägt KI bei, aber mit strukturierten Outputs und vorgegebenen Klassifikationskategorien. #### Wann braucht ein Compliance-System Agenten, und wann reicht eine Pipeline? Die dritte Entscheidung wird am häufigsten falsch beantwortet. Eine Pipeline folgt einer festen Sequenz von Schritten. Ein- und Ausgaben sind strukturiert. Ergebnisse sind reproduzierbar. Dieselbe Frage zweimal gestellt liefert dieselbe Antwort. Für die meisten Compliance-Aufgaben ist das genau richtig. Ein Agent trifft Runtime-Entscheidungen. Er wählt, welcher Schritt als nächstes ausgeführt wird, welche Datenquellen er kombiniert, wann er aufhört. Das ist mächtig, und für bestimmte Aufgaben nötig. Für viele Compliance-Aufgaben ist es unnötig riskant. Zusätzliche Agentenschritte verursachen weitere Aufrufe. Ob sie sich lohnen, muss am konkreten Ablauf anhand von Verbrauch, Nacharbeit und verbleibenden Fehlern gemessen werden. „Welche Regulierungen gelten für dieses Unternehmen?“ ist eine deterministische Graph-Abfrage. Kein Agenten-Problem. „Analysiere diese 200-seitige Policy gegen 42 Kontrollen, identifiziere Lücken, priorisiere nach Business-Risiko und schlage Policy-Änderungen vor“ ist ein mehrstufiges Problem, bei dem Zwischenergebnisse den nächsten Schritt formen. Hier verdienen Agenten ihren Platz. Selbst dann ist der richtige Ansatz: orchestrierte Workflows mit definierten Schritten und menschlichen Freigabe-Gates. Keine autonomen Loops, in denen ein Agent alles zur Laufzeit entscheidet. Frameworks wie LangGraph stellen durable StateGraphs mit Checkpointing und Human-in-the-Loop-Gates zur Verfügung [6]. Ein Compliance-Agent braucht Checkpoints nach jedem Schritt, menschliche Freigaben vor risikoreichen Entscheidungen und einen Audit-Trail, der dokumentiert, warum jede Entscheidung so getroffen wurde. Der Unterschied zwischen einem Marketing-Chatbot und einem Compliance-System lässt sich auf eine Frage reduzieren: Ist jeder Zwischenschritt nachvollziehbar und auditierbar? Ein autonomer Agent, der alles allein entscheidet, ist ein Risiko, das kein Compliance Officer abnimmt. Laut Branchenauswertung qualifizieren sich nur 16 Prozent aller Enterprise-Deployments als echte Agenten (Systeme, die planen, ausführen, beobachten und anpassen). Der Rest sind, im Wortlaut der Autoren, „glorifizierte Chatbots mit einem API-Call“ [1]. #### Wie prüft eine KI-Compliance-Architektur Nachweise in sechs Schritten? Die Architekturentscheidungen aus den vorigen Abschnitten geben den Rahmen. Die Nachweisprüfung zeigt, wie dieser Rahmen in der Praxis arbeitet. In einer auditfesten KI-Compliance-Architektur durchläuft jeder Compliance-Datensatz sechs klar definierte Schritte. Die Brücke dazwischen ist die „Common Control“-Ebene: Sie übersetzt zwischen ISO 27001 A.9.4.2, SOC 2 CC6.1 und DORA Art. 9, die alle Zugangskontrolle fordern, aber in unterschiedlicher Formulierung. Ohne diese Abstraktionsschicht müssen Sie jedes Framework einzeln gegen jede Policy matchen. Mit der Schicht matchen Sie einmal und bekommen die Abdeckung über alle Frameworks. - Nachweis hochladen. Das Dokument wird ins System geladen und bekommt eine eindeutige ID für den Audit-Trail. - Relevante Informationen extrahieren. Entweder aus strukturierten Feldern oder per OCR, je nach Dokumenttyp. Metadaten wie Ausstellungsdatum, Aussteller und Gültigkeitszeitraum werden erfasst. - Vollständigkeit und Format prüfen. Fehlende Unterschrift? Datum in der Zukunft? Datei unlesbar? Alles strukturell Defekte wird hier herausgefiltert. - Über den Graphen einer Kontrolle zuordnen. Das System ordnet den Nachweis über den Knowledge Graph einer konkreten Kontrolle zu: welche Regulierung, welche Anforderung, welcher Kontrollpunkt? - Freshness-Check. Ist der Nachweis noch gültig? Ein Pen-Test-Zertifikat von 2023 beweist nicht, dass die Systeme von 2026 sicher sind. Abgelaufene Nachweise verschieben den Status von compliant auf partial. - Status-Klassifikation. Das System klassifiziert den Nachweis als compliant, partial, gap oder not applicable und schreibt das Ergebnis mit Begründung in den Audit-Trail. Jeder dieser sechs Schritte erzeugt einen Audit-Trail-Eintrag. Freshness ist hier eine harte Bedingung, kein optionaler Filter. Automatische Freshness-Checks sind die Stelle, an der KI-Systeme operativ den größten Unterschied machen, weil kein Compliance-Team mit 200 Nachweisen manuell hinterherkommt. Datensouveränität ist im Mittelstand nicht verhandelbar. Regulatorische Texte (DORA, ISO 27001, EU AI Act) sind öffentlich und können in einer Cloud verarbeitet werden. Interne Policies, Nachweise und Risikobewertungen sind vertraulich. Ein 200-Personen-Unternehmen schickt seine internen Audit-Dokumente nicht in eine US-Cloud. Eine KI-Compliance-Architektur muss hybrid deploybar sein: öffentliche Daten in der Cloud, vertrauliche Daten on-premise oder in einem EU-Rechenzentrum. #### Wo die echte Komplexität sitzt Die größte Überraschung in unserem Projekt war der initiale Aufbau des Knowledge Graphs. Mehr Aufwand als Modelle, Vektorsuche und Orchestrierung zusammen. Jedes regulatorische Dokument muss von einem LLM verarbeitet werden, um Entitäten (Regulierungen, Anforderungen, Kontrollen) und ihre Beziehungen zu extrahieren. Das kostet Geld. Realistische Spanne: 40 bis 80 Euro pro Dokument (Schätzung). Bei einem Starter-Set von 70 Dokumenten sind Sie bei 2.000 bis 5.000 Euro, bevor die erste Abfrage läuft. Diese Zahl taucht in keinem Tutorial auf, das ich gelesen habe. Zweite Überraschung: Ontologie-Qualitätssicherung. Automatisch extrahierte Beziehungen sind nicht immer korrekt. Ein LLM interpretiert eine Empfehlung als Pflicht oder verknüpft eine Kontrolle mit der falschen Anforderung. Manuelle Prüfung ist Pflicht und keine einmalige Aufgabe. Regulierungen ändern sich, neue Frameworks kommen, bestehende Beziehungen müssen aktualisiert werden. Das ist ein laufender Prozess, der eine eigene Kapazität braucht. Die dritte Erkenntnis hat uns überrascht. Wir formulieren regulatorische Anforderungen jetzt als testbare Aussagen. „GIVEN protocol is TCP AND port is 22, WHEN evidence is evaluated, THEN action must be DROP.“ Das klingt wie Software-Tests, weil es Software-Tests sind. Die Juristen im Team schreiben inzwischen selbst Tests. Kein Witz. Compliance-Anforderungen als formale Testfälle zu formulieren erzwingt eine Präzision, die natürliche Sprache allein nicht liefert. #### Unsere Einordnung Die Framework-Frage ist die falsche erste Frage. Wer mit „sollen wir LangGraph oder CrewAI nehmen?“ anfängt, überspringt die drei Entscheidungen, die diesen Artikel tragen. Die richtige erste Frage lautet: Welche Teile meines Systems müssen deterministisch liefern? Sobald Sie das beantwortet haben, wissen Sie, wo ein Knowledge Graph hingehört, wo die Vektorsuche reicht und wo ein LLM echten Mehrwert schafft. Die Framework-Wahl ergibt sich dann fast von selbst. Was wir bei Ethenios gelernt haben, ist eine organisatorische Erkenntnis. Architekturentscheidungen wiegen schwerer als Tool-Entscheidungen. Eine modulare, sauber entworfene KI-Compliance-Architektur funktioniert mit LangGraph, mit CrewAI oder mit einem selbst gebauten Orchestrator. Die falsche Architektur fällt mit jedem Framework durch. Genauer: Sie fällt bei dem ersten Auditor durch, der sagt: „Zeigen Sie mir die Evidence Chain.“ Für den Mittelstand ist das eine gute Nachricht. Aktuelle Zahlen zeigen, dass 36 Prozent der Mittelständler mit 50 und mehr Beschäftigten heute KI einsetzen, gegenüber sechs Prozent im Zeitraum 2016 bis 2018 [7]. Die meisten sind früh genug im Prozess, um Architekturfragen vor dem Produktivbetrieb zu klären. Gegenüber Konzernen hat der Mittelstand hier reale Vorteile: schnellere Entscheidungen, weniger Legacy, weniger parallele Initiativen, die sich gegenseitig blockieren. In Teil 3 zeigen wir, wie eine Framework-Bewertung aussieht, wenn diese drei Entscheidungen bereits getroffen sind. Das Ergebnis unterscheidet sich deutlich von den üblichen Vergleichstabellen, weil wir nach Kriterien bewerten, die dort fehlen: Auditierbarkeit, Checkpoint-Fähigkeit und Nachvollziehbarkeit jedes Zwischenergebnisses. Wenn Sie Ihre KI-Compliance-Architektur auf den Prüfstand stellen wollen, starten wir mit einem 30-minütigen Readiness-Check. Wir identifizieren, welche Ihrer Compliance-Prozesse deterministisches Ergebnis brauchen und wo KI den größten Hebel liefert. Quellenkorrektur vom 27.09.2026: Die frühere GraphRAG-Prozentangabe und die Aussage über Multi-Agenten-Kosten wurden entfernt, weil die zugeordneten Arbeiten sie nicht belegen. --- ### Multi-Agenten-RAG im Mittelstand: Vom ersten Use Case zur produktiven Architektur URL: https://www.convios.com/de/insights/multi-agenten-rag-mittelstand-einfuehrung-architektur URL (EN): https://www.convios.com/en/insights/multi-agenten-rag-mittelstand-einfuehrung-architektur Published: 2026-04-10 Zuletzt aktualisiert am 2. Juli 2026. Multi-Agenten-RAG lohnt sich im Mittelstand, sobald ein Unternehmen drei oder mehr regulatorische Rahmenwerke gleichzeitig einhalten muss oder die Audit-Vorbereitung mehr als zwei Vollzeitstellen bindet. Die Implementierung kostet 150.000 bis 400.000 USD, der laufende Betrieb 3.200 bis 13.000 USD pro Monat. Für viele Einstiegsfälle reicht einfaches RAG ab 8.000 USD, bei komplexen Aufgaben sparen Multi-Agenten-Systeme 35 bis 45 % Zeit. Multi-Agenten-RAG-Systeme bewegen sich schnell vom Experiment in die Produktion. Databricks meldet einen Anstieg von 327 % bei Multi-Agenten-Architekturen in Unternehmen zwischen 2025 und 2026 [1]. Für den Mittelstand (50 bis 500 Mitarbeitende) wird die Einführung damit zur konkreten Planungsaufgabe. Ressourcen sind begrenzt, Fachabteilungen müssen einbezogen werden, und regulatorische Vorgaben wie der EU AI Act erzeugen zusätzlichen Zeitdruck. #### Was treibt die Entwicklung im Mittelstand? Der Markt für Retrieval-Augmented Generation wächst von 1,94 Milliarden USD (2025) auf prognostizierte 9,86 Milliarden bis 2030 [2]. McKinsey hat zwischen Dezember 2025 und Januar 2026 rund 500 Organisationen befragt: 23 % skalieren bereits ein agentisches AI-System, weitere 39 % experimentieren [3]. Früh einsteigen hat einen praktischen Vorteil: die Architektur wächst mit den Anforderungen, statt dass bestehende Pilotprojekte aufwendig migriert werden müssen. Parallel ändern sich die regulatorischen Anforderungen des EU AI Act. Seit Februar 2025 müssen Organisationen für Mitarbeitende, die AI-Systeme bedienen, Maßnahmen zur KI-Kompetenz ergreifen [4]. Ein bestimmtes Niveau schreibt die Digital-Omnibus-Verordnung (EU) 2026/1744 seit Juli 2026 nicht mehr vor [22]. Die Transparenzpflichten gelten seit August 2026 [22]. Für Hochrisiko-AI in Bereichen wie HR und Kreditvergabe hat die Verordnung die Frist auf Dezember 2027 verschoben [5][22]. Bei Verstößen drohen Bußgelder bis zu 35 Millionen Euro oder sieben Prozent des weltweiten Jahresumsatzes [6]. Immer mehr Unternehmen in Europa suchen nach einer Kombination von Expertise in Knowledge Graphs, LLM-Orchestrierung, Fachabteilungs-Integration und regulatorischer Governance. Die Anforderungsprofile in aktuellen Stellenausschreibungen zeigen, wohin der Markt geht: integrierte Systeme, die Fachwissen, Daten und Compliance in einer Architektur zusammenbringen. Betroffen sind Unternehmen in regulierten Branchen (Finanzdienstleistungen, Pharma, Energie, Transport), aber auch Mittelständler mit komplexer technischer Dokumentation oder Qualitätsmanagementsystemen nach ISO 9001 oder ISO 27001. #### Was ist ein Multi-Agenten-RAG-System und warum reicht ein Chatbot nicht? Retrieval-Augmented Generation (RAG) bedeutet, dass ein KI-System bei jeder Anfrage relevante Dokumente aus einer Wissensbasis abruft und seine Antwort darauf stützt. Die einfachste Form: ein Chatbot durchsucht eine Vektordatenbank und liefert Antworten auf Basis ähnlicher Textstellen. Für anspruchsvollere Anwendungen reicht das nicht. Vektorsuche findet Dokumente, die einer Anfrage ähneln. Ob ein Dokument eine tatsächliche Pflicht beschreibt, eine Handlungsanweisung enthält oder ein Thema nur erwähnt, kann sie nicht unterscheiden. Dieses Problem hat in der Forschung zu Knowledge-Graph-gestützter Compliance einen eigenen Ausdruck: Similarity ≠ Obligation [14]. Ähnlichkeit ist keine Verbindlichkeit. Für jede Anwendung, bei der es auf Genauigkeit und Nachvollziehbarkeit ankommt (Compliance, Qualitätsmanagement, regulatorische Berichterstattung, technische Dokumentation), ist das ein Risiko. Multi-Agenten-RAG geht darüber hinaus. Ein Knowledge Graph bildet die logischen Beziehungen zwischen Wissensobjekten ab: welche Anforderung aus welcher Regulierung stammt, welche Kontrolle sie erfüllt, welcher Nachweis die Kontrolle belegt. Spezialisierte Agenten übernehmen jeweils eine Aufgabe. Einer ruft Dokumente ab, ein anderer prüft die Beziehungen im Graph, ein dritter validiert Nachweise, ein vierter überwacht Änderungen in Quellsystemen. Diese Arbeitsteilung ermöglicht komplexe Prüfungen und Workflows, die ein einzelner RAG-Aufruf nicht leisten kann. #### Wann brauchen Sie welche Stufe? Die Komplexität eines RAG-Systems sollte zum Problem passen. Aus den Beschreibungen von IBM [14] und Weaviate [14] sowie praxisnahen Vergleichen [15] lassen sich vier Stufen ableiten. Ein Chatbot mit LLM-Anbindung beantwortet einfache Fragen aus dem Allgemeinwissen des Modells. Einfaches RAG geht einen Schritt weiter: das Modell ruft bei jeder Anfrage relevante Texte aus einer Vektordatenbank ab und stützt seine Antwort darauf. Bei Agentic RAG kommt ein Agent ins Spiel, der selbständig entscheidet, ob die erste Antwort ausreicht, ob er nachrecherchieren muss oder ob er mehrere Quellen kombinieren soll. Multi-Agenten-RAG schließlich setzt mehrere spezialisierte Agenten ein, die parallel oder nacheinander arbeiten, jeder optimiert für eine Teilaufgabe. Die Literatur empfiehlt, mit der einfachsten Architektur zu starten und Komplexität nur dann hinzuzufügen, wenn die einfachere Stufe das Problem nachweislich nicht löst [15]. 75 % der Enterprise-AI-Anwendungen werden laut Prognosen bis 2026 hybride Architekturen nutzen [15]. In der Praxis ist das meistens ein agentisches System, das RAG als Werkzeug bei Bedarf aufruft. Zwei Achsen helfen bei der Entscheidung: die Komplexität der Anfragen (Ein-Schritt-Suche oder mehrstufiges Reasoning) und die Fehlertoleranz (Was kostet eine falsche Antwort?) [15]. Ein internes FAQ-System für 50 Mitarbeitende funktioniert mit einfachem RAG und amortisiert sich innerhalb weniger Monate. Compliance-Prüfungen, bei denen eine Halluzination Audit-Kosten von 50.000 USD auslösen kann [13], brauchen Multi-Agenten-RAG mit Knowledge Graph. Aus unserer Erfahrung lohnt sich das ab dem Punkt, an dem ein Unternehmen drei oder mehr regulatorische Rahmenwerke gleichzeitig einhalten muss oder wenn Audit-Vorbereitung mehr als zwei Vollzeitstellen bindet. Multi-Agenten-Systeme kosten mehr pro Anfrage (mehrere LLM-Aufrufe, höhere Latenz), liefern aber bei komplexen Aufgaben 35 bis 45 % Zeiteinsparung [15]. #### Wo scheitern Mittelständler bei der Einführung? Die häufigste Falle: Ein Unternehmen startet ein AI-Projekt in der IT-Abteilung, ohne die Fachabteilungen einzubeziehen. Das Ergebnis ist ein technisch funktionierendes System, das niemand nutzt, weil die Use Cases an den tatsächlichen Bedürfnissen vorbeigehen. Fachabteilungen wissen oft nicht, was technisch möglich ist. IT-Abteilungen wissen nicht, welche Geschäftsprobleme Priorität haben. Ohne gemeinsame Workshops bleiben beide Seiten in ihrer Perspektive. Die Use-Case-Identifikation ist deshalb keine rein technische Aufgabe. Sie braucht Gesprächsformate, in denen Fachleute konkrete Probleme beschreiben und Entwickler die Machbarkeit einschätzen. Datenbereitschaft wird regelmäßig unterschätzt. Multi-Agenten-RAG-Systeme brauchen strukturierte, aktuelle und zugängliche Daten. In vielen mittelständischen Unternehmen liegen Dokumente in Silos: SharePoint, lokale Laufwerke, E-Mail-Anhänge. Aktuelle Enterprise-RAG-Plattformen bieten vorgefertigte Konnektoren für über 70 Quellsysteme (SharePoint, Confluence, Jira, SAP und ähnliche) [19], aber die Anbindung allein reicht nicht. Datenbereinigung und -aufbereitung machen 30 bis 50 % der Projektkosten aus [7]. Bevor das erste RAG-System produktiv geht, muss die Datenbasis konsolidiert sein. Regulatorische Anforderungen kommen hinzu. Der EU AI Act verlangt Dokumentation, Risikoeinschätzung und Maßnahmen zur KI-Kompetenz des Personals [4]. Ein produktives AI-System muss diese Anforderungen von Anfang an in der Architektur berücksichtigen. Nachträgliches Compliance-Retrofitting ist deutlich teurer. Architekturentscheidungen haben langfristige Folgen. Die Wahl der Vektordatenbank, des LLM-Providers und der Deployment-Strategie (Cloud, Hybrid, On-Premise) bestimmt, wie flexibel das System später ist. Eine frühe Festlegung auf einen einzigen Anbieter erzeugt ein Lock-in, das spätere Anpassungen verteuert. Die Gegenmaßnahme ist eine Abstraktionsschicht zwischen Geschäftslogik und Provider-APIs, sodass LLMs und Datenbanken ausgetauscht werden können, ohne den Anwendungscode zu ändern [18]. In der Praxis setzen Teams dafür auf Frameworks wie LangChain oder standardisierte Interfaces, die Modellaufrufe entkoppeln. #### Architektur am Beispiel: Eine Echtzeit-Governance-Plattform Ich arbeite an einer Echtzeit-Governance-Plattform, die mehrere spezialisierte Agenten mit einem Knowledge Graph verbindet, um regulatorische Compliance kontinuierlich zu überwachen. Die Architekturmuster dahinter tauchen in ähnlicher Form bei Qualitätsmanagement, technischer Dokumentation und Vertragsanalyse auf. Der Knowledge Graph bildet eine Ontologie ab: Regulierung → Anforderung → Kontrolle → Prozedur → Nachweis. Jede Verbindung hat einen Typ. Das ermöglicht Multi-Hop Reasoning: von einem konkreten Nachweis (etwa einem Firewall-Log) zurück zur Regulierung, die er erfüllt. Das ergibt einen Audit-Trail, den ein Prüfer nachvollziehen kann. In einfachen RAG-Systemen fehlt diese Strukturebene. Compliance-Regeln werden in Gherkin-Syntax definiert (Given/When/Then), einem Format aus dem Software-Testing, das regulatorische Anforderungen maschinenlesbar macht. Ein Beispiel: GIVEN Benutzer hat Rolle IT_Ops AND Dokument ist als „Intern“ klassifiziert, WHEN das System eine Abfrage ausführt, THEN werden vertrauliche Dokumente ausgeschlossen. Die Rechtsabteilung versteht die Regel. Das Entwicklungsteam kann sie als automatisierten Test implementieren. Diese Brücke zwischen juristischer und technischer Sprache ist einer der unterschätzten Erfolgsfaktoren bei Multi-Agenten-RAG-Systemen. Eine Evidence Verification Pipeline prüft hochgeladene Nachweise automatisch in sechs Schritten: Dokumentenaufnahme, OCR und Metadaten-Extraktion, Zeitstempel- und Formatvalidierung, SHA-256-Hash für Unveränderlichkeit, Speicherung im Write-Once Compliance Ledger, semantische Verknüpfung im Knowledge Graph. Das meiste davon läuft automatisch. Für Datensouveränität sorgt ein clientseitiger Smart Router, ein Muster, das in der Industrie als Intelligent LLM Routing oder LLM Gateway dokumentiert ist [16]. Öffentliche Daten (Regulierungstexte, Standards) gehen an Cloud-LLMs mit besserer Modellqualität. Vertrauliche Daten (interne Policies, personenbezogene Informationen) bleiben lokal und werden von einem lokalen LLM verarbeitet. Sensible Daten verlassen so die Firewall nicht. Das Deployment basiert auf einem containerisierten Stack mit Deployment Toggle: derselbe Code für SaaS, Hybrid und On-Premise. Gartner prognostiziert, dass bis 2027 rund 35 % der Länder regional gebundene AI-Plattformen vorschreiben werden [17]. Die Datenschicht wird per Konfiguration ausgetauscht, nicht per Codeanpassung. Diese Austauschbarkeit ist auch für den Exit-Fall relevant: DORA verlangt eine belegbare Exit-Strategie, und das System muss beweisen können, dass der Knowledge Graph aus lokalen Rohdaten rekonstruierbar ist. #### Wie starten Sie konkret? Was wir bei Convios in Einführungsprojekten sehen: Use Cases kommen aus den Fachabteilungen. Die IT liefert die technische Machbarkeitseinschätzung. Beide Seiten brauchen Workshops, in denen die Fachabteilung ein konkretes Geschäftsproblem beschreibt und die IT bewertet, ob ein Multi-Agenten-RAG-System die passende Lösung ist. Häufig reicht für den Einstieg auch ein einfacheres RAG-System, und die Multi-Agenten-Architektur wächst mit den Anforderungen. Schulung gehört von Tag eins dazu. Mitarbeitende, die später mit dem System arbeiten, müssen verstehen, was es kann und wo seine Grenzen liegen. Der EU AI Act verlangt ohnehin Maßnahmen zur KI-Kompetenz [22]. Eine Schulung ist eine davon. Die organisatorische Akzeptanz entscheidet über den Erfolg: Fachabteilungen, die das System als Arbeitserleichterung erleben (schnellere Audit-Antworten, weniger manuelle Dokumentation), treiben die Nutzung. Fachabteilungen, die es als Kontrollinstrument wahrnehmen, blockieren. Die ersten Architekturentscheidungen betreffen drei Fragen: Welche Datenquellen soll das System anbinden? Welches LLM (Cloud, lokal, hybrid)? Und wie sieht die Deployment-Strategie aus? Bei der LLM-Auswahl für regulierte Umgebungen zählen vier Kriterien: Datensouveränität (wo werden Daten verarbeitet?), Modellqualität für die Fachdomäne, Kosten pro Anfrage und die Möglichkeit, den Anbieter zu wechseln. In regulierten Branchen ist die Datensouveränitätsfrage oft die erste, die beantwortet werden muss. Die typische Implementierungsdauer für ein Compliance-System im Mittelstand liegt bei 32 bis 56 Wochen [10]. Wer ein Hochrisiko-System bis Dezember 2027 konform betreiben muss, sollte bei dieser Dauer spätestens im Herbst 2026 starten (eigene Kalkulation auf Basis von [10]). Microsoft hat ein Reifegradmodell für agentische AI veröffentlicht mit acht Dimensionen: Strategie, Prozesstransformation, Governance, Wertrealisierung, Architektur, Betrieb, organisatorische Bereitschaft und verantwortungsvolle AI [11]. Der typische Fortschritt pro Stufe dauert 18 bis 36 Monate. Wer heute einfache Chatbots einsetzt, steht auf Stufe eins oder zwei. Multi-Agenten-RAG mit Knowledge Graph erfordert Stufe drei oder vier. Der Einstieg ist trotzdem möglich, wenn das erste Projekt bewusst als Lernprojekt angelegt wird, mit einem klar begrenzten Use Case und einem interdisziplinären Team. Ein typisches Kernteam für ein erstes RAG-Projekt im Mittelstand besteht aus vier bis sechs Personen: ein bis zwei Entwickler mit Python- und LLM-Erfahrung, ein Fachexperte aus der Zielabteilung (Compliance, QM oder Dokumentation), ein Projektleiter, und bei regulierten Anwendungen jemand mit Governance-Verständnis. Unternehmen, die dieses Profil intern nicht abbilden können, arbeiten mit einem externen Partner für die ersten sechs bis zwölf Monate und bauen parallel internes Wissen auf. #### Was kostet Aufbau und Betrieb? Ein einfaches RAG-System mit Dokumentensuche kostet in der Implementierung zwischen 8.000 und 45.000 USD [8]. Ein Multi-Agenten-RAG-System mit Knowledge Graph, Compliance-Logik und Evidence Verification liegt bei 150.000 bis 400.000 USD [8]. Die laufenden Betriebskosten liegen bei 3.200 bis 13.000 USD pro Monat [9]. Ein häufig unterschätzter Faktor: Embedding-Generierung, Reranking und Re-Indexierung machen 60 bis 70 % der gesamten RAG-Infrastrukturkosten aus [9]. Teams, die nur die offensichtlichen API-Kosten kalkulieren, unterschätzen den Gesamtaufwand um den Faktor zwei bis drei. Für regulierte Branchen kommt ein Compliance-Aufschlag von 20 bis 30 % auf die Infrastrukturkosten hinzu [12]. Audit-Trails, Dokumentation von Retrieval-Entscheidungen und Nachweisketten müssen von Anfang an in der Architektur verankert sein. Eine Gegenrechnung (eigene Kalkulation auf Basis von [8] und [12]): Ein Compliance-Team, das pro Quartal 40 Personenstunden für manuelle Dokumentation und Audit-Vorbereitung aufwendet, verursacht bei 120 EUR Stundensatz Kosten von 19.200 EUR pro Jahr. Ein Multi-Agenten-RAG-System mit monatlichen Betriebskosten von 8.000 USD (ca. 7.400 EUR) kostet 88.800 EUR pro Jahr. Der reine Kostenvergleich spricht erst ab vier bis fünf Vollzeitstellen in der Compliance für die Automatisierung. Der eigentliche Hebel liegt in der Geschwindigkeit der Audit-Antwort und in der Fehlerreduktion: ein einzelner Compliance-Fehler in regulierten Branchen kann Audit-Kosten von 50.000 USD und mehr auslösen [13]. (Schätzung) #### Wie baut man ein vertrauliches Multi-Agenten-RAG? Ein vertrauliches Multi-Agenten-RAG steht auf vier Bausteinen. Jedes Dokument wird vor der Indexierung nach Vertraulichkeit klassifiziert. Ein Router entscheidet, welche Daten ein Cloud-LLM sehen darf und welche lokal verarbeitet werden. Zugriffsrechte greifen auf Retrieval-Ebene, pro Nutzer und pro Datensatz. Und jeder Abruf landet in einem unveränderlichen Audit-Log. Die Grundsatzentscheidung betrifft den Verarbeitungsort. US-APIs liefern derzeit die stärksten Modelle, verarbeiten Anfragen aber außerhalb der EU. On-Premise und EU-Cloud halten vertrauliche Daten hinter der eigenen Firewall, dafür tragen Sie den Betriebsaufwand und akzeptieren meist eine schwächere Modellqualität. Der oben beschriebene Smart Router kombiniert beides: öffentliche Inhalte gehen in die Cloud, vertrauliche bleiben lokal. In der Praxis scheitert Vertraulichkeit meist an fehlenden Metadaten. Jeder Chunk braucht Sensitivitäts- und Berechtigungs-Metadaten, bevor er in die Vektordatenbank wandert [20]. Beim Abruf filtert das System auf Zeilenebene (Row-Level Security), die Vektorsuche arbeitet nur innerhalb des Berechtigungsraums der anfragenden Person [20]. Rechtlich bleiben Sie als Betreiber in der Pflicht. Der EU AI Act verlangt vom Deployer Maßnahmen zur KI-Kompetenz der Mitarbeitenden und Transparenz gegenüber Nutzern, die DSGVO eine Rechtsgrundlage für jede personenbezogene Verarbeitung und je nach Risiko eine Datenschutz-Folgenabschätzung. Die Datenschutzkonferenz hat 2025 eine eigene Orientierungshilfe für RAG-Systeme veröffentlicht, mit konkreten technischen und rechtlichen Maßnahmen [21]. Das Audit-Log verbindet am Ende Identität, Anfrage, abgerufene Quellen und Antwort. Damit wird jeder einzelne Zugriff prüffähig [20]. RAG_CONF_H2_EN: How do you build a confidential multi-agent RAG? #### Unsere Einordnung Das Feld entwickelt sich in einem Tempo, das auch uns bei Convios überrascht. Vor einem Jahr waren Multi-Agenten-RAG-Systeme ein Thema für spezialisierte AI-Unternehmen. Heute suchen Verkehrsunternehmen, Banken und Versicherungen aktiv nach genau diesen Architekturen. Die Stellenprofile verlangen die Fähigkeit, Python, LLM-Orchestrierung und Vektordatenbanken in einer integrierten Architektur zusammenzubringen. An der Universität Zürich haben Seminar und Vorlesung einzelne Aspekte dieser Systeme in der Lehre aufgegriffen, unter anderem Evidence Verification, Hybrid Deployment und verteilte Teamstrukturen. Gute Impulse und Inputs kamen von Studierenden, die sich eigenständig mit diesen Teilproblemen beschäftigt haben. Die Ergebnisse zeigen, dass die nächste Generation diese Konzepte schnell adaptiert und eigene Lösungsansätze einbringt. Bei Convios behandeln wir KI-Strategie, wertschöpfende Business-Use-Cases, Softwareentwicklung, KI- und IT-Architekturen sowie Governance als zusammenhängendes Ganzes. Unternehmen, die diese Disziplinen in getrennten Abteilungen bearbeiten, brauchen deutlich mehr Iterationen, bis produktive Ergebnisse entstehen. Das sehen wir regelmäßig in unseren Mandaten. Ein Multi-Agenten-RAG-System ist per Definition multidisziplinär: es verbindet Fachwissen, Daten, Software und regulatorische Anforderungen in einer Architektur. Ein isoliertes IT-Projekt wird diese Erwartungen verfehlen. Wenn Sie mit der regulatorischen Seite beginnen wollen, finden Sie einen Überblick zum EU AI Act und seinen Fristen für den Mittelstand auf dieser Seite. Ein Praxisleitfaden KI-Betriebssystem im Mittelstand hilft bei der Bestandsaufnahme. --- ### KI-Regulierung 2026: Pflichten im Mittelstand URL: https://www.convios.com/de/insights/ki-regulierung-mittelstand-2026 URL (EN): https://www.convios.com/en/insights/ki-regulierung-mittelstand-2026 Published: 2026-04-08 Zuletzt aktualisiert am 2. Juli 2026. Nach der finalen Verabschiedung des Digital Omnibus am 29. Juni 2026 zählen für den Mittelstand drei Fristen. Die Transparenzpflichten des EU AI Act greifen ab dem 2. August 2026, die Watermarking-Pflicht für Bestandssysteme ab dem 2. Dezember 2026. Die Hochrisiko-Pflichten verschieben sich auf den 2. Dezember 2027 (Annex III) und den 2. August 2028 (Annex I). KI-Kompetenzpflicht und NIS2 gelten bereits; eine verpasste BSI-Registrierung sollten Sie sofort nachholen. #### Executive Summary Sieben EU-Regulierungen treten im April 2026 gleichzeitig in den operativen Alltag des Mittelstands ein. Das NIS2-Umsetzungsgesetz ist seit Dezember 2025 ohne Übergangsfrist in Kraft und betrifft rund 29.500 Unternehmen in Deutschland [1]. Die KI-Kompetenzpflicht nach dem EU AI Act gilt bereits seit Februar 2025 und ab Dezember 2026 haften Hersteller von Software und KI-Produkten nach der neuen Produkthaftungsrichtlinie [2][23]. Ein integriertes Governance-Framework kann bis zu 60% des Compliance-Aufwands einsparen, weil sechs von sieben Regulierungen dieselben Kernanforderungen stellen [12]. Stand 24. Juli 2026: Der Digital Omnibus ist als Verordnung (EU) 2026/1744 verabschiedet und am 24. Juli 2026 im EU-Amtsblatt veröffentlicht [29]. Rat (13. März) und Parlament (26. März, 569 zu 45 Stimmen) hatten die Hochrisiko-Verschiebung gefordert; genau so steht sie jetzt im finalen Text: 2. Dezember 2027 für Annex III, 2. August 2028 für Annex I. #### Welche Regulierung betrifft welches Unternehmen? Jeder Geschäftsführer muss wissen, welche Pflichten im Mittelstand für sein Unternehmen gelten. Die Antwort hängt von drei Faktoren ab: Unternehmensgröße, Sektor und Produktportfolio. Jedes Unternehmen, das KI-Systeme einsetzt, muss seit Februar 2025 Maßnahmen zur KI-Kompetenz seiner Beschäftigten ergreifen (Art. 4 AI Act, seit Juli 2026 in abgeschwächter Fassung) [2][26][29]. Die verbotenen KI-Praktiken gelten unabhängig von der Unternehmensgröße. Dazu kommt die DSGVO, die bei jedem KI-Einsatz mit personenbezogenen Daten greift. Der EDPB hat im Dezember 2024 klargestellt, dass berechtigtes Interesse als Rechtsgrundlage für KI-Training möglich ist, aber einen dreistufigen Test erfordert [4]. Die Datenschutzkonferenz hat im Oktober 2025 eine Orientierungshilfe zu RAG-basierten KI-Systemen veröffentlicht [5]. Unternehmen in NIS2-Sektoren (Energie, Transport, Gesundheit, digitale Infrastruktur, verarbeitendes Gewerbe, Lebensmittel, Chemie und 12 weitere) mit mehr als 50 Mitarbeitern oder 10 Mio. Euro Umsatz fallen unter das NIS2UmsuCG [1]. Die Registrierung beim BSI war bis März 2026 Pflicht. Wer sie verpasst hat, sollte sofort nachholen. Geschäftsführer haften persönlich nach §38 BSIG, ein Haftungsverzicht ist ausgeschlossen [6]. Die zehn Mindestmaßnahmen nach §30 BSIG umfassen Risikoanalyse, Incident Management, Business Continuity und Lieferkettensicherheit. Hersteller von Produkten mit digitalen Elementen (Maschinen, IoT-Geräte, Industriesoftware) unterliegen dem Cyber Resilience Act. Ab September 2026 müssen aktiv ausgenutzte Schwachstellen innerhalb von 24 Stunden gemeldet werden [7]. Die vollständige Konformität mit CE-Kennzeichnung greift ab Dezember 2027. Rund 90% der Produkte können per Selbstbewertung konformitätsbewertet werden [7]. Wenn Sie vernetzte Produkte herstellen, betrifft Sie zusätzlich der Data Act: Ab September 2026 müssen neue Produkte Datenzugang technisch ermöglichen ("Access by Design") [8]. Der Bundestag hat das Durchführungsgesetz am 26. März 2026 verabschiedet [9]. Dazu kommt die neue Produkthaftungsrichtlinie, die bis zum 9. Dezember 2026 in deutsches Recht umgesetzt werden muss. Software und KI-Systeme gelten erstmals als "Produkt" im haftungsrechtlichen Sinne [23]. Der Bundestag hat die erste Lesung des Umsetzungsgesetzes am 4. März 2026 durchgeführt [23]. Wer CRA- oder AI-Act-Anforderungen nicht erfüllt, riskiert damit eine Vermutung der Produktfehlerhaftigkeit in Zivilprozessen. Hersteller, die nach dem Inverkehrbringen weiterhin Kontrolle über ihr Produkt ausüben (Updates, digitale Dienste, vernetzte Komponenten), haften auch für danach auftretende Mängel [23]. Finanzsektor und deren IT-Zulieferer fallen unter DORA, das seit Januar 2025 gilt. DORA ist lex specialis zu NIS2 und stellt strengere Anforderungen: Vorfälle müssen innerhalb von vier Stunden nach Klassifizierung gemeldet werden [10]. Die BaFin führt 2026 systematische Prüfungen durch. Mittelständler sind betroffen, wenn sie als kritische IKT-Drittdienstleister für Finanzunternehmen arbeiten. Auch Unternehmen unterhalb der formalen Schwellenwerte spüren den Druck. NIS2-regulierte Kunden verlangen von Zulieferern vertragliche Cybersicherheitsnachweise [11]. Wer in der Lieferkette eines betroffenen Unternehmens steckt, braucht mindestens eine dokumentierte Sicherheitsstrategie. #### Wo überlappen sich die Anforderungen? Fünf Anforderungsbereiche tauchen in praktisch jeder der sieben Regulierungen auf. Wer sie einmal sauber aufbaut, spart nach Branchenschätzungen bis zu 60% des Compliance-Aufwands gegenüber isolierten Projekten [12]. Ein einziges Risikoregister mit regulierungsspezifischen Kategorien kann die Anforderungen aus allen Verordnungen bedienen. Ein einziger Incident-Response-Prozess mit unterschiedlichen Meldefristen je Regime ersetzt fünf parallele Meldeketten. Ein Vendor-Assessment-Framework mit regulierungsspezifischen Zusatzmodulen eliminiert redundante Lieferantenprüfungen. Das Digital Omnibus sieht ein einheitliches EU-Meldeportal vor, das Meldungen automatisch an die zuständigen Behörden weiterleitet [3]. Bis dahin muss jedes Unternehmen selbst sicherstellen, dass ein Cybervorfall die richtigen Behörden in der richtigen Frist erreicht. Die neue Produkthaftungsrichtlinie verstärkt den Druck zusätzlich: Fehlende Compliance mit CRA oder AI Act kann in Zivilprozessen als Beweis für Produktmängel herangezogen werden [23]. #### Welche Zertifizierung deckt welche Regulierung ab? ISO 27001:2022 ist das Fundament. Die Norm deckt 60 bis 85% der NIS2-Anforderungen und rund 85% der DORA-Anforderungen ab [13]. Was fehlt, sind die spezifischen Meldefristen und sektorspezifische Vorgaben. Für einen Mittelständler mit 100 Mitarbeitern kostet die Zertifizierung zwischen 50.000 und 100.000 Euro (Schätzung), die Umsetzung dauert sechs bis zwölf Monate. Für KI-Governance gibt es seit 2023 die ISO 42001. Die Norm unterstützt die AI-Act-Compliance für Hochrisikosysteme direkt, garantiert sie aber nicht, weil die rechtlichen Anforderungen über jeden freiwilligen Standard hinausgehen [14]. Die harmonisierten Normen von CEN-CENELEC werden voraussichtlich ISO-42001-Konzepte referenzieren. Der Entwurf prEN 18286 hat die öffentliche Anhörung durchlaufen [15]. Im Oktober 2025 wurde die ISO 27701 grundlegend überarbeitet und ist jetzt ein eigenständiges Managementsystem. Die bisherige Voraussetzung einer ISO-27001-Zertifizierung entfällt [16]. Die Norm bildet DSGVO-Anforderungen direkt ab und enthält neue Anhänge zu KI-bezogener Verarbeitung. Für die Automobilzulieferkette deckt TISAX die NIS2-Anforderungen nach Art. 20 und 21 vollständig ab, sofern alle betroffenen Standorte im Scope sind [17]. Cloud-Dienstleister profitieren vom BSI C5-Testat mit 121 Kontrollen [18]. #### Verschieben sich die Fristen durch das Omnibus-Paket? Stand Juli 2026: Der Digital Omnibus ist durch. Nach dem ergebnislosen Trilog vom 28. April kam die politische Einigung am 7. Mai [24], das Parlament stimmte am 16. Juni zu [27], der Rat gab am 29. Juni die finale Zustimmung [25]. Veröffentlicht ist das Paket als Verordnung (EU) 2026/1744 im EU-Amtsblatt vom 24. Juli 2026 [29]. Die Hochrisiko-Fristen sind damit fix, 2. Dezember 2027 für Annex III und 2. August 2028 für Annex I. Die Transparenzpflichten bleiben beim 2. August 2026, Watermarking für Bestandssysteme rückt auf den 2. Dezember 2026 [26]. Die KI-Kompetenzpflicht bleibt bestehen, inhaltlich abgeschwächt [26]. Neu ist ein Verbot von KI-Systemen für nicht einvernehmliche intime Deepfakes [25]. Bei NIS2 gilt die Registrierungspflicht unverändert [28]. Zwei Omnibus-Pakete betreffen den Mittelstand. Das Nachhaltigkeits-Omnibus ist verabschiedet: Die Richtlinie (EU) 2026/470 trat am 16. März 2026 in Kraft und hebt die CSRD-Berichtspflicht auf Unternehmen ab 1.000 Mitarbeitern und 450 Mio. Euro Umsatz an [19]. Für den typischen Mittelstand fällt die Nachhaltigkeitsberichterstattung damit weg. Das Digital Omnibus ist verabschiedet und als Verordnung (EU) 2026/1744 am 24. Juli 2026 im EU-Amtsblatt veröffentlicht [29]. Die Hochrisiko-Frist verschiebt sich damit endgültig auf den 2. Dezember 2027 (Annex III) und den 2. August 2028 (Annex I). Mehrere Vereinfachungsvorschläge der Kommission wurden im Verfahren zurückgenommen: Die KI-Kompetenzpflicht bleibt bestehen, mit abgesenktem Standard [26]. Neu hinzugekommen ist ein Verbot von KI-Systemen, die nicht-einvernehmliche sexuelle Deepfakes erzeugen [25]. Die Kennzeichnungspflicht für KI-generierte Inhalte (Art. 50) gilt ab dem 2. August 2026; für davor in Verkehr gebrachte Bestandssysteme greift sie zum 2. Dezember 2026 [26]. Der DIHK fordert in seinem Positionspapier einheitliche Definitionen über alle Digitalgesetze und gestaffelte Zertifizierungsoptionen [21]. Für die Umsetzungsplanung heißt das: Die neuen Fristen sind rechtssicher. Ein weiteres Warten auf Brüssel gibt es nicht. #### Was muss ich als Geschäftsführer diese Woche tun? Setzen Sie sich am Montag 90 Minuten hin und öffnen Sie die BSI-Betroffenheitsprüfung unter bsi.bund.de. Die 15 Fragen klären, ob Sie unter NIS2 fallen. Schreiben Sie das Ergebnis auf eine Seite: betroffener Sektor ja/nein, Schwellenwerte erfüllt ja/nein, Registrierung beim BSI erledigt ja/nein. Wenn Sie die Registrierung im März 2026 verpasst haben, holen Sie das in derselben Sitzung nach. Das BSI-Meldeportal ist seit Januar 2026 online [1]. Prüfen Sie in der gleichen Sitzung, ob der CRA oder der Data Act für Ihre Produkte greift. ISO 27001 als integriertes Compliance-Fundament beauftragen lohnt sich auch dann, wenn Sie formal nicht unter NIS2 fallen. Beauftragen Sie einen Readiness-Check bei einem akkreditierten Anbieter. Der Check misst Ihren aktuellen Stand gegen die Norm und liefert eine Gap-Analyse mit priorisierter Maßnahmenliste. Typischer Zeitrahmen bis zur Zertifizierung: sechs bis zwölf Monate. Investition für den unteren Mittelstand ab 50.000 Euro (Schätzung). Der Readiness-Check selbst kostet zwischen 3.000 und 8.000 Euro (Schätzung) und dauert zwei bis vier Wochen. Listen Sie alle KI-Systeme auf, die in Ihrem Unternehmen im Einsatz sind, vom Chatbot im Kundenservice bis zum KI-gestützten Bewerbungsscreening. Ordnen Sie jedes System einer Risikostufe des AI Act zu: verboten, Hochrisiko, begrenztes Risiko, minimales Risiko. Die meisten Office-KI-Tools (Copilot, ChatGPT im Browser) fallen unter minimales Risiko. Kritisch wird es bei KI in HR-Prozessen, Kreditentscheidungen oder biometrischer Erkennung. Prüfen Sie, welche Maßnahmen zur KI-Kompetenz Sie nach Art. 4 bereits ergriffen haben [29]. Bitkom bietet kostenlose Leitfäden zur Selbsteinschätzung [22]. Wenn Sie Hochrisiko-Systeme im Einsatz haben, beginnen Sie jetzt mit der Dokumentation. Die architektonischen Grundlagen für ein auditfähiges KI-System beschreibt die KI-Compliance-Architektur in drei Entscheidungen. Auf eine weitere Verschiebung zu warten ist eine Wette. #### Unsere Einordnung Uns sagt fast jeder Geschäftsführer dasselbe: "Wir machen NIS2 mit dem IT-Leiter und den AI Act klären wir separat." Das klingt logisch. Es ist der teuerste Ansatz. Bei einem Kunden mit 200 Mitarbeitern haben wir ein einziges Risikoregister mit fünf regulierungsspezifischen Modulen aufgebaut. Der Compliance-Aufwand hat sich in etwa halbiert (Schätzung auf Basis von zwei vergleichbaren Mandaten). Was mich seitdem begleitet: In drei weiteren Fällen war die ISO-27001-Zertifizierung am Ende günstiger als die Anwaltskosten, die bei einer Bußgelddiskussion angefallen wären. Im Spätsommer 2026 lagen drei Fristen dicht beieinander: AI-Act-Transparenzpflichten im August, CRA-Schwachstellenmeldung und Data-Act-Access-by-Design im September. Im Dezember kommt die Produkthaftungsrichtlinie dazu. Wer dann noch keinen funktionierenden Incident-Response-Prozess hat, der mehrere Regulierungen gleichzeitig bedient, arbeitet im Krisenmodus. Welche Regulierungen konkret für Ihr Unternehmen gelten und wo Sie heute stehen, zeigt der KI-Regulierungs-Check für den Mittelstand. --- ### KI-ROI-Landkarte: Wo sich KI-Investitionen rechnen URL: https://www.convios.com/de/insights/ki-roi-landkarte-mittelstand URL (EN): https://www.convios.com/en/insights/ki-roi-landkarte-mittelstand Published: 2026-03-30 #### Executive Summary Der deutsche Mittelstand hat seine KI-Investitionen 2025 auf 0,35 Prozent des Umsatzes gesenkt, während der Gesamtmarkt auf 0,50 Prozent gestiegen ist [1]. 