Nutzt das Unternehmen schon KI?

Sichtbare KI-Funktionen im Produkt gelten in der Bewertung von Softwareunternehmen häufig als Beleg für Zukunftsfähigkeit, ihr Fehlen als Warnsignal. Ich halte das für wenig aussagekräftig. AI-ER (Artificial Intelligence Exposure and Resilience) trennt zwei Größen, die in der Praxis regelmäßig vermischt werden: den Veränderungsdruck, den KI auf ein Geschäftsmodell ausübt, und die Fähigkeit eines Unternehmens, mit diesem Druck umzugehen.

01   Die falsche Frage

Wer heute Softwareunternehmen einschätzt - in der Strategiearbeit, im Beteiligungsgeschäft oder in der technischen Due Diligence -, stößt schnell auf eine Standardfrage: Setzt das Unternehmen bereits künstliche Intelligenz ein? Die Frage ist einfach zu stellen und lässt sich schnell beantworten. Nur sagt die Antwort wenig darüber aus, ob das Geschäftsmodell trägt.

In einem aktuellen Aufsatz schlagen wir mit AI-ER einen Bewertungsrahmen vor, der Exposure und Resilienz als eigenständige Größen behandelt - und genau deshalb nicht in eine einzige Kennzahl zusammenrechnet.

02   KI-Exposure: Angreifbarkeit des Kerns

Die erste Dimension fragt nicht nach dem KI-Einsatz, sondern nach der Angreifbarkeit des wirtschaftlichen Kerns. Wie nah liegt der bezahlte Kernnutzen an dem, was heutige KI-Systeme leisten können? Wie aufwendig wäre es, das Leistungsangebot nachzubauen? Verändern Wettbewerber oder Plattformen gerade die Preis- und Bündelungslogik des Marktes?

Die Forschung zur technologischen Exposure zeigt, dass wissensintensive, sprach- und informationsverarbeitende Tätigkeiten besonders nah an den Fähigkeiten großer Sprachmodelle liegen (Eloundou et al., 2024; OECD, 2026). Technische Nähe ist allerdings noch keine wirtschaftliche Wirkung: Zwischen dem, was möglich ist, und dem, was ein Geschäftsmodell tatsächlich trifft, liegen Integrationsaufwand, Verlässlichkeitsanforderungen, Regulierung und Kundenverhalten (Kanbach et al., 2024).

03   KI-Resilienz: die Gegenseite

Die zweite Dimension betrachtet Schutzpositionen, die auch unter veränderten technischen Bedingungen tragen, die organisatorische Fähigkeit zur Neuausrichtung, die technische Reife für den produktiven Betrieb datengetriebener Funktionen (Sculley et al., 2015), die Umsetzungsstärke, aus Möglichkeiten laufende Lösungen zu machen, und die wirtschaftliche Tragfähigkeit des Ganzen.

Resilienz ist damit mehr als Aushalten. Sie umfasst, Veränderung früh zu erkennen, handlungsfähig zu bleiben und das eigene Angebot weiterzuentwickeln (Duchek, 2020; Teece et al., 1997).

04   Zentrale These

Ein Unternehmen kann intensiv KI einsetzen und trotzdem hoch exponiert sein - und es kann ohne jede sichtbare KI-Funktion robust dastehen, wenn Daten, Vertriebszugang, Wechselkosten, Integrationstiefe oder Regulierung seinen wirtschaftlichen Kern schützen.

Wer beides zu einem Score verrechnet, verliert genau die Information, auf die es ankommt. Warum die beiden Dimensionen getrennt bleiben müssen, zeigt sich an den Fällen, die sich einer einfachen Verrechnung entziehen.

05   Vier Felder

Aus der gemeinsamen Betrachtung entstehen vier Felder. Hohe Exposure bei hoher Resilienz beschreibt Unternehmen, die im Wandel stehen und ihn gestalten können. Niedrige Exposure bei hoher Resilienz kennzeichnet eine verteidigte Nische. Hohe Exposure bei niedriger Resilienz ist der akute Fall mit unmittelbarem Prüf- und Handlungsbedarf. Und niedrige Exposure bei niedriger Resilienz ist die trügerischste Lage: Heute wirkt der Markt ruhig, doch die Fähigkeit zur Reaktion fehlt, wenn der Druck steigt.

06   Belastbarkeit statt Präzisionsmessung

Ein Punkt ist uns dabei besonders wichtig. Eine solche Bewertung ist keine Präzisionsmessung. Deshalb dokumentiert AI-ER neben jedem Einzelwert auch dessen Belastbarkeit: Wie direkt, aktuell, vollständig und unabhängig ist die zugrunde liegende Evidenz, und kommen mehrere unabhängige Bewertungen zum selben Ergebnis?

Kritische Einzelwerte werden zudem nicht durch gute Werte an anderer Stelle ausgeglichen - eine schwache Kernvoraussetzung bleibt sichtbar, statt im Mittelwert zu verschwinden. Die Bewertung beginnt mit öffentlich verfügbaren Informationen und wird anschließend mit internen Daten vertieft, wobei die erste Runde vor allem zeigt, wo genaueres Hinsehen lohnt.

07   Fazit

Mich interessiert, wie andere das einschätzen: Ist die entscheidende Frage bei der Bewertung von Softwaregeschäftsmodellen künftig weniger, ob ein Unternehmen KI nutzt, sondern wie exponiert sein Kern ist - und was ihn trägt, wenn der Druck steigt?

08   Weiterführende Literatur

1. 01Eloundou, T.; Manning, S.; Mishkin, P.; Rock, D. (2024). „GPTs are GPTs: Labor Market Impact Potential of LLMs“. Science 384(6702), S. 1306-1308. https://doi.org/10.1126/science.adj0998
2. 02Kanbach, D. K. et al. (2024). „The GenAI is out of the bottle: Generative Artificial Intelligence from a Business Model Innovation Perspective“. Review of Managerial Science 18(4), S. 1189-1220. https://doi.org/10.1007/s11846-023-00696-z
3. 03Duchek, S. (2020). „Organizational Resilience: A Capability-Based Conceptualization“. Business Research 13, S. 215-246. https://doi.org/10.1007/s40685-019-0085-7
4. 04Teece, D. J.; Pisano, G.; Shuen, A. (1997). „Dynamic Capabilities and Strategic Management“. Strategic Management Journal 18(7), S. 509-533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7%3C509::AID-SMJ882%3E3.0.CO;2-Z
5. 05Sculley, D. et al. (2015). „Hidden Technical Debt in Machine Learning Systems“. Advances in Neural Information Processing Systems 28. https://papers.nips.cc/paper_files/paper/2015/hash/86df7dcfd896fcaf2674f757a2463eba-Abstract.html
6. 06OECD (2026). The OECD AI Exposure Measure: Mapping the OECD AI Capability Indicators to Occupations. OECD Publishing, Paris. https://www.oecd.org/en/topics/artificial-intelligence.html