KI in Beratungsprojekten: Wie Einkäufer echte KI-Kompetenz von Marketing trennen

Wenn Unternehmen heute Beratungsleistungen für KI-Projekte einkaufen, treffen sie auf einen Markt, der von Schlagworten überschwemmt ist. Nahezu jede Beratung bewirbt sich als "KI-kompetent" — doch was steckt dahinter? Als Einkäufer oder CPO tragen Sie die Verantwortung, echte Expertise von gut vermarkteter Mittelmäßigkeit zu unterscheiden. Das ist kein technisches Problem. Es ist ein Beschaffungsproblem.

Das Grundproblem: KI als Marketingbegriff

Laut einer Studie von McKinsey (2024) haben weniger als 30 % der Beratungsprojekte, die als "KI-Projekte" ausgeschrieben wurden, tatsächlich produktive KI-Systeme im Einsatz. Der Rest besteht aus Dashboards, strukturierten Datenanalysen oder schlicht aus PowerPoint-Strategien, die KI empfehlen, ohne sie zu liefern.

Für Sie als Beschaffer bedeutet das: Der Beratungsmarkt bietet KI als Narrativ — Ihr Auftrag ist es, die Substanz dahinter zu prüfen.

Was realistische KI-Use-Cases in Beratungsprojekten sind

Bevor Sie in eine Ausschreibung gehen, sollten Sie wissen, welche KI-Anwendungen in Beratungsprojekten tatsächlich operativen Mehrwert liefern:

Datengetriebene Diagnostik: Beratungen nutzen ML-Modelle, um Unternehmensdata (ERP, CRM, Finanzdaten) schnell zu analysieren und Muster zu erkennen, die manuell Wochen dauern würden. Das ist konkret und messbar.

Predictive Analytics in der Strategieberatung: Szenariomodelle, die auf historischen Daten und externen Variablen basieren — etwa für Markteintrittsentscheidungen oder Preisoptimierungen.

Automatisierte Dokumentenanalyse: In Legal-, Compliance- und M&A-Projekten werden NLP-Modelle eingesetzt, um Verträge, Due-Diligence-Dokumente oder Regulatorik schneller zu verarbeiten.

Prozessmining in Transformationsprojekten: Tools wie Celonis werden von Beratungen eingesetzt, um Prozessineffizienzen datenbasiert zu identifizieren — hier ist KI kein Versprechen, sondern ein messbares Werkzeug.

Was hingegen kein echter KI-Einsatz ist: ein GPT-Wrapper für die Zusammenfassung von Interviews, ein Standard-Dashboard mit historischen Daten oder die Nutzung von Co-Pilot für die Berichterstellung. Diese Dinge sind nützlich, rechtfertigen aber keinen KI-Aufschlag auf den Tagessatz.

Konkrete RFP-Fragen, die KI-Kompetenz sichtbar machen

Im Request for Proposal (RFP) sollten Sie keine allgemeinen Fragen zu KI-Erfahrung stellen — sondern operative, schwer zu fälschende Fragen:

Zur Methodik

• Welche KI-Modelle oder Frameworks haben Sie im letzten Jahr produktiv eingesetzt? Nennen Sie spezifische Tools (z. B. Python-basierte Pipelines, Azure ML, AWS SageMaker, Vertex AI).
• Wie unterscheiden Sie zwischen KI-gestützter Analyse und klassischer Business Intelligence?
• Welche Datenvoraussetzungen stellen Sie an den Kunden, bevor ein KI-Ansatz sinnvoll ist?

Zu Referenzprojekten

• Beschreiben Sie einen Fall, in dem ein KI-Modell in Ihrem Projekt nicht die gewünschten Ergebnisse geliefert hat — und wie Sie reagiert haben.
• Welche KPIs haben Sie genutzt, um den Mehrwert der KI-Komponente gegenüber einem klassischen Ansatz zu messen?

Zur Infrastruktur

• Verfügen Sie über ein eigenes Data-Science-Team, oder arbeiten Sie mit Sub-Contractors?
• Welche Ihrer Berater haben nachweisbare ML-Zertifizierungen (z. B. Google Professional ML Engineer, AWS Machine Learning Specialty)?

Die Antworten auf diese Fragen unterscheiden die Beratungen, die KI verkaufen, von denen, die KI liefern.

Bewertungsrahmen: KI-Maturity einer Beratung einschätzen

Für die strukturierte Bewertung im Auswahlprozess empfiehlt sich ein einfaches Reifegradmodell:

Stufe 1 — Konzeptionell: Die Beratung kann KI-Konzepte erklären und Strategien entwickeln, setzt aber selbst keine KI-Tools ein.

Stufe 2 — Tool-gestützt: Die Beratung nutzt etablierte KI-Tools (Tableau AI, Power BI Copilot, SAP Analytics Cloud) als Teil ihrer Delivery.

Stufe 3 — Methodisch: Die Beratung entwickelt oder konfiguriert ML-Modelle projektspezifisch, mit eigenem Data-Science-Personal.

Stufe 4 — Produktiv: Die Beratung liefert KI-Systeme, die nach Projektabschluss vom Kunden selbst betrieben werden können — inklusive Übergabe, Dokumentation und Schulung.

Für die meisten strategischen Projekte ist Stufe 2 oder 3 ausreichend. Stufe 4 ist relevant, wenn Sie eine operative KI-Lösung beschaffen, keine Beratungsdienstleistung.

Vertragsgestaltung: KI-Leistungen absichern

KI-Versprechen im Pitch müssen vertraglich verankert werden. Relevante Klauseln:

• Deliverable-Definition: Was genau wird geliefert — ein Modell, eine Empfehlung, ein Prototyp?
• Datenverantwortung: Wer stellt die Trainingsdaten, und wer haftet bei Datenschutzverletzungen (DSGVO, Art. 28)?
• Nachweispflicht: Wie wird der KI-Beitrag zum Projektergebnis dokumentiert?
• IP-Klauseln: Wem gehören Modelle und Algorithmen, die im Projekt entwickelt werden?

Insbesondere der letzte Punkt wird im Einkauf von Beratungsleistungen systematisch unterschätzt.

Fazit

KI in Beratungsprojekten ist kein Selbstläufer — weder auf Seiten der Beratung noch auf Seiten des Kunden. Als Einkäufer haben Sie den Hebel, echte Kompetenz durch strukturierte Ausschreibungen sichtbar zu machen. Stellen Sie operative Fragen, verlangen Sie konkrete Referenzen und verankern Sie Leistungsnachweise im Vertrag. Der Markt ist reif — aber die Aufgabe, Qualität zu erkennen, liegt bei Ihnen.