81 Prozent der KMU messen den KI-ROI nicht systematisch [2]. Unternehmen mit drei oder mehr KI-Anwendungen in Produktion erreichen 160 Prozent ROI, Einzelprojekte landen bei 40 Prozent [3]. Die KI-ROI-Landkarte für den Mittelstand sortiert Investitionen nach Breakeven-Geschwindigkeit und Vorhersagbarkeit und benennt vier Faktoren, die über den Erfolg entscheiden. #### Die Frage, die jeder Geschäftsführer stellt Frau Kettner (Name geändert) leitet einen familiengeführten Fleischverarbeiter im Emsland. 190 Mitarbeiter, Räucherwaren und regionale Wurstsortimente, Belieferung von Lebensmitteleinzelhandel und Fachgroßhandel, 32 Millionen Umsatz. Als ein Kollege aus unserem Team letzte Woche bei ihr saß, legte sie zwei Ausdrucke auf den Tisch. Links eine Kalkulation ihres Controllers: KI-Lizenzen, Beratungskosten, Schulung, Gesamtinvestition 95.000 Euro. Rechts eine Schätzung ihres Vertriebsleiters: Zeitersparnis, weniger Retouren, bessere Angebotserstellung, geschätzte Einsparung 110.000 Euro im Jahr. Ihre Frage: „Wer hat Recht?“ Beide. Und genau das ist das Problem. Der Controller hat Recht, weil KI-Investitionen real sind und sofort anfallen. Der Vertriebsleiter hat Recht, weil die Einsparungen real sind, aber zeitversetzt kommen. Solange beide keine gemeinsame Formel haben, reden sie aneinander vorbei. Wir haben aus zwölf aktuellen Studien und den Erfahrungen der letzten Monate eine Landkarte abgeleitet, die genau diese Lücke schließt. Sie sortiert KI-Investitionen im Mittelstand nach zwei Achsen: Wie schnell kommt der Return? Und wie vorhersagbar ist er? #### Die KI-ROI-Formel für den Mittelstand Bevor Sie die Landkarte lesen, brauchen Sie eine Rechengrundlage. Die folgende Formel ist keine Wissenschaft, sondern eine Servietten-Rechnung, die wir bei Convios mit Geschäftsführern durchgehen. Sie passt auf eine halbe DIN-A4-Seite und Ihr Aufsichtsrat versteht sie beim ersten Lesen. Was bei Frau Kettner herauskam, als wir die Formel mit ihren Zahlen gefüllt haben: Diese Rechnung funktioniert, weil Rechnungsverarbeitung repetitiv ist, einen klaren Input und Output hat und wenig menschliches Urteil erfordert. Thomson Reuters beziffert den First-Year-Return für Dokumentenautomatisierung auf 200 bis 400 Prozent [3]. Frau Kettners Zahlen liegen im unteren Bereich dieses Korridors, weil ihr Unternehmen kleiner ist. Die Formel bleibt dieselbe. #### Die KI-ROI-Landkarte: Wo liegt Ihr Use Case? Nicht jede KI-Investition rechnet sich so schnell. Die Landkarte zeigt drei Zonen mit sehr unterschiedlichen Rendite-Profilen. Ein Maschinenbauer hat mit Computer Vision seine Fehlerquote um 42 Prozent gesenkt [2]. Das ist gelbe Zone: 6 bis 12 Monate bis zum Breakeven, weil die Kameras installiert, die Bilder gelabelt und das System trainiert werden mussten. Ein anderer Hersteller reduzierte mit Predictive Maintenance seinen Ausschuss um 30 Prozent [4]. Auch gelbe Zone, selbes Muster. Was beide gemeinsam haben: Sie brauchten unternehmensspezifische Daten. Ohne Sensoren an den Maschinen und ohne bereinigtes Datenmaterial funktioniert Predictive Maintenance nicht. Die rote Zone beginnt beim Wissensmanagement. Thomson Reuters sieht 300 bis 500 Prozent ROI über drei Jahre [3]. Das klingt verlockend. Die ehrliche Zahl dahinter: Nur 6 Prozent aller KI-Projekte erreichen den Payback in unter einem Jahr [6]. Der typische Zeitraum liegt bei zwei bis vier Jahren, drei- bis viermal länger als bei normalen IT-Investitionen. Wer in der roten Zone anfängt, braucht einen langen Atem und einen Aufsichtsrat, der das mitträgt. #### Was passiert, wenn Sie nicht investieren? Der CIO eines Automobilzulieferers, 310 Mitarbeiter, hat unserem Team drei KI-Prototypen gezeigt. Alle drei funktionierten technisch. Keiner war in den Produktivbetrieb gegangen. „Wir haben die Technologie“, sagte er. „Was uns fehlt, ist der Weg danach.“ 95 Prozent der generativen KI-Piloten scheitern [7]. Die IBM CEO Study bestätigt: 25 Prozent der KI-Initiativen liefern den erwarteten ROI, 16 Prozent werden skaliert [8]. Die Ursache ist keine Technik. Es sind Kultur, fehlende Governance, isolierte Workflows und mangelnde Datenstrategie [8]. Beim Automobilzulieferer sah das so aus: Einen Prototypen hatte die Fachabteilung per Vibe Coding in zwei Tagen gebaut, für unter 500 Euro. Das Ergebnis war brauchbar. Was fehlte, war die Antwort auf drei Fragen, die beim Übergang vom Pilot in den Echtbetrieb regelmäßig scheitern: Wer pflegt das System, wenn der begeisterte Entwickler im Urlaub ist? Wer prüft, ob die KI eine Rechnung richtig klassifiziert hat? Und wer trägt die Haftung, wenn nicht? Ein Prototyp ist kein Produkt. Vibe Coding drückt die Kosten für einen Proof of Concept unter 1.000 Euro. Aber der Übergang in den Produktivbetrieb braucht Architektur, Sicherheit und eine klare Trennung zwischen Green Zone (KI arbeitet eigenständig) und Red Zone (ein Mensch prüft jedes Ergebnis) [9]. Die unbequeme Rechnung, die der CIO des Automobilzulieferers nicht aufgemacht hatte: Sein Wettbewerber, zwei Orte weiter, hatte die Rechnungsverarbeitung bereits automatisiert. 65.000 Euro Einsparung im ersten Jahr (Schätzung). Im dritten Jahr sind das 195.000 Euro Vorsprung, und zwei Mitarbeiter, die der Wettbewerber in die Angebotskalkulation verschoben hat. Der Rückstand wächst mit jedem Quartal, in dem niemand eine Entscheidung trifft. #### Warum die Organisation über den ROI entscheidet BCG hat 2.000 Führungskräfte befragt. Ein Ergebnis sticht heraus: Unternehmen, deren Geschäftsführung sich persönlich und substanziell mit KI beschäftigt, sind 12-mal wahrscheinlicher in den Top 5 Prozent der KI-Gewinner [10]. Zwölfmal. Bei einem Automobilzulieferer mit 310 Mitarbeitern bedeutet das konkret: Es reicht nicht, wenn der IT-Leiter ein Budget bekommt und drei Prototypen baut. Jemand in der Geschäftsführung muss sagen: „Dieses Projekt geht am 1. Juli in den Produktivbetrieb. Ich trage die Verantwortung.“ Futurum hat 820 Unternehmen befragt: Firmen auf der höchsten KI-Reifestufe haben dreimal häufiger einen Chief AI Officer als primären KI-Entscheider (29,4 Prozent gegenüber 11,5 Prozent) [11]. Für einen Mittelständler mit 200 Mitarbeitern ist ein Vollzeit-CAIO unrealistisch. Was sich übertragen lässt: Eine Person in der Geschäftsführung, die KI-Verantwortung mit eigenem Budget und eigenen KPIs trägt. Keine Zusatzaufgabe für den IT-Leiter. Der zweite Hebel überrascht viele: Der höchste ROI entsteht oft gar nicht in Vertrieb und Marketing, sondern in der Back-Office-Automatisierung [12]. BPO-Verträge kündigen. Agenturgebühren reduzieren. Externe Beraterhonorare durch interne KI-Fähigkeiten ersetzen. Hier sitzen die stillen Einsparungen, die auf der GuV sichtbar werden, ohne dass die Belegschaft Angst bekommt. Den dritten Faktor unterschätzen die meisten. Tran (2026) hat in einer Studie untersucht, warum manche KI-Projekte funktionieren und andere Geld verbrennen [14]. Die Antwort: Governance-Fähigkeit ist die Voraussetzung, nicht das Ergebnis. Wer ein Framework an die Wand hängt, aber keine operativen Regeln daraus ableitet (wer prüft was, wer entscheidet was, wer haftet wofür), bekommt keinen ROI. PwC bestätigt: 60 Prozent der Befragten sagen, dass Responsible AI den ROI verbessert [15]. Governance ist das, was den Prototyp des IT-Leiters produktionsreif macht. #### Das Jevons-Paradoxon in Ihrer KI-Budgetplanung Eine Zahl hat uns bei Convios stutzig gemacht, als wir die Budgets mehrerer Mandanten verglichen haben. Die Kosten pro KI-Anfrage sind seit 2023 um rund 92 Prozent gefallen. Das klingt nach sinkenden Gesamtkosten. Gleichzeitig sind die Gesamtausgaben für KI-Inference um rund 320 Prozent gestiegen [13]. William Stanley Jevons hat dieses Muster 1865 bei Kohle beschrieben: Effizientere Dampfmaschinen senkten den Kohlepreis pro Einheit, aber der Gesamtverbrauch stieg, weil plötzlich viel mehr Anwendungen wirtschaftlich waren. Bei KI passiert dasselbe. Fallende Token-Preise machen Anwendungen möglich, die vor einem Jahr noch zu teuer waren: längere Reasoning-Ketten, Multi-Agent-Workflows, ständig laufende Hintergrundanalysen. Für Ihre Budgetplanung heißt das: Planen Sie nicht mit sinkenden Kosten. Planen Sie mit steigenden Kosten bei sinkendem Preis pro Einheit. Die FinOps-Disziplin, die im Cloud Computing die Budgetexplosion eingedämmt hat, wird für KI genauso notwendig. Ein KI-Budget ohne monatliches Monitoring ist wie ein Cloud-Budget ohne Kostenwarnungen: Es läuft weg. #### Unsere Einordnung Fast jeder Geschäftsführer, mit dem wir bei Convios sprechen, sagt uns eine Variante desselben Satzes: „Wir wissen, dass wir etwas tun müssen. Wir wissen nur nicht, wo.“ Die Landkarte gibt eine Antwort. Starten Sie in der grünen Zone. Rechnungsverarbeitung, E-Mail-Klassifikation, Dokumentensortierung. Hier liegt der schnellste ROI, das geringste Risiko und der klarste Lerneffekt. Ein Pilot mit Vibe Coding kostet unter 1.000 Euro und dauert eine Woche. Wenn er funktioniert: Architektur, Governance und Schulung planen, in den Produktivbetrieb bringen. Wenn er nicht funktioniert: nächster Pilot. Diese Iteration kostet weniger als ein einziger Beratertag. Was wir dabei immer wieder sehen: Der entscheidende Moment ist keiner der Technologie. Es ist der Moment, in dem jemand in der Geschäftsführung sagt: „Ich übernehme die Verantwortung für dieses Projekt.“ Neulich hat ein Kollege das in einem Gespräch mit dem CIO eines Maschinenbauers so zusammengefasst: Die teuerste KI-Entscheidung ist die, die niemand trifft. Die Red Queen Hypothese aus der Evolutionsbiologie beschreibt Ihre Situation: Sie müssen laufen, um auf der Stelle zu bleiben. Ihre Wettbewerber investieren 0,50 Prozent des Umsatzes in KI [1]. Sie investieren 0,35 Prozent. Drei Jahre mit diesem Abstand ergeben 450.000 Euro Investitionslücke bei einem 100-Millionen-Euro-Unternehmen. Können Sie sich diese Lücke leisten? Wie die 25 KI-Begriffe hinter der Landkarte zusammenhängen, zeigt der KI-Vokabular-Artikel für Geschäftsführer. Welche Frameworks Ihnen den Einstieg strukturieren, beschreibt der KI-Frameworks-Artikel für den Mittelstand. --- ### 15 KI-Frameworks, die Ihre Strategie bestimmen URL: https://www.convios.com/de/insights/ki-frameworks-mittelstand-strategie URL (EN): https://www.convios.com/en/insights/ki-frameworks-mittelstand-strategie Published: 2026-03-25 43% der deutschen Mittelständler haben keine KI-Strategie [1]. Das ergibt der KI-Index Mittelstand 2026, eine Befragung von 526 Unternehmen. Gleichzeitig setzen 36% der Firmen bereits KI ein [2]. Die KI-Frameworks, die Geschäftsführer im Mittelstand kennen müssen, beantworten vier Fragen: Wo stehen wir? Was müssen wir tun? Welche Technik passt? Und wer hilft uns dabei? Vier Entscheidungen, 15 Frameworks. Sortiert nach Dringlichkeit, nicht nach Alphabet. #### Wo stehen wir eigentlich? Ein CTO eines Kunststoffverarbeiters, 220 Mitarbeiter, wollte seinem Geschäftsführer einen KI-Fahrplan vorstellen. Das Problem: Er hatte keinen Startpunkt. „Ich weiß, was wir technisch können. Ich weiß nicht, wie weit die anderen sind.“ Die Antwort liegt in drei Benchmarks, die frei verfügbar sind. Die Bitkom KI-Studie 2025 ist der umfassendste Datensatz für den deutschen Markt. 604 Unternehmen ab 20 Beschäftigten, repräsentativ befragt [2]. Die Kernzahlen: 36% nutzen KI (2024: 20%), 47% planen oder diskutieren den Einsatz, 81% sehen KI als wichtigste Zukunftstechnologie. Aber: 53% nennen rechtliche Unsicherheit als größtes Hemmnis, 43% bieten keine KI-Schulung an. Der CTO konnte damit zeigen, wo sein Unternehmen im Vergleich steht. Kostenlos unter bitkom-research.de. Für eine tiefere Einordnung hilft das Gartner AI Maturity Model. Fünf Stufen, sieben Dimensionen (Strategie, Produkte, Governance, Engineering, Daten, Betriebsmodell, Kultur). Gartner hat 432 Unternehmen in sechs Ländern befragt [3]. Das ernüchternde Ergebnis: Die meisten Organisationen stecken auf Stufe 1 (Awareness) oder Stufe 2 (Active). Nur 6% erreichen die Stufe „Transformational“. Organisationen mit hoher Reife halten KI-Projekte zu 45% drei Jahre oder länger operativ, bei niedriger Reife sind es 20% [3]. Und 91% der reifen Organisationen haben eine dedizierte KI-Führungsrolle eingerichtet. Vollständiger Zugang erfordert ein Gartner-Abonnement, die Kernzahlen sind öffentlich. Die McKinsey State of AI 2025 Studie ergänzt das Bild mit globalen Benchmarks [4]. 1.993 Befragte, 105 Länder. 88% der Organisationen nutzen KI. Nur 6% qualifizieren sich als „AI High Performers“ mit mehr als 5% EBIT-Beitrag durch KI. Was diese 6% anders machen: Sie redesignen Workflows (3,6-mal häufiger als der Rest), ihre Geschäftsführung treibt KI persönlich, und sie investieren über 20% des Digital-Budgets in KI [4]. Die wichtigste Zahl für den Mittelstand: 51% aller befragten Firmen berichten von KI-bedingten Vorfällen (Datenlecks, fehlerhafte Ergebnisse, Compliance-Probleme). Kostenlos unter mckinsey.com. Der CTO hat die drei Studien in eine Folie gepackt: „Wir sind Stufe 2 von 5 bei Gartner. Wir liegen bei den 43% ohne Strategie laut Salesforce. Und wir investieren 2% unseres IT-Budgets in KI, während die Top-Performer bei 20% liegen.“ Der Geschäftsführer hat den Fahrplan genehmigt. #### Was ist Pflicht, was ist Kür? Die Leiterin Qualitätsmanagement eines Medizintechnik-Zulieferers, 180 Mitarbeiter, hatte eine klare Frage: „Mein Geschäftsführer fragt, was wir bis August 2026 erledigt haben müssen. Nicht was wir sollten. Was wir müssen.“ Das EU AI Act Risikoklassifizierungssystem ist das einzige Framework auf dieser Liste, das gesetzlich bindend ist. Vier Stufen: Verboten, Hochrisiko, Begrenztes Risiko, Minimales Risiko [5]. Die Einstufung bestimmt, welche Pflichten gelten. Für die Medizintechnikerin war die Antwort unangenehm: KI in Medizinprodukten fällt fast immer unter Hochrisiko. CE-Kennzeichnung, Konformitätsbewertung, technische Dokumentation, menschliche Aufsicht. Fristen nach der Omnibus-Verordnung (EU) 2026/1744: 2. Dezember 2027 für Annex-III-Systeme, 2. August 2028 für KI in regulierten Produkten (Medizinprodukte, Maschinen) [20]. Bußgelder bei Verstößen gegen verbotene Praktiken: bis zu 35 Millionen Euro oder 7% des globalen Jahresumsatzes [5]. ISO/IEC 42001 beantwortet die Frage „Wie weisen wir nach, dass wir es richtig machen?“ Der weltweit erste zertifizierbare Standard für KI-Managementsysteme, veröffentlicht im Dezember 2023 [6]. Plan-Do-Check-Act, ähnlich wie ISO 27001 für Informationssicherheit. KPMG International hat die Zertifizierung im Dezember 2025 als erster Big-Four-Konzern erhalten [6]. Microsoft hat sie für M365 Copilot. TÜV SÜD, BSI und SGS bieten die Zertifizierung in Deutschland an. Wer bereits nach ISO 27001 zertifiziert ist, kann erhebliche Synergien nutzen, weil sich 40 bis 60% der Anforderungen überschneiden (Schätzung). Der Standard selbst kostet ca. 400 Euro als PDF. Ein Zertifizierungsaudit liegt bei 10.000 bis 50.000 Euro je nach Unternehmensgröße (Schätzung). Das NIST AI Risk Management Framework ist ein freies, freiwilliges Governance-Gerüst aus den USA mit vier Funktionen: Govern, Map, Measure, Manage [7]. NIST hat Querverweise zu ISO 42001 und den OECD AI-Prinzipien veröffentlicht, was es als strukturiertes Inhaltsverzeichnis für die eigene Governance brauchbar macht. Microsoft nutzt den Govern-Map-Measure-Manage-Zyklus intern [8]. Alle Dokumente, Playbooks und Profile sind kostenlos unter nist.gov verfügbar. Gartner AI TRiSM (Trust, Risk and Security Management) vereint KI-Governance, Laufzeitüberwachung und Datensicherheit in einem Schichtmodell [9]. Gartner prognostiziert, dass 80% der nicht autorisierten KI-Transaktionen durch interne Richtlinienverstöße verursacht werden, nicht durch externe Angriffe [9]. Das ist ein wichtiger Punkt für die QM-Leiterin: Das größte Risiko sitzt im Haus. Vollständige Forschung erfordert ein Gartner-Abonnement. Die OECD AI Principles bilden den normativen Rahmen unter dem EU AI Act. Fünf Wertprinzipien (inklusives Wachstum, Menschenrechte, Transparenz, Robustheit, Verantwortlichkeit), verabschiedet 2019, aktualisiert Mai 2024 [10]. 47 Regierungen haben sich angeschlossen. Die Definition von „KI-System“ aus den OECD-Prinzipien ist identisch mit der im EU AI Act. Kostenlos unter oecd.ai. Die QM-Leiterin hat eine Reihenfolge festgelegt: Erst EU AI Act Risikoklassifizierung (Pflicht), dann ISO 42001 als Nachweisrahmen, NIST als kostenloses Governance-Gerüst für die interne Umsetzung. #### Welche Technik brauchen wir? Ein IT-Leiter eines Logistik-Unternehmens, 340 Mitarbeiter, hatte ein konkretes Problem. Drei verschiedene KI-Anbieter hatten Angebote abgegeben. Jeder empfahl eine andere Architektur. „Ich brauche kein drittes Tool-Pitch. Ich brauche ein Framework, mit dem ich die Angebote vergleichen kann.“ Die wichtigste Architekturentscheidung 2026 betrifft Schnittstellen. MCP (Model Context Protocol) verbindet KI-Systeme mit Datenquellen und Werkzeugen [11]. Open Source, seit März 2026 unter der Linux Foundation, unterstützt von Anthropic, OpenAI, Google, Microsoft und Amazon. 97 Millionen SDK-Downloads pro Monat (Stand März 2026) [11]. Wer bei jedem KI-Anbieter fragt „Unterstützen Sie MCP?“, filtert in 30 Sekunden Vendor Lock-in aus. A2A (Agent-to-Agent Protocol) ergänzt MCP vertikal: Während MCP Agenten mit Werkzeugen verbindet, verbindet A2A Agenten miteinander [12]. Entwickelt von Google, unterstützt von über 150 Organisationen, darunter SAP und ServiceNow. Für den Zugriff auf firmeneigenes Wissen ist RAG (Retrieval-Augmented Generation) das Standardmuster [13]. KI durchsucht Ihre Dokumente, bevor sie antwortet. 2026 entwickelt sich RAG weiter zu „Agentic RAG“, bei dem KI-Agenten eigenständig mehrstufige Suchstrategien planen. Jede größere Cloud-Plattform bietet RAG-Werkzeuge an (Azure AI Search, AWS Bedrock, Google Vertex AI). Für den IT-Leiter war die Frage: Welche Plattform passt zu unserer bestehenden Infrastruktur? Bei einem Microsoft-Haus: Azure. Bei AWS-Bestandskunden: Bedrock. Bei Datenschutzbedenken: Open-Source-RAG mit lokaler Vektordatenbank. LangChain/LangGraph ist das meistgenutzte Open-Source-Framework für KI-Anwendungen und -Agenten [14]. 90 Millionen Downloads pro Monat, eingesetzt von 35% der Fortune-500-Unternehmen [14]. Anbieterunabhängig, MIT-lizenziert. Wenn Ihr Entwicklungsteam KI-Anwendungen baut, wird es LangChain mit hoher Wahrscheinlichkeit einsetzen. Für den IT-Leiter als Nicht-Entwickler war die relevante Information: LangChain bedeutet kein Vendor Lock-in und funktioniert mit jedem KI-Anbieter. Die operative Disziplin hinter produktiven KI-Systemen heißt MLOps/LLMOps [15]. Monitoring, Kostentracking, Qualitätskontrolle, Halluzinationserkennung. Gartner prognostiziert, dass über 50% der generativen KI-Deployments bis Ende 2026 scheitern werden, weil operative Praktiken fehlen [15]. Der Markt wird auf 1,8 Milliarden Dollar geschätzt (2025), mit Wachstum auf 5,4 Milliarden bis 2030 [15]. Ohne MLOps ist KI ein Demo. Mit MLOps ist KI ein Produktivsystem. Der IT-Leiter hat sein Bewertungsraster auf vier Fragen reduziert: Unterstützt der Anbieter MCP? Basiert die Architektur auf RAG? Ist LangChain oder ein gleichwertiges Framework im Einsatz? Gibt es ein MLOps-Konzept für den Betrieb? Zwei der drei Angebote fielen nach diesen Fragen raus. #### Wo bekomme ich Hilfe, die nichts kostet? Eine Geschäftsführerin eines Handwerksbetriebs mit 65 Mitarbeitern sagte mir: „Berater kosten 1.500 Euro am Tag. Mein KI-Budget für dieses Jahr liegt bei 15.000 Euro. Ich kann mir zehn Beratertage kaufen oder etwas Echtes bauen.“ Die Antwort: Es gibt mehr kostenlose Unterstützung, als die meisten Geschäftsführer wissen. BMWK Mittelstand-Digital betreibt bis zu 29 Zentren in ganz Deutschland, die kostenlose, anbieterneutrale KI-Beratung anbieten [16]. Rund 100 KI-Trainer besuchen Unternehmen direkt vor Ort. Das Programm „Digital Jetzt“ hat einen 3,3-fachen Hebeleffekt nachgewiesen: 134 Millionen Euro öffentliche Investition erzeugten 447 Millionen Euro Umsatzsteigerung bei den geförderten Unternehmen [16]. Das Netzwerk läuft bis Ende 2026, ein Nachfolgeprogramm ist ab 2027 geplant. Einstieg unter mittelstand-digital.de. Die KfW hat im Juli 2025 den ERP-Förderkredit Digitalisierung gestartet [17]. Drei Stufen, bis zu 25 Millionen Euro pro Projekt, mit 3 bis 5% Zuschuss (maximal 200.000 Euro). Die KfW-Daten zeigen: 20% aller Mittelstandsunternehmen nutzen KI, bei Firmen ab 50 Beschäftigten sind es 36% [17]. Der Deutschlandfonds (Dezember 2025) stellt 30 Milliarden Euro an öffentlichen Garantien bereit, um 130 Milliarden Euro an privaten Investitionen zu mobilisieren. Die Plattform Lernende Systeme wird von acatech getragen, mit rund 200 Experten aus Wissenschaft und Wirtschaft [18]. Ihre Publikation „KI im Mittelstand“ liefert konkrete Fallstudien und Implementierungsfahrpläne. Das 2025er Impulspapier zum „Kulturwandel“ adressiert die organisatorische Seite der KI-Einführung. Alles kostenlos unter plattform-lernende-systeme.de. Seit Februar 2026 betreibt die Bundesnetzagentur einen kostenlosen KI-Service Desk speziell für KMU [19]. Die Behörde ist nach dem KI-MIG die zentrale Marktüberwachungsbehörde für den EU AI Act in Deutschland. Der Service Desk beantwortet Fragen zur Einstufung von KI-Systemen, zu Pflichten und zu regulatorischen Sandkästen. Bis zum 2. August 2027 muss jedes EU-Mitgliedsland mindestens eine regulatorische Sandbox in Betrieb haben, in der Unternehmen KI-Systeme unter Aufsicht testen können [20]. Die Verordnung (EU) 2026/1744 hat diese Frist um ein Jahr verschoben [20]. Die Geschäftsführerin hat bei Mittelstand-Digital angefangen. Ein KI-Trainer kam für zwei Tage. Kostenpunkt: null Euro. Das Ergebnis: ein konkreter Anwendungsfall (KI-gestützte Auftragserfassung), ein Umsetzungsplan und eine KfW-Fördermittelanfrage. #### Wo stehen Sie? Der KI-Reifegrad-Check 15 Fragen, fünf Minuten. Der KI-Reifegrad-Check ordnet Ihr Unternehmen in eine von vier Phasen ein und zeigt, welche Frameworks Sie als nächstes brauchen. #### Unsere Einordnung Was mich überrascht hat: Die meisten Geschäftsführer kennen ISO 27001, aber von ISO 42001 hat fast niemand gehört. Das wird sich ändern, wenn die ersten Ausschreibungen „ISO 42001-Nachweis“ verlangen. Bei einem Automobilzulieferer habe ich das vor zwei Monaten erlebt. Der OEM hatte die Frage in seine Lieferantenbewertung aufgenommen. Mein Zulieferer-Kontakt wusste nicht, was er ankreuzen soll. Von den 15 Frameworks auf dieser Liste sind vier für den Mittelstand akut: EU AI Act Risikoklassifizierung, weil es Gesetz ist. Die Bitkom-Studie, weil sie den ehrlichen Benchmark liefert. BMWK Mittelstand-Digital, weil es kostenlos ist und funktioniert. Und MCP, weil eine falsche Schnittstellenentscheidung heute drei Jahre Vendor Lock-in bedeutet. Welche KI-Begriffe Sie brauchen, um die Frameworks zu verstehen, steht im KI-Vokabular-Artikel für Geschäftsführer. Wie Sie KI konkret monetarisieren und den ROI für Ihre Gesellschafter berechnen, zeigt die KI-ROI-Landkarte für den Mittelstand. --- ### 25 KI-Begriffe, die Geschäftsführer 2026 kennen müssen URL: https://www.convios.com/de/insights/ki-begriffe-geschaeftsfuehrer-2026 URL (EN): https://www.convios.com/en/insights/ki-begriffe-geschaeftsfuehrer-2026 Published: 2026-03-22 Fünf Gespräche mit fünf verschiedenen Personen. 25 Begriffe. Ein Ziel: dass Sie nach dem Lesen mitreden können, wenn Ihr IT-Leiter, Ihr Steuerberater oder Ihr Gesellschafter über KI spricht. 36% der deutschen Unternehmen setzen KI ein, fast doppelt so viele wie ein Jahr zuvor [1]. Die wichtigsten KI-Begriffe für Geschäftsführer im Mittelstand haben sich dabei komplett verschoben. Was 2024 noch nach Forschungslabor klang, steht 2026 auf jeder Vorstandsagenda. Jeder dieser Begriffe kam mir in einem konkreten Gespräch unter. Kein Lexikon, kein Alphabet. Fünf Situationen aus dem Mittelstand, wie ich sie regelmäßig erlebe. #### „Mein IT-Leiter will 80.000 Euro für eine Wissensplattform. Ich verstehe kein Wort im Angebot.“ Ein befreundeter Geschäftsführer aus dem Maschinenbau, 280 Mitarbeiter, schob mir vor ein paar Wochen ein Angebot über den Tisch. Drei Seiten, voll mit Abkürzungen. „RAG-basierte Wissensplattform auf Basis eines Foundation Models mit reduziertem Halluzinationsrisiko.“ Er tippte auf den Absatz mit den Kosten und fragte: „Soll ich das unterschreiben? Mein IT-Leiter sagt, die Konkurrenz hat sowas schon.“ Die Antwort hängt davon ab, ob man versteht, was da steht. Wir sind das Angebot Zeile für Zeile durchgegangen. Foundation Model ist der Oberbegriff für die großen KI-Systeme, die Firmen wie OpenAI, Google, Anthropic oder Meta entwickeln. GPT-4, Gemini, Claude, Llama. Sie werden auf riesigen Textmengen trainiert und können danach Texte schreiben, übersetzen, Code erzeugen, Fragen beantworten. Das Training kostet dreistellige Millionenbeträge [2]. Die Nutzung kostet Bruchteile davon. LLM (Large Language Model) ist die technische Bezeichnung für die Untergruppe dieser Modelle, die Sprache verarbeitet. ChatGPT basiert auf einem LLM. Claude basiert auf einem LLM. Wenn Ihr IT-Leiter von „LLM“ spricht, meint er die Technologie hinter dem Chatfenster. „Und was genau kaufe ich für die 80.000?“, fragte der Maschinenbauer. Berechtigte Frage. Ein LLM kennt die Welt. Es kennt Ihr Unternehmen nicht. Es weiß, was ein Drehmoment ist. Es kennt nicht die Wartungshistorie Ihrer Fräsmaschine. Genau da setzt RAG (Retrieval-Augmented Generation) an. Bevor das LLM antwortet, durchsucht ein Zwischenschritt Ihre firmeneigenen Dokumente, Handbücher, Protokolle, Ticketsysteme. Die gefundenen Informationen werden dem LLM als Kontext mitgegeben. Das LLM antwortet dann auf Basis Ihres Wissens, ergänzt um sein allgemeines Sprachverständnis. Wie ein neuer Mitarbeiter, der erst die Akten liest und dann antwortet. Wie RAG in produktiven Umgebungen mit mehreren Agenten funktioniert, zeigt der Praxisleitfaden zu Multi-Agenten-RAG im Mittelstand. Das funktioniert. In 80% der Fälle. Die restlichen 20% sind das, was die Branche Halluzination nennt. Das LLM erfindet Dinge. Zuversichtlich, grammatisch korrekt, inhaltlich falsch. Kein Bug, den man fixt. Eine Eigenschaft der Technologie. Der Maschinenbauer wurde hellhörig: „Was, wenn das System einem Kunden eine falsche Garantiefrist nennt?“ Genau. Die Quote liegt je nach Aufgabe bei 5 bis 20% [3]. Für einen Chatbot, der Kunden Wartungsintervalle nennt, muss das aktiv gemanagt werden. Was kostet der Spaß? Die Abrechnung läuft über Tokens. Ein Token ist ungefähr ein Dreiviertel-Wort. Jede Frage an das System kostet Eingabe-Tokens (Ihre Frage plus die aus RAG geladenen Dokumente), jede Antwort kostet Ausgabe-Tokens. Ein typisches Gespräch mit Kontext verbraucht 2.000 bis 10.000 Tokens. Das Context Window bestimmt, wie viel Text das Modell gleichzeitig verarbeiten kann. GPT-4o verarbeitet bis zu 128.000 Tokens, das entspricht etwa einem 300-Seiten-Buch. Größeres Context Window bedeutet bessere Antworten, höhere Kosten pro Anfrage. Der Maschinenbauer hat das Angebot unterschrieben. Aber erst, nachdem er verstanden hatte, wofür. Und nachdem er den Passus streichen ließ, der eine automatische Verlängerung um drei Jahre enthielt. #### „Die Rechnung von OpenAI hat sich verdreifacht. Kann mir jemand erklären, warum?“ Die Finanzleiterin eines Automobilzulieferers, 120 Mitarbeiter, rief mich an einem Dienstagmorgen an. Sie hatte die Monatsabrechnung für ChatGPT Enterprise vor sich. Im Januar 2.400 Euro. Im März 7.800 Euro. Gleiche Nutzerzahl, 40 Lizenzen. „Ich habe dreimal nachgerechnet“, sagte sie. „Die Zahlen stimmen. Ich verstehe nur nicht, wofür.“ Der Grund heißt Inference Cost. Training ist teuer, aber einmalig. Inference, die tatsächliche Nutzung des trainierten Modells, läuft dagegen permanent. Die Kosten pro Abfrage sind winzig, summieren sich aber. Der Stanford HAI AI Index 2025 hat gemessen, dass die Inferenzkosten für GPT-3.5-Leistung zwischen November 2022 und Oktober 2024 um den Faktor 280 gefallen sind [2]. Von 20 Dollar pro Million Tokens auf 7 Cent. Klingt günstig. Die Finanzleiterin sah das anders. Beim gemeinsamen Blick in die Nutzungsdaten wurde klar, was passiert war. Zwei Abteilungen hatten angefangen, Reasoning Models einzusetzen. Das sind LLMs einer neueren Generation (OpenAIs o1, o3, DeepSeeks R1), die vor der Antwort intern „nachdenken“. Sie zerlegen komplexe Probleme in Zwischenschritte, prüfen Annahmen, revidieren sich selbst. Die Einkaufsabteilung nutzte sie für Vertragsanalysen, die Entwicklung für technische Berechnungen. Die Ergebnisse waren besser. Die Kosten lagen beim 10- bis 74-fachen einer Standardabfrage [4], weil das Modell intern viel mehr Tokens generiert. Die Finanzleiterin wusste das nicht, weil niemand ihr gesagt hatte, dass es verschiedene Modellklassen gibt. Ihre nächste Frage: „Gibt es günstigere Alternativen?“ Ja. Die Entscheidung zwischen Open-Weight-Modellen und geschlossenen Modellen ist eine der wichtigsten Weichenstellungen. Open-Weight-Modelle wie Metas Llama 4 oder DeepSeek R1 können heruntergeladen und auf eigener Infrastruktur betrieben werden. Geschlossene Modelle wie GPT-5 oder Claude laufen nur über die API des Anbieters. Die Leistungslücke schrumpft rapide, von 8% auf 1,7% Unterschied in einem Jahr [2]. Der dritte Weg, den wir besprochen haben: Small Language Models (SLMs). Kompakte Modelle mit ein bis zehn Milliarden Parametern, die auf einem einzigen Bürorechner laufen. Microsofts Phi-4, Googles Gemma, Metas Llama 3.2 in kleinen Varianten. Für spezialisierte Aufgaben, Vertriebs-E-Mails klassifizieren, Wartungsprotokolle zusammenfassen, sind sie oft genauso gut wie die großen Modelle. Und kosten 75 bis 95% weniger. Die Finanzleiterin fragte zum Schluss: „Müssen wir das Modell dann auf uns trainieren?“ Kommt drauf an. Fine-Tuning heißt, das Modell tatsächlich auf Ihren eigenen Daten nachzutrainieren. Prompting heißt, dem Modell durch geschickte Anweisungen beizubringen, was Sie wollen. Die Faustregel, die ich ihr gegeben habe: Prompting reicht für 90% der Anwendungsfälle im Mittelstand. Fine-Tuning lohnt sich erst, wenn Sie tausende gleichartige Aufgaben automatisieren und die Qualität mit Prompting nicht ausreicht. Sie hat sich für ein Pilotprojekt mit einem SLM entschieden. Auf eigenem Server. Die OpenAI-Rechnung sinkt gerade. #### „Frau Berger aus dem Vertrieb hat mit ChatGPT eine Kundendatenbank gebaut. Was machen wir jetzt?“ Eine Vertriebsleiterin eines Handelsunternehmens, 90 Mitarbeiter, erzählte mir das beim Mittagessen. Eine ihrer Mitarbeiterinnen, Frau Berger (Name geändert), hatte auf eigene Initiative Kundenfeedback in ChatGPT kopiert, sich Muster analysieren lassen und die Ergebnisse in ein selbstgebautes Google Sheet exportiert. „Das Ergebnis ist beeindruckend“, sagte die Vertriebsleiterin. „Aber unser Datenschutzbeauftragter dreht durch.“ Frau Berger hatte Shadow AI betrieben. In 42% der deutschen Unternehmen nutzen Mitarbeiter private KI-Tools im Job [5]. In 8% der Fälle ist das weit verbreitet, in 17% gibt es Einzelfälle, weitere 17% vermuten es nur. Private ChatGPT-Accounts, in die Kundendaten, Vertragsentwürfe und Finanzzahlen fließen. Ohne IT-Freigabe, ohne Datenschutzprüfung. Frau Berger hatte noch etwas getan. Sie hatte mit einem KI-Tool namens Cursor ein kleines Dashboard gebaut, das die Analyse automatisch aktualisiert. Ohne eine Zeile Code selbst zu schreiben. Vibe Coding heißt das: Mitarbeiter ohne Programmierkenntnisse bauen mit KI-Unterstützung funktionierende Software. Die Vertriebsleiterin war beeindruckt und besorgt gleichzeitig. „Das Tool funktioniert. Aber wo laufen die Daten? Wer wartet den Code, wenn Frau Berger krank wird? Und wer haftet, wenn Kundendaten raussickern?