Robert Schaffner ist Co-Founder von triangility – Anbieter für Führungskräftetrainings. Im heutigen Confare-Blogbeitrag widmen wir uns um das Mammutthema AI und wie Organisationen heute handeln müssen, um morgen nicht den Anschluss zu verlieren.
Wenn Du eine Botschaft an die CEOs in DACH hättest – was wäre sie? Und was sollten sie bis Q2/2026 konkret tun?
Das Zeitfenster, um KI als Wettbewerbsvorteil zu nutzen, ist begrenzt. Aber die größte Barriere ist nicht die Technologie. Es ist die Organisation.
Ich erlebe das gerade wieder in einem KI Workshop. Das Team diskutiert KI Strategie, Use Cases, Governance. Wichtige Themen. Doch dabei übersehen sie etwas: Während sie formulieren, ändert sich draußen das Spielfeld fundamental und schnell.
Drei Realitäten ändern gerade die Spielregeln: GPT-4-equivalente Intelligence ist in 18 Monaten um das 240-fache günstiger geworden. ChatGPT erreichte 700 Millionen wöchentliche Nutzer. KI Datenzentren benötigen zig Gigawatt Power bis 2027. Infrastruktur & Energiekosten sind inzwischen die wichtigsten Stellschrauben – nicht die Algorithmen.
Was bedeutet das? Während die Technologie-Barriere verschwindet, wird die Organisations-Barriere zum eigentlichen Engpass. Der Vorsprung liegt nicht mehr in besserer Tech. Er liegt darin, ob eure Organisation schnell genug anpassen kann.
Ein guter Freund Darko Butina von BUDS, mit dem ich gerade einen C-Level KI Workshop entwickelt habe, formuliert es so: “Handeln Sie noch heute, oder Ihre KI-versierten Wettbewerber werden Sie morgen überholen.”
Der Vorsprung liegt nicht mehr nur in besserer Technology. Er liegt darin, ob eure Organisation schnell genug anpassen kann.
Was ich in Workshops beobachte, ist ein Muster: CEOs verstehen die Dringlichkeit. Aber sobald es konkret wird, andere Arbeitsweisen, veränderte Entscheidungswege, neue Verantwortlichkeiten, wegfallen von bestehenden Vorgehen, wird aus Zustimmung Zögern.
Die entscheidende Frage ist nicht: “Haben wir die richtige KI-Infrastruktur?” Sondern: “Ist unsere Organisation bereit, sich schnell genug zu verändern?”
Das lässt sich tatsächlich bewerten. Genau dafür haben wir bei triangility das AI Readiness Assessment entwickelt. Es misst nicht eure IT-Landschaft, sondern eure organisatorische Anpassungsfähigkeit. Denn ohne diese Klarheit bleibt KI Strategie ein Papier, das Realität nie einholt.
Der Confare CIOSUMMIT Wien am 25.–26. März 2026 bietet Ihnen die Möglichkeit, sich mit Profis aus dem gesamten DACH-Raum über die Zukunft von AI zu unterhalten. HIER ANMELDEN.
Wenn 60 % der Suchanfragen künftig an Answer Engines gehen: Wie sieht Answer Engine Optimization für einen B2B-Hidden Champion konkret aus?
Die unbequeme Wahrheit: Über 60% der Millennials und Gen Z nutzen bereits AI-Engines in ihrer Suchpraxis. Gartner prognostiziert, dass bis 2026 ein Viertel des organischen Suchverkehrs zu AI-Chatbots und virtuellen Assistenten wandert.
Wenn Ihre Neukunden primär über persönliche Empfehlungen, Messen oder langjährige Beziehungen kommen, wird das noch lange nicht relevant sein. Aber sobald die Recherche online startet und das tut sie zunehmend, auch im B2B, ändert sich etwas Grundlegendes. Nutzer bekommen direkte Antworten, oft ohne je auf eine Website zu klicken. Bei B2B mit komplexen Sales Cycles bedeutet das: Wenn Ihr Unternehmen in diesen Antworten nicht vorkommt, seid ihr nicht im Consideration Set.
Aber hier ist der Punkt, an dem die meisten falsch abbiegen: Sie denken, es geht um SEO 2.0. Um Keywords, Metadaten, Schema Markup. Das ist Teil der Geschichte, nicht der entscheidende. Was Answer Engines wirklich bewerten, ist nicht Ihre Website-Struktur, es ist Ihre Glaubwürdigkeit im Netz. Marken, die häufiger durch relevante Inhalte online auffallen, erhalten mehr KI-Empfehlungen.
