Innovationsmaschine Data & AI: Warum Produktideen einen harten Wettbewerb brauchen

Innovationsmaschine Data & AI: Warum Produktideen einen harten Wettbewerb brauchen

Im Tech-Umfeld ist Innovation eines der meistgebrauchten und gleichzeitig meistmissbrauchten Begriffe der Unternehmenskommunikation. Entweder reden wir vom Innovationsmanagement, also einem methodisch gut bestellten Feld, das kaum ein Unternehmen wirklich ernsthaft bewirtschaftet. Oder wir reden von einem Buzzword, das Marketing-Slides und „Unsere Vision"-Webseiten füllt, ohne je die Realität des Tagesgeschäfts zu berühren.

Dabei wäre gerade jetzt der Moment, genauer hinzuschauen.

Der Quartalsrhythmus der KI-Revolution

Wir erleben im Tech-Umfeld Innovationssprünge in immer kürzeren Zyklen. Foundation Models wie GPT, Diffusion Models wie Stable Diffusion, leistungsfähigere GPU-Architekturen, und nun Agentic AI als nächste Entwicklungsstufe autonomer KI-Systeme, die nicht mehr nur antwortet, sondern selbstständig plant und handelt. Laut Gartner gehören KI-Agenten und AI-ready Data zu den am schnellsten voranschreitenden Technologien des aktuellen Hype-Zyklus, und McKinsey berichtet, dass bereits 88% der Unternehmen KI in mindestens einer Geschäftsfunktion einsetzen, aber nur rund ein Drittel beginnt, die Technologie tatsächlich im grösseren Massstab auszurollen. Die halbwertszeit von KI-Wissen hat sich von Jahren auf Monate verkürzt. Ein CIO brachte es kürzlich so auf den Punkt: „Die Zeit, die wir brauchen, um eine neue Technologie zu evaluieren, überschreitet bereits das Relevanzfenster dieser Technologie."

Im Quartalsrhythmus entstehen neue Chancen, aber auch neue Konfusion und Überforderung. Wohl dem, der nicht planlos die erstbeste Idee auf den Weg bringt, sondern mit kühlem Kopf und klarer Systematik der eigenen Strategie treu bleibt.

Das eigentliche Problem: das Governance-Vakuum

Wenn es doch bloss nicht so teuer wäre. Aber teuer sind vor allem Fehlinvestitionen in wenig durchdachte und noch weniger hinterfragte Ideen, die im Governance-Vakuum entstehen: als persönliche Pet Projects, als Reaktion auf Tech-Hypes oder schlicht durch Zufall auf der Prioritätenliste gelandet.

Big Tech kann es sich leisten, mit dem Metaverse, Google Glass oder Hyperloop eine Bruchlandung hinzulegen. Die meisten Unternehmen und Organisationen wollen aber mit ihren Ideen ihr Geschäft wertsteigernd voranbringen – und haben dafür keine Milliardenreserven als Sicherheitsnetz.

Trotz durchschnittlicher GenAI-Investitionen von knapp zwei Millionen Dollar im Jahr 2024 waren weniger als 30% der KI-Verantwortlichen der Meinung, ihre CEOs seien mit dem Return on Investment zufrieden. Ein anderer State of AI Report zeigt: Nur 39% der Befragten berichten von einem messbaren EBIT-Effekt auf Unternehmensebene, obwohl fast alle KI irgendwo einsetzen.

Ideen brauchen einen harten Wettbewerb

Die produktivste Gegenmassnahme ist zugleich die unbequemste: Ideen müssen gegeneinander antreten. Nicht im Sinne von Shark-Tank-Entertainment, sondern im Sinne von systematischer, methodisch unterlegter Selektion. Welche Idee hat tatsächlich strategische Relevanz? Welche erzeugt kurzfristig den höchsten ROI? Welche lässt sich mit den vorhandenen Ressourcen realistisch umsetzen?