“ Wir haben dann besprochen, wie der offizielle Weg aussieht. Der bekannteste Typ KI-Assistent ist der AI Copilot: KI, die direkt in bestehende Software eingebaut ist. Microsoft 365 Copilot in Word und Outlook, GitHub Copilot für Entwickler, Salesforce Einstein für den Vertrieb. Copiloten verändern keine Workflows. Sie beschleunigen bestehende. Bei etwa 30 Euro pro Nutzer und Monat ist das oft der schnellste Weg zu messbarer Produktivität. Und der Datenschutzbeauftragte kann nachts schlafen. Die nächste Stufe heißt Agentic AI. Während ein Copilot auf Ihre Eingabe wartet, handelt ein KI-Agent eigenständig. Er bekommt ein Ziel, zerlegt es in Schritte, greift auf verschiedene Systeme zu, prüft Zwischenergebnisse und liefert am Ende ein Resultat. Was Frau Berger manuell gemacht hat, Kundenfeedback lesen, Muster erkennen, Ergebnis exportieren, könnte ein Agent automatisiert erledigen. Innerhalb der IT-Infrastruktur des Unternehmens. Laut dem Salesforce KI-Index Mittelstand 2026 hat sich der Anteil von Unternehmen, die KI-Agenten einsetzen, innerhalb eines Jahres fast verdoppelt [6]. Agenten arbeiten selten allein. Die meisten produktiven Systeme sind Compound AI Systems, Verbünde aus mehreren spezialisierten Komponenten. Das System, das Frau Bergers Arbeit ersetzen könnte, bestünde vielleicht aus einem RAG-Modul für Produktwissen, einem Agenten für Feedback-Analyse und einem Regelwerk, das bestimmt, welche Ergebnisse an wen gehen. Die Komponenten kommunizieren über standardisierte Schnittstellen. Die Vertriebsleiterin hat Frau Berger nicht gerügt. Sie hat sie zur KI-Beauftragten für den Vertrieb gemacht. Mit einem offiziellen Tool, einem Budget und klaren Regeln. #### „Der Aufsichtsrat fragt, warum wir mehr in KI investieren, obwohl KI billiger wird.“ Ein Vorstand eines mittelständischen Industrieunternehmens, 450 Mitarbeiter, bereitete sich auf eine Beiratssitzung vor. Er hatte im Vorjahr ein KI-Budget von 180.000 Euro genehmigt bekommen. Jetzt brauchte er 320.000 Euro. Sein Problem: „Überall lese ich, dass KI billiger wird. Mein Beirat wird fragen, warum die Rechnung steigt.“ Wir haben den Abend damit verbracht, zwei Konzepte durchzuarbeiten, die das erklären. Die Red Queen Hypothesis stammt aus der Evolutionsbiologie. Benannt nach der Roten Königin in Alice im Wunderland, die sagt: „Hierzulande musst du so schnell rennen, wie du kannst, wenn du am gleichen Fleck bleiben willst.“ Auf KI übertragen: Wenn alle Ihre Wettbewerber KI einsetzen, macht Sie der eigene KI-Einsatz nicht besser. Er verhindert, dass Sie schlechter werden [7]. Die Investition erzeugt keinen sichtbaren Vorsprung. Sie erzeugt den Erhalt Ihrer Wettbewerbsposition. Der Vorstand nickte. „Das verstehe ich. Aber warum kostet es mehr?“ Hier kommt das Jevons Paradox ins Spiel. Der englische Ökonom William Stanley Jevons beobachtete 1865, dass effizientere Dampfmaschinen den Kohleverbrauch nicht senkten. Sie steigerten ihn, weil Kohle durch die Effizienz für viel mehr Anwendungen wirtschaftlich wurde [8]. Zhang und Zhang haben im Januar 2026 formal nachgewiesen, dass derselbe Mechanismus in der KI-Industrie wirkt: Fallende Inferenzpreise führen dazu, dass Unternehmen ihre KI-Architekturen neu entwerfen, tiefere Verarbeitungsketten einbauen und am Ende mehr Rechenleistung verbrauchen [7]. Sein Unternehmen hatte genau das getan. Gestartet mit einem Chatbot für den Kundenservice. Dann KI-gestützte Qualitätskontrolle. Dann automatisierte Angebotsberechnung. Jede einzelne Anwendung günstiger als im Vorjahr. In Summe: 78% mehr Verbrauch. „Und was antworte ich dem Beirat auf die Frage nach dem ROI?“ Hier wird es differenziert. Unternehmen, die eigene Daten generieren, profitieren vom Data Flywheel [7]. Wer ein KI-System einsetzt und Nutzungsdaten sammelt, verbessert damit das System, was mehr Nutzer anzieht, was mehr Daten generiert. Wer früh startet, baut einen Datenvorteil auf, den Nachzügler schwer einholen. Was passiert, wenn der Kreislauf kippt? Model Collapse beschreibt das Szenario, in dem KI-Modelle zunehmend auf KI-generierten Inhalten trainiert werden und dadurch an Qualität verlieren [9]. Die originalen, menschlich erstellten Daten des Industrieunternehmens, Wartungsprotokolle, Konstruktionszeichnungen, Kundenkorrespondenz, werden wertvoller, je mehr KI-generierter Content die Welt überflutet. „Unsere Marketingabteilung hat letzte Woche vier Blogartikel mit KI geschrieben“, sagte der Vorstand. „Die waren alle... irgendwie gleich.“ Das ist AI Slop: massenhaft produzierte KI-Inhalte ohne Substanz [10]. Angebote, die generisch klingen. Marketingtexte, die sich wie von einer Maschine anfühlen. Wenn Ihr Vertrieb AI Slop verschickt, merkt der Empfänger das. Die Marginal Cost of Intelligence, die Grenzkosten für eine „intelligente“ Antwort, nähern sich null [2]. Was früher eine Stunde Beraterzeit kostete, kostet heute 7 Cent an Token-Gebühren. Wenn die Erzeugung von Wissen billig wird, wird die Bewertung von Wissen teuer. Die Mitarbeiter, die beurteilen können, ob eine KI-Antwort stimmt, werden wertvoller als die, die sie erzeugen. Ethan Mollick von der Wharton School hat in einer Studie mit BCG dafür den Begriff Centaur Worker geprägt [11]: jemand, der genau weiß, wann er die KI arbeiten lässt und wann er selbst übernimmt. Der Vorstand hat das in seiner Beiratspräsentation verwendet. „Wir investieren nicht in KI. Wir investieren in Centaur Workers.“ Der Beirat hat das Budget freigegeben. #### „Unsere Anwältin sagt, wir brauchen bis August ein KI-Verzeichnis. Stimmt das?“ Der Geschäftsführer eines Medizintechnik-Unternehmens, 160 Mitarbeiter, hatte gerade ein Schreiben seiner externen Anwältin bekommen. Vier Seiten, mit markierten Fristen. Er rief an und sagte: „Ich lese hier ‚AI Literacy Pflicht seit Februar 2025'. Wir haben nichts gemacht. Wie schlimm ist das?“ Die Antwort: Es ist ernst, aber lösbar. Seit dem 2. Februar 2025 gilt die Pflicht zur AI Literacy für jedes Unternehmen, das KI einsetzt [12]. Artikel 4 des EU AI Acts verlangt, dass Anbieter und Betreiber von KI-Systemen Maßnahmen ergreifen, um die KI-Kompetenz ihrer Mitarbeiter zu fördern [17]. Das gilt unabhängig von der Risikoklasse des Systems. Auch ein Unternehmen, das nur Microsoft Copilot nutzt, fällt darunter. Ein bestimmtes Niveau der KI-Kompetenz muss seit der Omnibus-Verordnung (EU) 2026/1744 niemand mehr sicherstellen [17]. Seit dem 2. August 2026 können nationale Behörden diese Pflicht durchsetzen [12]. In Deutschland ist die Bundesnetzagentur dafür zuständig, geregelt durch das KI-MIG (KI-Marktüberwachungs- und Innovationsförderungsgesetz), das die Bundesregierung am 11. Februar 2026 beschlossen hat [13]. „Und was genau müssen wir bis August tun?“ Der AI Act klassifiziert KI-Systeme in vier Risikoklassen: Verboten (Social Scoring, unterschwellige Manipulation), Hochrisiko (KI in der Personalauswahl, Kreditvergabe, kritischer Infrastruktur), Begrenztes Risiko (Transparenzpflichten, etwa Kennzeichnung von Deepfakes) und Minimales Risiko (Chatbots für allgemeine Anfragen, die meisten KI-Anwendungen im Mittelstand). Medizintechnik ist ein Sonderfall: KI in Medizinprodukten fällt fast immer unter Hochrisiko. Der erste Schritt, den die Anwältin gemeint hatte, ist tatsächlich ein KI-Inventar: eine vollständige Übersicht aller KI-Systeme im Unternehmen. Dazu gehören auch KI-Funktionen in eingekaufter Software. Das CRM hat eine KI-gestützte Lead-Bewertung? Gehört ins Inventar. Die Buchhaltungssoftware nutzt KI für Rechnungserkennung? Gehört ins Inventar. Der Geschäftsführer war überrascht: „Wir nutzen KI?“ Ja. In mindestens sieben Systemen, wie sich herausstellte. Für Hochrisiko-Systeme wird die Konformitätsbewertung gestaffelt Pflicht: ab dem 2. Dezember 2027 für Annex-III-Systeme, ab dem 2. August 2028 für produktintegrierte Systeme; die Verschiebung kommt aus der Omnibus-Verordnung (EU) 2026/1744 [17]. Zum ersten Mal gilt die CE-Kennzeichnung für Software. Der Prozess umfasst Risikomanagementsystem, technische Dokumentation, Datenqualitätsprüfung und menschliche Aufsichtsmechanismen. Er dauert drei bis sechs Monate. Bei einem Medizintechnik-Unternehmen mit bestehender MDR-Erfahrung lässt sich einiges übertragen. Für Hochrisiko-Anwendungen verlangt der AI Act Explainable AI (XAI): KI-Entscheidungen müssen für die aufsichtführende Person nachvollziehbar sein [14]. Wenn ein KI-gestütztes Diagnosesystem eine Empfehlung ausspricht, muss dokumentiert sein, auf welcher Grundlage. Das übergeordnete Thema heißt AI Governance: das interne Regelwerk für den KI-Einsatz im Unternehmen. Wer darf welche KI-Tools einsetzen? Wie werden Ergebnisse geprüft? Wer haftet, wenn etwas schiefgeht? Bevor der Geschäftsführer auflegte, hatte er noch eine praktische Frage: „Unser neuer KI-Anbieter will uns an sein System binden. Kann ich das vermeiden?“ Ja. MCP (Model Context Protocol) ist ein offener Standard von Anthropic, seit März 2026 unter der Verwaltung der Linux Foundation, mit dem KI-Systeme sich mit Datenquellen und Werkzeugen verbinden [15]. OpenAI, Google, Microsoft und Amazon unterstützen ihn alle. Wer heute einen KI-Anbieter auswählt, sollte fragen: „Unterstützen Sie MCP?“ Wenn nein, droht Vendor Lock-in. A2A (Agent-to-Agent Protocol) ergänzt MCP: Während MCP Agenten mit Werkzeugen verbindet, verbindet A2A Agenten miteinander [16]. Entwickelt von Google, unterstützt von über 150 Organisationen, darunter SAP. Der Geschäftsführer hat drei Dinge getan: KI-Inventar gestartet, AI-Literacy-Schulung beauftragt, MCP-Kompatibilität in die Vendor-Anforderungen aufgenommen. Vier Monate vor der Frist. #### Alle 25 Begriffe auf einen Blick #### Unsere Einordnung Mir fällt auf, wie oft sich Leute für ihre Wissenslücken entschuldigen. Die Finanzleiterin, die sich schämte, weil sie „Inference Cost“ nicht kannte. Der Vorstand, der „Jevons Paradox“ nachschlagen musste. Frau Berger, die dachte, sie hätte etwas Verbotenes getan. „Ich müsste das eigentlich wissen.“ Nein, müssen Sie nicht. Die Begriffe ändern sich schneller als jede Weiterbildung nachkommt. Was Sie können müssen: die richtigen Fragen stellen. Und erkennen, wenn jemand mit Fachvokabular eine schlechte Investition verkauft. Von den 25 Begriffen hier sind fünf wirklich dringend. AI Literacy, weil die Pflicht seit Februar 2025 gilt und die meisten Unternehmen nichts getan haben. KI-Inventar, weil es der erste Schritt für alles Weitere ist. Shadow AI, weil es in Ihrem Unternehmen bereits passiert. Inference Cost, weil es Ihre nächste Budgetdiskussion bestimmt. Und die Red Queen, weil sie erklärt, warum Abwarten keine Option ist. --- ### Wenn der KI-Reflex teuer wird: Was Beratung im Mittelstand noch wert ist URL: https://www.convios.com/de/insights/ki-beratung-mittelstand-wert-expertise URL (EN): https://www.convios.com/en/insights/ki-beratung-mittelstand-wert-expertise Published: 2026-03-15 #### Executive Summary Zwei Gespräche in der letzten Woche (März 2026) haben mich auf diesen Artikel gebracht. Ein Geschäftsführer erzählte mir, dass sein Team ChatGPT für die NIS2-Vorbereitung nutze. Die Ergebnisse sähen überzeugend aus, prüfen würde die doch eh kaum jemand. Zwei Tage später beschrieb mir ein Professor an der Universität Zürich, den ich sehr schätze, wie Studierende Programmieraufgaben mithilfe von KI lösen und den generierten Code nicht mehr erklären können. Wir verlassen uns mehr und mehr auf KI und weil es so gut klingt, verlernen wir ein Stück weit den manuellen Prozess. Beide Beobachtungen beschreiben denselben Mechanismus: Menschen werden vom KI-Nutzer zum passiven Empfänger. Die Harvard-Forschung bestätigt das mit Zahlen. Innerhalb der KI-Leistungsgrenze steigt die Ergebnisqualität um 40% [1]. Außerhalb sinkt sie um 19 Prozentpunkte [1]. Die Nutzer merken den Unterschied nicht. Sie überschätzen ihren eigenen Produktivitätsgewinn um 39 Prozentpunkte [2]. #### Werden wir zu Drohnen der KI? Die Frage klingt überspitzt. Die Datenlage ist es nicht. 90% der Mitarbeiter in Unternehmen nutzen laut einer MIT-Studie private KI-Tools und umgehen dabei die offiziellen Systeme [3]. Shadow AI entsteht nicht aus bösem Willen. Die offiziellen Systeme bilden den konkreten Arbeitskontext schlicht nicht ab. Also fragen die Leute ChatGPT. Die Antwort klingt plausibel. Beim flüchtigen Drüberlesen fällt nichts auf. Und weil die Antwort so überzeugend wirkt, findet eine tiefere Prüfung häufig gar nicht statt. Das Muster wiederholt sich. Geschäftsführer unterschreiben eine KI-generierte Compliance-Analyse, die sie nicht selbst verifizieren können. Studierende geben Code ab, den sie nicht selbst geschrieben haben. In beiden Fällen verschiebt sich die Rolle: vom aktiv Denkenden zum passiv Konsumierenden. Die Harvard-Forscher nennen dieses Verhalten den "Cyborg"-Modus: KI in jeden Arbeitsschritt verwoben, bis die Fähigkeit zur kritischen Prüfung verschwindet [1]. In der Fliegerei kennen wir das Problem seit Jahrzehnten. Moderne Verkehrsflugzeuge fliegen 95% der Zeit im Autopilot. Das funktioniert hervorragend, solange alles nach Plan läuft. Unfälle der letzten Jahre haben aber immer wieder gezeigt: Wenn die Technik versagt, wenn Sensoren falsche Daten liefern oder Systeme unerwartet abschalten, entscheidet die menschliche Intuition. Die Fähigkeit, eine Situation in Kontext einzuordnen, Widersprüche zu erkennen und unter Unsicherheit zu handeln. Das lässt sich nicht automatisieren. Piloten, die nur noch den Autopilot überwachen und das manuelle Fliegen verlernt haben oder nicht regelmäßig üben, werden in der Krise zum Risiko. Führungskräfte, die nur noch KI-Output konsumieren und das eigenständige Urteilen verlernt haben, werden es auch. 47% der Enterprise-KI-Nutzer haben 2024 mindestens eine wichtige Geschäftsentscheidung auf Basis halluzinierter Inhalte getroffen [8]. 95% der Enterprise-KI-Piloten liefern laut MIT keinen nachweisbaren P&L-Effekt [3]. Das sind keine Zahlen aus einem Worst-Case-Szenario. Das ist der aktuelle Stand. Ich finde Technologie großartig, wenn sie das Leben erleichtert. Ich nutze sie jeden Tag. Aber ich möchte mich nicht davon abhängig machen. Und ich bin froh, wenn es drauf ankommt, noch von Hand durch den Sturm steuern zu können. #### Wo KI wirklich hilft und wo sie schadet Harvard hat das mit 758 echten BCG-Beratern getestet [1]. Bei Standardaufgaben, dem Schreiben von Texten, der Analyse von Daten, der Zusammenfassung von Recherchen waren die Ergebnisse mit GPT-4 um 40% besser und 25% schneller. Bei einer komplexen Aufgabe, die quantitative Analyse mit qualitativer Einschätzung verknüpfte, waren die KI-Nutzer schlechter als die Kontrollgruppe. 19 Prozentpunkte schlechter. Die Forscher nennen diese Grenze "Jagged Frontier". Zackig und unsichtbar. Auf der einen Seite massive Gewinne. Auf der anderen Seite messbare Qualitätsverluste. Das Tückische: Sie merken erst, dass Sie die Grenze überschritten haben, wenn der Schaden da ist. Denn die KI liefert auch jenseits der Grenze Ergebnisse, die professionell aussehen. Sie sind nur falsch. Die METR-Studie von 2025 zeigt den Effekt noch schärfer [2]. 16 erfahrene Open-Source-Entwickler, Leute mit fünf Jahren Erfahrung in ihren eigenen Code-Repositories, arbeiteten mit KI-Coding-Tools. Sie wurden 19% langsamer. Gleichzeitig glaubten sie, 24% schneller zu sein. Stellen Sie sich das vor. 39 Prozentpunkte Differenz zwischen Gefühl und Realität. Wenn Ihr Head of Engineering Ihnen berichtet, das neue KI-Tool spare dem Team 20% Zeit, kann das stimmen. Es kann auch bedeuten, dass das Team langsamer geworden ist und es nicht gemerkt hat. Ohne unabhängige Messung wissen Sie es nicht. Stanford ergänzt eine wichtige Dimension: die Zeit [4]. Bei Aufgaben unter zwei Stunden ist KI dem Menschen 4:1 überlegen. Bei komplexen Analysen über 32 Stunden übertrifft der Mensch die KI 2:1. Das ergibt intuitiv Sinn. Wer eine E-Mail formulieren will, fragt zu Recht die KI. Wer eine NIS2-Gap-Analyse durchführt, die Wochen dauert und unternehmensspezifischen Kontext erfordert, braucht einen Menschen. Oder besser: einen Menschen mit KI. #### Centaur oder Cyborg: Zwei Wege, KI im Unternehmen einzusetzen Die Harvard-Studie identifiziert zwei Nutzungsmuster [1]. Die "Cyborgs" verweben KI in jeden Arbeitsschritt. Prompten, lesen, prompten weiter, übernehmen, prompten erneut. Die Grenze zwischen eigenem Denken und KI-Output verschwimmt irgendwann. Die "Centaurs" teilen die Arbeit klar auf. KI macht die Recherche, der Mensch die Bewertung. KI schreibt den Entwurf, der Mensch trifft die Entscheidung. Die Centaurs liefern bessere Ergebnisse. Das ist kein Zufall. Praktisch sieht der Unterschied so aus: Ein Cyborg-Ansatz bei einer NIS2-Analyse bedeutet, ChatGPT schreibt die Analyse, der Geschäftsführer liest sie quer und unterschreibt. Ein Centaur-Ansatz bedeutet, ChatGPT liefert eine Zusammenfassung der regulatorischen Anforderungen. Der Berater prüft sie gegen die konkrete IT-Landschaft des Unternehmens. Er identifiziert die Lücken, die nur jemand mit Kenntnis der internen Strukturen sehen kann. Er baut daraus einen Maßnahmenplan. Im ersten Fall sieht das Ergebnis professionell aus. Im zweiten Fall ist es korrekt. Eine LSU-Studie hat den Centaur-Effekt bei Aktienanalysen quantifiziert [5]. KI allein übertrifft menschliche Analysten in 54,5% der Fälle. Der Centaur, Experte plus KI, übertrifft KI allein in 55% der Prognosen und reduziert extreme Prognosefehler um 90%. Der Durchschnitt verbessert sich leicht. Die Katastrophen verschwinden fast vollständig. Für einen Geschäftsführer, der eine strategische Entscheidung trifft, ist nicht der Durchschnitt relevant. Relevant ist, wie schlimm es im schlimmsten Fall wird. Und genau dort macht der Mensch den Unterschied. Warum? Weil KI keinen individuellen Kontext hat. Generisches Wissen ist frei verfügbar. Was ChatGPT über NIS2 weiß, weiß jeder mit Internetzugang. Was ChatGPT nicht weiß: wie Ihre IT-Landschaft aufgebaut ist, welche Lieferanten kritische Abhängigkeiten erzeugen, wo Ihre Organisationsstruktur Lücken hat, die in keinem Organigramm auftauchen. 95% der Enterprise-KI-Piloten scheitern laut MIT an genau diesem Problem [3]. Zwischen 30 und 40 Milliarden Dollar flossen in Enterprise-GenAI, mit minimalen Erträgen. Die Forschung zu implizitem Wissen, also dem Erfahrungswissen, das Menschen in Jahrzehnten aufbauen und schwer in Worte fassen können, bestätigt: Dieses Wissen aus menschlicher Expertise zu extrahieren ist teuer, langsam und liefert selbst unter besten Bedingungen nur eine Teilabbildung [17]. #### Warum ist KI in regulierten Bereichen ein besonderes Risiko? KI-Systeme arbeiten probabilistisch. Derselbe Prompt liefert morgen eine andere Antwort. Kein kommerzieller Anbieter garantiert deterministische Ausgaben. OpenAI spricht von "mostly deterministic". Anthropic, die Firma hinter Claude, stellt klar, dass auch bei Temperature 0 die Ergebnisse nicht vollständig deterministisch sind [9]. Der Grund liegt in der Hardware: Fließkomma-Arithmetik auf modernen GPUs ist nicht assoziativ. (a + b) + c ergibt nicht zwingend dasselbe wie a + (b + c). Klingt nach einem technischen Detail. Für regulierte Prozesse ist es ein fundamentales Problem. (Spanned: Das ist der gleiche Effekt, der aus der Chaosforschung als Schmetterlingseffekt bekannt ist. Kleine Änderungen die sich über eine Kette an Operationen aufsummieren) Der EU AI Act (Verordnung 2024/1689) verlangt in Artikel 15 konsistente Genauigkeitsmetriken für Hochrisiko-KI und in Artikel 12 automatische Protokollierung aller Ein- und Ausgaben [10]. Die Frist dafür hat die Omnibus-Verordnung (EU) 2026/1744 verschoben: 2. Dezember 2027 für Annex-III-Systeme, 2. August 2028 für KI in regulierten Produkten [18]. Die BaFin benennt in ihrer Orientierungshilfe vom Dezember 2025 stochastisches Verhalten explizit als KI-spezifisches Risiko [11]. Entscheidungen mit rechtlicher Wirkung dürfen gemäß Artikel 22 DSGVO nur von Menschen getroffen werden [12]. Das BSI empfiehlt, KI-Anwendungen nicht ungeprüft in kritischen Geschäftsprozessen einzusetzen [13]. Stanford hat die Halluzinationsrate professioneller juristischer KI-Tools gemessen [7]. Selbst spezialisierte Tools mit Zugriff auf verifizierte Datenbanken liefern in einem Sechstel bis einem Drittel der Fälle falsche Antworten. Für eine NIS2-Gap-Analyse mit 50 Prüfpunkten und einer Fehlerquote von 17% bleiben rechnerisch acht bis neun Schwachstellen unentdeckt (Schätzung). Human-in-the-Loop-Systeme heben die Genauigkeit von 82% auf 98% [8]. In einer Compliance-Prüfung bedeutet das den Unterschied zwischen neun übersehenen Schwachstellen und einer. #### Was ich bei Vorlesungen an der Uni sehe Als ich vor 15 Jahren das erste Mal als Dozent in einem Hörsaal stand, war ich die Quelle. Die Studierenden hatten das Wissen nicht, und ich vermittelte es. 2026 haben sie das Wissen, bevor ich den Raum betrete. 92% der Studierenden nutzen KI-Tools regelmäßig [14]. Ein Harvard-Experiment zeigt: Ein gut designter KI-Tutor erzielt den doppelten Lernzuwachs gegenüber aktivem Lernen im Hörsaal [15]. Heute unterrichte ich u.a. Global Software Management und AI an der Universität Zürich. Der Wert meiner Vorlesungen liegt nicht mehr primär im Stoff. Der liegt auf YouTube, in Claude und in ChatGPT. Der Wert liegt in der Verbindung von Praxiserfahrung und Theorie sowie in der Fähigkeit, echte Implementierungserfahrung auf akademischem Niveau einzuordnen. Was mich überrascht hat: Genau diese Verschiebung macht mir 2026 mehr Freude als 2010. Weil die Studierenden das Grundwissen mitbringen und wir direkt in die Tiefe gehen können. Neustes Wissen, jahrelange Erfahrung, modernste Tools, alles zusammen. Das ist Lehre, wie sie sein sollte. 95% der Lehrenden sehen das anders und befürchten studentische Überabhängigkeit von KI [16]. 48% sagen, die Qualität studentischer Recherche hat sich verschlechtert [16]. Ich beobachte beides. Studierende, die KI als Abkürzung nutzen und dabei aufhören zu denken. Und Studierende, die KI als Werkzeug nutzen und damit schneller zu besseren Ergebnissen kommen. Der Unterschied? Die zweite Gruppe kann erklären, was sie abgegeben hat. Die erste Gruppe nicht. Die Parallele zur KI Beratung im Mittelstand ist offensichtlich. KI liefert die Datenerhebung, die Synthese und den ersten Entwurf. Die Interpretation, die Bewertung, die strategische Anwendung auf den konkreten Kontext, das erfordert jemanden, der den Kontext kennt. Und der ist bereit, auch unbequeme Fragen zu stellen. #### Was sollten Geschäftsführer jetzt konkret tun? Messen Sie den tatsächlichen KI-Produktivitätsgewinn. Mitarbeiter-Befragungen liegen um 39 Prozentpunkte daneben [2]. Vergleichen Sie KI-gestützte und KI-freie Ergebnisse an derselben Aufgabe. Messen Sie Output-Qualität und Durchlaufzeiten. Wenn der KI-Output besser ist, nutzen Sie KI. Wenn nicht, wissen Sie jetzt warum. Trennen Sie KI-Arbeit und menschliche Arbeit bewusst. Was bei mir funktioniert: Recherche, Datenaufbereitung und erste Entwürfe laufen über KI-Tools. Die Bewertung, was davon für den konkreten Kunden relevant ist, die Priorisierung, die Implementierungsplanung, das bleibt menschlich. Bei einem KI-Strategie-Workshop bereite ich mit Claude die Marktanalyse vor. Im Workshop selbst geht es um Fragen, die kein Tool beantworten kann. Welche Abteilung hat die größte Bereitschaft für Veränderung? Wo sitzen die informellen Entscheider? Welche Altlasten in der IT-Architektur blockieren den nächsten Schritt? Prüfen Sie bei regulierten Prozessen, ob der KI-Output die Nachvollziehbarkeit erfüllt, die der EU AI Act für Hochrisiko-Systeme verlangt [10]. Probabilistische KI-Outputs in regulierten Prozessen ohne dokumentierte Nachvollziehbarkeit bedeuten persönliche Haftung. Externe Expertise lohnt sich genau dort, wo Ihr Unternehmen die Jagged Frontier überschreitet. Wo Aufgaben komplex, kontextabhängig und regulatorisch relevant sind. Für NIS2-Implementierung, KI-Strategie oder Software-Delivery-Prozesse ist der Werkstudent mit ChatGPT-Zugang die billigste Option mit dem teuersten Risiko. Prüfen Sie bei externer KI Beratung im Mittelstand, ob der Berater KI selbst als Werkzeug einsetzt. Wer 2026 ohne KI berät, verschenkt Geschwindigkeit. Wer nur mit KI berät, verschenkt Qualität. Wie Sie Ihre KI-Strategie systematisch aufbauen, zeigt der KI-Strategie-Leitfaden für den Mittelstand. #### Unsere Einordnung Dieser Artikel ist selbst ein Beispiel für die Grenzziehung, die er beschreibt. Ich habe Claude eingesetzt, um die Recherche durchzuführen. Sieben Studien gesichtet, Datenpunkte extrahiert, Widersprüche zwischen Harvard, MIT und Stanford identifiziert. Das hat Stunden gespart. Die Einordnung, welche dieser Zahlen für einen Geschäftsführer mit 200 Mitarbeitern relevant sind und welche akademisch bleiben, das kann kein Prompt. Die Entscheidung, den Artikel um die Jagged Frontier und die Centaur-Metapher herum zu strukturieren, kam aus meiner Erfahrung mit Mandaten. Die persönlichen Erfahrungen aus dem Uni-Alltag, die Gespräche und Meinungen von Kollegen und Kunden, das ist der Input, der diesen Artikel hoffentlich spannender macht als 90% der AI-generierten Einheitsartikel. Neulich hat mich ein Geschäftsführer gefragt, ob sein Team die NIS2-Anforderungen mit ChatGPT selbst prüfen könnte. Ich habe ihn gebeten, mir das Ergebnis zu zeigen. Drei von acht kritischen Anforderungen fehlten. Die Lücken waren genau dort, wo es unternehmensspezifisch wurde: Lieferkettenabhängigkeiten, Zuständigkeiten über Abteilungsgrenzen, historisch gewachsene IT-Systeme, die in keinem offiziellen Dokument stehen. ChatGPT kannte die Regulierung. Es kannte das Unternehmen nicht. Bei Software-Delivery-Prozessen beobachte ich dasselbe. KI-Agenten können Code generieren, Tests schreiben, Dokumentation erstellen. Ob der generierte Code in Ihre bestehende Architektur passt, ob er Ihre Compliance-Anforderungen erfüllt, ob Ihr Team die Kapazität hat, das Ergebnis abzuwarten und ob das Team durch die KI wirklich schneller geworden ist, kann kein Agent beurteilen. Das erfordert operative Erfahrung. Und die Bereitschaft, unbequeme Antworten zu geben. Die Daten aus sieben Studien zeigen ein klares Muster. KI ist bei Aufgaben unter zwei Stunden dem Menschen 4:1 überlegen [4]. Bei Analysen über 32 Stunden übertrifft der Mensch die KI 2:1 [4]. Beratungsprojekte dauern Wochen. Sie erfordern Kontextwissen, das in keinem Trainingsset existiert. Sie erfordern Urteilsvermögen, das keine Temperature-Einstellung liefert. Zurück zur Fliegerei: Ich finde Technologie großartig, wenn sie das Leben erleichtert. Aber ich möchte mich nicht davon abhängig machen. Ich bin froh, wenn es drauf ankommt, noch von Hand steuern zu können. Das gilt für Flugzeuge. Und für Unternehmen. --- ### 35% ersetzen SaaS durch Eigenentwicklung: Welche Geschäftsmodelle AI überleben URL: https://www.convios.com/de/insights/b2b-saas-geschaeftsmodell-framework-ai-disruption URL (EN): https://www.convios.com/en/insights/b2b-saas-geschaeftsmodell-framework-ai-disruption Published: 2026-03-13 #### Executive Summary Seit Anfang 2022 ist das mediane Umsatzwachstum öffentlicher SaaS-Unternehmen von 36% auf 12% zurückgegangen [1]. Gleichzeitig haben 35% der Enterprise-Teams mindestens ein SaaS-Produkt durch Eigenentwicklungen ersetzt [3]. PE kontrolliert 61% aller SaaS-M&A-Transaktionen [6], und AI-native Wettbewerber wie Cursor ($2 Mrd. ARR, verdoppelt in drei Monaten [2]) sprengen traditionelle Wachstumsmetriken. Die entscheidende Frage für Boards und CEOs lautet: Welche Geschäftsmodell-Typen sind am stärksten exponiert, und welche Hebel stehen zur Verfügung? Kein bestehendes Framework trennt systematisch fixe Marktdimensionen von steuerbaren Hebeln [18]. #### Was passiert gerade im SaaS-Markt? Die Bewertungssituation hat sich grundlegend verändert. Der Median-EV/Revenue-Multiple öffentlicher SaaS-Unternehmen lag im Januar 2026 bei 4,0×, der Höchststand lag 2021 bei 18,6× [5]. Private M&A-Transaktionen schlossen bei 3,8× Median [5]. Nur 16 % der Softwareunternehmen halten eine Rule of 40 über mehrere Jahre hinweg [7]. AI-native Unternehmen wachsen schneller als jeder traditionelle SaaS-Benchmark erfasst. Harvey erreichte $190 Mio. ARR in Legal Tech, 290% Wachstum im Jahresvergleich [8]. Sierra überschritt $100 Mio. ARR im Kundensupport mit reinem Outcome-based Pricing [9]. Complyance sammelte im Februar 2026 $20 Mio. Series A von Google Ventures ein, um AI-Agenten in der Compliance einzusetzen [14]. Diese Unternehmen konkurrieren über ihre Geschäftsmodell-Architektur. Parallel verschiebt sich die Build-vs-Buy-Grenze. Retool befragte im Februar 2026 817 Enterprise-Builder: 35% haben bereits ein SaaS-Produkt durch Eigenentwicklung ersetzt, 78% planen mehr davon [3]. Satya Nadella formulierte die These im Dezember 2024: Business Applications sind im Kern CRUD-Datenbanken mit Geschäftslogik, und diese Logik wandert in die Agenten [10]. #### Was bedeutet das für B2B-Software-Unternehmen? Der Druck trifft Geschäftsmodelle unterschiedlich. Ein horizontales Projektmanagement-Tool mit Per-Seat-Pricing und SMB-Kunden steht vor einer existenziellen Bedrohung. Eine vertikale Compliance-Plattform mit Outcome-based Pricing und Enterprise-Kunden in einer regulierten Branche operiert in einer anderen Realität. Der Unterschied liegt in der Kombination aus fixen Marktdimensionen und steuerbaren Hebeln. Fixe Dimensionen sind strukturelle Bedingungen, die ein Unternehmen kaum verändern kann. Die Regulierungsdichte der Zielbranche (Finanzdienstleistungen und Healthcare erzeugen natürliche Verteidigung durch Compliance-Anforderungen). Das Kundensegment (Enterprise-Kunden mit 118% medianer NRR versus SMB bei 97% [11]). Der Reifegrad des abgelösten Prozesses (die Digitalisierung eines Papierprozesses erzeugt tieferen Lock-in als die Verbesserung eines bereits digitalen). Horizontale versus vertikale Ausrichtung. Steuerbare Hebel sind strategische Entscheidungen, die ein Unternehmen aktiv anpassen kann. Das Pricing-Modell steht im Zentrum: Per-Seat-Pricing fiel in 12 Monaten von 21% auf 15% der SaaS-Unternehmen, Hybrid-Pricing stieg von 27% auf 41% [12]. Das Delivery-Modell definiert, ob das Produkt Self-Service-Tool bleibt, Managed Services ergänzt oder autonome AI-Agenten einsetzt. Die Wertschöpfungstiefe entscheidet, ob die Software einen Workflow bereitstellt, integrierte Intelligence liefert oder ganze Prozesse autonom übernimmt. Die Plattform-Strategie trennt Einzelprodukt-Unternehmen (Median 3,9× Revenue Multiple) von Ökosystem-Plattformen (Median 8,2×) [13]. Der GRC-Markt (Governance, Risk & Compliance) zeigt dieses Framework in der Praxis. MetricStream und SAP GRC repräsentieren die Incumbent-Schicht: breite Plattformen mit Enterprise-Lock-in, aber Legacy-Architekturen, die AI nachträglich integrieren. Vanta und Drata bauten Cloud-native Compliance-Automation (GRC 3.0) und erobern dabei das Startup- und Mid-Market-Segment. Jetzt kommt eine neue Generation AI-nativer Challenger. Complyance ($20 Mio. von GV, Februar 2026 [14]) setzt AI-Agenten ein, die Compliance-Workflows autonom ausführen. Kovr.ai arbeitet mit LLM-basierten Compliance-Engines für Hochsicherheitsumgebungen [15]. Diese GRC-4.0-Anbieter teilen ein Muster: automatisierte Evidenzsammlung, generierte Audit-Artefakte, Pricing auf Ergebnisbasis. Die fixen Dimensionen schützen den GRC-Markt vor der Wholesale-Ablösung, die einfachere Kategorien bedroht. Regulatorische Anforderungen (EU AI Act, SOX, ISO 27001) schaffen Compliance-Barrieren, die eine CRUD-Ersetzung nicht umgehen kann. Enterprise-Wechselkosten sind hoch. Die Integrität von Audit-Trails erfordert deterministische Genauigkeit. Diese fixen Dimensionen kaufen Zeit. Die steuerbaren Hebel entscheiden, wer diese Zeit nutzt. #### Was müssen Boards und CEOs jetzt tun? Bestimmen Sie Ihre Position auf beiden Achsen. Bewerten Sie jede fixe Dimension ehrlich: Wie reguliert ist Ihr Markt? Wie tief ist Ihr Daten-Moat? Wie komplex ist der Prozess, den Sie ersetzen? Dann bewerten Sie jeden steuerbaren Hebel: Ist Ihr Pricing an Seats, Nutzung oder Ergebnisse gebunden? Liefern Sie ein Tool oder ein Ergebnis? Beide Bewertungen zusammen ergeben Ihr spezifisches Expositionsprofil. Führen Sie ein Build-vs-Buy-Audit mit Ihren größten Kunden durch. Fragen Sie direkt: Hat jemand im Unternehmen einen Ersatz für Ihr Produkt mit AI-Coding-Tools gebaut oder erwogen? Retools Daten zeigen, dass einfache Workflow-Tools ab $250.000 Jahreskosten die primären Ersatzkandidaten sind [3]. Verschieben Sie mindestens einen Revenue-Stream in Richtung Outcome-based oder Hybrid-Pricing. Gartner prognostiziert, dass über 40% der Enterprise-SaaS-Ausgaben bis 2030 auf Usage-, Agent- oder Outcome-basierte Modelle umschwenken [16]. AI-native Unternehmen operieren bei 50–60% Bruttomarge versus 80–90% für traditionelle SaaS [17], die Pricing-Architektur und Unit Economics müssen also gemeinsam neu gedacht werden. Prüfen Sie, ob Ihr Produkt in der Workflow-Schicht, der Intelligence-Schicht oder der Outcome-Schicht sitzt. Bains Forschung zeigt: Das höchste Risiko tragen Produkte, die hohe Aufgabenautomation mit hoher API-Durchlässigkeit kombinieren [4]. Software, die primär als Dateneingabe- und Routing-System funktioniert, steht unter dem unmittelbarsten Druck. #### Unsere Einordnung Dieses Framework ist aus einer konkreten Situation entstanden. Ich bewerte gerade Ethenios, eine AI-native Compliance-Intelligence-Plattform, deren technische Architektur für regulierte Umgebungen ich in einem separaten Artikel detailliert habe. Ich nenne diesen Ansatz GRC 4.0. Die erste Frage im Due-Diligence-Prozess: Wie exponiert ist die GRC-Kategorie gegenüber AI-Disruption? Die Antwort hat mich überrascht. Kurz: kaum. Regulierung schützt den Markt. EU AI Act, SOX, ISO 27001 – Sie können Compliance nicht durch eine CRUD-App ersetzen, egal wie gut Ihr Coding-Agent ist. Audit-Trails brauchen deterministische Genauigkeit. Das sind fixe Dimensionen, die halten. Der Angriffsvektor liegt woanders. MetricStream verlangt sechsstellige Lizenzen für Plattformen, bei denen Compliance-Teams dennoch Wochen mit manueller Evidenzsammlung verbringen. Ethenios liefert kontinuierliches Monitoring und generiert Audit-Artefakte automatisch. Quartale werden zu Tagen. Das ist der steuerbare Hebel – das Delivery-Modell, nicht Pricing allein. Jedes PE-Board sollte diese Frage für jedes Portfolio-Unternehmen stellen: Welche fixen Dimensionen schützen uns und welche Hebel haben wir noch nicht gezogen? --- ### KI-Agenten im Unternehmen: Warum 42% der Projekte vor dem Echtbetrieb scheitern URL: https://www.convios.com/de/insights/ki-agenten-unternehmen-pilot-echtbetrieb URL (EN): https://www.convios.com/en/insights/ki-agenten-unternehmen-pilot-echtbetrieb Published: 2026-03-12 42% der Unternehmen haben 2025 die Mehrheit ihrer KI-Initiativen abgebrochen, bevor sie in den Echtbetrieb gingen [1]. Im Vorjahr waren es 17%. Gleichzeitig prognostiziert Gartner, dass bis Ende 2026 rund 40% aller Enterprise-Anwendungen KI-Agenten eingebettet haben werden, ausgehend von unter 5% Anfang 2025 [2]. Für Unternehmen im Mittelstand stellt sich damit eine operative Frage: Wie schaffen es KI-Agenten im Unternehmen vom Pilotprojekt in den stabilen Betrieb, ohne als teure Lernübung zu enden? #### Wie sieht der Markt für KI-Agenten 2026 aus? Salesforce hat sein Produkt Agentforce in etwas über einem Jahr auf 29.000 Deals und 800 Millionen Dollar Jahresumsatz gebracht [3]. Von den 150.000 Salesforce-Kunden haben gerade einmal 6% einen bezahlten Agentforce-Vertrag [6]. Das Muster: Großkunden mit klarem Scope und eigenen Datenteams skalieren. Alle anderen bleiben im Piloten hängen. ServiceNow testet seit Anfang 2026 eine „Autonomous Workforce“, bei der ein KI-Agent intern mehr als 90% der IT-Anfragen bearbeitet, nach eigenen Angaben 99% schneller als ein menschlicher Mitarbeiter [4]. Gartner rechnet damit, dass über 40% der laufenden Projekte mit KI-Agenten bis Ende 2027 eingestellt werden, weil Kosten, Geschäftswert oder Risikokontrollen fehlen [2]. Der Markt wächst 2026 auf geschätzte 10,9 Milliarden Dollar [5]. Wachstum im Markt bedeutet aber wenig für das einzelne Unternehmen, das gerade einen Piloten laufen hat. Für Unternehmen mit 50 bis 500 Mitarbeitern ist die Lage besonders unübersichtlich. Sie haben weder dedizierte KI-Teams noch Millionenbudgets für Implementierungsprojekte. Was sie haben: kurze Entscheidungswege, Nähe zum operativen Geschäft und die Möglichkeit, schneller zu lernen als Konzerne. #### Warum scheitert der Übergang vom Piloten zum Echtbetrieb? Drei Ursachen tauchen in den Daten konsistent auf. Keine davon ist technisch. Ursache 1: Die Daten sind nicht bereit. Eine Studie von Precisely und der Drexel University zeigt, dass nur 12% der befragten Organisationen eine Datenqualität haben, die für KI ausreicht [7]. 