Das bedeutet für einen B2B-Hidden Champion: Wenn niemand über euch sprich, in Fachforen, in Case Studies, in verlinkten Studien, dann seid ihr für Answer Engines unsichtbar. Egal wie gut eure Produkte sind. Das heißt: Die Customer Journey beginnt heute in einer Konversation mit einer KI, die entscheidet, welche Anbieter sie empfiehlt.
Der schnellste Realitätscheck: Öffnen Sie ChatGPT und stellen Sie fünf typische Kundenfragen zu Ihrer Produktkategorie. Wer wird genannt? Wenn Wettbewerber dominieren und Sie fehlen, haben Sie ein Problem – aber auch eine Chance.
Bei B2B mit 12-24 Monaten Sales Cycles: Was ihr heute für Answer Engine Optimization tut, zahlt sich frühestens in ein bis zwei Jahren aus. Das ist kein Sprint.
Die Frage ist: Startet ihr jetzt oder wartet ihr, bis die Konkurrenz die ersten Plätze besetzt hat?
Ihre IT ist preisverdächtig? Sie wollen erstklassiges Employer-Branding genießen? Ihr Team hat den Platz im Rampenlicht verdient? Dann reichen Sie HIER für den Confare CIOAWARD ein.
Viele überschätzen aktuell die Reasoning Gains neuer Modelle. Wo siehst Du die größten Irrtümer?
Immerhin kann ChatGPT dank Reasoning jetzt Stuttgart mit vier T erkennen.
Klingt flapsig? Ist aber der Punkt. Die Ankündigung von OpenAIs o1 und o3 hat eine Welle der Begeisterung ausgelöst. Endlich Modelle, die “denken” können. Endlich Durchbrüche bei Mathematik, Coding, komplexen Problemen.
Doch in Workshops erlebe ich gerade das Gegenteil: Viele überschätzen massiv, was diese Modelle für ihr Business heute leisten können.
Der größte Irrtum? “Reasoning-Modelle verstehen jetzt unseren Kontext besser.”
Nein. Sie rechnen länger. Das ist nicht dasselbe.
Reasoning-Modelle sind brilliant bei strukturierten Problemen mit klaren Regeln: Mathematik, Code-Debugging, logische Puzzles. Aber bei unstrukturierten Business-Fragen: “Welcher Markt passt zu unserer Strategie?” oder “Wie bewerten wir diesen Lieferanten?” hilft mehr Rechenzeit nicht weiter. Da fehlt der Kontext, nicht die Denkleistung.
Und hier wird es interessant: Während alle auf die neuesten, teuersten Modelle starren, übersehen sie das Offensichtliche. Intelligence wird rasant günstiger. Standardmodelle können heute Aufgaben lösen, für die man vor einem Jahr noch Premium-Versionen brauchte.
Der Unterschied? Kontext-Engineering. Wenn ich einem älteren Modell präzise sage, was es wissen muss – über unsere Branche, unsere Kunden, unsere Prozesse – liefert es oft dieselbe Qualität wie ein Reasoning-Modell. Nur schneller. Und um ein Vielfaches günstiger.
Ich sehe Unternehmen, die jetzt Reasoning-Modelle für alles einsetzen wollen. Marketing-Texte. Strategische Analysen. Kundenkommunikation. Und dann wundern sie sich, warum die Ergebnisse nicht besser werden nur teurer und langsamer.
Der pragmatische Test: Nehmt einen Use-Case, den ihr mit einem Standard-Modell löst. Testet ihn mit einem Reasoning-Modell. Messt, ob das Ergebnis tatsächlich besser ist, nicht theoretisch, sondern faktisch. In den meisten Fällen werdet ihr feststellen: Der Unterschied ist marginal.
Der Wettbewerbsvorteil liegt nicht im neuesten Modell. Er liegt in Mitarbeitern, die das richtige Modell mit dem richtigen Kontext füttern können.
Und das kann man nicht kaufen. Das muss man aufbauen.
Zwischen Mistral, US-Closed und China-Open-Weight: Wie sieht die ideale Hybrid-Architektur aus?
Die Frage beschäftigt gerade jeden CIO: Setzen wir auf US-Closed-Source-Modelle wie zum Beispiel GPT-5.1, Claude oder Microsoft Copilot? Oder bauen wir auf Open-Weight-Modelle wie Llama, Deepseek oder Mistral?