Und - ebenso wichtig - welche sollte man stoppen, bevor sie zum Zombie-Projekt wird: am Leben erhalten durch Beharrlichkeit oder politische Rücksichtnahme, aber längst ohne echtes Potenzial.

Das klassische Innovationsmanagement hat für genau diese Herausforderung ein bewährtes Werkzeug entwickelt: den Stage-Gate-Prozess nach Robert G. Cooper. Er unterteilt Entwicklungsvorhaben in klar abgegrenzte Phasen (die sogenannten Stages), die jeweils durch Entscheidungspunkte, die Gates, getrennt sind. An jedem Gate trifft ein interdisziplinäres Gremium eine klare Entscheidung: Weitermachen (Go), Anpassen (Hold) oder Stoppen (Kill). Über 3.000 Unternehmen weltweit nutzen dieses Framework, von P&G über Siemens bis zu LEGO.

Was das für Data & AI bedeutet

Der Stage-Gate-Prozess ist ein mächtiges Werkzeug, aber er wurde für die Welt physischer Produkte entwickelt. Daten- und KI-getriebene Produkte folgen einer anderen Logik: Sie sind inhärent iterativ, stark von Datenverfügbarkeit und -qualität abhängig, technisch komplex und müssen gleichzeitig mit dem Tagesgeschäft skalieren.

Was es braucht, ist eine Kombination: die methodische Strenge des klassischen Innovationsmanagements, angewendet auf die Komplexität und Vielschichtigkeit daten- und KI-getriebener Produkte.

Ich habe genau das in einer Data & AI Produktentwicklungsmatrix zusammengeführt, die bereits erfolgreich in Konzern-Operating-Models integriert worden ist. Die wesentlichen Elemente sind:

Rollenunabhängige Action Fields – keine Silos, sondern übergreifende Verantwortlichkeiten, die über Hierarchiestufen und Funktionsbereiche hinweg wirken. Konkret gibt es Fields wie Analytics, Projektmanagement oder Consulting. Das Entscheidende daran: Die Zuordnung folgt nicht der Stellenbeschreibung, sondern der Eignung und dem Interesse. Ein Data Scientist kann - und darf - ins Projektmanagement wechseln, wenn er dort den grössten Beitrag leistet. Eine Business Analystin kann analytische Aufgaben übernehmen, ohne dafür offiziell „Data Scientist" zu sein. Damit bricht die Matrix eine der grössten versteckten Kostenfallen in Unternehmen auf: die starre Rollenzuordnung, die verhindert, dass das vorhandene Potenzial dorthin fliesst, wo es gebraucht wird. Denn Mitarbeitende können fast immer mehr, als ihre Rolle vorgibt. Gleichzeitig wird so vermieden, dass einzelne Mitarbeitende als "Flaschenhals" die Weiterentwicklung einer Idee blockieren.

Ein Stage-Gate-Prozess, zugeschnitten auf Data & AI – mit Entscheidungspunkten, die nicht nur technische Machbarkeit, sondern auch Datenverfügbarkeit, ROI-Potenzial und strategische Passung bewerten. Über die Phasen von der Ideation über Reifung und Evaluation bis hin zum MVP und zur Produkteinführung entstehen dabei rund 40 klar definierte Aktivitäten. Einige Beispiele: die Sammlung und Bewertung relevanter Datenbestände, die Durchführung eines Ideation Workshops, die Erstellung einer Aufwandsschätzung, die Ausarbeitung eines Business Case und nach dem Launch die systematische Analyse und Bewertung der Produktperformance. Jede dieser Aktivitäten ist einem Action Field zugeordnet und einem konkreten Phasenziel verpflichtet. Das schafft Transparenz darüber, was wann von wem erwartet wird – und macht damit auch sichtbar, wo Engpässe entstehen oder Ideen ins Stocken geraten.