70 bis 85% aller gescheiterten KI-Projekte lassen sich auf Probleme mit der Datenarchitektur zurückführen [7]. Im Mittelstand heißt das konkret: Das CRM ist halb gepflegt, die Vertragsdaten liegen in drei verschiedenen Systemen, und die Kundenkommunikation steckt in E-Mail-Postfächern einzelner Mitarbeiter. Ein KI-Agent, der auf dieser Basis Vertragsreviews oder Kundentickets bearbeiten soll, liefert unzuverlässige Ergebnisse. Im Piloten funktioniert alles, weil der Testdatensatz bereinigt wurde. Im Echtbetrieb bricht die Qualität ein, weil die echten Daten es nicht sind. Deloitte bestätigt: Fast die Hälfte der befragten Unternehmen nennt die Auffindbarkeit und Wiederverwendbarkeit von Daten als zentrale Hürde für ihre KI-Strategie [8]. Ursache 2: Prozesse automatisiert, nicht neu gedacht. Deloitte beschreibt ein Phänomen, das sie „Workslop“ nennen: Wenn KI-Agenten auf Prozesse aufgesetzt werden, die für Menschen entworfen wurden, entsteht zusätzliche operative Last [8]. Die erhoffte Effizienz bleibt aus. McKinsey formuliert die richtige Ausgangsfrage so: „Wie würde diese Funktion aussehen, wenn Agenten 60% davon übernehmen?“ [9]. Die meisten Unternehmen stellen diese Frage nicht. Sie nehmen den bestehenden Prozess und ersetzen einzelne Schritte durch einen KI-Agenten. Das führt zu Agenten, die auf Freigaben warten, die nur ein Mensch erteilen kann, oder die Informationen aus Systemen brauchen, auf die sie keinen Zugriff haben. Im Mittelstand verschärft sich dieses Problem, weil viele Abläufe informell funktionieren. Die erfahrene Mitarbeiterin im Vertriebsinnendienst weiß, welche Kunden priorisiert werden. In ihrem Kopf. Ein KI-Agent hat auf dieses Wissen keinen Zugriff. Ursache 3: Agenten ohne Einbettung ins Gesamtsystem. Salesforce hat 1.050 IT-Verantwortliche befragt. Ergebnis: Die Hälfte der eingesetzten KI-Agenten arbeitet isoliert, ohne Anbindung an andere Systeme [10]. In einer separaten Frage gaben 86% an, sie befürchten wachsende Komplexität statt Wertschöpfung, wenn Agenten ohne Integration laufen [10]. Wie das im Alltag aussieht: Die Geschäftsleitung testet einen Agenten im Kundensupport. Gleichzeitig probiert die Buchhaltung ein Tool für die Rechnungsprüfung. Das Marketing nutzt ein drittes Produkt für Content-Erstellung. Drei Agenten, drei Anbieter, drei Datensilos. Deloitte bezeichnet KI-Agenten inzwischen als „Silicon Workforce“ und empfiehlt, sie wie Mitarbeiter zu führen: mit Onboarding, Leistungsmessung und klaren Verantwortlichkeiten [8]. ##### Der blinde Fleck: Prototyp ist Coding, Echtbetrieb ist Engineering Ein Muster fällt in der Praxis immer wieder auf, das in den Studien zu kurz kommt. Viele Pilotprojekte mit KI-Agenten sind im Kern Coding-Projekte: Ein Entwickler oder ein externer Dienstleister baut einen funktionierenden Prototypen. Der Agent läuft in einer Testumgebung, beantwortet Kundenanfragen oder klassifiziert Tickets. Das reicht, um Stakeholder zu überzeugen. Der Übergang in den Echtbetrieb erfordert etwas anderes. Er erfordert Software Engineering: Integration in bestehende Systeme (ERP, CRM, Ticketsystem), Anbindung an echte Datenquellen, Fehlerbehandlung, Monitoring, Zugriffsrechte, Wartung. Der Prototyp, der in der Demo beeindruckt hat, muss in ein Ökosystem aus bestehender Software und gewachsenen Datenstrukturen eingebettet werden. Das ist eine andere Disziplin. Und in vielen Unternehmen mit 50 bis 500 Mitarbeitern fehlt genau diese Kompetenz, weil die Entwicklerkapazität für den laufenden Betrieb gebunden ist. #### Welche Prozesse eignen sich für KI-Agenten? Bevor die Frage nach dem „Wie“ kommt, steht die Frage nach dem „Wo“. Gartner empfiehlt, KI-Agenten nur dort einzusetzen, wo der Geschäftswert klar messbar ist [2]. Vier Kriterien helfen bei der Auswahl: Hohes Volumen bei klaren Regeln. Rechnungsprüfung, Vertragsklausel-Checks, Ticket-Triage im Kundensupport. Prozesse, die heute viel Zeit kosten und nach dokumentierbaren Regeln ablaufen. Niedriger Fehlerpreis. Wenn ein KI-Agent beim Sortieren von Support-Tickets einen Fehler macht, ist das korrigierbar. Wenn er bei einer Compliance-Prüfung einen Fehler macht, ist das ein Haftungsrisiko. Am Anfang stehen Prozesse, bei denen Fehler auffallen und behebbar sind. Strukturierte Daten vorhanden. Der Agent braucht saubere Eingangsdaten. Wenn die Vertragsdaten in nicht indexierten PDFs liegen, ist das ein Daten-Projekt, bevor es ein Agent-Projekt werden kann. Menschliche Eskalation definiert. Für jede Entscheidung, die der Agent trifft, muss klar sein: Ab welchem Schwellenwert geht der Fall an einen Menschen? Ein Rechenbeispiel verdeutlicht die Dimension (Schätzung auf Basis typischer SaaS-Infrastrukturkosten). Ein KI-Agent für die Ticket-Triage in einem 200-Personen-Unternehmen verarbeitet etwa 500 Tickets pro Monat. Die KI-Infrastrukturkosten liegen zwischen 3 und 8 Euro pro Monat. Pro Ticket spart der Agent 15 bis 25 Minuten Bearbeitungszeit. Die Rechnung kippt bei einer Nachbearbeitungsquote von über 30 %, weil ab diesem Punkt die manuelle Korrektur den Zeitgewinn auffrisst. Die Datenqualität entscheidet also direkt über die Wirtschaftlichkeit. #### Was Geschäftsführer und Vorstände jetzt tun müssen Erst den Prozess verstehen, dann das Tool kaufen. Bevor Sie einen KI-Agenten einführen, dokumentieren Sie den Prozess, den er übernehmen soll. Im Detail: Welche Daten fließen ein, welche Entscheidungen fallen, wer wird bei Ausnahmen gefragt, welche Informationen existieren nur in den Köpfen einzelner Mitarbeiter? Ein Flussdiagramm auf Foliensatz-Niveau reicht dafür nicht. McKinsey-Daten zeigen, dass Unternehmen mit messbarem KI-Erfolg doppelt so häufig zuerst ihre Prozesse redesignt haben, bevor sie Technologie ausgewählt haben [9]. Datenqualität als Investition behandeln. Wenn nur 12% der Organisationen eine KI-taugliche Datenqualität haben [7], löst die IT-Abteilung das nicht nebenbei. Für den Mittelstand bedeutet das: CRM-Hygiene vor Agent-Deployment. Vertragsdaten zentralisieren. Kundenkommunikation indexierbar machen. Das ist unglamourös und dauert Wochen. Ohne diese Arbeit liefert jeder KI-Agent Ergebnisse, die manuell nachgeprüft werden müssen. Dann können Sie den Agenten auch weglassen. Einen Agent-Verantwortlichen benennen. Auch wenn es nur eine halbe Stelle ist, im Mittelstand braucht es häufig keine komplette KI-Abteilung. Trotzdem braucht jemand den Überblick: Welche Agenten laufen, was kosten sie pro Monat (Token-Verbrauch, API-Gebühren, Wartung), wie entwickelt sich die Ergebnisqualität, welche neuen Anwendungsfälle sind sinnvoll? Ohne diese Rolle entstehen die isolierten Agenten, die Salesforce in seiner Studie beschreibt [10]. Nehmen Sie sich einen einzelnen Prozess vor und messen Sie 90 Tage lang drei Kennzahlen: Bearbeitungszeit, Fehlerquote, Kosten pro Vorgang. Kearney berichtet von einem Klienten, der mit diesem Ansatz die laufenden Betriebskosten um über 30% gesenkt hat [11]. Der Schlüssel war die Beschränkung auf einen Prozess und die saubere Messung, bevor der nächste Bereich hinzukam. #### Unsere Einordnung Ich habe in einem meiner Mandate erlebt, wie ein Unternehmen mit rund 200 Mitarbeitern KI-Agenten im Kundensupport einführen wollte. Der Pilot lief hervorragend: bereinigter Datensatz, klare Testfälle, Ticket-Bearbeitungszeit halbiert. Im Echtbetrieb brach die Qualität nach zwei Wochen ein. Die Ursache war banal. Die Hälfte der relevanten Kundeninformationen lag in persönlichen E-Mails und Slack-Nachrichten der Servicemitarbeiter, außerhalb des Ticketsystems. Der Agent arbeitete mit einem Bruchteil des Kontexts, den ein erfahrener Mitarbeiter hatte. Die Lösung war ein zweiwöchiges Projekt, in dem das Serviceteam seine informellen Wissensquellen in ein strukturiertes System überführt hat. Der gleiche Agent funktionierte danach zuverlässig. Die Kosten für dieses kleine Datenprojekt lagen bei einem Bruchteil dessen, was ein neues KI-Tool gekostet hätte. Meine Erfahrung deckt sich mit dem, was die Daten zeigen. Der Engpass bei KI-Agenten im Unternehmen liegt in der Vorbereitung: saubere Daten, durchdachte Prozesse, klare Verantwortlichkeiten. Das klingt nach Grundlagenarbeit, weil es Grundlagenarbeit ist. Unternehmen mit 50 bis 500 Mitarbeitern haben dabei einen strukturellen Vorteil. Sie können in Wochen umsetzen, wofür Konzerne Monate brauchen. Wer diesen Vorteil nutzt und mit einem Prozess anfängt, wird zu den 58% gehören, deren Projekte den Echtbetrieb erreichen. Wie Sie die KI-Reife Ihres Unternehmens systematisch bewerten, bevor Sie in Agenten investieren, zeigt der KI-Reifegrad-Schnellcheck auf der Strategieseite. Die Fristen des EU AI Act für KI-Systeme stehen in der Übersicht zur KI-Regulierung im Mittelstand 2026. --- ### KI-Betriebssystem im Mittelstand einrichten URL: https://www.convios.com/de/insights/ki-betriebssystem-mittelstand-praxisleitfaden URL (EN): https://www.convios.com/en/insights/ki-betriebssystem-mittelstand-praxisleitfaden Published: 2026-02-27 #### Warum jeder Geschäftsführer ein KI-Betriebssystem selbst einrichten sollte Ich habe einen Nachmittag gebraucht, um mein KI-Betriebssystem im Mittelstand aufzusetzen. 20 Euro im Monat. Am selben Tag lieferte die KI bessere Ergebnisse als jeder generische Chatbot, weil sie unser Unternehmen, unsere Strategie und unsere Prozesse kannte. 41% der deutschen Unternehmen ab 20 Beschäftigten setzen bereits KI ein [1]. 53% scheitern am technischen Know-how [1]. #### Was ist ein KI-Betriebssystem? Ein KI-Betriebssystem ist keine Software, die Sie kaufen. Es ist eine Methode, wie Sie KI um Ihr gesamtes Unternehmen legen. Sie geben der KI alles, was ein neuer Geschäftspartner über Ihre Firma wissen müsste. Geschäftsmodell, Team, Strategie, Tonfall, Prozesse. Ab diesem Moment arbeitet die KI wie ein informierter Kollege. Die technische Basis dafür existiert seit Januar 2026 mit Claude Code und Claude Cowork [2]. Claude Code ist ein KI-Agent, der direkt auf Ihrem Computer arbeitet, Dateien liest, erstellt und bearbeitet. Cowork macht das Gleiche über eine grafische Oberfläche in der Desktop-App, für alle, die kein Terminal öffnen wollen. Beide kosten ab 20 Euro pro Monat im Pro-Plan [3]. Der Unterschied zu ChatGPT im Browser: Diese Tools vergessen nichts. Sie arbeiten mit Ihrem Dateisystem. Sie halten sich an Regeln, die Sie in Textdateien festgelegt haben. Und sie werden mit jeder Woche besser, weil Sie mehr Kontext hinzufügen. Im Artikel kommen fünf Begriffe vor, die ich kurz erklären will. Eine CLAUDE.md ist eine Textdatei, die Ihr Unternehmen beschreibt. Die KI liest sie automatisch bei jedem Gespräch. Ihr digitales Einarbeitungsdokument. Mit Stildateien meine ich separate Textdokumente, die festlegen, wie Ihre Texte klingen sollen: Tonfall, verbotene Floskeln, Zielgruppen-Ansprache. Die KI zieht sie bei Schreibaufgaben hinzu. Skills funktionieren wie ein Rezeptbuch für die KI. Kleine Ordner mit Schritt-für-Schritt-Anleitungen: "So erstellst du ein Angebot", "So schreibst du einen Monatsbericht" [4]. MCP-Server klingt technisch, ist aber im Grunde ein Adapter. Das Model Context Protocol verbindet die KI mit externen Diensten wie Notion, Google Drive oder Slack [4]. #### Warum sollte C-Level das selbst tun? Mir fällt auf, dass viele Geschäftsführer KI aus Präsentationen kennen, aber nie selbst damit gearbeitet haben. Das halte ich für ein Problem. Wer eine Technologie bewerten will, muss drei Stufen durchlaufen: das Konzept intellektuell verstehen, es selbst anwenden und es anderen erklären können. Erst auf Stufe drei wird man zum Fürsprecher im eigenen Unternehmen. Die Bitkom-Studie vom März 2026 zeigt, warum das gerade jetzt zählt. 62% der KI-nutzenden Unternehmen ordnen sich selbst als Nachzügler ein [1]. 77% berichten gleichzeitig von einer verbesserten Wettbewerbsposition [1]. Die Technologie funktioniert. Der Engpass sitzt in der Geschäftsführung. Wer KI nur aus Slideshows kennt, kann weder die richtigen Projekte priorisieren noch die Qualität der Ergebnisse beurteilen. Wer sie selbst eingerichtet hat, kann beides. Die KfW bestätigt den Zusammenhang: Unternehmen mit abgeschlossenen Digitalisierungsprojekten zeigen eine 26% höhere Wahrscheinlichkeit für KI-Nutzung als solche ohne [5]. #### Drei Wochen Praxis: Was beim Aufbau passiert ist ##### Woche 1: Eine Textdatei verändert alles Am ersten Tag habe ich eine Datei namens CLAUDE.md angelegt. 15 Zeilen, die unser Geschäftsmodell, unsere Zielgruppen, unseren Tonfall und unsere aktuelle Strategie beschreiben. Das dauerte eine Stunde. Am selben Tag habe ich einen Artikelentwurf bekommen, der nach uns klang. Vorher hat das drei Anläufe gebraucht. Jedes Gespräch mit der KI startete mit vollem Kontext. Die KI wusste, für wen sie schreibt, welchen Ton sie trifft, welche Strategie dahintersteht. Hier ist ein gekürztes Beispiel. Sie können es als Vorlage für Ihr Unternehmen verwenden: CLAUDE.md (Vorlage, gekürzt) ``` # Unternehmen: [Ihr Firmenname] ## Geschäftsmodell Beratung und Interim-Management für mittelständische Unternehmen. Schwerpunkte: Digitalisierung, KI-Strategie, operative Transformation. Umsatz zu 70% aus Projektgeschäft, 30% aus wiederkehrenden Verträgen. ## Zielkunden Geschäftsführer und Inhaber, 50 bis 500 Mitarbeitende, produzierendes Gewerbe und Dienstleistung im DACH-Raum. ## Team 12 Mitarbeitende. 3 Berater, 2 Entwickler, 1 Marketing, 6 Projektteam. Entscheidungen trifft die Geschäftsführung, Umsetzung über Projektleiter. ## Tonfall Direkt, klar, keine Beraterfloskeln. Fachlich präzise, aber verständlich für jemanden ohne technischen Hintergrund. Sie-Form in externen Texten. ## Aktuelle Strategie Q1/2026 Website-Relaunch bis Ende März. 4 Fachartikel pro Monat publizieren. KI-Readiness-Check als Kundenmagnet etablieren. ``` 15 Zeilen, eine Stunde Arbeit. Ab diesem Moment hört die KI auf, generisch zu antworten. Am dritten Tag kam eine Stildatei dazu. Sie definiert den Tonfall unserer Texte, verbotene Floskeln, Quellenformat und Leseransprache. Die KI hält sich daran, weil sie die Datei bei jedem Schreibauftrag liest. Der erste Entwurf klang nach uns. ##### Woche 2: Skills bauen, und dabei scheitern In der zweiten Woche habe ich begonnen, Skills zu bauen: kleine Ordner mit Anleitungen, die der KI beibringen, wie eine bestimmte Aufgabe erledigt wird [4]. Für die Artikelproduktion auf convios.com habe ich eine Skill gebaut, die den gesamten Ablauf abbildet: Recherche, Gliederung, Textentwurf, Quellenprüfung, Qualitätskontrolle. Die erste Version war Müll. Über 200 Zeilen Anweisungen, die KI hat sich in Widersprüchen verheddert und die Hälfte der Regeln ignoriert. Was ich daraus gelernt habe: Eine gute Skill hat 30 bis 50 Zeilen, deckt einen Workflow ab, und verweist für Details auf separate Dateien. Nach dem Umbau lief die Artikelproduktion in der halben Zeit. Es gibt bereits einen wachsenden Marktplatz, auf dem Unternehmer bewährte Skills teilen [4]. Wettbewerbsanalysen, Monatsberichte, Präsentationsentwürfe, Dokumenterstellung. Sie installieren sie wie eine App. Die wertvollsten Skills sind allerdings die, die Sie selbst schreiben, weil sie Ihre eigenen Prozesse abbilden. ##### Woche 3: Systeme verbinden, und den Preis der Komplexität zahlen Die dritte Woche war die härteste. Ich habe externe Systeme angebunden: Notion für die Content-Pipeline, Google Drive für Dokumente, das CMS für die Veröffentlichung. Das Protokoll heißt MCP [4]. Im Prinzip ein Adapter zwischen KI und bestehenden Tools. Im Prinzip. Die Notion-Anbindung brauchte drei Anläufe. Beim ersten Versuch stimmten die Feld-Typen in der Datenbank nicht. Beim zweiten landeten Daten in den falschen Feldern. Erst beim dritten Mal lief es stabil. Das ist der Teil, den YouTube-Tutorials weglassen. Der Einstieg (CLAUDE.md, erste Skills) kostet einen Nachmittag und 20 Euro. Sobald Sie drei Systeme verbinden, brauchen Sie jemanden, der versteht, wie Datenstrukturen zusammenspielen. #### Was kostet ein KI-Betriebssystem im Vergleich? Wo sich die Investition rechnet, zeigt die KI-ROI-Landkarte für den Mittelstand. Drei Fachartikel im Monat kosten bei einem Freelance-Texter zwischen 1.500 und 3.000 Euro (Schätzung). Ein Werkstudent für Recherche und Berichte schlägt mit rund 600 Euro monatlich zu Buche (Schätzung). Eine externe Wettbewerbsanalyse beginnt bei 5.000 Euro pro Auftrag (Schätzung). Ein KI-Betriebssystem auf dem Claude Pro-Plan kostet 20 Euro im Monat. Dazu kommt Ihre eigene Zeit, die aber durch die Zeitersparnis bei anderen Aufgaben mehr als kompensiert wird. Für ein Fünf-Personen-Team im Team-Plan liegen die Kosten zwischen 125 und 750 Euro monatlich (Schätzung, abhängig vom Mix aus Standard- und Premium-Plätzen) [3]. Die KfW bietet für Digitalisierungsprojekte den ERP-Förderkredit Digitalisierung an. Die HighEnd-Stufe fördert KI-Vorhaben mit einem Zuschuss von 5% des Kreditbetrags, bis zu 200.000 Euro [6]. 36% der Unternehmen wollen 2026 mehr in Digitalisierung investieren als im Vorjahr [1]. #### Wie steht es um DSGVO und EU-Compliance? Anthropic bietet regionale Endpunkte, die kontrollieren, wo Ihre Daten gespeichert und verarbeitet werden [7]. Über AWS Bedrock Frankfurt oder Google Vertex AI Frankfurt lassen sich Claude-Modelle mit EU-Datenresidenz betreiben [8]. Für den Pro-Plan gilt: Gespräche werden standardmäßig nicht für das Training der KI verwendet. Datenaufbewahrung beträgt 30 Tage bei Opt-out [9]. Für Unternehmen mit strengeren Anforderungen gibt es den Enterprise-Plan mit Zero-Data-Retention, bei der keine Gesprächsinhalte nach den Missbrauchsprüfungen gespeichert werden. Was bei mir funktioniert: Interne Arbeit (Strategie, Berichte, Content) läuft auf dem Pro-Plan. Sobald personenbezogene Kundendaten ins Spiel kommen, brauchen Sie den Enterprise-Plan mit Auftragsverarbeitungsvertrag. Die Bitkom hat dazu den Leitfaden "Generative KI im Unternehmen" veröffentlicht [10]. #### Was Geschäftsführer jetzt tun sollten Installieren Sie Claude und legen Sie eine CLAUDE.md an. Nutzen Sie die Vorlage aus diesem Artikel. Eine Stunde, dann einen halben Tag damit arbeiten. Sie werden den Unterschied zu einem generischen Chatbot sofort merken. Machen Sie einen Aufgaben-Audit Ihrer wiederkehrenden Tätigkeiten. Listen Sie alles auf: Berichte, E-Mails, Recherchen, Planungen, Vorbereitungen. Markieren Sie, welche Aufgaben die KI übernehmen oder beschleunigen könnte. Bei 83 Aufgaben, die ich für meine Unternehmen aufgelistet habe, waren 54 automatisierbar oder stark beschleunigbar (Schätzung). Bauen Sie Ihre erste Skill für genau eine Aufgabe. Der wöchentliche Lagebericht. Die Wettbewerbsanalyse. Die Angebotsvorbereitung. Schreiben Sie den Ablauf in eine Textdatei, legen Sie sie in den Skill-Ordner, und testen Sie eine Woche lang. Und dann erklären Sie es Ihrem Team. Das ist der Moment, wo Sie merken, ob Sie es wirklich verstanden haben. Wer eine Technologie erklären kann, kann sie auch beurteilen: Wo lohnt sich der Ausbau? Wo brauchen wir externes Know-how? Was können unsere Teams selbst? #### Unsere Einordnung Drei Wochen, 20 Euro monatliche Fixkosten, und meine Arbeitsweise hat sich verändert. Inhalte, die vorher zwei Tage gebraucht haben, stehen in wenigen Stunden. Die Qualität ist besser, weil die KI eine 17-Punkte-Prüfliste bei jedem Text durcharbeitet, konsequenter als ich es manuell je getan habe. Die CLAUDE.md war die wichtigste einzelne Investition. Alles andere, Skills, MCP-Server, Automatisierungen, baut darauf auf. Ohne Kontext ist jedes KI-Tool ein besseres Google. Mit Kontext wird es ein Kollege, der Ihr Unternehmen kennt. Was ich jedem Geschäftsführer sage, der fragt, wo er anfangen soll: Geben Sie es nicht an die IT, bevor Sie einen Nachmittag selbst damit gearbeitet haben. Danach stellen Sie die richtigen Fragen. Vorher nicken Sie in Meetings. ##### Weiterführende Ressourcen Wie Sie Ihre KI-Bereitschaft systematisch prüfen, zeigt der KI-Reifegrad-Schnellcheck auf der Strategieseite. Für die regulatorische Seite liefert der Regulatorik-Radar einen Überblick über aktuelle Compliance-Anforderungen. --- ## Weitere Einstiege - Startseite: https://www.convios.com/de | https://www.convios.com/en - Über uns / About: https://www.convios.com/de/ueber-uns | https://www.convios.com/en/about-us - Data & Insights (Übersicht): https://www.convios.com/de/insights | https://www.convios.com/en/insights - Methodenbibliothek / Method library: https://www.convios.com/de/methodik | https://www.convios.com/en/methods - Werkzeugkasten / Toolbox: https://www.convios.com/de/werkzeugkasten | https://www.convios.com/en/toolbox - Werkzeugkasten-Bereich / Toolbox area „Produkt & Entwicklung": https://www.convios.com/de/werkzeugkasten/bereich/produkt | https://www.convios.com/en/toolbox/area/product-engineering - Werkzeugkasten-Bereich / Toolbox area „Inhalt & Web": https://www.convios.com/de/werkzeugkasten/bereich/inhalt | https://www.convios.com/en/toolbox/area/content-web - Werkzeugkasten-Bereich / Toolbox area „Service & Support": https://www.convios.com/de/werkzeugkasten/bereich/service | https://www.convios.com/en/toolbox/area/service-support - Werkzeugkasten-Bereich / Toolbox area „GTM & Vertrieb": https://www.convios.com/de/werkzeugkasten/bereich/gtm | https://www.convios.com/en/toolbox/area/go-to-market - Werkzeugkasten-Bereich / Toolbox area „Betrieb & Finanzen": https://www.convios.com/de/werkzeugkasten/bereich/betrieb | https://www.convios.com/en/toolbox/area/operations-finance - Werkzeugkasten-Bereich / Toolbox area „Governance & Sicherheit": https://www.convios.com/de/werkzeugkasten/bereich/governance | https://www.convios.com/en/toolbox/area/governance-security - Impressum / Legal notice: https://www.convios.com/de/impressum | https://www.convios.com/en/legal-notice - Datenschutz / Privacy policy: https://www.convios.com/de/datenschutz | https://www.convios.com/en/privacy-policy --- ## Methodenbibliothek 96 Methoden zur B2B-Skalierung, nach Engpass sortiert, davon 93 mit belegter, veroeffentlichter Detailseite. Je Methode Einsatzzweck, Vorgehen, Grenzen, Kennzahl und die geprueften Quellen. URL: https://www.convios.com/de/methodik ### Drei Positionierungs-Strategien URL: https://www.convios.com/de/methodik/3-positionierungs-strategien Quelle: Blue Ocean Strategy (https://hbr.org/2004/10/blue-ocean-strategy) Nach April Dunford gibt es drei Grundstrategien für den Markteintritt: Head-to-head im bestehenden Markt, Big Fish in einem kleinen Teich (Sub-Segment dominieren) oder ein neues Spiel eröffnen (eigene Kategorie). Die Wahl bestimmt Wettbewerb, Botschaft und Ressourcenbedarf. ### 5-Komponenten-Positionierung URL: https://www.convios.com/de/methodik/5-komponenten-positioning Quelle: The Categorical Imperative: Securities Analysts and the Legitimacy Discount (https://www.gsb.stanford.edu/faculty-research/working-papers/categorical-imperative-securities-analysts-legitimacy-discount) Positionierungsmethode nach April Dunford: Der Wert eines Produkts wird erst im richtigen Vergleichsrahmen sichtbar. Fünf aufeinander aufbauende Komponenten führen von den echten Wettbewerbsalternativen des Käufers zur bewusst gewählten Marktkategorie. ### „Kontext: Graben oder Mauer?“-Test URL: https://www.convios.com/de/methodik/kontext-graben-oder-mauer Quelle: The Red Queen in Organizational Evolution (https://www.gsb.stanford.edu/faculty-research/publications/red-queen-organizational-evolution) Prüffrage für KI- und Kontext-Fundamente: Baut jede Firma dieses Fundament, dann ist es Grundausstattung im Wettrennen, eine Mauer oder ist es proprietär, kompoundierend und wechselkostenträchtig, also ein echter Graben? Ein Konter gegen die Behauptung, das eigene KI-Fundament sei automatisch der entscheidende Vorsprung. ### Marke als wiederholte Paarung URL: https://www.convios.com/de/methodik/marke-wiederholte-paarung Quelle: Evaluative conditioning in humans: a meta-analysis (https://pubmed.ncbi.nlm.nih.gov/20438144/) Markenaufbau als Mechanik: Marke entsteht durch die wiederholte Paarung des noch Unbekannten (Sie, Ihr Angebot) mit etwas Bekanntem, das die Zielgruppe schätzt. Ein zentraler inhaltlicher Pfeiler muss zuerst stehen, alles andere ist Würze drumherum. ### Need-to-believes minimieren URL: https://www.convios.com/de/methodik/need-to-believes Quelle: Choice under Conflict: The Dynamics of Deferred Decision (https://collaborate.princeton.edu/en/publications/choice-under-conflict-the-dynamics-of-deferred-decision/) Jede Überzeugung, die ein Käufer erst fassen muss, bevor er kauft, senkt die Conversion. Ziel ist ein Angebot und eine Botschaft, die mit null bis einem Glaubenssprung auskommen. Der Rest wird durch Belege, Struktur oder ehrliche Selbstauskunft abgeräumt. ### PFI-Raster: Wer verdient an der Innovation? URL: https://www.convios.com/de/methodik/pfi-raster Quelle: Teece, David J.: Profiting from technological innovation: Implications for integration, collaboration, licensing and public policy, Research Policy 15(6), 285-305, 1986 (https://www.edegan.com/pdfs/Teece%20(1986)%20-%20Profiting%20From%20Technological%20Innovation%20Implications%20For%20Integration%20Collaboration%20Licensing%20And%20Public%20Policy.pdf) Rahmen von David Teece (1986). Drei Größen entscheiden, wem der Gewinn einer Neuerung zufällt: die Schützbarkeit gegen Nachbau, die Marktphase, und die Kontrolle über die Mittel, die zur Vermarktung zusätzlich gebraucht werden. Ist der Schutz schwach, wandert der Gewinn zum Eigentümer der spezialisierten Zusatzmittel. Daraus folgt eine Entscheidung zwischen Besitzen und Zukaufen. ### Regulatorik-Dichte-Test URL: https://www.convios.com/de/methodik/regulatorik-dichte-test Quelle: The Theory of Economic Regulation (https://bfi.uchicago.edu/wp-content/uploads/2023/02/3003160.pdf) Prüffrage für regulatorisch getriebene Geschäftsmodelle: Ist der Markt für Sie spezifisch reguliert oder für alle Wettbewerber gleich? Eine Pflicht, die alle gleichermaßen trifft, erzeugt Nachfrage, aber keine verteidigbare Position. ### Resonating Focus / Value Word Equation URL: https://www.convios.com/de/methodik/resonating-focus Quelle: Anderson, Narus & van Rossum: Customer Value Propositions in Business Markets, Harvard Business Review 84(3), März 2006, S. 91-99 (https://www.ontargetpartners.com/wp-content/uploads/2010/03/Value_Propositions_in_Business_Markets_by_HBR.pdf) Verfahren von Anderson, Narus und van Rossum (HBR 2006): Ein Wertversprechen wird gegen die nächstbeste Alternative des Kunden gerechnet, nicht behauptet. Von allen Unterschieden bleiben ein bis zwei, die dem Zielkunden am meisten wert sind. Jedes davon wird als Value Word Equation in den Betriebsgrößen des Kunden ausgerechnet und mit dessen Daten belegt. ### Insight-geführter Sales-Pitch URL: https://www.convios.com/de/methodik/sales-pitch-insight-led Quelle: The End of Solution Sales (https://hbr.org/2012/07/the-end-of-solution-sales) Pitch-Struktur nach April Dunford: Das Verkaufsgespräch beginnt mit einer eigenen Markt-Insight statt mit Problem oder Feature. Ein Problem kann jeder Wettbewerber reklamieren. Die eigene Sicht auf den Markt nicht. ### Strategisches Narrativ (Old Game / New Game) URL: https://www.convios.com/de/methodik/strategic-narrative Quelle: Beyond Forecasting: Creating New Strategic Narratives (https://sloanreview.mit.edu/article/beyond-forecasting-creating-new-strategic-narratives/) Erzählstruktur nach Andy Raskin: Die stärkste Verkaufsstory erzählt einen Markt-Shift mit Gewinnern und Verlierern, einem erstrebenswerten Zielzustand („Promised Land“) und den Produktfähigkeiten als Werkzeugen auf dem Weg dorthin; ein Produkt-Pitch ist sie nicht. ### Tipping-Test (Winner-take-all-Bedingungen) URL: https://www.convios.com/de/methodik/tipping-test Quelle: Eisenmann, Parker, Van Alstyne: Strategies for Two-Sided Markets, Harvard Business Review 84(10), Oktober 2006, S. 92-101 (https://www.kth.se/social/files/546b8e7ef2765474dd3f23fe/4.Eisenmann+et+al+(2006).pdf) Modell von Eisenmann, Parker und Van Alstyne (Harvard Business Review, 2006): Ein vernetzter Markt wird nur dann von einer einzigen Plattform bedient, wenn drei Bedingungen zusammentreffen. Hohe Kosten der Parallelnutzung auf mindestens einer Seite, starke positive Kreuzseiteneffekte gerade auf dieser Seite, kein ausgeprägter Bedarf an Spezialfunktionen. Fehlt eine Bedingung, ist ein Rennen um Marktbeherrschung die falsche Wette. ### Entkommodifizierung durch Trim & Stack URL: https://www.convios.com/de/methodik/trim-stack Quelle: Marketing Success Through Differentiation—of Anything (https://hbr.org/1980/01/marketing-success-through-differentiation-of-anything) Methode gegen Austauschbarkeit: Alle Mikro-Probleme der Customer Journey auflisten, jede Lösung nach Kundenwert und eigenen Grenzkosten bewerten und nur behalten, was hohen Wert bei niedrigen Grenzkosten liefert. Das Ergebnis ist ein Angebot, das sich dem direkten Preisvergleich entzieht. ### Value Equation URL: https://www.convios.com/de/methodik/value-equation Quelle: Consumer Perceptions of Price, Quality, and Value: A Means-End Model and Synthesis of Evidence (https://journals.sagepub.com/doi/10.1177/002224298805200302) Wert als Formel: (Wunschergebnis × wahrgenommene Erfolgswahrscheinlichkeit) geteilt durch (Zeit bis zum Ergebnis × Aufwand des Kunden). Die verteidigbare Stellung sitzt im Nenner, schneller und müheloser liefern ist operativ schwer und damit kopierresistent. ### 95:5-Regel URL: https://www.convios.com/de/methodik/95-5-regel Quelle: Advertising effectiveness and the 95-5 rule: most B2B buyers are not in the market right now, John Dawes (https://marketingscience.info/news-and-insights/advertising-effectiveness-and-the-95-5-rule-most-b2b-buyers-are-not-in-the-market-right-now) Befund des Ehrenberg-Bass-Instituts (John Dawes): Nur etwa 5 Prozent eines B2B-Marktes sind zu einem gegebenen Zeitpunkt kaufbereit. Marketing, das nur auf diese 5 Prozent zielt, konkurriert mit allen um denselben kleinen Pool. Die 95 Prozent brauchen mentale Verfügbarkeit für den Tag, an dem sie in den Markt kommen. ### Core Four URL: https://www.convios.com/de/methodik/core-four Quelle: Bryce Ryan, Neal C. Gross: The Diffusion of Hybrid Seed Corn in Two Iowa Communities, Rural Sociology 8(1), 1943, 15–24; erweiterte Fassung als Acceptance and Diffusion of Hybrid Corn Seed in Two Iowa Communities, Research Bulletin 372, Iowa State College, 1950 (https://dr.lib.iastate.edu/server/api/core/bitstreams/1986bec6-690e-4fe8-a034-bae6b68d2dcb/content) Es gibt nur vier Wege, Aufmerksamkeit in Leads zu verwandeln: warme Ansprache (1:1, man kennt Sie), kalte Ansprache (1:1, man kennt Sie nicht), Content (1:viele, warm) und bezahlte Werbung (1:viele, kalt). Jede Kampagne ist eine Kombination dieser vier. Das Raster macht Kanal-Audits vollständig. ### 70/20/10 Creative-Reskinning URL: https://www.convios.com/de/methodik/creative-reskinning Quelle: Managing Your Innovation Portfolio, Bansi Nagji & Geoff Tuff, Harvard Business Review (https://hbr.org/2012/05/managing-your-innovation-portfolio) Werbe-Creatives, die nachweislich funktionieren, werden industrialisiert vervielfältigt und nicht ersetzt: 70 Prozent enge Varianten des Gewinners, 20 Prozent verwandte Abwandlungen, 10 Prozent echte Neuversuche. Die meisten Teams machen es genau umgekehrt. ### Demand Creation vs. Demand Capture URL: https://www.convios.com/de/methodik/demand-creation-vs-capture Quelle: Oliver J. Rutz, Randolph E. Bucklin: From Generic to Branded: A Model of Spillover in Paid Search Advertising, Journal of Marketing Research 48(1), 2011, S. 87-102 (https://faculty.washington.edu/orutz/docs/Spillover_JMR_2011.pdf) Unterscheidung nach Chris Walker: Die meisten B2B-Firmen ernten nur vorhandene Nachfrage (Paid Search, Formulare) und nennen das Demand-Gen. Echte Nachfrage entsteht vorher, in Podcasts, Communities und Peer-Gesprächen, die keine Attributionssoftware sieht. ### Dual-Distribution-Diagnose (Direkt- und Partnerkanal) URL: https://www.convios.com/de/methodik/dual-distribution-diagnose Quelle: Sa Vinhas, Anderson: How Potential Conflict Drives Channel Structure: Concurrent (Direct and Indirect) Channels, Journal of Marketing Research 42(4), 507-515 (https://journals.sagepub.com/doi/10.1509/jmkr.2005.42.4.507) Behandelt den Parallelbetrieb von Direkt- und Partnervertrieb im selben Markt als messbares Konfliktrisiko statt als Organisationsfrage. Je häufiger und je folgenschwerer beide Kanäle denselben Kunden berühren, desto weniger trägt der Parallelbetrieb. Wo er bleiben soll, dämpfen drei Mittel den Wettbewerb im eigenen Haus. ### Geo-Experiment / Matched-Market-Inkrementalitätstest URL: https://www.convios.com/de/methodik/geo-experiment-inkrementalitaet Quelle: Vaver & Koehler: Measuring Ad Effectiveness Using Geo Experiments, Google Inc., 2011 (https://research.google/pubs/measuring-ad-effectiveness-using-geo-experiments/) Verfahren von Jon Vaver und Jim Koehler (Google Research): Der Markt wird in nicht überlappende Regionen zerlegt, die zufällig auf Test und Kontrolle verteilt werden. Nur in der Testgruppe ändert sich das Budget. Der Unterschied zwischen beiden Gruppen ist der kausale Beitrag des Kanals, und wie genau er messbar sein wird, lässt sich vor dem Start ausrechnen. ### Give:Ask-Verhältnis 3,5:1 URL: https://www.convios.com/de/methodik/give-ask Quelle: Managing the content of LinkedIn posts: Influence on B2B customer engagement and sales?, Mora Cortez, Johnston & Ghosh Dastidar, Journal of Business Research 155 (https://commons.clarku.edu/faculty_school_of_management/194/) Faustregel für die Content-Cadence: Auf ein Angebot („Ask“) kommen rund dreieinhalb Beiträge, die reinen Wert liefern („Give“). Wer zu oft fragt, verliert die Erlaubnis zu fragen. Wer nie fragt, verschenkt die aufgebaute Aufmerksamkeit. ### GTM-Stack mit Signal-Routing URL: https://www.convios.com/de/methodik/gtm-stack-signal-routing Quelle: Marvin A. Jolson: Qualifying sales leads: The tight and loose approaches, Industrial Marketing Management 17(3), 1988, S. 189–196 (https://doi.org/10.1016/0019-8501(88)90002-8) Statt vieler unverbundener Einzeltools ein orchestrierter Stack: Kaufsignale fließen in eine zentrale Context Engine, ein Lead-Scoring entscheidet, welcher Workflow ausgelöst wird. Das Prinzip lautet Signal-Dichte statt Volumen, mehr Antworten bei weniger Ansprache. ### Inbound-geführtes warmes Outbound (95/5-Map) URL: https://www.convios.com/de/methodik/inbound-led-warm-outbound Quelle: Advertising effectiveness and the 95-5 rule: most B2B buyers are not in the market right now, John Dawes (https://marketingscience.info/news-and-insights/advertising-effectiveness-and-the-95-5-rule-most-b2b-buyers-are-not-in-the-market-right-now) Verdrahtungs-Vorlage, die Demand Creation und Outbound verbindet: Content zieht die 95 Prozent noch nicht kaufbereiten Käufer an, jede Interaktion erzeugt ein Signal, die aktiven 5 Prozent kommen inbound und warmes Outbound startet aus dem Signal statt aus der kalten Liste. ### Lead-Magnet-Logik URL: https://www.convios.com/de/methodik/lead-magnet-logik Quelle: The Effects of Free Sample Promotions on Incremental Brand Sales, Kapil Bawa & Robert Shoemaker, Marketing Science 23(3), 345–363 (https://ideas.repec.org/a/inm/ormksc/v23y2004i3p345-363.html) Ein wirksamer Lead-Magnet ist die vollständige Lösung eines eng definierten Problems, die im Ergebnis das nächste, kostenpflichtige Problem sichtbar macht. Angeschnittene Teil-Lösungen zerstören Vertrauen; echte Mini-Lösungen bauen es auf. ### Nachfrage-Typologie (fünf Typen) URL: https://www.convios.com/de/methodik/nachfrage-typologie Quelle: Philip Kotler: The Major Tasks of Marketing Management, Journal of Marketing 37(4), 1973, S. 42–49 (https://doi.org/10.1177/002224297303700407) Diagnose-Raster, das Nachfrage in fünf Typen einordnet, nicht binär in erzeugt und geerntet: erzeugt, geerntet, regulatorisch erzwungen, Produkt-als-Motor (PLG) und B2B2C-Dual-System. Jeder Typ hat eine andere Folge für Verteidigbarkeit und den passenden GTM-Kanal. ### Predictable Revenue / Cold Calling 2.0 URL: https://www.convios.com/de/methodik/predictable-revenue Quelle: Match Your Sales Force Structure to Your Business Life Cycle, Andris A. Zoltners, Prabhakant Sinha & Sally E. Lorimer, Harvard Business Review (https://hbr.org/2006/07/match-your-sales-force-structure-to-your-business-life-cycle) Outbound-System nach Aaron Ross: Pipeline wird vorhersehbar durch Rollen-Spezialisierung. SDR für die Qualifizierung, AE für den Abschluss, AM für den Bestand und durch kurze Referral-Mails an Vorgesetzte der Zielperson statt roher Kaltakquise. ### Warm-Outreach-Maschine URL: https://www.convios.com/de/methodik/warm-outreach-maschine Quelle: Do Referral Programs Increase Profits?, Philipp Schmitt, Bernd Skiera & Christophe Van den Bulte, GfK Marketing Intelligence Review 5(1) (https://www.marketing.uni-frankfurt.de/fileadmin/user_upload/dateien_abteilungen/abt_marketing/Bilder/Professor_Skiera/Publikationen/Do_Referral_Programs_Increase_Profits.pdf) Systematisierte warme Ansprache für die ersten Kunden oder den Outbound-Start: drei Kontaktlisten aufbauen, in hoher, konstanter Taktung personalisiert ansprechen und statt zu verkaufen zunächst würdigen, anerkennen und nach Empfehlungen fragen. ### 3A-Closing (Acknowledge, Associate, Ask) URL: https://www.convios.com/de/methodik/3a-closing Quelle: Huang, Yeomans, Brooks, Minson, Gino: It Doesn't Hurt to Ask: Question-Asking Increases Liking, Journal of Personality and Social Psychology 113(3), 2017 (https://www.hbs.edu/ris/Publication%20Files/Huang%20et%20al%202017_6945bc5e-3b3e-4c0a-addd-254c9e603c60.pdf) Eine leise, fragebasierte Abschlusstechnik: das Gesagte anerkennen, die Frage mit dem Verhalten erfolgreicher Kunden verknüpfen, dann eine Gegenfrage stellen statt zu argumentieren. Wer fragt, führt das Gespräch. ### 4 Forces of Progress (Jobs to be Done) URL: https://www.convios.com/de/methodik/4-forces-jtbd Quelle: Christensen, Hall, Dillon, Duncan: Know Your Customers' Jobs to Be Done, Harvard Business Review, September 2016 (https://hbr.org/2016/09/know-your-customers-jobs-to-be-done) Jede Kaufentscheidung ist ein Tauziehen aus vier Kräften: Der Push der unbefriedigenden Situation und der Pull der neuen Lösung treiben den Wechsel. Die Gewohnheit des Bestehenden und die Angst vor dem Neuen blockieren ihn. ### AI-Agents als Team-Mitglieder führen URL: https://www.convios.com/de/methodik/ai-agents-team-members Quelle: Thomas B. Sheridan, William L. Verplank: Human and Computer Control of Undersea Teleoperators. Technical Report, MIT Man-Machine Systems Laboratory für das Office of Naval Research, 1978, 340 S. (DTIC ADA057655) (https://archive.org/details/DTIC_ADA057655) KI-Agenten werden wie Junior-Mitarbeiter geführt, nicht wie Magie eingesetzt: mit einer Agent-Charta (Rolle, Auftrag, KPI), Quality Gates vor der Ausführung und menschlicher Freigabe an der Entscheidung. Die Leitplanken sind der Beschleuniger, nicht die Bremse. ### Bowtie-Funnel / Revenue Architecture URL: https://www.convios.com/de/methodik/bowtie-funnel Quelle: Gupta, Lehmann, Stuart: Valuing Customers, Journal of Marketing Research 41(1), 2004 (https://business.columbia.edu/sites/default/files-efs/pubfiles/534/Valuing_Customers--JMR_2003.pdf) Modell von Winning by Design (Jacco van der Kooij): Bei wiederkehrenden Umsätzen endet der Funnel nicht beim Abschluss. Er spiegelt sich. Links die Akquise, rechts Onboarding, Adoption und Expansion als gleichwertig instrumentierte Hälfte. Der ökonomische Hebel liegt rechts vom Knoten. ### Funnel-Math statt Close-Rate URL: https://www.convios.com/de/methodik/funnel-math Quelle: Cespedes, Marsh: Find the Right Metrics for Your Sales Team, Harvard Business Review, August 2017 (https://hbr.org/2017/08/find-the-right-metrics-for-your-sales-team) Die Close-Rate ist ein Ergebnis, kein Steuerungshebel. Gesteuert wird die ganze Conversion-Kette, Buchung, Erscheinen, Angebot, Abschluss und der Engpass sitzt oft bei der Show-Rate, nicht beim Closing. ### Lead-Scoring: beste Leads zu besten Closern URL: https://www.convios.com/de/methodik/lead-scoring-routing Quelle: González-Flores, Rubiano-Moreno, Sosa-Gómez: The relevance of lead prioritization: a B2B lead scoring model based on machine learning, Frontiers in Artificial Intelligence, 2025 (https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1554325/full) Leads werden bewertet und gezielt geroutet: Die aussichtsreichsten Kontakte gehen an die stärksten Verkäufer, die schwächsten an Neueinsteiger als Trainingsmaterial. Sichtbar hohe Top-Performer-Einkommen wirken zusätzlich als Talent-Magnet. ### MEDDIC / MEDDPICC URL: https://www.convios.com/de/methodik/meddpicc Quelle: Toman, Adamson, Gomez: The New Sales Imperative, Harvard Business Review, März/April 2017 (https://hbr.org/2017/03/the-new-sales-imperative) Eine Qualifizierungs-Checkliste für komplexe Enterprise-Deals: Metrics, Economic Buyer, Decision Criteria, Decision Process, Paper Process, Identified Pain, Champion, Competition. Die Leitfrage lautet „Darf dieser Deal überhaupt in den Forecast?