Die Antwort ist weniger technisch als strategisch.
US-Closed-Source bietet heute die beste Performance bei den meisten Business-Anwendungen. Die Modelle sind ausgereift, gut dokumentiert, einfach zu integrieren. Der Trade-off: Abhängigkeit von einem Provider. Und die Frage, welche Daten dort hineinwandern und zu welchen Konditionen.
Open-Weight-Modelle bieten maximale Kontrolle. Sie laufen auf eigener Infrastruktur, Daten bleiben im Haus, keine externen Dependencies. Aber das kostet Aufwand und Ressourcen. Und dann ist da noch die Innovationsgeschwindigkeit. Wenn ich Open-Source-Modelle nicht schnell genug nachziehen kann, entsteht ein Funktionsgap zu Gemini, ChatGPT und Co.
Was ich in Unternehmen beobachte: Die meisten starten mit einem Provider, meist OpenAI oder Anthropic. Das ist pragmatisch und schnell. Aber dann stellt sich heraus: Nicht alle Use Cases passen zu einem Modell. Kunden Analysen brauchen andere Eigenschaften als technische Dokumentation, Kundenkommunikation andere als Coding mit KI.
Letzte Woche hielt ich einen Workshop für Führungskräfte bei einem großen Konzern. Wir arbeiteten mit kostenfreien US-Modellen pragmatisch, funktioniert. Bis die interne IT einschritt: “Wir haben ein eigenes Foundation Model, nutzt das.” Kein Problem, dachte ich. Nur dass komplexere Aufgaben, wie PowerPoint bauen, Excel-Daten analysieren, plötzlich nicht mehr oder nur sehr begrenzt funktionierten. Das Ergebnis: Frustrierte Führungskräfte. Und die IT zwischen den Stühlen.
Das ist das eigentliche Risiko. Nicht die Technologie-Entscheidung. Sondern unzufriedene User, die dann Schatten-IT aufbauen, weil die offizielle Lösung nicht liefert.
Die Unternehmen, die am weitesten sind, setzen auf Hybrid-Architekturen. Closed-Source für Use Cases, wo Performance kritisch ist und Daten unkritisch sind. Open-Weight für sensible Daten oder spezialisierte Anwendungen, die fine-tuning brauchen. Modelle die der User selbständig auswählen kann um eigenverantwortlich zu entscheiden
Der entscheidende Punkt ist nicht die Technologie, sondern die Fähigkeit, flexibel zu bleiben. Wer heute seine gesamte KI-Infrastruktur auf einen Provider baut, hat morgen ein Problem, wenn sich Preise, Konditionen oder Verfügbarkeit ändern.
Die ideale Architektur gibt es nicht, nur die für ihre Risikotoleranz richtige. Der häufigste Fehler ist nicht die falsche Modell-Wahl, sondern die fehlende Fähigkeit, später zu wechseln.
Wenn Marketingbudgets von Google zu ChatGPT wandern: Wie verändert sich die Conversion-Logik?
Letzte Woche saß ich mit unserer Marketing-Dame zusammen. Ihr Problem: Die Google Ads Performance bricht ein. Nicht dramatisch, aber stetig. Klickraten sinken, Cost per Acquisition steigt. Sie fragte mich: “Soll ich jetzt Budget nach ChatGPT verschieben?”
Ehrlich gesagt: Ich weiß es nicht. Noch kann man da kein Budget hinwerfen wie bei Google Ads. Aber die Frage zeigt, dass etwas Grundlegendes passiert.
Früher lief die Logik so: Jemand googelt “CNC-Fräsmaschine Hersteller Deutschland”, klickt auf eure Anzeige, landet auf eurer Website, füllt ein Formular aus. Fertig. Conversion gemessen, Budget gerechtfertigt.
Heute läuft es anders. Jemand fragt ChatGPT: “Welche CNC-Fräsmaschinen-Hersteller in Deutschland sind führend bei Präzisionsbearbeitung von Titan?” ChatGPT nennt drei, vielleicht fünf Namen. Wenn eurer nicht dabei ist, existiert ihr nicht. Kein Klick, kein Formular, keine Chance.