Ein übergreifendes Team-Setup – die Mitarbeitenden, die von Anfang an dabei waren und wirklich für die Idee brennen, bleiben über den gesamten Development-Prozess hinweg eingebunden.

Was die Einführung braucht – und was sie nicht verträgt

Aus eigener Projekterfahrung ist klar: Die Matrix funktioniert nicht per Dekret. Ihre Einführung braucht Fingerspitzengefühl.

Erstens braucht es Commitment des Managements, und zwar nicht als Lippenbekenntnis, sondern als aktive Bereitschaft, Entscheidungen auf Basis von Evidenz zu treffen und auch unpopuläre Stops zu verantworten. Ohne das verpufft jede Methodik im politischen Alltag eines Unternehmens.

Zweitens braucht es eine ehrliche Bestandsaufnahme der vorhandenen Prozesse und Strukturen. Die Matrix ist kein Ersatz für alles, was besteht, sondern ein Rahmen, der vorhandene Elemente integriert und ergänzt. Bestehende Governance-Strukturen, Berichtslinien und Rollenverständnisse müssen adaptiert, nicht ignoriert werden.

Drittens - und das ist der Faktor, der am häufigsten unterschätzt wird - braucht es von Anfang an Begleitung durch erfahrene Consultants, idealerweise in einer Stabsfunktion. Nicht als externe Auftragnehmer, die nach dem Projektende wieder verschwinden, sondern als interne Lotsen: Sie helfen, den Prozess zu navigieren, stellen die richtigen Kontakte im Unternehmen her, unterstützen bei der Reifung von Produktideen, halten das Innovationsportfolio aktuell und bereiten die Ergebnisse für C-Level Steering Committees auf. Gerade in der frühen Phase, wenn Ideen noch fragil sind und Teams noch lernen, wie die Matrix funktioniert, ist diese Unterstützung der Unterschied zwischen einer lebendigen Innovationspipeline und einer weiteren gut gemeinten Initiative, die nach sechs Monaten in der Schublade landet.

Was die Matrix konkret leistet

Die Erfahrung aus Konzernprojekten zeigt, was dieses strukturierte Vorgehen ermöglicht:

Wirklich innovative Ideen mit Daten und KI werden systematisch herbeigeführt – statt auf Zufälle oder Einzelpersonen zu warten. Heisse Kandidaten mit hohem ROI werden frühzeitig identifiziert und priorisiert, bevor zu viele Ressourcen in weniger vielversprechende Ansätze geflossen sind. Das Ressourcenproblem bei anspruchsvollem Tagesgeschäft lässt sich in den Griff bekommen, weil klare Priorisierung erzwingt, was politisch oft schwierig ist. Und Zombie-Projekte mit hohem Wartungsaufwand werden beendet, sobald die Evidenz dagegen spricht.

Die eigentliche Lektion

Innovation ist kein Buzzword und kein Selbstzweck. In einer Zeit, in der KI-Investitionen auf globaler Ebene explodieren - 37 Milliarden Dollar allein in 2025 laut Menlo Ventures - und die Abstände zwischen den technologischen Sprüngen immer kürzer werden, ist systematische Selektionskompetenz der entscheidende Wettbewerbsvorteil.

Nicht wer am lautesten über Innovation redet, gewinnt. Sondern wer die richtigen Ideen mit den richtigen Menschen zur richtigen Zeit zur Marktreife bringt.

Wer ein Governance-Vakuum durch eine Innovationsmaschine ersetzen will, braucht keine neue Strategie-Präsentation. Er braucht einen Prozess, der harten Wettbewerb zwischen Ideen institutionalisiert und das Mut zum Stopp einschliesst.

Wie schaut das Innovationsportfolio in deinem Unternehmen aus und wer verantwortet, was weiterläuft und was gestoppt wird? Wenn du das Gefühl hast, dass dort noch Luft nach oben ist, sprich mich gerne direkt an.

Zurück zum Blog