“, nicht „Wie schließe ich ab?“. ### Obstacles vor dem Preis, Objections nach dem Preis URL: https://www.convios.com/de/methodik/obstacles-objections Quelle: Banas, Rains: A Meta-Analysis of Research on Inoculation Theory, Communication Monographs 77(3), 2010 (https://www.tandfonline.com/doi/abs/10.1080/03637751003758193) Derselbe Widerstand hat vor der Preisnennung wenig, danach viel Sprengkraft. Deshalb werden bekannte Hürden, Budget, Entscheider, Timing, proaktiv entschärft, bevor der Preis auf den Tisch kommt. ### Pay-Mix- und Quoten-Raster URL: https://www.convios.com/de/methodik/pay-mix-quota-design Quelle: Mantrala, Sinha & Zoltners: Structuring a Multiproduct Sales Quota-Bonus Plan for a Heterogeneous Sales Force: A Practical Model-Based Approach, Marketing Science 13(2), 121-144 (https://ideas.repec.org/a/inm/ormksc/v13y1994i2p121-144.html) Ein Vergütungsplan für den Vertrieb besteht aus zwei Entscheidungen, die getrennt begründet werden. Erstens das Verhältnis von Fixum zu variablem Anteil je Rolle, abgeleitet aus der Wirkung der eigenen Anstrengung, der nicht steuerbaren Unsicherheit und der Attraktivität der Außenoption. Zweitens die Differenzierung zwischen Personen, die ausschließlich über die Quote läuft, während der Provisionssatz für die ganze Rolle gleich bleibt. ### Sales Acceleration Formula URL: https://www.convios.com/de/methodik/sales-acceleration-formula Quelle: Verbeke, Dietz, Verwaal: Drivers of sales performance, a contemporary meta-analysis, Journal of the Academy of Marketing Science 39, 2011 (https://link.springer.com/article/10.1007/s11747-010-0211-8) Mark Roberges Ansatz, Vertriebsaufbau als Ingenieursdisziplin zu betreiben, bekanntester Baustein ist das empirische Hiring-Scoring nach Coachability, Curiosity, Prior Success, Intelligence und Work Ethic. ### Sales-Kapazitätsmodell (Produktivität statt Quote) URL: https://www.convios.com/de/methodik/sales-capacity-model Quelle: Sinha, Zoltners: Sales-Force Decision Models, Insights from 25 Years of Implementation, Interfaces 31(3 Supplement), S. 8-44, 2001 (https://pubsonline.informs.org/doi/10.1287/inte.31.3s.8.9675) Modell von Dave Kellogg (Kellblog): Wie viel Neugeschäft eine Vertriebsorganisation leisten kann, wird von unten gerechnet. Streng getrennt werden Produktivität, also was ein voll eingearbeiteter Verkäufer historisch wirklich bringt, und Quote, also was man ihm vorgibt. Über Eintrittskohorten, Einarbeitungskurve und Abwanderung entstehen voll eingearbeitete Kopf-Äquivalente; daraus folgen Kapazität, Überzuteilung und Pipeline-Bedarf. ### Sales Learning Curve (Sales-Yield-Gate) URL: https://www.convios.com/de/methodik/sales-learning-curve Quelle: Mark Leslie, Charles A. Holloway: The Sales Learning Curve, Harvard Business Review, Juli/August 2006 (https://hbr.org/2006/07/the-sales-learning-curve) Modell von Mark Leslie und Charles A. Holloway (Stanford GSB, HBR 2006): Der Vertriebsaufbau ist eine Lernkurve, keine Kapazitätsfrage. Gemessen wird der Sales Yield, also der Deckungsbeitrag eines Verkäufers gegen seine Vollkosten. Solange der Yield je Kopf negativ ist, bleibt die Mannschaft klein und klärt Produkt, Zielkunde und Botschaft. Erst danach wird Kapazität zugekauft. ### Sales-Onboarding-Maschine (CLOSER) URL: https://www.convios.com/de/methodik/sales-onboarding-closer Quelle: Taylor, Russ-Eft, Chan: A Meta-Analytic Review of Behavior Modeling Training, Journal of Applied Psychology 90(4), 2005 (https://eric.ed.gov/?id=EJ936609) Ein strukturiertes 14-Tage-Ramping für neue Verkäufer: eine Bibliothek guter Calls durchhören, ein fragenbasiertes Skript (CLOSER-Struktur) lernen, täglich Rollenspiele, dann halbe Lead-Last mit täglichem Manager-Review. ### SPICED URL: https://www.convios.com/de/methodik/spiced Quelle: Frederick E. Webster, Jr. & Yoram Wind: A General Model for Understanding Organizational Buying Behavior, Journal of Marketing 36(2), 1972, S. 12–19 (https://doi.org/10.1177/002224297203600204) Discovery- und Qualifizierungsmodell von Winning by Design: Situation, Pain, Impact, Critical Event, Decision. Die Kausalkette vom Schmerz über den quantifizierten Impact bis zum echten Dringlichkeitsanker, als gemeinsame Sprache für alle kundennahen Funktionen. ### 5 Tiere: das ACV-GTM-Modell URL: https://www.convios.com/de/methodik/5-tiere-acv Quelle: Valarie A. Zeithaml, Roland T. Rust, Katherine N. Lemon: The Customer Pyramid, Creating and Serving Profitable Customers, California Management Review 43(4), 2001, S. 118–142 (https://home.ubalt.edu/ntsbpitt/pyramid.doc) Christoph Janz' Raster: Für 100 Millionen ARR gibt es fünf ARPA-Korridore, von zehntausenden Kleinstkunden („Fliegen“) bis zu rund tausend Großkunden („Elefanten“). Das ACV-Niveau determiniert zwingend Kanal, Sales-Motion und Organisationsaufbau. ### Annual-Renewal-Fee URL: https://www.convios.com/de/methodik/annual-renewal-fee Quelle: Shrouded Attributes, Consumer Myopia, and Information Suppression in Competitive Markets (https://www.nber.org/system/files/working_papers/w11755/w11755.pdf) Eine jährliche Verlängerungsgebühr zusätzlich zum laufenden Preis, fällig erst ab Monat 13: Sie lässt den beworbenen Einstiegspreis unangetastet. Die Front-End-Conversion bleibt geschützt und zieht bei loyalen Bestandskunden zusätzliche Marge. ### Garantien als Risk-Reversal (4 Typen) URL: https://www.convios.com/de/methodik/garantien-risk-reversal Quelle: Signaling Quality with a Money-Back Guarantee: The Role of Transaction Costs (https://pubsonline.informs.org/doi/10.1287/mksc.14.4.442) Verkauft wird gegen Inaktion und Risiko, nicht gegen Wettbewerber: Eine Garantie verlagert das Risiko vom Erstkäufer zum Anbieter, der seine Leistungserbringung hundertfach kennt. Vier Typen, unconditional, conditional, Anti-Garantie, Performance-Kopplung, lassen sich präzise und kombiniert einsetzen. ### Good-Better-Best-Pricing URL: https://www.convios.com/de/methodik/good-better-best Quelle: Versioning Information Goods (https://people.ischool.berkeley.edu/~hal/Papers/version.pdf) Eine dreistufige Preisarchitektur, in der sich Kunden selbst dem passenden Paket zuordnen. Die mittlere Stufe wirkt als Anker, die oberste schafft einen eingebauten Upgrade-Pfad. Expansion ist Teil der Architektur, nicht Verhandlungssache. ### Monetarisierung als dritter Wachstumshebel URL: https://www.convios.com/de/methodik/monetarisierung-3-hebel Quelle: Managing Price, Gaining Profit (https://hbr.org/1992/09/managing-price-gaining-profit) Wachstum hat drei Hebel, Akquise, Retention, Monetarisierung. Nach Patrick Campbells Forschung wirken Verbesserungen bei Monetarisierung und Retention deutlich stärker auf das Ergebnis als gleiche Verbesserungen bei der Akquise, die meisten Budgets sind aber einseitig auf Akquise verteilt. ### Preisautoritäts-Raster (Delegation von Preiskompetenz) URL: https://www.convios.com/de/methodik/price-authority-delegation Quelle: Frenzen, Hansen, Krafft, Mantrala & Schmidt: Delegation of pricing authority to the sales force: An agency-theoretic perspective of its determinants and impact on performance, International Journal of Research in Marketing 27(1), 58-68, 2010 (https://research.aston.ac.uk/en/publications/delegation-of-pricing-authority-to-the-sales-force-an-agency-theo/) Legt je Kundensegment fest, wie viel Preisspielraum der Vertrieb ohne Rückfrage hat. Vier prüfbare Kriterien entscheiden das: Informationsvorsprung des Verkäufers über den Kunden, Beobachtbarkeit seiner Arbeit, Marktunsicherheit im Segment und Risikoprofil der Rolle. Ergebnis ist eine Preisbandbreite je Segment, darüber benannte Freigabestufen. ### Spread-/Take-Rate-Modus URL: https://www.convios.com/de/methodik/spread-take-rate Quelle: Asli Demirgüç-Kunt, Harry Huizinga: Determinants of Commercial Bank Interest Margins and Profitability: Some International Evidence, The World Bank Economic Review 13(2), 1999, 379–408 (https://documents.worldbank.org/curated/en/432491468175436769) Bei Lendern und Embedded-Finance-Modellen greift die SaaS-Margenlogik nicht: Die Ökonomik wird als Zinsspanne gelesen, Net Interest Margin, also der Zinsertrag nach Refinanzierungsaufwand, minus Ausfallrate und die Monetarisierung als Take-Rate statt als Subscription. ### Value-Metric-Pricing URL: https://www.convios.com/de/methodik/value-metric-pricing Quelle: Ward S. Bowman, Jr.: Tying Arrangements and the Leverage Problem, The Yale Law Journal 67(1), 1957, S. 19–36 (Abschnitt "Single Product Discrimination, A Counting Device", S. 23–24) (https://openyls.law.yale.edu/handle/20.500.13051/3718) Der Preis wird an eine Einheit gekoppelt, die mit dem Kundennutzen mitwächst, Nutzer, Volumen, Transaktionen, Ergebnis. So entsteht Expansion by Design: Wächst der Kunde, wächst der Umsatz mit ihm. ### Virtuous Cycle of Price URL: https://www.convios.com/de/methodik/virtuous-cycle-price Quelle: Placebo Effects of Marketing Actions: Consumers May Get What They Pay For (https://web.mit.edu/ariely/www/MIT/Papers/Placebo1.pdf) Der Preis ist über die Gegenleistung hinaus ein Wirkmechanismus: Ein höherer Preis erhöht das Commitment des Kunden, verbessert dadurch die Ergebnisse und schafft Marge, die in bessere Leistung reinvestiert werden kann, statt sich am Marktdurchschnitt zu orientieren. ### Willingness-to-Pay (Van Westendorp) URL: https://www.convios.com/de/methodik/willingness-to-pay Quelle: NSS Price Sensitivity Meter (PSM), Peter H. van Westendorp, ESOMAR-Kongress 1976 Eine Befragungsmethode mit vier Preisfragen, zu billig, günstig, teuer, zu teuer, die einen akzeptablen Preiskorridor je Kundensegment liefert. Pricing wird damit datengetrieben statt nach Bauchgefühl entschieden. ### Activation als Retention-Hebel URL: https://www.convios.com/de/methodik/activation-retention Quelle: Oliver, Richard L.: A Cognitive Model of the Antecedents and Consequences of Satisfaction Decisions, Journal of Marketing Research 17(4), 1980, 460-469 (https://doi.org/10.1177/002224378001700405) Der erste echte Erfolgsmoment eines Nutzers, der „Aha-Moment“, wirkt kausal auf die spätere Retention: Wer ihn erlebt, bleibt; wer ihn verpasst, churnt. Aktivierung ist deshalb oft der höchste Wachstumshebel, mit Median-Aktivierungsraten im SaaS von grob 25 bis 30 Prozent. ### Churn-Cohorting nach Verweildauer URL: https://www.convios.com/de/methodik/churn-cohorting Quelle: How to Project Customer Retention (https://www.brucehardie.com/papers/021/sbg_2006-05-30.pdf) Churn-Cohorting zerlegt die Abwanderung nach Verweildauer, statt sie als Monatsdurchschnitt zu lesen. Die ersten Monate sind fast immer deutlich churn-stärker; daraus folgt ein anderes Steuerungsziel: Kunden über die kritischen Schwellen bringen. ### Cross-Sell-Screening (Filter vor der Ausbaukampagne) URL: https://www.convios.com/de/methodik/cross-sell-screening Quelle: Shah, Kumar, Qu & Chen: Unprofitable Cross-Buying: Evidence from Consumer and Business Markets, Journal of Marketing 76(3), 2012, S. 78-95 (https://journals.sagepub.com/doi/abs/10.1509/jm.10.0445) Befund von Shah, Kumar, Qu und Chen (Journal of Marketing, 2012): Ausbau ist nicht per se gut. Wo ein Konto dauerhaft ungünstige Verhaltensmerkmale zeigt, verschlechtert jede zusätzliche Kategorie das Ergebnis, weil Betreuungs- und Servicekosten schneller wachsen als der Beitrag. Die Regel lautet deshalb, vor der Ausbaukampagne zu filtern statt flächendeckend auszubauen. ### First-Win-Kopplung URL: https://www.convios.com/de/methodik/first-win-kopplung Quelle: Albert Bandura: Self-efficacy, Toward a unifying theory of behavioral change. Psychological Review 84(2), 1977, S. 191–215 (https://doi.org/10.1037/0033-295X.84.2.191) Die First-Win-Kopplung richtet Onboarding und Anreize darauf aus, dass Ihr Kunde seinen ersten messbaren Erfolg so früh und so sicher wie möglich erlebt. Der Grundsatz dahinter: Der Grund zu kaufen ist nicht der Grund zu bleiben. ### Growth Loops statt Funnel (PLG) URL: https://www.convios.com/de/methodik/growth-loops-plg Quelle: Frank M. Bass: A New Product Growth for Model Consumer Durables, Management Science 15(5), 1969, S. 215-227 (https://doi.org/10.1287/mnsc.15.5.215) Der Reforge-Gegenentwurf (Balfour, Winters, Kwok, Chen) zum linearen Sales-Funnel: Wachstum entsteht aus selbstverstärkenden Schleifen, in denen der Output eines Durchlaufs den nächsten Input speist. Das Produkt selbst wird zum Akquise-, Retention- und Monetarisierungsmotor. Vertrieb kommt später als Expansions-Schicht dazu (PLG zu PLS). ### Lösung als vier relationale Prozesse URL: https://www.convios.com/de/methodik/loesung-vier-prozesse Quelle: Tuli, Kohli, Bharadwaj: Rethinking Customer Solutions. From Product Bundles to Relational Processes, Journal of Marketing 71(3), 2007, 1-17 (https://eclass.aueb.gr/modules/document/file.php/MISC457/Rethinking%20Customer%20Solutions%20From%20Product%20Bundles%20to%20Relational%20Processes.pdf) Feldstudie von Tuli, Kohli und Bharadwaj (Journal of Marketing, 2007): Kunden beschreiben eine Lösung als vier gemeinsame Prozesse, nämlich Anforderungsdefinition, Anpassung und Integration, Einführung und Betreuung nach der Einführung, nicht als Bündel aus Produkt und Dienstleistung. Anbieter benennen fast nur den zweiten. Diese Lücke ist der Gegenstand der Methode. ### Net Negative Churn (Bootstrap) URL: https://www.convios.com/de/methodik/net-negative-churn Quelle: Verhoef, Peter C.: Understanding the Effect of Customer Relationship Management Efforts on Customer Retention and Customer Share Development, Journal of Marketing 67(4), 2003, 30-45 (https://www.rug.nl/staff/p.c.verhoef/jrn_of_mark_2003.pdf) David Skoks Kern-Hebel für kapital-effizientes Wachstum: Wenn die Expansion im Bestand die Abwanderung übersteigt, wächst der Umsatz auch ohne Neukunden und ohne Venture-Kapital. Retention und Expansion ersetzen teures Akquise-Wachstum. ### NRR als wichtigster Werttreiber URL: https://www.convios.com/de/methodik/nrr-werttreiber Quelle: Sunil Gupta, Donald R. Lehmann, Jennifer Ames Stuart: Valuing Customers. Journal of Marketing Research 41(1), 2004, S. 7–18 (https://business.columbia.edu/sites/default/files-efs/pubfiles/534/Valuing_Customers--JMR_2003.pdf) Net Revenue Retention über 100 Prozent bedeutet: Der Bestand wächst aus sich selbst. Ab etwa 120 Prozent verdoppelt sich der Umsatz aus Bestandskunden rechnerisch in rund fünf Jahren, ohne einen einzigen Neukunden. Zugleich kann eine hohe NRR schwaches Neugeschäft maskieren. ### Onboarding mit BAMFAM und Baton-Pass URL: https://www.convios.com/de/methodik/onboarding-bamfam Quelle: Leventhal, H., Singer, R., Jones, S.: Effects of fear and specificity of recommendation upon attitudes and behavior. Journal of Personality and Social Psychology 2(1), 1965, S. 20-29 (https://doi.org/10.1037/h0022089) Onboarding nach dem BAMFAM-Prinzip (Book A Meeting From A Meeting) lässt keinen Kunden ohne fixierten nächsten Schritt zurück und misst, wann der erste Wert ankommt. Das senkt Churn und hebt zugleich die Upsell-Quote. ### Retention durch Subtraktion URL: https://www.convios.com/de/methodik/retention-subtraktion Quelle: When Choice Is Demotivating: Can One Desire Too Much of a Good Thing? (https://faculty.washington.edu/jdb/345/345%20Articles/Iyengar%20%26%20Lepper%20(2000).pdf) Nach dem Preis ist Überforderung der häufigste Kündigungsgrund. Retention durch Subtraktion reduziert Umfang und Komplexität des Angebots, damit Kunden den Kernwert tatsächlich ausschöpfen, statt an der Fülle zu scheitern. ### Save-Team mit ausgerichteter Vergütung URL: https://www.convios.com/de/methodik/save-team Quelle: Eva Ascarza: Retention Futility: Targeting High-Risk Customers Might Be Ineffective, Journal of Marketing Research 55(1), Februar 2018, 80–98 (https://www.hbs.edu/ris/download.aspx?name=ascarza_jmr_18.pdf) Ein Save-Team ist ein eigenes, incentiviertes Team für kündigungsgefährdete Kunden, mit eskalierendem Kontaktaufbau und geskripteten Gesprächen. Die Rettungs-Konversation wird wie ein Verkauf behandelt und auch so vergütet. ### Second-Order Revenue URL: https://www.convios.com/de/methodik/second-order-revenue Quelle: How Valuable Is Word of Mouth? (https://hbr.org/2007/10/how-valuable-is-word-of-mouth) Der wahre Wert eines Kunden liegt deutlich über seinen direkten Zahlungen: Empfehlungen, Fürsprache und Wiederkäufe nach Jobwechseln erzeugen nach Jason Lemkin über die Jahre grob noch einmal denselben Umsatz, Second-Order Revenue. ### Service Blueprinting URL: https://www.convios.com/de/methodik/service-blueprinting Quelle: Bitner, Ostrom & Morgan: Service Blueprinting. A Practical Technique for Service Innovation, California Management Review 50(3), 2008, 66–94 (https://www.ba.ihu.gr/wp-content/uploads/2026/03/bitner-et-al-2008-service-blueprinting-a-practical-technique-for-service-innovation.pdf) Technik von Bitner, Ostrom und Morgan auf der Grundlage von G. Lynn Shostack: Der Ablauf einer Leistung wird in fünf übereinanderliegenden Zeilen gezeichnet und von drei waagerechten Linien geschnitten. Jede Überquerung der Interaktionslinie ist ein Moment der Wahrheit. Sichtbar wird, was der Kunde nie sieht und welche interne Abteilung an welchem Kundenschritt hängt. ### Service Engineering (Fünf-Phasen-Entwicklung mit Ressourcen-, Prozess- und Produktmodell) URL: https://www.convios.com/de/methodik/service-engineering Quelle: Meiren & Barth: Service Engineering in Unternehmen umsetzen. Leitfaden für die Entwicklung von Dienstleistungen, Fraunhofer IRB Verlag, Stuttgart 2002 (ISBN 3-8167-6049-x) (https://publica.fraunhofer.de/bitstreams/1185c0d6-0a14-4a5e-94d4-14defc5cbca7/download) Rahmenwerk aus der deutschen Dienstleistungsforschung (Fraunhofer IAO): Eine Dienstleistung wird entwickelt wie ein Produkt, in fünf Phasen von der Ideenbewertung bis zur Markteinführung. In der Konzeption entstehen drei getrennte Ergebnisse, ein Produktmodell, ein Prozessmodell und ein Ressourcenmodell. Was in keinem der drei steht, ist improvisiert, nicht entwickelt. ### Service-Transition-Stufen (Produkt zu Service) URL: https://www.convios.com/de/methodik/service-transition-stufen Quelle: Oliva, Kallenberg: Managing the transition from products to services, International Journal of Service Industry Management 14(2), 160–172 (https://www.emerald.com/josm/article/14/2/160-172/152310) Modell von Rogelio Oliva und Robert Kallenberg (2003), abgeleitet aus elf Investitionsgüterherstellern: Ein Servicegeschäft neben dem Produkt entsteht als bewusster Fähigkeitsaufbau in Stufen. Erst werden die ohnehin erbrachten produktbegleitenden Leistungen gebündelt und gemessen, dann wird die installierte Basis als eigener Markt geführt, erst danach tragen Verträge mit übernommenem Risiko. ### CAC-Payback nach Segment und Cash Conversion Score URL: https://www.convios.com/de/methodik/cac-payback-segment Quelle: Gordon, Myron J.: The Payoff Period and the Rate of Profit. The Journal of Business 28(4), 1955, S. 253–260 (https://doi.org/10.1086/294083) CAC-Payback-Ziele sind segmentabhängig: unter 12 Monaten im SMB, unter 18 im Mid-Market, unter 24 im Enterprise. Der Cash Conversion Score, also ARR geteilt durch das insgesamt aufgenommene Kapital, misst zusätzlich die Kapitaleffizienz des gesamten Unternehmens. ### Cash-Flow-Trough URL: https://www.convios.com/de/methodik/cash-flow-trough Quelle: SaaS Economics · Part 1: The SaaS Cash Flow Trough, David Skok (forEntrepreneurs) (https://www.forentrepreneurs.com/saas-economics-1/) Je schneller ein SaaS-Geschäft wächst, desto schlechter sieht der Cashflow kurzfristig aus, weil die Akquisekosten vor den wiederkehrenden Erlösen anfallen. Das Cash-Flow-Trough modelliert dieses Tal, bevor Sie skalieren. ### Client-Financed Acquisition (30-Tage-Cash-Regel) URL: https://www.convios.com/de/methodik/client-financed-acquisition Quelle: Use Customer Cash to Finance Your Start-Up, John Mullins, Harvard Business Review (https://hbr.org/2013/07/use-customer-cash-to-finance-your-start-up) Client-Financed Acquisition verlangt, dass der Cash-Zufluss der ersten 30 Tage mehr als das Doppelte von Akquise- plus Erfüllungskosten deckt. Dann finanziert jeder gewonnene Kunde den nächsten, ohne externes Kapital. ### Discovery-Driven Planning / Umgekehrte Ergebnisrechnung URL: https://www.convios.com/de/methodik/discovery-driven-planning Quelle: McGrath, MacMillan: Discovery-Driven Planning, Harvard Business Review 73(4), 1995, S. 44-54 (https://hbr.org/1995/07/discovery-driven-planning) Verfahren von Rita Gunther McGrath und Ian C. MacMillan für Vorhaben mit vielen Unbekannten. Statt vorwärts zu planen, wird rückwärts gerechnet: Am Anfang steht das geforderte Ergebnis, daraus folgen der nötige Umsatz und die erlaubten Kosten. Jede unbelegte Zahl kommt auf eine Annahmenliste, und das Budget wird nur bis zum nächsten Prüfpunkt freigegeben. ### Gestaffelte LTV:CAC-Ziele (3/6/9/12) URL: https://www.convios.com/de/methodik/gestaffelte-ltv-cac Quelle: Marc Nerlove, Kenneth J. Arrow: Optimal Advertising Policy under Dynamic Conditions, Economica 29(114), 1962, S. 129 ff. (https://doi.org/10.2307/2551549) Die pauschale 3:1-Regel für LTV:CAC gilt nur, wenn kein Mensch in der Wertschöpfung steckt. Pro Person im Loop steigt die nötige Ratio: 3 ohne Menschen, 6 mit einer, 9 mit zwei, 12 mit drei. ### LTV:CAC und CAC-Payback URL: https://www.convios.com/de/methodik/ltv-cac-payback Quelle: Valuing Customers, Gupta, Lehmann & Stuart, Journal of Marketing Research (https://business.columbia.edu/sites/default/files-efs/pubfiles/534/Valuing_Customers--JMR_2003.pdf) LTV:CAC misst, ob Ihre Akquise profitabel ist; der CAC-Payback misst, wie lange das eingesetzte Kapital gebunden bleibt. Beide müssen gleichzeitig stimmen: Verhältnis mindestens 3, Rückzahlung unter 12 Monaten im SMB bis 24 im Enterprise, jeweils auf Bruttomarge gerechnet. ### Magic Number URL: https://www.convios.com/de/methodik/magic-number Quelle: SaaS Metrics: A History of the Magic Number, Scale Venture Partners (https://www.scalevp.com/blog/saas-metrics-a-history-of-the-magic-number) Die Magic Number misst, wie viel neues ARR ein eingesetzter Euro Sales- und Marketing-Aufwand erzeugt. Über 0,75 gilt die Vertriebsmaschine als effizient genug, um das Tempo zu erhöhen; darunter ist erst das Modell zu reparieren. ### Quick Ratio URL: https://www.convios.com/de/methodik/quick-ratio Quelle: Navigating Unpredictability: Introducing the Resiliency Rubric for SaaS Companies (2023), ICONIQ Growth (https://www.iconiq.com/growth/insights/iconiq-growth-resiliency-rubric-2023) Die Quick Ratio setzt neues und expandierendes MRR ins Verhältnis zu Churn und Contraction. Ein Wert ab 4 gilt als Untergrenze für gesundes Wachstum; darunter füllen Sie einen löchrigen Eimer. ### Rule of 40 (zu 60) URL: https://www.convios.com/de/methodik/rule-of-40 Quelle: King Fuei Lee: Evaluating Stock Selection in the SaaS Industry, The Effectiveness of the Rule of 40, Applied Finance Letters 13, 2024, S. 168–185 (https://ojs.aut.ac.nz/applied-finance-letters/1/article/view/761) Wachstumsrate plus Profitmarge sollen zusammen mindestens 40 Prozent ergeben; im PE- und Zins-Umfeld verschiebt sich die Latte Richtung 60. Profit darf gegen Wachstum getauscht werden, aber die Summe muss stimmen. ### Verkörperungs- und Service-Marge-Discount URL: https://www.convios.com/de/methodik/verkoerperungs-discount Quelle: William J. Baumol: Macroeconomics of Unbalanced Growth: The Anatomy of Urban Crisis, The American Economic Review 57(3), 1967, S. 415-426 (http://piketty.pse.ens.fr/files/Baumol1967.pdf) Wenn Software physisch auf Hardware sitzt oder dauerhaft Menschen in der Leistungserbringung stecken, kollabiert die Marge vom Software- auf Service- oder Systemintegrations-Niveau. Der Verkörperungs-Discount wertet die Ökonomik-Bewertung entsprechend ab und verrechnet sie gegen den Positionsgewinn. ### 5-Schichten-Vokabular als Checkliste URL: https://www.convios.com/de/methodik/5-schichten-checkliste Quelle: Clarifying Business Models: Origins, Present, and Future of the Concept (https://aisel.aisnet.org/cais/vol16/iss1/1/) Die fünf Schichten Position, Nachfrage, Monetarisierung, Ökonomik und Compound dienen als Vollständigkeits-Raster: Woran muss man bei einer B2B-SaaS-Firma denken, damit nichts Wesentliches übersehen wird. ### AI-GTM-Transformations-Loop (DSAE) URL: https://www.convios.com/de/methodik/ai-gtm-loop Quelle: A Spiral Model of Software Development and Enhancement (https://www.cse.msu.edu/~cse435/Homework/HW3/boehm.pdf) Eine Build-Order für den Umbau zur AI-nativen GTM-Funktion in vier Phasen: Decode, Shape, Amplify, Evolve, gefahren als Schleife statt als Wasserfall. Die Kernrahmung: AI Sales ist ein Produkt, kein Projekt; es wird versioniert, nicht abgeschlossen. ### AI-GTM-Reifegrad (4 Levels) URL: https://www.convios.com/de/methodik/ai-gtm-reifegrad Quelle: Capability Maturity Model for Software, Version 1.1 (CMU/SEI-93-TR-024) (https://www.sei.cmu.edu/documents/1092/1993_005_001_16211.pdf) Vier Reifegrade der GTM-Funktion im KI-Einsatz: Foundation, Multi-Channel, Orchestriert, AI-Native. Die Stufen sind nicht überspringbar; der nächste sinnvolle Schritt ist immer genau eine Stufe höher. ### Choice-Structuring-Prozess (Was müsste wahr sein?) URL: https://www.convios.com/de/methodik/choice-structuring Quelle: Roger L. Martin: Strategic Choice Structuring, Whitepaper, 1997 (https://rogerlmartin.com/docs/default-source/articles/strategy/scs.pdf?sfvrsn=28f50182_0) Verfahren von Roger Martin: Statt zu fragen, wer recht hat, wird zu jeder Handlungsoption festgehalten, was wahr sein müsste, damit gerade sie gewinnt. Die Bedingung, an der die Runde am meisten zweifelt, wird zuerst geprüft. Meinungsstreit bekommt so eine Prüfreihenfolge, und Optionen scheitern billig an einer Bedingung statt teuer an der Umsetzung. ### Datenmonetarisierung: verbessern, umhüllen, verkaufen URL: https://www.convios.com/de/methodik/data-monetization-improve-wrap-sell Quelle: Wixom, Someh, Zutavern, Beath: Explanation. A New Enterprise Data Monetization Capability for AI, MIT CISR Working Paper No. 443 (https://www.alixpartners.com/media/15314/mit_cisrwp443_succeedingartificialintelligence_wixomsomehzutavernbeath.pdf) Modell des MIT Center for Information Systems Research (Barbara Wixom, Jeanne Ross und Kollegen): Daten werden auf genau drei Wegen zu Geld, nämlich indem sie interne Prozesse verbessern, das Kernangebot mit Analysefunktionen umhüllen oder als eigenes Informationsangebot verkauft werden. Jeder Weg zieht dieselben fünf Unternehmensfähigkeiten heran, verlangt sie aber in unterschiedlicher Reife. Der letzte Schritt ist der schwerste: den erzeugten Wert tatsächlich abholen und in der Ergebnisrechnung wiederfinden. ### DORA AI Capabilities Model (sieben KI-Fähigkeiten) URL: https://www.convios.com/de/methodik/dora-ai-capabilities Quelle: DORA AI Capabilities Model (v. 2025.1) (https://services.google.com/fh/files/misc/2025_dora_ai_capabilities_model.pdf) Diagnosemodell aus dem DORA-Forschungsprogramm von Google Cloud, veröffentlicht 2025. Sieben Organisationsfähigkeiten entscheiden darüber, ob KI-Einsatz Ertrag bringt: klare und kommunizierte KI-Haltung, gesundes Datenökosystem, für KI erreichbare interne Daten, belastbare Versionskontrolle, kleine Änderungslose, Nutzerzentrierung, gute interne Plattform. Kernaussage ist die Verstärker-These: KI vergrößert vorhandene Stärken und vorhandene Dysfunktionen gleichermaßen. ### DORA-Delivery-Diagnose URL: https://www.convios.com/de/methodik/dora-delivery-diagnose Quelle: Forsgren, Rothenberger, Humble, Thatcher, Smith: A Taxonomy of Software Delivery Performance Profiles: Investigating the Effects of DevOps Practices, AMCIS 2020 (https://aisel.aisnet.org/amcis2020/systems_analysis_design/systems_analysis_design/8/) Erhebt die Lieferfähigkeit einer Software-Organisation an wenigen harten Größen: wie lange eine Änderung von der Versionsverwaltung bis in den Betrieb braucht, wie oft ausgeliefert wird, wie oft eine Auslieferung sofortiges Eingreifen erzwingt und wie schnell der Betrieb danach wieder steht. Durchsatz und Stabilität werden als Paar gelesen, nie einzeln. Gemessen wird je Dienst, nicht im Vergleich zwischen Teams. ### Engpass-Erkennung (5-Schichten-Scan) URL: https://www.convios.com/de/methodik/engpass-erkennung Quelle: Growth Diagnostics (Growth Lab Working Paper 3) (https://growthlab.hks.harvard.edu/publication/growth-diagnostics/) Der 5-Schichten-Scan prüft Position, Nachfrage, Monetarisierung, Ökonomik und Compound und benennt die führende Stärke sowie den einen limitierenden Engpass. Die Engpass-Erkennung ist der in einem Blind-Test validierte Kern der Methode. ### Kalibrierte Eval-Schleife für KI-Ausgaben (Kriterien-Drift) URL: https://www.convios.com/de/methodik/eval-kalibrierung Quelle: Shankar, Zamfirescu-Pereira, Hartmann, Parameswaran, Arawjo: Who Validates the Validators? Aligning LLM-Assisted Evaluation of LLM Outputs with Human Preferences, UIST 2024 (arXiv:2404.12272) (https://arxiv.org/abs/2404.12272) Verfahren von Shreya Shankar und Kollegen (UC Berkeley, UIST 2024), in der Betriebspraxis geordnet nach Hamel Husain: Ein automatischer Bewerter für KI-Ausgaben ist nur brauchbar, wenn er gegen menschliche Urteile kalibriert wurde. Der Befund dahinter heißt Kriterien-Drift, denn Menschen brauchen Kriterien, um Ausgaben zu bewerten, finden ihre Kriterien aber erst beim Bewerten. Über den einzelnen Prüfungen liegt eine Kostenordnung aus drei Ebenen. ### Wachstumszerlegung (Granularity of Growth) URL: https://www.convios.com/de/methodik/growth-decomposition Quelle: Seyfried: Shift-Share Analysis, Business Quest (University of West Georgia), 1996 (https://www.westga.edu/~bquest/1996/seyfried.html) Verfahren aus dem Umfeld von Viguerie, Smit und Baghai (McKinsey): Eine gemessene Wachstumsrate wird in drei Beiträge zerlegt, nämlich in den Zug der Märkte, in denen ein Unternehmen ohnehin steckt, in den Anteilsgewinn oder Anteilsverlust gegen Wettbewerber und in die Zukäufe. Gerechnet wird auf feinen Marktzellen, nicht auf Firmen- oder Divisionsebene. ### Growth Endurance (Wachstums-Ausdauer) URL: https://www.convios.com/de/methodik/growth-endurance Quelle: Scaling to $100 Million, Bessemer Venture Partners (BVP Atlas), Abschnitt Growth Endurance (https://www.bvp.com/atlas/scaling-to-100-million) Kennzahl aus dem Umfeld von Bessemer Venture Partners (Mary D'Onofrio): Wachstumsrate des Jahres geteilt durch die Wachstumsrate des Vorjahres. Über Cloud-Portfolios hinweg bleibt dieser Anteil auffällig stabil, rund 70 Prozent bei privat gehaltenen Anbietern. Damit bekommt eine Verlangsamung erstmals einen Erwartungswert. ### Randomisierte Messung von KI-Produktivitätsgewinnen URL: https://www.convios.com/de/methodik/ki-produktivitaet-rct Quelle: Becker, Rush, Barnes, Rein: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, arXiv:2507.09089 (https://arxiv.org/abs/2507.09089) Studiendesign von METR (Joel Becker, Nate Rush, Elizabeth Barnes, David Rein): Statt zu fragen, wie viel KI bringt, wird es gemessen. Echte Aufgaben aus dem eigenen Rückstand werden vorab geschätzt, dann per Münzwurf auf KI erlaubt und KI nicht erlaubt verteilt und die Zeit erfasst. Der eigentliche Befund ist die Lücke zwischen gemessener Wirkung und geglaubter Wirkung. ### Netto-Retention-Audit (Kohorten-NRR) URL: https://www.convios.com/de/methodik/netto-retention-audit Quelle: Lazy NRR is Not NRR. Accept No Imitations or Subtitutes., Kellblog (Dave Kellogg) (https://kellblog.com/2022/10/05/accept-no-imitations-or-subtitutes-lazy-nrr-is-not-nrr/) Prüfwerkzeug von Dave Kellogg (Kellblog): Eine berichtete Netto-Umsatz-Retention wird gegen ihre eigene Herleitung geprüft. Belastbar ist allein die Kohortenrechnung, also der heutige Umsatz derselben Kundengruppe geteilt durch deren Umsatz von vor zwölf Monaten. Die verbreitete Abkürzung aus der ARR-Brücke misst etwas anderes. ### Operating-Model-Raster (Standardisierung und Integration) URL: https://www.convios.com/de/methodik/operating-model-raster Quelle: Jeanne W. Ross: Forget Strategy: Focus IT on Your Operating Model, MIT CISR Research Briefing Vol. V, No. 3C (https://cisr.mit.edu/publication/2005_12_3C_OperatingModels) Raster von Jeanne W. Ross, Peter Weill und David C. Robertson am MIT Center for Information Systems Research: Vor Plattform-, Skalierungs- und Integrationsentscheidungen wird geklärt, wie viel Prozess-Standardisierung und wie viel Datenintegration zwischen Einheiten das Geschäft wirklich