Das Problem ist nicht ChatGPT. Das Problem ist, dass diese Verschiebung keine klare Conversion-Logik mehr hat. Wo früher Klicks zählten, zählt heute Erwähnung. Wo früher Landing Pages optimiert wurden, muss heute Content so gut sein, dass KI-Modelle ihn als Quelle heranziehen.
Was ich bei Unternehmen sehe: Die meisten wissen nicht, ob sie in ChatGPT überhaupt vorkommen. Sie messen Google Rankings, aber nicht AI-Visibility. Sie optimieren für Keywords, aber nicht für Glaubwürdigkeit im Netz.
Eine Zahl, die mich aufhorchen lässt: 27 Prozent der Besucher, die über ChatGPT kommen, kaufen. Bei normaler Google-Suche sind es 2,1 Prozent. Warum? Weil jemand, der über eine KI-Empfehlung kommt, schon vorsortiert ist. Die Frage ist beantwortet, jetzt wird geprüft.
Das ändert alles. Marketing wird wieder zur Inhaltsfrage. Nicht: Wie komme ich in die Anzeige? Sondern: Wie werde ich zur relevanten Quelle?
Und das lässt sich nicht mit Budget kaufen. Das muss man aufbauen.
Digitale Schöpfung: Create. Inspire. Own. – wo liegt der Sweet Spot zwischen Kreativität und KI?
In Workshops sehe ich gerade ein Muster: Teams werfen Fragen in ChatGPT, kopieren die Antwort, fertig. Fünf Minuten später steht das Ergebnis. Aber wenn ich frage “Warum genau so formuliert?” oder “Was war eure eigentliche Absicht?”, kommt oft: keine Ahnung, hat die KI halt so geschrieben.
Das Problem ist nicht die KI. Das Problem ist, dass wir nicht verstehen, auf welcher Ebene Kreativität stattfindet.
Ein sehr toller LinkedIn Kontakt (Joana Kompa) hat mich auf folgendes gestossen: Sie beschreibt drei fundamentale Ebenen. Die erste Ebene, Re-combinations, ist das Kombinieren von Elementen. Muster erkennen, Strukturen aufbauen, Variationen erzeugen. Hier ist KI unschlagbar. Die zweite Ebene, In-formations, bedeutet Bedeutung schaffen. Was will ich eigentlich sagen? Welche Perspektive nehme ich ein? Das braucht ein Subjekt, das weiß, was es will. Die dritte Ebene, Transcendations, ist der Perspektivwechsel. Kontext neu interpretieren, Paradigmen hinterfragen. Hier entsteht echte Innovation.
Ich habe das letzte Woche selbst erlebt. Auf meiner Bucket List steht ein Film: “No Way to Norway”. Ich dachte, ich fange mit der Musik an. Erster Impuls: Direkt zu Suno KI, Parameter eingeben, fertig. Aber Suno arbeitet auf Ebene eins. Es kombiniert Stile und Instrumente perfekt, aber es weiß nicht, was ich will.
Also habe ich einen Musikprompt für Claude entwickelt. Ein Dialog, der mich zwingt, auf Ebene zwei zu gehen: Was ist die emotionale Kernszene? Welche Stimmung brauche ich? Was soll die Musik transportieren? Claude stellt Fragen, ich muss antworten, und dabei entsteht Klarheit. Das dauert. Es ist anstrengend. Am Ende bekomme ich aber das, was ich mir vorgestellt habe, und das Ergebnis fühlt sich für mich besser an und scheint auch anderen eher zu gefallen.
Jetzt wird Musik generieren in den meisten IT-Teams keine Rolle spielen. Aber wenn man das übersetzt zu Design von Systemen, Troubleshooting, Kommunikation, Analysen, wird man genau diese Ebenen der Kreativität wiederfinden. Weil wir im Kopf so verdrahtet sind.
Was ich in Unternehmen beobachte: Die meisten nutzen KI nur auf Ebene eins. Schnell generieren, fertig. Aber damit bleiben sie bei austauschbaren Ergebnissen. Die Differenzierung entsteht auf Ebene zwei und drei.
Die Frage für CIOs: Haben eure Teams überhaupt noch die Fähigkeit, auf Ebene zwei und drei zu arbeiten? Können sie Bedeutung schaffen? Können sie Perspektiven wechseln? Oder delegieren sie alles sofort an KI und verlieren dabei die Kompetenz?
Unternehmen müssen die Kultur entwickeln, wie sie mit KI umgehen wollen. Wann automatisieren? Wann augmentieren? Wann bewusst menschlich bleiben? Für mich entsteht gerade eine neue Kompetenz: der Human-KI Team Facilitator. Jemand, der Teams hilft, auf der richtigen Ebene zu arbeiten. Nicht schneller zu fixen, sondern besser zu verstehen.
Der EU AI Act ist da – welche Prozesse sollten Unternehmen heute schon aufsetzen?
Letzten Monat saß ich mit einem einem Bekannten von einem Kunden zusammen, 560 Mitarbeiter, typisch deutscher Mittelstand, produzierendes Gewerbe. Der Bekannte erzählte mir: “Wir haben ein KI-Inventar gemacht. Offiziell bekannt waren 8 KI-Systeme. Nach drei Wochen hatten wir 24 verschiedene Tools auf der Liste. Vertrieb nutzt ein Sales-Tool mit KI. HR experimentiert mit einem Recruiting-Chatbot. Engineering hat ein eigenes Foundational Model in der Cloud laufen. Von 11 davon wusste die IT nichts.”
Das Problem: Die Teams arbeiten damit, die Ergebnisse sind gut. Aber es gibt null Kontrolle. Und wenn der EU AI Act greift, haftet die Firma für alle diese Systeme. Auch die, von denen die IT nichts weiß.
Der EU AI Act ist seit August 2024 in Kraft. Bußgelder von bis zu 35 Millionen Euro oder 7% des Jahresumsatzes drohen ab 2026. Die harmonisierten Standards kommen erst Ende 2025, manche sogar 2027.
Was hat der Kunde konkret gemacht?
Transparenz ohne Megaprojekt
Statt monatelangem Erfassungsprojekt: Eine Mail an alle Teamleads. “Welche KI-Tools nutzt ihr? Wo werden Daten eingegeben?” Binnen zwei Wochen hatten sie eine Liste. Nicht perfekt, aber 80% erfasst. Dann Risikoeinstufung nach gesundem Menschenverstand: Hochrisiko (HR-Entscheidungen, Kundenkommunikation), Medium (interne Analysen), Low (Marketing-Texte). Zwei Tage, nicht zwei Monate.
User mitdenken, nicht gängeln
Das Entscheidende: Keine 27-seitige Richtlinie. Eine DIN-A4-Seite. Drei Ampeln:
Grün: Öffentliche Tools für interne Zwecke, keine sensiblen internen Daten. Alle öffentkich zugänglichen Daten im Internet sind ok Beispiel: ChatGPT für Brainstorming.
Gelb: Tools mit Firmendaten, brauchen IT-Freigabe. Beispiel: Sales-Tools mit CRM-Anbindung, Agentic Workflows Prozess: Mail an IT, Prüfung, Go/No-Go binnen 48 Stunden.
Rot: Hochrisiko-Systeme ohne Compliance-Check. Beispiel: KI-basierte Bewerberauswahl,
Die Botschaft: “Wir wollen nicht, dass ihr aufhört KI zu nutzen. Wir wollen nur wissen, was läuft.”
Awareness statt Compliance-Theater
Drei Lunch-Sessions, je 30 Minuten. Thema: “Warum der EU AI Act euch interessieren sollte.” Mit echten Beispielen aus dem Unternehmen. Die Teams waren erleichtert. Klarheit statt Verbote.
Governance light
Ein Verantwortlicher in IT, als Teilzeit Aufgabe. Ein Vertreter aus Legal, beratend. Jour Fixe alle zwei Monate. Neue Tools prüfen, Risiken bewerten, Liste aktualisieren.
Der CIO nach drei Monaten: “Wir sind nicht 100% compliant. Aber wir wissen, wo wir stehen. Und wenn die Standards kommen, haben wir eine Basis.”
Das ist der Punkt. Man kann heute nicht perfekt sein, weil die Regeln noch nicht komplett sind. Aber man kann zeigen, dass man sich kümmert. Ein unvollständiges, aber gelebtes System ist besser als ein perfektes auf dem Papier, das niemand nutzt.
Was ich beobachte: Die Standards-Lücke ist eine Chance. Wer jetzt pragmatisch anfängt, baut bis 2026 nicht nur Compliance auf, sondern auch Sichtbarkeit Und Risiko Analyse. Und Teams, die mitgenommen wurden, arbeiten mit statt gegen IT.
Die Frage ist nicht, ob man compliant werden muss. Die Frage ist, ob man jetzt anfängt oder 2026 in Panik gerät.