braucht. Zwei Achsen ergeben vier Betriebsmodelle: Diversifikation, Koordination, Replikation, Unifikation. ### Reife-Gate URL: https://www.convios.com/de/methodik/reife-gate Quelle: Evolution and Revolution as Organizations Grow (https://hbr.org/1998/05/evolution-and-revolution-as-organizations-grow) Das Reife-Gate ordnet eine Firma vor jeder Analyse ein: Stage, Geschäftsmodell-Modus und Geltungsbereich. Pre-revenue Deep-Tech fällt bewusst aus dem Raster, Lender laufen im Spread-Modus, Carve-outs ohne eigenständige Ökonomik werden als nicht bewertbar markiert statt als Mangel. ### RPV-Organisationsfit-Test (Ressourcen, Prozesse, Werte) URL: https://www.convios.com/de/methodik/rpv-organisationsfit Quelle: Clayton M. Christensen, Michael Overdorf: Meeting the Challenge of Disruptive Change, Harvard Business Review 78(2), März/April 2000 (https://hbr.org/2000/03/meeting-the-challenge-of-disruptive-change) Rahmen von Clayton Christensen und Michael Overdorf: Was eine Organisation leisten kann, steckt in drei Schichten, nämlich in ihren Ressourcen, in ihren Prozessen und in ihren Werten. Ressourcen sind beweglich, Prozesse sind träge, Werte sind am trägsten, weil in ihnen die Margen- und Größenschwelle des Bestandsgeschäfts sitzt. Der Test fragt vor dem Start eines Vorhabens, welche dieser Schichten neu sein muss, und leitet daraus die Organisationsform ab. ### Teardown-Diagnose-Reihenfolge URL: https://www.convios.com/de/methodik/teardown-reihenfolge Quelle: Why Strategy Execution Unravels—and What to Do About It (https://hbr.org/2015/03/why-strategy-execution-unravelsand-what-to-do-about-it) Eine feste Reihenfolge für die Diagnose eines Geschäfts: erst sortieren, dann die KPI-Kette, dann Ausreißer suchen, dann klären, ob ein Modell-Problem oder ein Team- und Umsetzungsproblem vorliegt. ### Value-Creation-Plan (Hebel-Kategorien + Umsetzungsquote) URL: https://www.convios.com/de/methodik/value-creation-plan Quelle: Biesinger, Bircan, Ljungqvist: Value Creation in Private Equity, EBRD Working Paper No. 242 (https://www.ebrd.com/content/dam/ebrd_dxp/assets/pdfs/office-of-the-chief-economist/working-papers/working-papers-2020/WP-242.pdf) Verfahren aus der Beteiligungspraxis, von Biesinger, Bircan und Ljungqvist (EBRD) aus vertraulichen Plänen und Quartalsberichten rekonstruiert: Die geplante Wertsteigerung wird vor dem Start als begrenzte Liste benannter Aktionspunkte fixiert, jeder Punkt einer Hebel-Kategorie zugeordnet und mit Verantwortlichem und Termin versehen. Quartalsweise wird der Umsetzungsstand je Punkt berichtet, nicht das Ergebnis. --- ## Method library 96 methods for scaling B2B companies, sorted by bottleneck, 93 of them with an evidenced, published detail page. Each entry states purpose, approach, limits, metric and its verified sources. URL: https://www.convios.com/en/methods ### The Three Positioning Strategies URL: https://www.convios.com/en/methods/3-positioning-strategies Source: Blue Ocean Strategy (https://hbr.org/2004/10/blue-ocean-strategy) April Dunford identifies three basic strategies for market entry: head-to-head in an existing market, big fish in a small pond (dominating a sub-segment), or creating a new game (your own category). The choice determines competition, messaging, and resource requirements. ### 5-Component Positioning URL: https://www.convios.com/en/methods/5-component-positioning Source: The Categorical Imperative: Securities Analysts and the Legitimacy Discount (https://www.gsb.stanford.edu/faculty-research/working-papers/categorical-imperative-securities-analysts-legitimacy-discount) April Dunford's positioning method: a product's value only becomes visible in the right frame of comparison. Five sequential components lead from the buyer's real competitive alternatives to a deliberately chosen market category. ### "Context: Moat or Wall?" Test URL: https://www.convios.com/en/methods/context-moat-or-wall-test Source: The Red Queen in Organizational Evolution (https://www.gsb.stanford.edu/faculty-research/publications/red-queen-organizational-evolution) A test question for AI and context foundations: does every company build this foundation, making it table stakes in an arms race, a wall or is it proprietary, compounding, and switching-cost-heavy, i.e., a genuine moat? A counter to the claim that your AI foundation is automatically your decisive edge. ### Brand as Repeated Pairing URL: https://www.convios.com/en/methods/brand-as-repeated-pairing Source: Evaluative conditioning in humans: a meta-analysis (https://pubmed.ncbi.nlm.nih.gov/20438144/) Brand building as a mechanism: a brand emerges through the repeated pairing of the still-unknown (you, your offer) with something familiar the audience values. One central content pillar has to stand first, everything else is seasoning around it. ### Minimizing Need-to-Believes URL: https://www.convios.com/en/methods/need-to-believes Source: Choice under Conflict: The Dynamics of Deferred Decision (https://collaborate.princeton.edu/en/publications/choice-under-conflict-the-dynamics-of-deferred-decision/) Every belief a buyer must adopt before purchasing lowers conversion. The goal is an offer and a message that require zero to one leaps of faith, the rest is cleared away through evidence, structure, or honest admission. ### PFI Framework: Who Profits from the Innovation? URL: https://www.convios.com/en/methods/profiting-from-innovation Source: Teece, David J.: Profiting from technological innovation: Implications for integration, collaboration, licensing and public policy, Research Policy 15(6), 285-305, 1986 (https://www.edegan.com/pdfs/Teece%20(1986)%20-%20Profiting%20From%20Technological%20Innovation%20Implications%20For%20Integration%20Collaboration%20Licensing%20And%20Public%20Policy.pdf) A framework by David Teece (1986). Three variables decide who captures the profit from an innovation: how defensible it is against imitation, the market phase, and control over the assets additionally required to commercialize it. Where protection is weak, the profit moves to the owner of the specialized complementary assets. From that follows a decision between owning and contracting. ### Regulatory Density Test URL: https://www.convios.com/en/methods/regulatory-density-test Source: The Theory of Economic Regulation (https://bfi.uchicago.edu/wp-content/uploads/2023/02/3003160.pdf) A test question for regulation-driven business models: is the market regulated specifically in your favor or equally for all competitors? An obligation that hits everyone alike creates demand, but not a defensible position. ### Resonating Focus / Value Word Equation URL: https://www.convios.com/en/methods/resonating-focus Source: Anderson, Narus & van Rossum: Customer Value Propositions in Business Markets, Harvard Business Review 84(3), März 2006, S. 91-99 (https://www.ontargetpartners.com/wp-content/uploads/2010/03/Value_Propositions_in_Business_Markets_by_HBR.pdf) A method from Anderson, Narus and van Rossum (HBR 2006): a value proposition is not asserted, it is calculated against the customer's next best alternative. Of all the differences, one or two survive, the ones worth most to the target customer. Each is written as a value word equation in the customer's own operating figures and backed with the customer's data. ### Insight-Led Sales Pitch URL: https://www.convios.com/en/methods/insight-led-sales-pitch Source: The End of Solution Sales (https://hbr.org/2012/07/the-end-of-solution-sales) Pitch structure by April Dunford: the sales conversation opens with your own market insight rather than a problem or a feature. Any competitor can claim a problem, your view of the market is yours alone. ### Strategic Narrative (Old Game / New Game) URL: https://www.convios.com/en/methods/strategic-narrative Source: Beyond Forecasting: Creating New Strategic Narratives (https://sloanreview.mit.edu/article/beyond-forecasting-creating-new-strategic-narratives/) Narrative structure by Andy Raskin: the strongest sales story tells a market shift with winners and losers, a desirable end state (the "promised land"), and product capabilities as the tools to get there, not a product pitch. ### Tipping Test (Winner-Take-All Conditions) URL: https://www.convios.com/en/methods/tipping-test Source: Eisenmann, Parker, Van Alstyne: Strategies for Two-Sided Markets, Harvard Business Review 84(10), Oktober 2006, S. 92-101 (https://www.kth.se/social/files/546b8e7ef2765474dd3f23fe/4.Eisenmann+et+al+(2006).pdf) A model by Eisenmann, Parker and Van Alstyne (Harvard Business Review, 2006): a networked market ends up served by a single platform only when three conditions hold together. High multihoming costs on at least one side, strong positive cross-side effects on exactly that side, and no pronounced demand for special features. If one condition is missing, racing for dominance is the wrong bet. ### Trim & Stack De-Commoditization URL: https://www.convios.com/en/methods/trim-and-stack Source: Marketing Success Through Differentiation—of Anything (https://hbr.org/1980/01/marketing-success-through-differentiation-of-anything) A method against commoditization: list every micro-problem along the customer journey, score each solution by customer value and your own marginal cost and keep only what delivers high value at low marginal cost. The result is an offer that escapes direct price comparison. ### The Value Equation URL: https://www.convios.com/en/methods/value-equation Source: Consumer Perceptions of Price, Quality, and Value: A Means-End Model and Synthesis of Evidence (https://journals.sagepub.com/doi/10.1177/002224298805200302) Value as a formula: (dream outcome × perceived likelihood of achievement) divided by (time delay × customer effort and sacrifice). The defensible position sits in the denominator, delivering faster and with less effort is operationally hard and therefore copy-resistant. ### The 95:5 Rule URL: https://www.convios.com/en/methods/95-5-rule Source: Advertising effectiveness and the 95-5 rule: most B2B buyers are not in the market right now, John Dawes (https://marketingscience.info/news-and-insights/advertising-effectiveness-and-the-95-5-rule-most-b2b-buyers-are-not-in-the-market-right-now) A finding by the Ehrenberg-Bass Institute (John Dawes): only about 5 percent of a B2B market is in-market at any given time. Marketing aimed only at those 5 percent competes with everyone for the same small pool, the other 95 percent need mental availability for the day they enter the market. ### The Core Four URL: https://www.convios.com/en/methods/core-four Source: Bryce Ryan, Neal C. Gross: The Diffusion of Hybrid Seed Corn in Two Iowa Communities, Rural Sociology 8(1), 1943, 15–24; erweiterte Fassung als Acceptance and Diffusion of Hybrid Corn Seed in Two Iowa Communities, Research Bulletin 372, Iowa State College, 1950 (https://dr.lib.iastate.edu/server/api/core/bitstreams/1986bec6-690e-4fe8-a034-bae6b68d2dcb/content) There are only four ways to turn attention into leads: warm outreach (1:1, they know you), cold outreach (1:1, they do not), content (1:many, warm), and paid ads (1:many, cold). Every campaign is a combination of these four, the grid makes channel audits complete. ### 70/20/10 Creative Reskinning URL: https://www.convios.com/en/methods/creative-reskinning Source: Managing Your Innovation Portfolio, Bansi Nagji & Geoff Tuff, Harvard Business Review (https://hbr.org/2012/05/managing-your-innovation-portfolio) Ad creatives that demonstrably work are industrially multiplied and not replaced: 70 percent close variants of the winner, 20 percent adjacent variations, 10 percent genuinely new attempts. Most teams do the exact opposite. ### Demand Creation vs. Demand Capture URL: https://www.convios.com/en/methods/demand-creation-vs-capture Source: Oliver J. Rutz, Randolph E. Bucklin: From Generic to Branded: A Model of Spillover in Paid Search Advertising, Journal of Marketing Research 48(1), 2011, S. 87-102 (https://faculty.washington.edu/orutz/docs/Spillover_JMR_2011.pdf) Chris Walker's distinction: most B2B companies merely capture existing demand (paid search, forms) and call it demand gen. Real demand is created earlier, in podcasts, communities, and peer conversations that no attribution software sees. ### Dual Distribution Diagnostic (Direct and Partner Channels) URL: https://www.convios.com/en/methods/dual-distribution-diagnose Source: Sa Vinhas, Anderson: How Potential Conflict Drives Channel Structure: Concurrent (Direct and Indirect) Channels, Journal of Marketing Research 42(4), 507-515 (https://journals.sagepub.com/doi/10.1509/jmkr.2005.42.4.507) Treats running direct sales and partner sales in the same market as a measurable conflict risk rather than an org-chart question. The more often and the more consequentially both channels touch the same account, the less the parallel setup holds. Where it is meant to stay, three levers dampen the in-house competition. ### Geo Experiment / Matched-Market Incrementality Test URL: https://www.convios.com/en/methods/geo-experiment-incrementality Source: Vaver & Koehler: Measuring Ad Effectiveness Using Geo Experiments, Google Inc., 2011 (https://research.google/pubs/measuring-ad-effectiveness-using-geo-experiments/) A procedure by Jon Vaver and Jim Koehler (Google Research): the market is split into non-overlapping regions that are randomly assigned to test and control. Only the test group's budget changes. The difference between the two groups is the channel's causal contribution, and how precisely it can be measured is calculable before the test starts. ### The 3.5:1 Give-to-Ask Ratio URL: https://www.convios.com/en/methods/give-to-ask-ratio Source: Managing the content of LinkedIn posts: Influence on B2B customer engagement and sales?, Mora Cortez, Johnston & Ghosh Dastidar, Journal of Business Research 155 (https://commons.clarku.edu/faculty_school_of_management/194/) A rule of thumb for content cadence: for every offer ("ask"), publish roughly three and a half pieces that deliver pure value ("give"). Ask too often and you lose the permission to ask, never ask and you waste the attention you built. ### GTM Stack Signal Routing URL: https://www.convios.com/en/methods/gtm-stack-signal-routing Source: Marvin A. Jolson: Qualifying sales leads: The tight and loose approaches, Industrial Marketing Management 17(3), 1988, S. 189–196 (https://doi.org/10.1016/0019-8501(88)90002-8) Instead of many disconnected point tools, one orchestrated stack: buying signals flow into a central context engine, and lead scoring decides which workflow fires. The principle is signal density over volume, more replies from less outreach. ### Inbound-Led Warm Outbound (95/5 Map) URL: https://www.convios.com/en/methods/inbound-led-warm-outbound Source: Advertising effectiveness and the 95-5 rule: most B2B buyers are not in the market right now, John Dawes (https://marketingscience.info/news-and-insights/advertising-effectiveness-and-the-95-5-rule-most-b2b-buyers-are-not-in-the-market-right-now) A wiring template connecting demand creation and outbound: content attracts the 95 percent of not-yet-in-market buyers, every interaction generates a signal, the active 5 percent come inbound and warm outbound starts from the signal instead of a cold list. ### Lead Magnet Logic URL: https://www.convios.com/en/methods/lead-magnet-logic Source: The Effects of Free Sample Promotions on Incremental Brand Sales, Kapil Bawa & Robert Shoemaker, Marketing Science 23(3), 345–363 (https://ideas.repec.org/a/inm/ormksc/v23y2004i3p345-363.html) An effective lead magnet is the complete solution to one narrowly defined problem, which, once solved, reveals the next, paid problem. Half-solutions destroy trust; genuine mini-solutions build it. ### Demand Typology (Five Types) URL: https://www.convios.com/en/methods/demand-typology Source: Philip Kotler: The Major Tasks of Marketing Management, Journal of Marketing 37(4), 1973, S. 42–49 (https://doi.org/10.1177/002224297303700407) A diagnostic grid that classifies demand into five types, not binarily into created and captured: created, captured, regulation-forced, product-as-engine (PLG), and B2B2C dual system. Each type carries different consequences for defensibility and the right go-to-market motion. ### Predictable Revenue / Cold Calling 2.0 URL: https://www.convios.com/en/methods/predictable-revenue Source: Match Your Sales Force Structure to Your Business Life Cycle, Andris A. Zoltners, Prabhakant Sinha & Sally E. Lorimer, Harvard Business Review (https://hbr.org/2006/07/match-your-sales-force-structure-to-your-business-life-cycle) Aaron Ross's outbound system: pipeline becomes predictable through role specialization. SDRs for qualification, AEs for closing, AMs for existing accounts and through short referral emails to the target contact's superiors instead of raw cold calling. ### Warm Outreach Engine URL: https://www.convios.com/en/methods/warm-outreach-engine Source: Do Referral Programs Increase Profits?, Philipp Schmitt, Bernd Skiera & Christophe Van den Bulte, GfK Marketing Intelligence Review 5(1) (https://www.marketing.uni-frankfurt.de/fileadmin/user_upload/dateien_abteilungen/abt_marketing/Bilder/Professor_Skiera/Publikationen/Do_Referral_Programs_Increase_Profits.pdf) Systematized warm outreach for first customers or an outbound start: build three contact lists, work them in high, constant cadence with personalization and instead of selling, first acknowledge, compliment, and ask for referrals. ### 3A Closing (Acknowledge, Associate, Ask) URL: https://www.convios.com/en/methods/3a-closing Source: Huang, Yeomans, Brooks, Minson, Gino: It Doesn't Hurt to Ask: Question-Asking Increases Liking, Journal of Personality and Social Psychology 113(3), 2017 (https://www.hbs.edu/ris/Publication%20Files/Huang%20et%20al%202017_6945bc5e-3b3e-4c0a-addd-254c9e603c60.pdf) A quiet, question-based closing technique: acknowledge what was said, associate the question with the behavior of successful customers, then ask a counter-question instead of arguing. Whoever asks the questions leads the conversation. ### Four Forces of Progress (Jobs to be Done) URL: https://www.convios.com/en/methods/four-forces-of-progress Source: Christensen, Hall, Dillon, Duncan: Know Your Customers' Jobs to Be Done, Harvard Business Review, September 2016 (https://hbr.org/2016/09/know-your-customers-jobs-to-be-done) Every buying decision is a tug of war between four forces: the push of the unsatisfying situation and the pull of the new solution drive the switch, the habit of the present and the anxiety of the new block it. ### Leading AI Agents as Team Members URL: https://www.convios.com/en/methods/ai-agents-as-team-members Source: Thomas B. Sheridan, William L. Verplank: Human and Computer Control of Undersea Teleoperators. Technical Report, MIT Man-Machine Systems Laboratory für das Office of Naval Research, 1978, 340 S. (DTIC ADA057655) (https://archive.org/details/DTIC_ADA057655) AI agents are led like junior hires, not deployed like magic: with an agent charter (role, mandate, KPI), quality gates before execution, and human sign-off at the decision, the guardrails are the accelerator, not the brake. ### Bowtie Funnel / Revenue Architecture URL: https://www.convios.com/en/methods/bowtie-funnel Source: Gupta, Lehmann, Stuart: Valuing Customers, Journal of Marketing Research 41(1), 2004 (https://business.columbia.edu/sites/default/files-efs/pubfiles/534/Valuing_Customers--JMR_2003.pdf) A Winning by Design model (Jacco van der Kooij): with recurring revenue, the funnel does not end at the close. It mirrors. Acquisition on the left; onboarding, adoption, and expansion on the right as an equally instrumented half. The economic lever sits to the right of the knot. ### Funnel Math Instead of Close Rate URL: https://www.convios.com/en/methods/funnel-math Source: Cespedes, Marsh: Find the Right Metrics for Your Sales Team, Harvard Business Review, August 2017 (https://hbr.org/2017/08/find-the-right-metrics-for-your-sales-team) Close rate is an outcome, not a steering lever. What you manage is the full conversion chain, booking, show, offer, close and the bottleneck often sits at the show rate, not at closing. ### Lead Scoring: Best Leads to Best Closers URL: https://www.convios.com/en/methods/lead-scoring-and-routing Source: González-Flores, Rubiano-Moreno, Sosa-Gómez: The relevance of lead prioritization: a B2B lead scoring model based on machine learning, Frontiers in Artificial Intelligence, 2025 (https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1554325/full) Leads are scored and routed deliberately: the most promising contacts go to the strongest closers, the weakest to new hires as training material. Visibly high top-performer earnings additionally act as a talent magnet. ### MEDDIC / MEDDPICC URL: https://www.convios.com/en/methods/meddpicc Source: Toman, Adamson, Gomez: The New Sales Imperative, Harvard Business Review, März/April 2017 (https://hbr.org/2017/03/the-new-sales-imperative) A qualification checklist for complex enterprise deals: Metrics, Economic Buyer, Decision Criteria, Decision Process, Paper Process, Identified Pain, Champion, Competition. The guiding question is "Does this deal even belong in the forecast?", not "How do I close this?". ### Obstacles Before Price, Objections After Price URL: https://www.convios.com/en/methods/obstacles-before-price Source: Banas, Rains: A Meta-Analysis of Research on Inoculation Theory, Communication Monographs 77(3), 2010 (https://www.tandfonline.com/doi/abs/10.1080/03637751003758193) The same resistance carries little force before the price is named and a lot afterwards. So known hurdles, budget, decision-makers, timing, are defused proactively before the price hits the table. ### Pay Mix and Quota Design URL: https://www.convios.com/en/methods/pay-mix-quota-design Source: Mantrala, Sinha & Zoltners: Structuring a Multiproduct Sales Quota-Bonus Plan for a Heterogeneous Sales Force: A Practical Model-Based Approach, Marketing Science 13(2), 121-144 (https://ideas.repec.org/a/inm/ormksc/v13y1994i2p121-144.html) A sales compensation plan consists of two decisions that are justified separately. First, the ratio of base salary to variable pay per role, derived from the effectiveness of the salesperson's own effort, the uncertainty they cannot control, and the attractiveness of their outside option. Second, the differentiation between individuals, which runs solely through the quota, while the commission rate stays the same for the whole role. ### Sales Acceleration Formula URL: https://www.convios.com/en/methods/sales-acceleration-formula Source: Verbeke, Dietz, Verwaal: Drivers of sales performance, a contemporary meta-analysis, Journal of the Academy of Marketing Science 39, 2011 (https://link.springer.com/article/10.1007/s11747-010-0211-8) Mark Roberge's approach of treating sales scaling as an engineering discipline, its best-known component is empirical hiring scoring on coachability, curiosity, prior success, intelligence, and work ethic. ### Sales Capacity Model (Productivity, Not Quota) URL: https://www.convios.com/en/methods/sales-capacity-model Source: Sinha, Zoltners: Sales-Force Decision Models, Insights from 25 Years of Implementation, Interfaces 31(3 Supplement), S. 8-44, 2001 (https://pubsonline.informs.org/doi/10.1287/inte.31.3s.8.9675) A model by Dave Kellogg (Kellblog): how much new business a sales organisation can carry is calculated from the bottom up. Productivity, meaning what a fully ramped seller historically delivers, is kept strictly separate from quota, meaning what you assign. Hiring cohorts, a ramp curve and attrition produce fully ramped rep equivalents; capacity, over-assignment and pipeline requirement follow from those. ### Sales Learning Curve (Sales Yield Gate) URL: https://www.convios.com/en/methods/sales-learning-curve Source: Mark Leslie, Charles A. Holloway: The Sales Learning Curve, Harvard Business Review, Juli/August 2006 (https://hbr.org/2006/07/the-sales-learning-curve) A model by Mark Leslie and Charles A. Holloway (Stanford GSB, HBR 2006): building a sales force is a learning curve, not a capacity question. The measure is sales yield, the contribution margin of a salesperson against that person's fully loaded cost. While yield per head is negative, the team stays small and works out product, target customer and message. Only then do you buy capacity. ### Sales Onboarding Machine (CLOSER) URL: https://www.convios.com/en/methods/sales-onboarding-machine Source: Taylor, Russ-Eft, Chan: A Meta-Analytic Review of Behavior Modeling Training, Journal of Applied Psychology 90(4), 2005 (https://eric.ed.gov/?id=EJ936609) A structured 14-day ramp for new sales reps: listen through a library of good calls, learn a question-based script (the CLOSER structure), daily roleplay, then a half schedule with daily manager review. ### The SPICED Framework URL: https://www.convios.com/en/methods/spiced-framework Source: Frederick E. Webster, Jr. & Yoram Wind: A General Model for Understanding Organizational Buying Behavior, Journal of Marketing 36(2), 1972, S. 12–19 (https://doi.org/10.1177/002224297203600204) A discovery and qualification model by Winning by Design: Situation, Pain, Impact, Critical Event, Decision. The causal chain from pain through quantified impact to a genuine urgency anchor, as a shared language for all customer-facing functions. ### The Five Animals: ACV-to-GTM Model URL: https://www.convios.com/en/methods/five-ways-acv-model Source: Valarie A. Zeithaml, Roland T. Rust, Katherine N. Lemon: The Customer Pyramid, Creating and Serving Profitable Customers, California Management Review 43(4), 2001, S. 118–142 (https://home.ubalt.edu/ntsbpitt/pyramid.doc) Christoph Janz's grid: there are five ARPA corridors to $100 million ARR, from tens of thousands of micro customers ("flies") to roughly a thousand large accounts ("elephants"). The ACV level dictates channel, sales motion, and org design. ### Annual Renewal Fee URL: https://www.convios.com/en/methods/annual-renewal-fee Source: Shrouded Attributes, Consumer Myopia, and Information Suppression in Competitive Markets (https://www.nber.org/system/files/working_papers/w11755/w11755.pdf) An annual renewal fee on top of the recurring price, due only from month 13: it leaves the advertised entry price untouched, protecting front-end conversion, while drawing additional margin from loyal existing customers. ### Guarantees as Risk Reversal (4 Types) URL: https://www.convios.com/en/methods/guarantees-risk-reversal Source: Signaling Quality with a Money-Back Guarantee: The Role of Transaction Costs (https://pubsonline.informs.org/doi/10.1287/mksc.14.4.442) You sell against inaction and risk, not against competitors: a guarantee shifts risk from the first-time buyer to the vendor, who knows their delivery a hundred times over. Four types, unconditional, conditional, anti-guarantee, performance-linked, can be used precisely and in combination. ### Good-Better-Best Pricing URL: https://www.convios.com/en/methods/good-better-best Source: Versioning Information Goods (https://people.ischool.berkeley.edu/~hal/Papers/version.pdf) A three-tier price architecture in which customers self-select into the right package. The middle tier acts as the anchor, the top tier creates a built-in upgrade path, expansion is part of the architecture, not a negotiation. ### Monetization as the Third Growth Lever URL: https://www.convios.com/en/methods/monetization-as-third-lever Source: Managing Price, Gaining Profit (https://hbr.org/1992/09/managing-price-gaining-profit) Growth has three levers, acquisition, retention, monetization. Patrick Campbell's research shows improvements in monetization and retention move the bottom line considerably more than equal improvements in acquisition, yet most budgets are lopsided toward acquisition. ### Pricing Authority Grid (Delegating Price Discretion) URL: https://www.convios.com/en/methods/price-authority-delegation Source: Frenzen, Hansen, Krafft, Mantrala & Schmidt: Delegation of pricing authority to the sales force: An agency-theoretic perspective of its determinants and impact on performance, International Journal of Research in Marketing 27(1), 58-68, 2010 (https://research.aston.ac.uk/en/publications/delegation-of-pricing-authority-to-the-sales-force-an-agency-theo/) Sets, per customer segment, how much price discretion sales holds without asking. Four testable criteria decide it: the seller's information advantage over the customer, how observable the seller's effort is, market uncertainty in the segment, and the risk profile of the role. The result is a price band per segment, with named approval levels above it. ### Spread / Take-Rate Economics URL: https://www.convios.com/en/methods/spread-take-rate-economics Source: Asli Demirgüç-Kunt, Harry Huizinga: Determinants of Commercial Bank Interest Margins and Profitability: Some International Evidence, The World Bank Economic Review 13(2), 1999, 379–408 (https://documents.worldbank.org/curated/en/432491468175436769) For lenders and embedded-finance models, SaaS margin logic does not apply: economics reads as an interest spread, net interest margin, meaning interest income after funding cost, minus the loss rate and monetization as a take rate rather than a subscription. ### Value Metric Pricing URL: https://www.convios.com/en/methods/value-metric-pricing Source: Ward S. Bowman, Jr.: Tying Arrangements and the Leverage Problem, The Yale Law Journal 67(1), 1957, S. 19–36 (Abschnitt "Single Product Discrimination, A Counting Device", S. 23–24) (https://openyls.law.yale.edu/handle/20.500.13051/3718) Price is tied to a unit that scales with customer value, users, volume, transactions, outcomes. That creates expansion by design: as the customer grows, revenue grows with them. ### Virtuous Cycle of Price URL: https://www.convios.com/en/methods/virtuous-cycle-of-price Source: Placebo Effects of Marketing Actions: Consumers May Get What They Pay For (https://web.mit.edu/ariely/www/MIT/Papers/Placebo1.pdf) Beyond the consideration it represents, price is a mechanism: a higher price increases customer commitment, thereby improves outcomes, and creates margin that can be reinvested into better delivery, instead of anchoring on the market average. ### Willingness to Pay (Van Westendorp) URL: https://www.convios.com/en/methods/willingness-to-pay Source: NSS Price Sensitivity Meter (PSM), Peter H. van Westendorp, ESOMAR-Kongress 1976 A survey method with four price questions, too cheap, a bargain, getting expensive, too expensive. That yields an acceptable price corridor per customer segment. Pricing becomes a data-driven decision instead of gut feel. ### Activation as the Retention Lever URL: https://www.convios.com/en/methods/activation-as-retention-lever Source: Oliver, Richard L.: A Cognitive Model of the Antecedents and Consequences of Satisfaction Decisions, Journal of Marketing Research 17(4), 1980, 460-469 (https://doi.org/10.1177/002224378001700405) A user's first real success moment, the "aha moment", has a causal effect on later retention: those who reach it stay, those who miss it churn. Activation is therefore often the highest growth lever, with median SaaS activation rates of roughly 25 to 30 percent. ### Churn Cohorting by Tenure URL: https://www.convios.com/en/methods/churn-cohorting Source: How to Project Customer Retention (https://www.brucehardie.com/papers/021/sbg_2006-05-30.pdf) Churn cohorting breaks churn down by customer tenure instead of reading it as a monthly average. The first months are almost always far more churn-prone, which changes the goal: get customers past the critical thresholds. ### Cross-Sell Screening URL: https://www.convios.com/en/methods/cross-sell-screening Source: Shah, Kumar, Qu & Chen: Unprofitable Cross-Buying: Evidence from Consumer and Business Markets, Journal of Marketing 76(3), 2012, S. 78-95 (https://journals.sagepub.com/doi/abs/10.1509/jm.10.0445) A finding by Shah, Kumar, Qu and Chen (Journal of Marketing, 2012): expansion is not good per se. Where an account shows persistently adverse behavioural traits, every additional category makes the result worse, because service and support costs grow faster than the contribution. The rule is therefore to screen before the expansion campaign rather than to expand across the board. ### First-Win Coupling URL: https://www.convios.com/en/methods/first-win-coupling Source: Albert Bandura: Self-efficacy, Toward a unifying theory of behavioral change. Psychological Review 84(2), 1977, S. 191–215 (https://doi.org/10.1037/0033-295X.84.2.191) First-win coupling aligns onboarding and incentives so that customers reach their first tangible success as early and as reliably as possible. The underlying principle: the reason someone buys is not the reason they stay. ### Growth Loops Instead of Funnels (PLG) URL: https://www.convios.com/en/methods/growth-loops Source: Frank M. Bass: A New Product Growth for Model Consumer Durables, Management Science 15(5), 1969, S. 215-227 (https://doi.org/10.1287/mnsc.15.5.215) The Reforge counter-model (Balfour, Winters, Kwok, Chen) to the linear sales funnel: growth comes from self-reinforcing loops in which one cycle's output feeds the next cycle's input, the product itself becomes the acquisition, retention, and monetization engine. Sales is added later as an expansion layer (PLG to PLS). ### Solution as Four Relational Processes URL: https://www.convios.com/en/methods/customer-solution-processes Source: Tuli, Kohli, Bharadwaj: Rethinking Customer Solutions. From Product Bundles to Relational Processes, Journal of Marketing 71(3), 2007, 1-17 (https://eclass.aueb.gr/modules/document/file.php/MISC457/Rethinking%20Customer%20Solutions%20From%20Product%20Bundles%20to%20Relational%20Processes.pdf) A field study by Tuli, Kohli and Bharadwaj (Journal of Marketing, 2007): customers describe a solution as four joint processes, namely requirements definition, customisation and integration, deployment, and post-deployment support, not as a bundle of goods and services. Suppliers name little beyond the second one. That gap is what this method works on. ### Net Negative Churn (Bootstrapped) URL: https://www.convios.com/en/methods/net-negative-churn Source: Verhoef, Peter C.: Understanding the Effect of Customer Relationship Management Efforts on Customer Retention and Customer Share Development, Journal of Marketing 67(4), 2003, 30-45 (https://www.rug.nl/staff/p.c.verhoef/jrn_of_mark_2003.pdf) David Skok's core lever for capital-efficient growth: when expansion in the base exceeds churn, revenue grows even without new customers and without venture capital. Retention and expansion substitute for expensive acquisition-driven growth. ### NRR as the Number One Value Driver URL: https://www.convios.com/en/methods/nrr-as-value-driver Source: Sunil Gupta, Donald R. Lehmann, Jennifer Ames Stuart: Valuing Customers. Journal of Marketing Research 41(1), 2004, S. 7–18 (https://business.columbia.edu/sites/default/files-efs/pubfiles/534/Valuing_Customers--JMR_2003.pdf) Net revenue retention above 100 percent means the existing base grows on its own. At around 120 percent, revenue from existing customers roughly doubles within about five years, without a single new customer. At the same time, high NRR can mask weak new business. ### Onboarding with BAMFAM and Baton Pass URL: https://www.convios.com/en/methods/onboarding-bamfam Source: Leventhal, H., Singer, R., Jones, S.: Effects of fear and specificity of recommendation upon attitudes and behavior. Journal of Personality and Social Psychology 2(1), 1965, S. 20-29 (https://doi.org/10.1037/h0022089) Onboarding on the BAMFAM principle (Book A Meeting From A Meeting) never leaves a customer without a scheduled next step and measures when first value lands. This lowers churn and lifts upsell at the same time. ### Retention by Subtraction URL: https://www.convios.com/en/methods/retention-by-subtraction Source: When Choice Is Demotivating: Can One Desire Too Much of a Good Thing? (https://faculty.washington.edu/jdb/345/345%20Articles/Iyengar%20%26%20Lepper%20(2000).pdf) After price, overwhelm is the most common reason customers cancel. Retention by subtraction reduces the scope and complexity of the offering so customers actually capture the core value instead of drowning in it. ### Save Team with Aligned Compensation URL: https://www.convios.com/en/methods/save-team Source: Eva Ascarza: Retention Futility: Targeting High-Risk Customers Might Be Ineffective, Journal of Marketing Research 55(1), Februar 2018, 80–98 (https://www.hbs.edu/ris/download.aspx?name=ascarza_jmr_18.pdf) A save team is a dedicated, incentivized team for at-risk customers, using escalating outreach and scripted conversations. The save conversation is treated like a sale and compensated accordingly. ### Second-Order Revenue URL: https://www.convios.com/en/methods/second-order-revenue Source: How Valuable Is Word of Mouth? (https://hbr.org/2007/10/how-valuable-is-word-of-mouth) A customer's true value sits well above their direct payments: referrals, advocacy, and repurchases after job changes generate, per Jason Lemkin, roughly the same revenue again over the years, second-order revenue. ### Service Blueprinting URL: https://www.convios.com/en/methods/service-blueprinting Source: Bitner, Ostrom & Morgan: Service Blueprinting. A Practical Technique for Service Innovation, California Management Review 50(3), 2008, 66–94 (https://www.ba.ihu.gr/wp-content/uploads/2026/03/bitner-et-al-2008-service-blueprinting-a-practical-technique-for-service-innovation.pdf) A technique from Bitner, Ostrom and Morgan, building on G. Lynn Shostack: a service is drawn as five stacked rows cut by three horizontal lines. Every crossing of the line of interaction is a moment of truth. The drawing shows what the customer never sees and which internal function each customer step depends on. ### Service Engineering (Five-Phase Development with Resource, Process and Product Model) URL: https://www.convios.com/en/methods/service-engineering Source: Meiren & Barth: Service Engineering in Unternehmen umsetzen. Leitfaden für die Entwicklung von Dienstleistungen, Fraunhofer IRB Verlag, Stuttgart 2002 (ISBN 3-8167-6049-x) (https://publica.fraunhofer.de/bitstreams/1185c0d6-0a14-4a5e-94d4-14defc5cbca7/download) A framework from German service research (Fraunhofer IAO): a service is developed like a product, in five phases from idea appraisal to market launch. The design phase produces three separate deliverables, a product model, a process model and a resource model. Anything covered by none of the three is not designed, it is improvised. ### Service Transition Stages (Product to Service) URL: https://www.convios.com/en/methods/product-to-service-transition Source: Oliva, Kallenberg: Managing the transition from products to services, International Journal of Service Industry Management 14(2), 160–172 (https://www.emerald.com/josm/article/14/2/160-172/152310) A model by Rogelio Oliva and Robert Kallenberg (2003), derived from eleven capital equipment manufacturers: a service business alongside the product grows as a deliberate build-up of capability in stages. First the product-related services you already deliver are consolidated and measured, then the installed base is run as a market of its own, and only after that do contracts carrying customer risk hold up. ### CAC Payback by Segment and Cash Conversion Score URL: https://www.convios.com/en/methods/cac-payback-by-segment Source: Gordon, Myron J.: The Payoff Period and the Rate of Profit. The Journal of Business 28(4), 1955, S. 253–260 (https://doi.org/10.1086/294083) CAC payback targets depend on segment: under 12 months in SMB, under 18 in mid-market, under 24 in enterprise. The cash conversion score, ARR divided by total capital raised, additionally measures the capital efficiency of the whole company. ### Cash Flow Trough URL: https://www.convios.com/en/methods/cash-flow-trough Source: SaaS Economics · Part 1: The SaaS Cash Flow Trough, David Skok (forEntrepreneurs) (https://www.forentrepreneurs.com/saas-economics-1/) The faster a SaaS business grows, the worse its cash flow looks in the short term, because acquisition costs land before the recurring revenue does. The cash flow trough models this valley before you scale. ### Client-Financed Acquisition (30-Day Cash Rule) URL: https://www.convios.com/en/methods/client-financed-acquisition Source: Use Customer Cash to Finance Your Start-Up, John Mullins, Harvard Business Review (https://hbr.org/2013/07/use-customer-cash-to-finance-your-start-up) Client-financed acquisition requires that cash collected in the first 30 days covers more than twice the acquisition plus fulfillment cost. Then every customer won finances the next one, without external capital. ### Discovery-Driven Planning / Reverse Income Statement URL: https://www.convios.com/en/methods/discovery-driven-planning Source: McGrath, MacMillan: Discovery-Driven Planning, Harvard Business Review 73(4), 1995, S. 44-54 (https://hbr.org/1995/07/discovery-driven-planning) A method by Rita Gunther McGrath and Ian C. MacMillan for ventures with many unknowns. Instead of planning forward, you compute backward: the required result comes first, from it the revenue needed and the cost allowed. Every unproven number goes onto an assumption list, and the budget is released only up to the next checkpoint. ### Tiered LTV:CAC Targets (3/6/9/12) URL: https://www.convios.com/en/methods/tiered-ltv-cac Source: Marc Nerlove, Kenneth J. Arrow: Optimal Advertising Policy under Dynamic Conditions, Economica 29(114), 1962, S. 129 ff. (https://doi.org/10.2307/2551549) The blanket 3:1 rule for LTV:CAC only holds when no human sits in the value chain. Each person in the loop raises the required ratio: 3 with none, 6 with one, 9 with two, 12 with three. ### LTV:CAC and CAC Payback URL: https://www.convios.com/en/methods/ltv-cac-payback Source: Valuing Customers, Gupta, Lehmann & Stuart, Journal of Marketing Research (https://business.columbia.edu/sites/default/files-efs/pubfiles/534/Valuing_Customers--JMR_2003.pdf) LTV:CAC measures whether your acquisition is profitable; CAC payback measures how long the invested capital stays tied up. Both must hold at once: a ratio of at least 3, payback under 12 months in SMB up to 24 in enterprise, both calculated on gross margin. ### Magic Number URL: https://www.convios.com/en/methods/magic-number Source: SaaS Metrics: A History of the Magic Number, Scale Venture Partners (https://www.scalevp.com/blog/saas-metrics-a-history-of-the-magic-number) The magic number measures how much new ARR one unit of sales and marketing spend generates. Above 0.75 the go-to-market machine is considered efficient enough to accelerate; below that, fix the model first. ### Quick Ratio URL: https://www.convios.com/en/methods/quick-ratio Source: Navigating Unpredictability: Introducing the Resiliency Rubric for SaaS Companies (2023), ICONIQ Growth (https://www.iconiq.com/growth/insights/iconiq-growth-resiliency-rubric-2023) The quick ratio compares new and expansion MRR to churn and contraction. A value of 4 or more is considered the floor for healthy growth; below that, you are filling a leaky bucket. ### Rule of 40 (Toward 60) URL: https://www.convios.com/en/methods/rule-of-40 Source: King Fuei Lee: Evaluating Stock Selection in the SaaS Industry, The Effectiveness of the Rule of 40, Applied Finance Letters 13, 2024, S. 168–185 (https://ojs.aut.ac.nz/applied-finance-letters/1/article/view/761) Growth rate plus profit margin should add up to at least 40 percent; in a PE and interest-rate environment the bar shifts toward 60. Profit may be traded against growth, but the sum has to hold. ### Embodiment and Service Margin Discount URL: https://www.convios.com/en/methods/embodiment-margin-discount Source: William J. Baumol: Macroeconomics of Unbalanced Growth: The Anatomy of Urban Crisis, The American Economic Review 57(3), 1967, S. 415-426 (http://piketty.pse.ens.fr/files/Baumol1967.pdf) When software sits physically on hardware or humans remain permanently in the delivery loop, margin collapses from software to services or systems-integration levels. The embodiment discount marks down the economics assessment accordingly and nets it against the positioning gain. ### Five-Layer Vocabulary as a Checklist URL: https://www.convios.com/en/methods/five-layer-checklist Source: Clarifying Business Models: Origins, Present, and Future of the Concept (https://aisel.aisnet.org/cais/vol16/iss1/1/) The five layers of position, demand, monetization, economics and compound serve as a completeness grid: what to think about in a B2B SaaS company so nothing essential gets overlooked. ### AI-GTM Transformation Loop (DSAE) URL: https://www.convios.com/en/methods/ai-gtm-transformation-loop Source: A Spiral Model of Software Development and Enhancement (https://www.cse.msu.edu/~cse435/Homework/HW3/boehm.pdf) A build order for transforming toward an AI-native GTM function in four phases: decode, shape, amplify, evolve, run as a loop rather than a waterfall. The core framing: AI sales is a product, not a project; it gets versioned, not completed. ### AI-GTM Maturity (4 Levels) URL: https://www.convios.com/en/methods/ai-gtm-maturity-levels Source: Capability Maturity Model for Software, Version 1.1 (CMU/SEI-93-TR-024) (https://www.sei.cmu.edu/documents/1092/1993_005_001_16211.pdf) Four maturity levels of a GTM function's AI adoption: foundation, multi-channel, orchestrated, AI-native. The levels cannot be skipped; the next sensible step is always exactly one level up. ### Strategic Choice Structuring (What Would Have to Be True?) URL: https://www.convios.com/en/methods/choice-structuring Source: Roger L. Martin: Strategic Choice Structuring, Whitepaper, 1997 (https://rogerlmartin.com/docs/default-source/articles/strategy/scs.pdf?sfvrsn=28f50182_0) A process from Roger Martin: instead of asking who is right, the team records for each option what would have to be true for that option to win. The condition the group doubts most gets tested first. Disagreement acquires a testing sequence, and options fail cheaply on a condition rather than expensively in execution. ### Data Monetization: Improve, Wrap, Sell URL: https://www.convios.com/en/methods/data-monetization-improve-wrap-sell Source: Wixom, Someh, Zutavern, Beath: Explanation. A New Enterprise Data Monetization Capability for AI, MIT CISR Working Paper No. 443 (https://www.alixpartners.com/media/15314/mit_cisrwp443_succeedingartificialintelligence_wixomsomehzutavernbeath.pdf) A model from the MIT Center for Information Systems Research (Barbara Wixom, Jeanne Ross and colleagues): data turns into money along exactly three paths, by improving internal processes, by wrapping the core offering with analytics features, or by selling an information offering of your own. Every path draws on the same five enterprise capabilities but demands them at different levels of maturity. The last step is the hardest: actually collecting the value created and finding it again in the income statement. ### DORA AI Capabilities Model (Seven AI Capabilities) URL: https://www.convios.com/en/methods/dora-ai-capabilities Source: DORA AI Capabilities Model (v. 2025.1) (https://services.google.com/fh/files/misc/2025_dora_ai_capabilities_model.pdf) A diagnostic model from Google Cloud's DORA research program, published in 2025. Seven organizational capabilities decide whether AI adoption returns anything: a clear and communicated AI stance, a healthy data ecosystem, internal data that AI can reach, strong version control, small batches, user-centric focus, and a quality internal platform. The core claim is amplification: AI magnifies existing strengths and existing dysfunctions alike. ### DORA Delivery Diagnostic URL: https://www.convios.com/en/methods/dora-delivery-diagnose Source: Forsgren, Rothenberger, Humble, Thatcher, Smith: A Taxonomy of Software Delivery Performance Profiles: Investigating the Effects of DevOps Practices, AMCIS 2020 (https://aisel.aisnet.org/amcis2020/systems_analysis_design/systems_analysis_design/8/) Captures a software organisation's delivery capability on a few hard numbers: how long a change takes from version control to production, how often you deploy, how often a deployment forces immediate intervention, and how quickly service is restored afterwards. Throughput and stability are read as a pair, never on their own. Measurement applies per service, not as a comparison between teams. ### Constraint Detection (Five-Layer Scan) URL: https://www.convios.com/en/methods/constraint-detection Source: Growth Diagnostics (Growth Lab Working Paper 3) (https://growthlab.hks.harvard.edu/publication/growth-diagnostics/) The five-layer scan examines position, demand, monetization, economics and compound, naming the leading strength and the single limiting constraint. Constraint detection is the blind-test-validated core of the method. ### Calibrated Evaluation Loop for AI Outputs (Criteria Drift) URL: https://www.convios.com/en/methods/eval-calibration Source: Shankar, Zamfirescu-Pereira, Hartmann, Parameswaran, Arawjo: Who Validates the Validators? Aligning LLM-Assisted Evaluation of LLM Outputs with Human Preferences, UIST 2024 (arXiv:2404.12272) (https://arxiv.org/abs/2404.12272) A method from Shreya Shankar and colleagues (UC Berkeley, UIST 2024), ordered for day-to-day operation along Hamel Husain's levels: an automated evaluator for AI outputs is only usable once it has been calibrated against human judgement. The finding behind it is called criteria drift, because people need criteria in order to grade outputs, yet they discover their criteria only while grading. Above the individual checks sits a cost ordering in three levels. ### Growth Decomposition (Granularity of Growth) URL: https://www.convios.com/en/methods/growth-decomposition Source: Seyfried: Shift-Share Analysis, Business Quest (University of West Georgia), 1996 (https://www.westga.edu/~bquest/1996/seyfried.html) A method associated with Viguerie, Smit, and Baghai (McKinsey): a measured growth rate is broken into three contributions, namely the pull of the markets a company already sits in, share gained or lost against competitors, and acquisitions. The arithmetic runs on fine market cells, not at company or division level. ### Growth Endurance URL: https://www.convios.com/en/methods/growth-endurance Source: Scaling to $100 Million, Bessemer Venture Partners (BVP Atlas), Abschnitt Growth Endurance (https://www.bvp.com/atlas/scaling-to-100-million) A metric from the Bessemer Venture Partners orbit (Mary D'Onofrio): this year's growth rate divided by last year's. Across cloud portfolios that share stays strikingly stable, around 70 percent for privately held companies. It gives a slowdown an expected value for the first time. ### Randomized Measurement of AI Productivity Gains URL: https://www.convios.com/en/methods/ai-productivity-rct Source: Becker, Rush, Barnes, Rein: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, arXiv:2507.09089 (https://arxiv.org/abs/2507.09089) A study design from METR (Joel Becker, Nate Rush, Elizabeth Barnes, David Rein): instead of asking how much AI delivers, you measure it. Real tasks from your own backlog are estimated up front, then split by coin flip into AI-allowed and AI-disallowed, and the time is recorded. The actual finding is the gap between measured effect and believed effect. ### Net Retention Audit (Cohort NRR) URL: https://www.convios.com/en/methods/netto-retention-audit Source: Lazy NRR is Not NRR. Accept No Imitations or Subtitutes., Kellblog (Dave Kellogg) (https://kellblog.com/2022/10/05/accept-no-imitations-or-subtitutes-lazy-nrr-is-not-nrr/) A diagnostic from Dave Kellogg (Kellblog): a reported net revenue retention figure is checked against the way it was derived. Only the cohort calculation holds up, meaning today's revenue from the same group of customers divided by what that group paid twelve months ago. The common shortcut taken from the ARR bridge measures something else. ### Operating Model Grid (Standardization and Integration) URL: https://www.convios.com/en/methods/operating-model-raster Source: Jeanne W. Ross: Forget Strategy: Focus IT on Your Operating Model, MIT CISR Research Briefing Vol. V, No. 3C (https://cisr.mit.edu/publication/2005_12_3C_OperatingModels) A grid from Jeanne W. Ross, Peter Weill and David C. Robertson at the MIT Center for Information Systems Research: before platform, scaling or integration decisions, you settle how much process standardization and how much data integration between units the business actually requires. Two axes yield four operating models: diversification, coordination, replication, unification. ### Maturity Gate URL: https://www.convios.com/en/methods/maturity-gate Source: Evolution and Revolution as Organizations Grow (https://hbr.org/1998/05/evolution-and-revolution-as-organizations-grow) The maturity gate classifies a company before any analysis: stage, business-model mode and scope. Pre-revenue deep tech deliberately falls outside the grid, lenders run in spread mode, and carve-outs without standalone economics are marked not assessable rather than deficient. ### RPV Organizational Fit Test (Resources, Processes, Values) URL: https://www.convios.com/en/methods/rpv-organisationsfit Source: Clayton M. Christensen, Michael Overdorf: Meeting the Challenge of Disruptive Change, Harvard Business Review 78(2), März/April 2000 (https://hbr.org/2000/03/meeting-the-challenge-of-disruptive-change) A framework by Clayton Christensen and Michael Overdorf: what an organization is able to do sits in three layers, namely its resources, its processes, and its values. Resources are mobile, processes are slow to move, values are the slowest of all, because they carry the margin and size threshold of the established business. The test asks, before a venture starts, which of these layers has to be new, and derives the organizational form from the answer. ### Teardown Diagnostic Sequence URL: https://www.convios.com/en/methods/teardown-sequence Source: Why Strategy Execution Unravels—and What to Do About It (https://hbr.org/2015/03/why-strategy-execution-unravelsand-what-to-do-about-it) A fixed order for diagnosing a business: sort first, then the KPI chain, then hunt outliers, then determine whether the issue is a model problem or a team and execution problem. ### Value Creation Plan (Lever Categories and Execution Rate) URL: https://www.convios.com/en/methods/value-creation-plan Source: Biesinger, Bircan, Ljungqvist: Value Creation in Private Equity, EBRD Working Paper No. 242 (https://www.ebrd.com/content/dam/ebrd_dxp/assets/pdfs/office-of-the-chief-economist/working-papers/working-papers-2020/WP-242.pdf) A procedure from investment practice, reconstructed by Biesinger, Bircan and Ljungqvist (EBRD) from confidential plans and quarterly reports: the intended value creation is fixed before the start as a limited list of named action items, each item assigned to a lever category and given an owner and a date. The quarterly report then shows the execution status per item instead of the outcome. --- ## Werkzeugkasten 66 Werkzeuge mit eigenem Urteil, entlang der Frage kaufen, wechseln oder selbst bauen. Je Werkzeug Einsatzgroesse, Traegerschaft, Ausstiegskosten, Kosten und neun belegte Regulatorik-Punkte mit Stand. URL: https://www.convios.com/de/werkzeugkasten ### Kaufen, wechseln oder bauen URL: https://www.convios.com/de/werkzeugkasten/kaufen-oder-bauen Standardprodukt mit Lizenzkosten, KI-natives Produkt oder Eigenbau: sieben Kriterien, an denen sich die Entscheidung belegbar treffen laesst. ### Selbst bauen URL: https://www.convios.com/de/werkzeugkasten/selbst-bauen Womit man baut und woraus: Bauwerkzeuge und Bausteine, jeweils mit der Frage, wem das Gebaute gehoert und was der Betrieb kostet. ### Claude Code URL: https://www.convios.com/de/werkzeugkasten/claude-code Anbieter: Anthropic PBC Urteil: Verhindert Rückstand Regulatorik: Speicherort unklar, AVV verfügbar Stand: 2026-07-30 Arbeitet als Agent im Projektverzeichnis: liest, schreibt und prüft Programmcode auf Anweisung, statt nur Textvorschläge im Editor zu machen. ### Cloudflare Pages URL: https://www.convios.com/de/werkzeugkasten/cloudflare-pages Anbieter: Cloudflare, Inc. Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Liefert die Dateien einer Website weltweit aus und führt kleine Funktionen an der Netzkante aus, ohne dass ein eigener Server betrieben wird. ### CodeRabbit URL: https://www.convios.com/de/werkzeugkasten/coderabbit Anbieter: CodeRabbit, Inc. Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-08 Liest jede Änderung an einem Pull Request, kommentiert sie Zeile für Zeile und schlägt Korrekturen vor, bevor ein Mensch mit dem Review beginnt. ### GitHub URL: https://www.convios.com/de/werkzeugkasten/github Anbieter: GitHub, Inc., seit 2018 im Eigentum der Microsoft Corporation Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Hält den Verlauf jeder Änderung am Quellcode fest, führt parallele Arbeitsstände zusammen und hängt Prüfung, Vorgang und Auslieferung an dieselbe Änderung. Ohne diese Schicht weiß niemand verlässlich, welcher Stand läuft und wer was warum geändert hat. ### GitLab URL: https://www.convios.com/de/werkzeugkasten/gitlab Anbieter: GitLab Inc. (Nasdaq: GTLB) Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Hält den Verlauf jeder Änderung am Quellcode fest und bringt Prüfung, Vorgang, Build-Lauf, Sicherheitsprüfung und Auslieferung in ein System. Der Unterschied zum Wettbewerber liegt darin, dass der Kern quelloffen ist und man ihn selbst betreiben darf, nicht in dieser Aufzählung. ### Linear URL: https://www.convios.com/de/werkzeugkasten/linear Anbieter: Linear Orbit, Inc. Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Hält Vorgänge, Aufgaben und Projekte eines Produktteams an einer Stelle und stellt sie über eine Schnittstelle maschinell lesbar bereit, sodass auch Programmier-Agenten daraus arbeiten können statt aus Prosa in Chat-Verläufen. ### Lovable URL: https://www.convios.com/de/werkzeugkasten/lovable Anbieter: Lovable Labs Inc. Urteil: Effizienz im Einzelfall Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Erzeugt aus einer Beschreibung eine lauffähige Web-Anwendung samt Oberfläche, Datenhaltung und Anmeldung, ohne dass Programmcode geschrieben wird. ### Neon URL: https://www.convios.com/de/werkzeugkasten/neon Anbieter: Neon, LLC (Tochter der Databricks, Inc.) Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-18 Stellt eine Postgres-Datenbank bereit, die sich je Änderung verzweigen lässt und im Leerlauf auf null herunterfährt, ohne dass ein Server bereitsteht. ### PostHog URL: https://www.convios.com/de/werkzeugkasten/posthog Anbieter: PostHog, Inc., San Francisco, Kalifornien, mit der Tochtergesellschaft PostHog GmbH, München Urteil: Verstärkt das Kernprodukt Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-19 Zeichnet auf, was Menschen in einer Anwendung tun, gibt einzelne Funktionen für ausgewählte Gruppen frei und rechnet aus, ob die Änderung gewirkt hat. Die nächste Ausbaustufe hängt so an gemessenen Zahlen. ### Sentry URL: https://www.convios.com/de/werkzeugkasten/sentry Anbieter: Functional Software, Inc. d/b/a Sentry, Vereinigte Staaten Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-25 Nimmt Ausnahmen und Zeitmessungen aus einer laufenden Anwendung entgegen, fasst gleichartige Vorfälle zu einem Eintrag zusammen und zeigt dazu die Codezeile samt der Änderung, die sie zuletzt angefasst hat, sodass ein Ausfall im Team auffällt, bevor ihn ein Kunde meldet. ### Astro URL: https://www.convios.com/de/werkzeugkasten/astro Anbieter: Astro-Projekt (MIT), getragen von Cloudflare Urteil: Verhindert Rückstand Regulatorik: Kein Anbieter-Speicher, AVV entfällt Stand: 2026-07-30 Baut eine Website beim Veröffentlichen zu fertigen Dateien, sodass zur Darstellung im Browser kein Programmcode nachgeladen werden muss. ### Cloudinary URL: https://www.convios.com/de/werkzeugkasten/cloudinary Anbieter: Cloudinary Ltd., Petah Tikva (Israel), mit Cloudinary Inc. (USA), Cloudinary UK Ltd. und Cloudinary Poland Sp. z o.o. Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-28 Nimmt Bilder und Videos einmal entgegen und liefert sie über die Adresse in passender Größe, im passenden Format und über ein Auslieferungsnetz aus, sodass Varianten nicht mehr von Hand erzeugt und abgelegt werden. ### DeepL URL: https://www.convios.com/de/werkzeugkasten/deepl Anbieter: DeepL SE, Köln Urteil: Effizienz im Einzelfall Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-06 Übersetzt Texte und Dokumente zwischen Sprachen mit eigenen Modellen und lässt Firmenbegriffe über Glossare und Stilregeln verbindlich vorgeben. ### ElevenLabs URL: https://www.convios.com/de/werkzeugkasten/elevenlabs Anbieter: Eleven Labs Inc., New York Urteil: Effizienz im Einzelfall Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-07 Erzeugt gesprochene Sprache aus Text, klont Stimmen aus Aufnahmen und überträgt Video- und Tonmaterial in andere Sprachen, wahlweise über eine Oberfläche oder über eine Schnittstelle. ### Framer URL: https://www.convios.com/de/werkzeugkasten/framer Anbieter: Framer B.V. Urteil: Effizienz im Einzelfall Regulatorik: Kein EU-Speicherort, AVV verfügbar Stand: 2026-08-12 Baut Websites in einer visuellen Oberfläche und betreibt sie auf der Infrastruktur des Anbieters, sodass eine neue Seite ohne Entwicklungsschritt online geht. ### Peec AI URL: https://www.convios.com/de/werkzeugkasten/peec-ai Anbieter: Peec AI GmbH Urteil: Effizienz im Einzelfall Regulatorik: Speicherort unklar, AVV unklar Stand: 2026-07-30 Zeigt, ob und wie eine Marke in den Antworten von ChatGPT, Perplexity, Gemini und Googles KI-Modus vorkommt, an welcher Stelle, in welchem Ton und aus welchen Quellen diese Systeme die Antwort zusammensetzen. ### Sanity URL: https://www.convios.com/de/werkzeugkasten/sanity Anbieter: Sanity AS Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Trennt Inhalte von ihrer Darstellung und stellt sie über eine Schnittstelle bereit, sodass Website, App und Antwortmaschine aus derselben Quelle lesen. ### Semrush URL: https://www.convios.com/de/werkzeugkasten/semrush Anbieter: Semrush Inc., Boston (Delaware), seit 28.04.2026 im Eigentum von Adobe Urteil: Verhindert Rückstand Regulatorik: Kein EU-Speicherort, AVV verfügbar Stand: 2026-08-18 Führt Suchbegriffe, Platzierungen, technische Seitenfehler und Verweise fremder Domains in einer Oberfläche zusammen und misst über die nachgerüsteten KI-Module zusätzlich, ob und wie eine Marke in den Antworten von KI-Systemen auftaucht. ### Resend URL: https://www.convios.com/de/werkzeugkasten/resend Anbieter: Plus Five Five, Inc., San Francisco Urteil: Verhindert Rückstand Regulatorik: Kein EU-Speicherort, AVV verfügbar Stand: 2026-09-17 Versendet die E-Mails, die eine Software selbst auslöst, also Anmeldelinks, Passwortrücksetzungen, Rechnungen und Benachrichtigungen, über eine Programmierschnittstelle oder SMTP, übernimmt Domain-Authentifizierung, Rückläufer und Sperrliste und meldet Zustellung, Öffnung und Klick per Webhook zurück. ### Sulu URL: https://www.convios.com/de/werkzeugkasten/sulu Anbieter: Sulu GmbH Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV entfällt Stand: 2026-07-30 Verwaltet Inhalte, mehrere Websites und Übersetzungen in einem selbst betriebenen System auf Symfony-Basis. ### Typesense URL: https://www.convios.com/de/werkzeugkasten/typesense Anbieter: Typesense, Inc., Delaware, mit Büro in Sugar Land, Texas (USA) Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-30 Hält einen Suchindex im Arbeitsspeicher und beantwortet Suchanfragen auf der eigenen Seite oder in der eigenen Anwendung mit Tippfehlertoleranz, Filtern und Facetten, wahlweise im eigenen Betrieb oder als gemieteter Cluster. ### Cognigy URL: https://www.convios.com/de/werkzeugkasten/cognigy Anbieter: Cognigy GmbH (seit 08.09.2025 im Eigentum der NiCE Ltd.) Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-07 Baut und betreibt Sprach- und Chat-Agenten für den Kundendienst, bindet sie an die Telefonanlage und an die Fachsysteme dahinter an und übergibt an Mitarbeitende, sobald der Fall es verlangt. ### Fin URL: https://www.convios.com/de/werkzeugkasten/fin Anbieter: Intercom, Inc. (firmiert seit Mai 2026 als Fin) Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Beantwortet eingehende Supportanfragen selbst, über Chat, E-Mail, WhatsApp, SMS und Telefon, und übergibt an einen Menschen, wenn es nicht weiterkommt. Bezahlt wird je gelöstem Fall statt je Arbeitsplatz. ### Front URL: https://www.convios.com/de/werkzeugkasten/front Anbieter: FrontApp, Inc. Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-21 Führt E-Mail, Chat, SMS und soziale Kanäle in einem geteilten Postfach zusammen, in dem jede Nachricht eine Zuständigkeit, einen internen Kommentarfaden und einen Verlauf bekommt. ### GitBook URL: https://www.convios.com/de/werkzeugkasten/gitbook Anbieter: GitBook Inc. Urteil: Verhindert Rückstand Regulatorik: Kein EU-Speicherort, AVV verfügbar Stand: 2026-09-01 Veröffentlicht Produktdokumentation und Hilfeartikel als durchsuchbare Website, hält den Text über einen Abgleich mit GitHub oder GitLab am Quelltext und beantwortet Leserfragen an Ort und Stelle über eine Suche mit Sprachmodell. ### Help Scout URL: https://www.convios.com/de/werkzeugkasten/help-scout Anbieter: Help Scout PBC Urteil: Verhindert Rückstand Regulatorik: Kein EU-Speicherort, AVV verfügbar Stand: 2026-09-09 Führt E-Mail, Chat und soziale Kanäle in einem geteilten Postfach zusammen und stellt eine Wissensbasis daneben, aus der ein Chatbot Kundenfragen unmittelbar beantwortet. ### Instatus URL: https://www.convios.com/de/werkzeugkasten/instatus Anbieter: Instatus, Inc Urteil: Verhindert Rückstand Regulatorik: Kein EU-Speicherort, AVV verfügbar Stand: 2026-09-28 Betreibt eine öffentliche oder geschlossene Statusseite, auf der ein Softwareanbieter Störungen und Wartungen meldet, prüft die eigenen Dienste von außen und benachrichtigt Abonnenten per E-Mail, SMS oder Chat. ### Intercom URL: https://www.convios.com/de/werkzeugkasten/intercom Anbieter: Intercom, Inc. für Verträge mit Lieferanschrift in den USA, sonst Intercom R&D Unlimited Company, Dublin; das Unternehmen firmiert seit Mai 2026 als Fin Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-13 Führt Chat im eigenen Produkt, E-Mail, Telefon und Hilfe-Center in einem gemeinsamen Postfach zusammen und spielt aus demselben Bestand auch angestoßene Nachrichten, Produkttouren und Checklisten an Nutzer aus. ### Plain URL: https://www.convios.com/de/werkzeugkasten/plain Anbieter: Not Just Tickets Ltd Urteil: Verstärkt das Kernprodukt Regulatorik: Kein EU-Speicherort, AVV verfügbar Stand: 2026-07-30 Führt Kundenanfragen aus Slack, Teams, Discord, E-Mail und Chat an Konten, Kundengruppen und Servicezusagen entlang statt an Kanälen, und macht jeden Vorgang über eine Schnittstelle programmierbar. ### Zammad URL: https://www.convios.com/de/werkzeugkasten/zammad Anbieter: Zammad GmbH Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Führt Anfragen aus E-Mail, Webformular, Chat und Messenger in einem Vorgangssystem zusammen, sodass nachvollziehbar bleibt, wer wann was zugesagt hat, statt dass Vorgänge im geteilten Postfach versickern. ### Zendesk URL: https://www.convios.com/de/werkzeugkasten/zendesk Anbieter: Zendesk, Inc. Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Bündelt Kundenanfragen aus E-Mail, Chat, Telefon und sozialen Kanälen in einem Ticketbestand mit Zuständigkeit, Frist und Verlauf, sodass keine Anfrage in einem geteilten Postfach verschwindet. ### Apollo.io URL: https://www.convios.com/de/werkzeugkasten/apollo Anbieter: ZenLeads, Inc. d/b/a Apollo.io Urteil: Effizienz im Einzelfall Regulatorik: Kein EU-Speicherort, AVV verfügbar Stand: 2026-08-03 Apollo führt eine eigene Sammlung geschäftlicher Kontaktdaten und hängt Sequenzversand, Telefonie und Gesprächsaufzeichnung an dieselbe Oberfläche. Wer damit arbeitet, sucht eine Adresse und schreibt sie im selben Werkzeug an. ### Cal.com URL: https://www.convios.com/de/werkzeugkasten/cal-com Anbieter: Cal.com, Inc. Urteil: Effizienz im Einzelfall Regulatorik: Speicherort unklar, AVV unklar Stand: 2026-08-05 Stellt Buchungsseiten bereit, die freie Zeiten aus verbundenen Kalendern berechnen, eingehende Anfragen nach hinterlegten Regeln auf ein Team verteilen und den bestätigten Termin mit Videolink und Erinnerungen anlegen. ### Clay URL: https://www.convios.com/de/werkzeugkasten/clay Anbieter: Clay Labs Inc Urteil: Verhindert Rückstand Regulatorik: Speicherort unklar, AVV verfügbar Stand: 2026-07-30 Eine Liste von Firmen oder Personen enthält selten die Merkmale, an denen man entscheidet, wen man anspricht. Clay ist die Werkbank, auf der man diese Merkmale zusammenträgt, aus mehreren Datenquellen nacheinander abfragt und die eigene Bewertungslogik darauf legt. ### Docusign URL: https://www.convios.com/de/werkzeugkasten/docusign Anbieter: Docusign, Inc. Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-11 Versendet Dokumente zur Unterschrift, führt die Empfänger durch die Signaturstrecke, prüft auf Wunsch deren Identität und legt zu jedem Vorgang einen Prüfpfad an, der die Unterschrift später belegen soll. ### Leadfeeder URL: https://www.convios.com/de/werkzeugkasten/leadfeeder Anbieter: Dealfront Group GmbH, Karlsruhe (Marke Leadfeeder seit 24.03.2026, davor Dealfront) Urteil: Effizienz im Einzelfall Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-20 Leadfeeder gleicht die Adressen der Website-Besucher gegen eine Datenbank betrieblicher Adressbereiche ab und zeigt dem Vertrieb, welche Unternehmen auf welchen Seiten waren und wie oft sie wiederkamen. ### lemlist URL: https://www.convios.com/de/werkzeugkasten/lemlist Anbieter: LEMPIRE SAS, Paris (RCS Paris 823 475 082) Urteil: Effizienz im Einzelfall Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Führt Kaltkontakt über E-Mail, LinkedIn, Telefon und SMS in einer Sequenz zusammen, verwaltet die sendenden Postfächer und deren Zustellbarkeit und schreibt Antworten, Abmeldungen und Termine an den Kontakt zurück. ### PandaDoc URL: https://www.convios.com/de/werkzeugkasten/pandadoc Anbieter: PandaDoc, Inc. Urteil: Effizienz im Einzelfall Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-27 Bündelt Angebot, Preisaufstellung und Unterschrift in einem Dokument, das der Empfänger im Browser öffnet, und meldet dem Absender zurück, wer welchen Abschnitt wie lange gelesen hat. ### RudderStack URL: https://www.convios.com/de/werkzeugkasten/rudderstack Anbieter: RudderStack, Inc., San Francisco Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-04 RudderStack sammelt Ereignisse aus Websites, Anwendungen und Servern ein, prüft sie gegen einen hinterlegten Ereignisplan und liefert sie an das eigene Data Warehouse sowie an angeschlossene Zielsysteme aus. ### Salesforce URL: https://www.convios.com/de/werkzeugkasten/salesforce Anbieter: Salesforce, Inc., San Francisco; in Deutschland salesforce.com Germany GmbH, München Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-28 Führt Firmen, Kontakte, Verkaufschancen und Prognosen in einer Datenbank, auf der sich eigene Objekte, Freigabewege und Automatisierungen bauen lassen, und verkauft darüber Zusatzprodukte, darunter KI-Agenten. ### tl;dv URL: https://www.convios.com/de/werkzeugkasten/tldv Anbieter: tldx Solutions GmbH Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Hält fest, was in Verkaufs-, Kunden- und Bewerbungsgesprächen tatsächlich gesagt wurde, und macht es durchsuchbar und auswertbar, statt es der Erinnerung und den Notizen einzelner zu überlassen. ### BLP Digital URL: https://www.convios.com/de/werkzeugkasten/blp-digital Anbieter: BLP Digital AG, Zürich Urteil: Effizienz im Einzelfall Regulatorik: Speicherort unklar, AVV unklar Stand: 2026-07-31 Führt wiederkehrende Belegprozesse rund um ein ERP aus, also Rechnungseingang, Auftragsbestätigungen, Lieferscheine und Stammdatenpflege, und schreibt das Ergebnis in das ERP zurück, das das führende System bleibt. ### Candis URL: https://www.convios.com/de/werkzeugkasten/candis Anbieter: Candis GmbH, Berlin Urteil: Effizienz im Einzelfall Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-26 Nimmt Eingangsrechnungen entgegen, liest die Rechnungsdaten aus, führt sie durch einen mehrstufigen Freigabelauf mit Vertretungsregeln und übergibt das Ergebnis an DATEV oder ein anderes Buchhaltungssystem. ### Chargebee URL: https://www.convios.com/de/werkzeugkasten/chargebee Anbieter: Chargebee Inc., North Bethesda (Maryland), Sitz für Verträge Urteil: Verstärkt das Kernprodukt Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-03 Hält Abonnements, Preisbuch, Nutzungszählung, Rechnungslauf, Steuer und Mahnwesen in einem System und meldet dem Produkt über eine Schnittstelle zurück, welcher Kunde welche Funktion nutzen darf. ### Circula URL: https://www.convios.com/de/werkzeugkasten/circula Anbieter: Circula GmbH, Berlin Urteil: Effizienz im Einzelfall Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-16 Erfasst Reisekosten, Auslagen und Kartenumsätze der Mitarbeitenden per App, rechnet Verpflegungs- und Kilometerpauschalen nach deutschem Steuerrecht, führt die Einreichung durch Freigabe und Prüfung und übergibt das Ergebnis an DATEV, die Lohnbuchhaltung oder ein anderes Buchhaltungssystem. ### DATEV URL: https://www.convios.com/de/werkzeugkasten/datev Anbieter: DATEV eG, Nürnberg Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-04 DATEV führt Buchhaltung, Lohnabrechnung und Jahresabschluss auf einem gemeinsamen Datenbestand, auf den Kanzlei und Unternehmen gleichzeitig zugreifen. Die Buchungen liegen im DATEV-Rechenzentrum, die Übermittlung an Finanzamt und Sozialversicherung läuft über denselben Weg. ### Deel URL: https://www.convios.com/de/werkzeugkasten/deel Anbieter: Deel Inc., San Francisco, mit Landesgesellschaften, in Deutschland Deel Germany GmbH, Berlin Urteil: Effizienz im Einzelfall Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-28 Deel stellt Beschäftigte in Ländern an, in denen der Kunde keine eigene Gesellschaft hat, rechnet Gehalt, Steuern und Sozialabgaben vor Ort ab und führt Verträge, Personalakte und Auszahlungen für Angestellte und freie Auftragnehmer auf einer Plattform. ### Lexware Office URL: https://www.convios.com/de/werkzeugkasten/lexware-office Anbieter: Haufe Service Center GmbH, Freiburg, Marke der Haufe-Lexware GmbH & Co. KG Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-28 Lexware Office schreibt Angebote und Rechnungen, liest Eingangsbelege aus, gleicht sie mit den angebundenen Bankkonten ab und führt daraus die Buchhaltung bis zur Umsatzsteuer-Voranmeldung und zur Einnahmen-Überschuss-Rechnung. Die Lohnabrechnung samt Meldungen an Krankenkassen und Finanzamt lässt sich als Modul dazubuchen, und der Steuerberater bekommt einen eigenen Zugang zum selben Datenbestand. ### Metabase URL: https://www.convios.com/de/werkzeugkasten/metabase Anbieter: Metabase, Inc., Spring Valley, Kalifornien Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-28 Metabase verbindet sich mit den vorhandenen Datenbanken, lässt Fragen per Klick, in SQL oder in natürlicher Sprache stellen und fasst die Antworten zu Dashboards und geplanten Berichten zusammen. Dieselben Auswertungen lassen sich mit Zeilen- und Spaltenrechten in das eigene Produkt einbetten, sodass Kunden ihre Zahlen dort sehen. ### Paddle URL: https://www.convios.com/de/werkzeugkasten/paddle Anbieter: Paddle.com Market Ltd Urteil: Verhindert Rückstand Regulatorik: Kein EU-Speicherort, AVV entfällt Stand: 2026-07-30 Verkauft die eigene Software im eigenen Namen weiter und wird damit selbst Vertragspartner des Käufers. Registrierung, Berechnung, Abführung und Haftung für Umsatzsteuer in fremden Jurisdiktionen liegen dann beim Anbieter, nicht mehr beim Softwarehaus. ### Personio URL: https://www.convios.com/de/werkzeugkasten/personio Anbieter: Personio SE & Co. KG, München Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-10 Personio führt Personalakte, Abwesenheiten, Zeiterfassung, Bewerbungen und die vorbereitende oder vollständige Lohnabrechnung in einem Bestand, auf den Personalabteilung, Führungskräfte und Beschäftigte mit unterschiedlichen Rechten zugreifen. ### Pleo URL: https://www.convios.com/de/werkzeugkasten/pleo Anbieter: Pleo Technologies A/S Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Gibt jedem Mitarbeitenden eine eigene Karte mit Limit und zwingt den Beleg an die Buchung, statt dass Abos und Werkzeuge über Privatkarten laufen und erst in der Spesenabrechnung sichtbar werden. ### Qonto URL: https://www.convios.com/de/werkzeugkasten/qonto Anbieter: QONTO SA, Paris, mit Zweigniederlassung Deutschland in Berlin Urteil: Effizienz im Einzelfall Regulatorik: EU-Speicherort möglich, AVV entfällt Stand: 2026-08-14 Führt Zahlungskonto, Karten, Belege und die Übergabe an die Buchhaltung in einer Oberfläche mit Rollen und Freigaben je Person, statt Kontoauszug, Belegsammlung und Kontierung getrennt laufen zu lassen. ### Sastrify URL: https://www.convios.com/de/werkzeugkasten/sastrify Anbieter: Sastrify GmbH, Köln (seit Mai 2026 im Eigentum von Deel) Urteil: Effizienz im Einzelfall Regulatorik: Speicherort unklar, AVV unklar Stand: 2026-07-30 Führt Softwarebestand, tatsächliche Nutzung und Vertragsdaten in einem Register zusammen, meldet Kündigungsfristen vor der automatischen Verlängerung und stellt den bezahlten Preis einer Vergleichsdatenbank aus anderen Verträgen gegenüber. ### 1Password URL: https://www.convios.com/de/werkzeugkasten/1password Anbieter: AgileBits Inc., firmierend als 1Password, Toronto, Kanada Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-08-17 Legt Passwörter, Schlüssel und Zugangsdaten eines Unternehmens in Tresore mit Rechten je Person und Gruppe, sodass ein Zugang beim Ausscheiden an einer Stelle entzogen wird und nicht in Browsern, Tabellen und Chatverläufen weiterlebt. ### Credo AI URL: https://www.convios.com/de/werkzeugkasten/credo-ai Anbieter: Credo.AI Corp. Urteil: Verhindert Rückstand Regulatorik: Speicherort unklar, AVV verfügbar Stand: 2026-08-24 Führt alle KI-Anwendungsfälle, Modelle und KI-Lieferanten eines Hauses in einem Verzeichnis, hängt an jeden Eintrag die Freigaben und Nachweise, die eine Vorschrift oder ein Kunde verlangt, und hält fest, wer wann was entschieden hat. ### Infisical URL: https://www.convios.com/de/werkzeugkasten/infisical Anbieter: Infisical, Inc. Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV unklar Stand: 2026-07-30 Hält Zugangsdaten, Schlüssel und Zertifikate an einer Stelle, gibt sie nur an geprüfte Menschen und Maschinen aus und protokolliert jede Ausgabe. Damit verschwinden Passwortlisten aus Chat, Tabelle und Programmcode. ### Jamf URL: https://www.convios.com/de/werkzeugkasten/jamf Anbieter: JAMF Software, LLC, Minneapolis, Minnesota Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-28 Richtet Macs, iPhones und iPads zentral ein, verteilt Programme und Einstellungen, erzwingt Sicherheitsvorgaben und weist nach, welches Gerät welchen Stand hat. Wer ein Gerät verliert oder das Unternehmen verlässt, kann aus der Ferne gesperrt oder gelöscht werden. ### Langfuse URL: https://www.convios.com/de/werkzeugkasten/langfuse Anbieter: Langfuse GmbH, Berlin (seit 16.01.2026 im Eigentum von ClickHouse, Inc.) Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Wer Sprachmodelle in ein Produkt einbaut, sieht ohne Mitschrift nicht, was das Modell gefragt wurde, was es geantwortet hat, was der Aufruf gekostet hat und ob eine Änderung am Prompt die Qualität gehoben oder gesenkt hat. Langfuse schreibt jeden Modellaufruf mit, verwaltet Prompt-Versionen und lässt Antworten gegen feste Testfälle bewerten. ### LiteLLM URL: https://www.convios.com/de/werkzeugkasten/litellm Anbieter: Berrie AI Incorporated (BerriAI) Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV unklar Stand: 2026-07-30 Legt eine einheitliche Schnittstelle vor viele Modellanbieter, sodass Schlüssel, Kosten, Grenzen und Protokolle an einer Stelle liegen statt verstreut in jedem Dienst, der ein Modell aufruft. ### Nudge Security URL: https://www.convios.com/de/werkzeugkasten/nudge-security Anbieter: Nudge Security, Inc. Urteil: Verhindert Rückstand Regulatorik: Speicherort unklar, AVV verfügbar Stand: 2026-07-30 Zeigt, welche KI- und SaaS-Dienste im Haus tatsächlich benutzt werden und welche Zugriffsrechte diese Dienste auf die Firmendaten halten, ohne dass jemand die Belegschaft danach fragen muss. ### Ory URL: https://www.convios.com/de/werkzeugkasten/ory Anbieter: Ory Corp (EU-Vertretung: Ory Germany GmbH, München) Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-07-30 Anmeldung, Registrierung, Sitzungen, Mehrfaktor und Zugriffsrechte müssen in jedem Produkt mit mehreren Nutzern funktionieren. Ory liefert diese Schicht entweder als betriebenen Dienst oder als quelloffene Server, die man selbst betreibt. ### Snyk URL: https://www.convios.com/de/werkzeugkasten/snyk Anbieter: Snyk Limited, London Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-29 Prüft eigenen Quellcode, eingebundene Open-Source-Bibliotheken, Container-Images und Infrastruktur-Konfigurationen auf bekannte Schwachstellen und Lizenzrisiken, direkt in Entwicklungsumgebung, Repository und Build. Zu jedem Fund schlägt es eine Korrektur vor, bei Abhängigkeiten meist als fertige Änderungsanfrage. ### Tailscale URL: https://www.convios.com/de/werkzeugkasten/tailscale Anbieter: Tailscale US Inc. (Delaware) für Verträge ab 03.09.2024, davor Tailscale Inc. (Toronto) Urteil: Verhindert Rückstand Regulatorik: Speicherort unklar, AVV verfügbar Stand: 2026-07-30 Bindet den Zugang zu Servern, Datenbanken und internen Diensten an die Identität einer Person statt an ein Netzwerkkabel, einen VPN-Zugang oder ein geteiltes Passwort. Wer geht, verliert den Zugang mit dem Konto. ### Usercentrics URL: https://www.convios.com/de/werkzeugkasten/usercentrics Anbieter: Usercentrics GmbH, München, Deutschland Urteil: Verhindert Rückstand Regulatorik: EU-Speicherort möglich, AVV verfügbar Stand: 2026-09-02 Blockiert auf einer Website jedes Skript, das eine Einwilligung braucht, zeigt den Besuchern einen Dialog zur Auswahl und legt jede Entscheidung mit Zeitpunkt und Fassung in einem Protokoll ab, das sich herunterladen lässt. ### Vanta URL: https://www.convios.com/de/werkzeugkasten/vanta Anbieter: Vanta, Inc., San Francisco, Kalifornien, USA Urteil: Verhindert Rückstand Regulatorik: Kein EU-Speicherort, AVV verfügbar Stand: 2026-09-10 Zieht den Zustand der angebundenen Systeme laufend ab, prüft ihn gegen die Kontrollkataloge von SOC 2, ISO 27001 und weiteren Rahmenwerken und legt die Nachweise so ab, dass ein Prüfer sie ohne Zwischenschritt abnehmen kann. --- ## Toolbox 66 tools with our own verdict, along the question of buying, switching or building. Each entry states company size, staying power, cost of leaving, pricing and nine evidenced points on regulation and data, each dated. URL: https://www.convios.com/en/toolbox ### Buy, switch or build URL: https://www.convios.com/en/toolbox/build-or-buy Off-the-shelf with licence costs, AI-native product or building it yourself: seven criteria that let you make the decision on evidence. ### Build it yourself URL: https://www.convios.com/en/toolbox/build-it-yourself What you build with and out of: build tools and building blocks, each with the question of who owns the result and what operations cost. ### Claude Code URL: https://www.convios.com/en/toolbox/claude-code Vendor: Anthropic PBC Verdict: Prevents falling behind Regulation and data: Storage location unclear, DPA available As of: 2026-07-30 Works as an agent inside the project directory: reads, writes and checks code on instruction, rather than only suggesting text in an editor. ### Cloudflare Pages URL: https://www.convios.com/en/toolbox/cloudflare-pages Vendor: Cloudflare, Inc. Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Delivers a website's files worldwide and runs small functions at the network edge, without operating your own server. ### CodeRabbit URL: https://www.convios.com/en/toolbox/coderabbit Vendor: CodeRabbit, Inc. Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-09-08 Reads every change in a pull request, comments on it line by line and proposes corrections before a human starts reviewing. ### GitHub URL: https://www.convios.com/en/toolbox/github Vendor: GitHub, Inc., owned by Microsoft Corporation since 2018 Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Records the history of every change to the source code, merges parallel lines of work, and attaches review, issue and deployment to the same change. Without this layer nobody reliably knows which version is running, or who changed what and why. ### GitLab URL: https://www.convios.com/en/toolbox/gitlab Vendor: GitLab Inc. (Nasdaq: GTLB) Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Records the history of every change to the source code and brings review, issue, build run, security scanning and deployment into one system. The difference from the competitor lies in the fact that the core is open source and you are allowed to run it yourself, not in that list. ### Linear URL: https://www.convios.com/en/toolbox/linear Vendor: Linear Orbit, Inc. Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Keeps a product team's issues, tasks and projects in one place and exposes them through an API in machine-readable form, so coding agents can work from structured tickets instead of prose buried in chat threads. ### Lovable URL: https://www.convios.com/en/toolbox/lovable Vendor: Lovable Labs Inc. Verdict: Efficiency only Regulation and data: EU storage available, DPA available As of: 2026-07-30 Turns a description into a running web application including interface, data storage and sign-in, without writing code. ### Neon URL: https://www.convios.com/en/toolbox/neon Vendor: Neon, LLC (a subsidiary of Databricks, Inc.) Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-09-18 Provides a Postgres database that branches per change and scales down to zero when idle, without a server standing by. ### PostHog URL: https://www.convios.com/en/toolbox/posthog Vendor: PostHog, Inc., San Francisco, California, with the subsidiary PostHog GmbH (limited company), Munich Verdict: Strengthens the core product Regulation and data: EU storage available, DPA available As of: 2026-08-19 Records what people do inside an application, releases individual features to selected groups and works out whether the change had an effect, so the decision about the next step rests on measured numbers instead of the loudest opinion in the room. ### Sentry URL: https://www.convios.com/en/toolbox/sentry Vendor: Functional Software, Inc. d/b/a Sentry, United States Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-08-25 Receives exceptions and timing measurements from a running application, groups alike incidents into a single entry and shows the line of code together with the change that last touched it, so an outage surfaces inside the team before a customer reports it. ### Astro URL: https://www.convios.com/en/toolbox/astro Vendor: Astro-Projekt (MIT), getragen von Cloudflare Verdict: Prevents falling behind Regulation and data: No vendor storage, DPA not applicable As of: 2026-07-30 Builds a website into finished files at publish time, so no code has to load in the browser just to display the page. ### Cloudinary URL: https://www.convios.com/en/toolbox/cloudinary Vendor: Cloudinary Ltd., Petah Tikva (Israel), with Cloudinary Inc. (USA), Cloudinary UK Ltd. and Cloudinary Poland Sp. z o.o. Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-08-28 Takes images and videos in once and delivers them through the URL in the right size and format over a delivery network, so variants no longer have to be produced and stored by hand. ### DeepL URL: https://www.convios.com/en/toolbox/deepl Vendor: DeepL SE, Köln Verdict: Efficiency only Regulation and data: EU storage available, DPA available As of: 2026-08-06 Translates text and documents between languages using its own models, and lets company terminology be fixed through glossaries and style rules. ### ElevenLabs URL: https://www.convios.com/en/toolbox/elevenlabs Vendor: Eleven Labs Inc., New York Verdict: Efficiency only Regulation and data: EU storage available, DPA available As of: 2026-09-07 Generates spoken audio from text, clones voices from recordings and transfers video and audio material into other languages, either through a web interface or through an API. ### Framer URL: https://www.convios.com/en/toolbox/framer Vendor: Framer B.V. Verdict: Efficiency only Regulation and data: No EU storage, DPA available As of: 2026-08-12 Builds websites in a visual editor and runs them on the vendor's infrastructure, so a new page goes live without a development step. ### Peec AI URL: https://www.convios.com/en/toolbox/peec-ai Vendor: Peec AI GmbH Verdict: Efficiency only Regulation and data: Storage location unclear, DPA unclear As of: 2026-07-30 Shows whether and how a brand turns up in answers from ChatGPT, Perplexity, Gemini and Google's AI mode, in which position, in what tone, and which sources those systems assemble the answer from. ### Sanity URL: https://www.convios.com/en/toolbox/sanity Vendor: Sanity AS Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Separates content from its presentation and serves it through an API, so website, app and answer engines all read from one source. ### Semrush URL: https://www.convios.com/en/toolbox/semrush Vendor: Semrush Inc., Boston (Delaware), owned by Adobe since 28 April 2026 Verdict: Prevents falling behind Regulation and data: No EU storage, DPA available As of: 2026-08-18 Brings keywords, rankings, technical site errors and third-party backlinks together in one interface and, through the retrofitted AI modules, also measures whether and how a brand shows up in answers from AI systems. ### Resend URL: https://www.convios.com/en/toolbox/resend Vendor: Plus Five Five, Inc., San Francisco Verdict: Prevents falling behind Regulation and data: No EU storage, DPA available As of: 2026-09-17 Sends the emails a piece of software triggers itself, such as sign-in links, password resets, invoices and notifications, through an API or SMTP, takes care of domain authentication, bounces and the suppression list, and reports delivery, opens and clicks back by webhook. ### Sulu URL: https://www.convios.com/en/toolbox/sulu Vendor: Sulu GmbH Verdict: Prevents falling behind Regulation and data: EU storage available, DPA not applicable As of: 2026-07-30 Manages content, multiple websites and translations in a self-hosted system built on Symfony. ### Typesense URL: https://www.convios.com/en/toolbox/typesense Vendor: Typesense, Inc., Delaware, with an office in Sugar Land, Texas (USA) Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-09-30 Holds a search index in memory and answers queries on your own site or in your own application with typo tolerance, filters and facets, either run in-house or as a rented cluster. ### Cognigy URL: https://www.convios.com/en/toolbox/cognigy Vendor: Cognigy GmbH (owned by NiCE Ltd. since 08.09.2025) Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-08-07 Builds and runs voice and chat agents for customer service, connects them to the phone system and to the business systems behind it, and hands over to staff as soon as the case calls for it. ### Fin URL: https://www.convios.com/en/toolbox/fin Vendor: Intercom, Inc. (trading as Fin since May 2026) Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Answers inbound support requests on its own across chat, email, WhatsApp, SMS and phone, and hands over to a human when it gets stuck. You pay per case resolved rather than per seat. ### Front URL: https://www.convios.com/en/toolbox/front Vendor: FrontApp, Inc. Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-08-21 Brings email, chat, SMS and social channels together in one shared inbox where every message carries an owner, an internal comment thread and a history. ### GitBook URL: https://www.convios.com/en/toolbox/gitbook Vendor: GitBook Inc. Verdict: Prevents falling behind Regulation and data: No EU storage, DPA available As of: 2026-09-01 Publishes product documentation and help articles as a searchable website, keeps the text tied to the source code through a two-way sync with GitHub or GitLab, and answers reader questions in place through a language-model search. ### Help Scout URL: https://www.convios.com/en/toolbox/help-scout Vendor: Help Scout PBC Verdict: Prevents falling behind Regulation and data: No EU storage, DPA available As of: 2026-09-09 Brings email, chat and social channels together in one shared inbox and puts a knowledge base beside it, from which a chatbot answers customer questions directly. ### Instatus URL: https://www.convios.com/en/toolbox/instatus Vendor: Instatus, Inc Verdict: Prevents falling behind Regulation and data: No EU storage, DPA available As of: 2026-09-28 Runs a public or private status page on which a software vendor announces incidents and maintenance, checks its own services from the outside and notifies subscribers by email, SMS or chat. ### Intercom URL: https://www.convios.com/en/toolbox/intercom Vendor: Intercom, Inc. for orders with a US shipping address, otherwise Intercom R&D Unlimited Company, Dublin; the company has traded as Fin since May 2026 Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-08-13 Brings chat inside your own product, email, phone and help centre together in one shared inbox, and sends proactive messages, product tours and checklists to users from that same place. ### Plain URL: https://www.convios.com/en/toolbox/plain Vendor: Not Just Tickets Ltd Verdict: Strengthens the core product Regulation and data: No EU storage, DPA available As of: 2026-07-30 Routes customer requests from Slack, Teams, Discord, email and chat along accounts, customer groups and service level agreements instead of along channels, and makes every operation programmable through an API. ### Zammad URL: https://www.convios.com/en/toolbox/zammad Vendor: Zammad GmbH Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Brings requests from email, web forms, chat and messengers into one case system, so it stays traceable who promised what and when, instead of cases disappearing into a shared mailbox. ### Zendesk URL: https://www.convios.com/en/toolbox/zendesk Vendor: Zendesk, Inc. Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Collects customer requests from email, chat, phone and social channels into one ticket store with ownership, deadlines and history, so that no request disappears in a shared mailbox. ### Apollo.io URL: https://www.convios.com/en/toolbox/apollo Vendor: ZenLeads, Inc. d/b/a Apollo.io Verdict: Efficiency only Regulation and data: No EU storage, DPA available As of: 2026-08-03 Apollo runs its own database of business contact data and attaches sequence sending, dialling and call recording to the same interface. You look up an address and reach out to it without leaving the tool. ### Cal.com URL: https://www.convios.com/en/toolbox/cal-com Vendor: Cal.com, Inc. Verdict: Efficiency only Regulation and data: Storage location unclear, DPA unclear As of: 2026-08-05 Provides booking pages that compute free slots from connected calendars, distribute incoming requests across a team by stored rules, and create the confirmed meeting with a video link and reminders. ### Clay URL: https://www.convios.com/en/toolbox/clay Vendor: Clay Labs Inc Verdict: Prevents falling behind Regulation and data: Storage location unclear, DPA available As of: 2026-07-30 A list of companies or people rarely carries the attributes you actually decide on. Clay is the workbench where you assemble those attributes, query several data sources in sequence and put your own scoring logic on top. ### Docusign URL: https://www.convios.com/en/toolbox/docusign Vendor: Docusign, Inc. Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-08-11 Sends documents out for signature, guides recipients through the signing flow, verifies their identity where requested, and records an audit trail for each transaction that is meant to evidence the signature later. ### Leadfeeder URL: https://www.convios.com/en/toolbox/leadfeeder Vendor: Dealfront Group GmbH, Karlsruhe (branded Leadfeeder since 24 March 2026, previously Dealfront) Verdict: Efficiency only Regulation and data: EU storage available, DPA available As of: 2026-08-20 Leadfeeder matches the addresses of website visitors against a database of corporate address ranges and shows sales which companies looked at which pages and how often they returned. ### lemlist URL: https://www.convios.com/en/toolbox/lemlist Vendor: LEMPIRE SAS, Paris (RCS Paris 823 475 082) Verdict: Efficiency only Regulation and data: EU storage available, DPA available As of: 2026-07-30 Runs cold outreach across email, LinkedIn, phone and SMS as a single sequence, manages the sending mailboxes and their deliverability, and writes replies, opt-outs and booked meetings back onto the contact record. ### PandaDoc URL: https://www.convios.com/en/toolbox/pandadoc Vendor: PandaDoc, Inc. Verdict: Efficiency only Regulation and data: EU storage available, DPA available As of: 2026-08-27 Bundles the proposal, the price breakdown and the signature into a single document that the recipient opens in a browser, and reports back to the sender who read which section and for how long. ### RudderStack URL: https://www.convios.com/en/toolbox/rudderstack Vendor: RudderStack, Inc., San Francisco Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-09-04 RudderStack collects events from websites, applications and servers, checks them against a stored tracking plan and delivers them to the company's own data warehouse and to connected destination systems. ### Salesforce URL: https://www.convios.com/en/toolbox/salesforce Vendor: Salesforce, Inc., San Francisco; in Germany salesforce.com Germany GmbH, Munich Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-09-28 Keeps companies, contacts, opportunities and forecasts in one database on which custom objects, approval routes and automations can be built, and sells add-on products on top of it, including AI agents. ### tl;dv URL: https://www.convios.com/en/toolbox/tldv Vendor: tldx Solutions GmbH Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Records what was actually said in sales, customer and hiring calls and makes it searchable and analysable, instead of leaving it to individual memory and hand-written notes. ### BLP Digital URL: https://www.convios.com/en/toolbox/blp-digital Vendor: BLP Digital AG, Zurich Verdict: Efficiency only Regulation and data: Storage location unclear, DPA unclear As of: 2026-07-31 Runs the recurring document processes around an ERP system, namely incoming invoices, order confirmations, delivery notes and master data upkeep, and writes the result back into the ERP, which remains the system of record. ### Candis URL: https://www.convios.com/en/toolbox/candis Vendor: Candis GmbH, Berlin Verdict: Efficiency only Regulation and data: EU storage available, DPA available As of: 2026-08-26 Takes in incoming invoices, reads out the invoice data, runs them through a multi-step approval flow with deputy rules, and hands the result to DATEV or another accounting system. ### Chargebee URL: https://www.convios.com/en/toolbox/chargebee Vendor: Chargebee Inc., North Bethesda (Maryland), contracting entity Verdict: Strengthens the core product Regulation and data: EU storage available, DPA available As of: 2026-09-03 Holds subscriptions, price book, usage metering, invoice runs, tax and dunning in one system, and reports back to the product through an API which customer is entitled to which feature. ### Circula URL: https://www.convios.com/en/toolbox/circula Vendor: Circula GmbH, Berlin Verdict: Efficiency only Regulation and data: EU storage available, DPA available As of: 2026-09-16 Captures employees' travel costs, out-of-pocket expenses and card transactions in an app, calculates meal and mileage allowances under German tax law, runs each submission through approval and review, and hands the result to DATEV, payroll or another accounting system. ### DATEV URL: https://www.convios.com/en/toolbox/datev Vendor: DATEV eG, Nuremberg (Nürnberg) Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-08-04 DATEV runs bookkeeping, payroll and annual accounts on a shared data set that the tax firm (Steuerkanzlei) and the company access at the same time. The bookings sit in the DATEV data centre, and filings to the tax office and social insurance travel the same route. ### Deel URL: https://www.convios.com/en/toolbox/deel Vendor: Deel Inc., San Francisco, with country entities, in Germany Deel Germany GmbH, Berlin Verdict: Efficiency only Regulation and data: EU storage available, DPA available As of: 2026-09-28 Deel employs staff in countries where the customer has no entity of its own, runs salary, tax and social contributions locally, and keeps contracts, the personnel record and payouts for employees and independent contractors on one platform. ### Lexware Office URL: https://www.convios.com/en/toolbox/lexware-office Vendor: Haufe Service Center GmbH, Freiburg, a brand of Haufe-Lexware GmbH & Co. KG Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-09-28 Lexware Office writes quotes and invoices, reads incoming receipts, matches them against the connected bank accounts and turns all of it into bookkeeping up to the advance VAT return (Umsatzsteuer-Voranmeldung) and the cash-basis profit statement (Einnahmen-Überschuss-Rechnung). Payroll, including filings to health insurers and the tax office, can be added as a module, and the tax adviser gets their own access to the same data set. ### Metabase URL: https://www.convios.com/en/toolbox/metabase Vendor: Metabase, Inc., Spring Valley, California Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-09-28 Metabase connects to existing databases, lets people ask questions by clicking, in SQL or in natural language, and gathers the answers into dashboards and scheduled reports. The same analyses can be embedded in your own product with row and column permissions, so customers see their figures there. ### Paddle URL: https://www.convios.com/en/toolbox/paddle Vendor: Paddle.com Market Ltd Verdict: Prevents falling behind Regulation and data: No EU storage, DPA not applicable As of: 2026-07-30 Resells your software in its own name and thereby becomes the buyer's contractual counterparty. Registration, calculation, remittance and liability for indirect tax in foreign jurisdictions then sit with the vendor rather than with the software company. ### Personio URL: https://www.convios.com/en/toolbox/personio Vendor: Personio SE & Co. KG, Munich Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-08-10 Personio keeps the personnel file, absences, time tracking, applications and either preparatory or full payroll in one data set that HR, managers and employees reach with different permissions. ### Pleo URL: https://www.convios.com/en/toolbox/pleo Vendor: Pleo Technologies A/S Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Gives every employee a card with its own limit and ties the receipt to the transaction, instead of letting subscriptions and tools run through private cards that only surface weeks later in an expense report. ### Qonto URL: https://www.convios.com/en/toolbox/qonto Vendor: QONTO SA, Paris, with a German branch (Zweigniederlassung) in Berlin Verdict: Efficiency only Regulation and data: EU storage available, DPA not applicable As of: 2026-08-14 Runs the payment account, cards, receipts and the handover to accounting in one place, with roles and approvals per person, instead of keeping the bank statement, the receipt pile and the coding apart. ### Sastrify URL: https://www.convios.com/en/toolbox/sastrify Vendor: Sastrify GmbH, Cologne (owned by Deel since May 2026) Verdict: Efficiency only Regulation and data: Storage location unclear, DPA unclear As of: 2026-07-30 Pulls software inventory, actual usage and contract data into one register, flags notice periods before an auto renewal fires, and holds the price you pay against a benchmark database built from other companies' contracts. ### 1Password URL: https://www.convios.com/en/toolbox/1password Vendor: AgileBits Inc., trading as 1Password, Toronto, Canada Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-08-17 Holds a company’s passwords, keys and credentials in vaults with permissions per person and group, so that access is withdrawn in one place when somebody leaves instead of living on in browsers, spreadsheets and chat histories. ### Credo AI URL: https://www.convios.com/en/toolbox/credo-ai Vendor: Credo.AI Corp. Verdict: Prevents falling behind Regulation and data: Storage location unclear, DPA available As of: 2026-08-24 Keeps every AI use case, model and AI vendor in one register, attaches to each entry the approvals and evidence a regulation or a customer asks for, and records who decided what and when. ### Infisical URL: https://www.convios.com/en/toolbox/infisical Vendor: Infisical, Inc. Verdict: Prevents falling behind Regulation and data: EU storage available, DPA unclear As of: 2026-07-30 Keeps credentials, keys and certificates in one place, hands them out only to verified humans and machines, and logs every issue. That takes passwords out of chat threads, spreadsheets and source code. ### Jamf URL: https://www.convios.com/en/toolbox/jamf Vendor: JAMF Software, LLC, Minneapolis, Minnesota Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-09-28 Sets up Macs, iPhones and iPads centrally, distributes apps and settings, enforces security baselines and documents which device is in which state. A lost device, or one belonging to someone who leaves, can be locked or wiped remotely. ### Langfuse URL: https://www.convios.com/en/toolbox/langfuse Vendor: Langfuse GmbH, Berlin (owned by ClickHouse, Inc. since 2026-01-16) Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Once you build language models into a product, you cannot see what the model was asked, what it answered, what the call cost, or whether a prompt change improved or degraded quality. Langfuse records every model call, versions the prompts and scores answers against fixed test cases. ### LiteLLM URL: https://www.convios.com/en/toolbox/litellm Vendor: Berrie AI Incorporated (BerriAI) Verdict: Prevents falling behind Regulation and data: EU storage available, DPA unclear As of: 2026-07-30 Puts one uniform interface in front of many model providers, so keys, cost, limits and logs sit in one place instead of scattered across every service that calls a model. ### Nudge Security URL: https://www.convios.com/en/toolbox/nudge-security Vendor: Nudge Security, Inc. Verdict: Prevents falling behind Regulation and data: Storage location unclear, DPA available As of: 2026-07-30 Shows which AI and SaaS services are actually in use across a company, and what access rights those services hold on company data, without anyone having to survey the staff. ### Ory URL: https://www.convios.com/en/toolbox/ory Vendor: Ory Corp (EU-Vertretung: Ory Germany GmbH, München) Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-07-30 Sign-in, registration, sessions, multi-factor and access rights have to work in every product with more than one user. Ory supplies that layer either as a hosted service or as open source servers you run yourself. ### Snyk URL: https://www.convios.com/en/toolbox/snyk Vendor: Snyk Limited, London Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-09-29 Checks your own source code, embedded open-source libraries, container images and infrastructure configuration for known vulnerabilities and licence risks, right in the development environment, the repository and the build. For each finding it proposes a fix, for dependencies usually as a ready-made pull request. ### Tailscale URL: https://www.convios.com/en/toolbox/tailscale Vendor: Tailscale US Inc. (Delaware) for contracts from 2024-09-03, before that Tailscale Inc. (Toronto) Verdict: Prevents falling behind Regulation and data: Storage location unclear, DPA available As of: 2026-07-30 Ties access to servers, databases and internal services to a person's identity rather than to a network cable, a VPN account or a shared password. When someone leaves, access disappears with the account. ### Usercentrics URL: https://www.convios.com/en/toolbox/usercentrics Vendor: Usercentrics GmbH, Munich, Germany Verdict: Prevents falling behind Regulation and data: EU storage available, DPA available As of: 2026-09-02 Blocks every script on a website that requires consent, shows visitors a dialogue in which they choose, and files each decision with its timestamp and version in a log that can be downloaded. ### Vanta URL: https://www.convios.com/en/toolbox/vanta Vendor: Vanta, Inc., San Francisco, California, USA Verdict: Prevents falling behind Regulation and data: No EU storage, DPA available As of: 2026-09-10 Continuously pulls the state of the connected systems, checks it against the control catalogues of SOC 2, ISO 27001 and further frameworks, and files the evidence so that an auditor can accept it without an intermediate step.