Stellen Sie sich den Inhaber eines Ingenieurbüros mit 45 Mitarbeitenden vor, der seit einem Jahr KI-Lizenzen bezahlt. Entwürfe entstehen schneller, einige Mitarbeitende nutzen die Tools täglich, doch am Weg, den die Arbeit durch das Büro nimmt, hat sich nichts geändert. Der Inhaber vermutet, dass es eine grössere Version davon gibt, hat aber kein Bild davon, wie sie in einem Unternehmen vergleichbarer Grösse aussieht.
Dieses fehlende Bild ist das Problem, und es lässt sich günstiger beheben, als die meisten Inhaber annehmen. Wenn Sie abwägen, wo KI in Ihren Abläufen hingehört, beginnt unsere KI-Strategie damit, wie vergleichbare Firmen ihre Arbeit organisieren, bevor jemand ein Tool auswählt.
Der nützlichste Input für die Neugestaltung des KI-Betriebsmodells kann ein gut gewähltes Beispiel dafür sein, wie ein Peer seine Arbeit neu organisiert hat, und ein Feldexperiment mit 515 Startups ist einer der wenigen randomisierten Tests, die erklären, warum. Der Artikel zeigt, was dieses Experiment getan hat, was es einem KMU nicht sagen kann und wie sich Peer-Beispiele in der Schweiz praktisch sammeln und lesen lassen.
Hinweis zur Abgrenzung: Warum ein aufgesetztes Tool an eine Grenze stösst, lesen Sie in Warum aufgesetzte KI in alten Prozessen stagniert. Zur Mapping-Übung selbst siehe KI-Workflow-Mapping.
Was das INSEAD-Experiment tatsächlich getan hat
Die Studie ist ein Arbeitspapier von Hyunjin Kim, Dahyeon Kim und Rembrand Koning mit dem Titel “Mapping AI into Production: A Field Experiment on Firm Performance”, von INSEAD als Working Paper 2026/20/STR geführt. Laut dem INSEAD-Abstract nahmen 515 wachstumsstarke Startups teil.
Die Autoren beschreiben die zentrale Schwierigkeit als Mapping-Problem: Herauszufinden, wo KI in der Produktion einer Firma Wert schafft, ist ein wesentlicher Engpass. Ihre Intervention setzte genau dort an. Die behandelten Firmen erfuhren, wie andere Firmen ihre Produktion rund um KI neu organisiert hatten, und das veranlasste sie, in mehr Funktionen nach Anwendungsfällen zu suchen.
Das Design laut Zusammenfassung des HBS AI Institute
Die folgenden Angaben zum Design stammen aus der Zusammenfassung des HBS AI Institute und nicht aus dem vollständigen Papier. Laut dieser Zusammenfassung erhielten beide Gruppen dieselben API-Credits, Zugang zu Frontier-Modellen und dieselbe technische Schulung. Der einzige Unterschied war, was die jeweilige Gruppe zusätzlich zu sehen bekam.
- Behandlungsgruppe: Fallstudien zu KI-nativen Firmen, die ihre Workflows, Teams und Geschäftsmodelle neu organisieren.
- Kontrollgruppe: Workshops zu allgemeinem Unternehmertum.
Dieselbe Zusammenfassung beschreibt ein Programm von etwa 10 Wochen.
Warum ist dieses Design wichtig? Weil die Kontrollgruppe nicht ohne KI blieb. Alle hatten die Tools und die Schulung. Der Unterschied lag in der Begegnung mit Beispielen neu organisierter Arbeit, und genau diese Variable kann ein Inhaber nachzubilden versuchen.
Was sich für die Firmen mit den Beispielen veränderte
Der INSEAD-Abstract nennt die folgenden Unterschiede zwischen behandelten Firmen und Kontrollfirmen:
| Ergebnis | Berichteter Unterschied |
|---|---|
| Identifizierte KI-Anwendungsfälle | 44 % mehr, konzentriert in Produktentwicklung und Strategie |
| Erledigte Aufgaben | 12 % mehr |
| Wahrscheinlichkeit, zahlende Kunden zu gewinnen | 18 % höher |
| Umsatz | 1,9-mal höher |
| Nachfrage nach externem Kapital | 39,5 % tiefer |
| Arbeitsnachfrage | Unverändert |
Zwei Details dieser Tabelle verdienen mehr Gewicht als die Schlagzeilenzahlen. Erstens entstanden die zusätzlichen Anwendungsfälle in Produktentwicklung und Strategie, also in Funktionen, in denen ein Gründer die Arbeit umgestalten und nicht bloss eine Aufgabe beschleunigen kann. Zweitens blieb die Arbeitsnachfrage unverändert. Die Firmen stellten nicht weniger Leute ein. Sie holten mehr aus derselben Belegschaft heraus, und das ist eine bescheidenere Aussage als das «Personal ersetzen», das die KI-Schlagzeilen dominiert.
Der Effekt liegt am oberen Rand der Verteilung
Laut Abstract waren die Zuwächse bei Umsatz und Investitionen ab dem 90. Perzentil am grössten. Einfach gesagt verbirgt der Durchschnitt eine Streuung. Wenige Firmen kamen weit voran, viele bewegten sich kaum.
Das passt zu einem Muster, das man im Kopf behalten sollte. Ein Beispiel gibt einer Firma eine Idee. Ob daraus Umsatz wird, hängt vom Team, vom Markt und von der Konsequenz in der Umsetzung ab. Wie sich Verteilungen und Definitionen in KI-Studien generell lesen lassen, zeigt Sechs KI-Statistiken aus dem Verwaltungsrat. Dort werden dieselben Fragen (wer wurde gemessen, und wie wurde Erfolg definiert) auf bekanntere Schlagzeilen angewendet.
Was der Versuch einem KMU-Inhaber nicht zeigt
Die Studie ist sorgfältige Arbeit, beantwortet aber eine engere Frage als die, die ein Inhaber stellt. Fünf Grenzen sind wichtig.
- Die Stichprobe besteht aus Startups. Wachstumsstarke Startups haben wenig organisatorische Trägheit. Sie haben kein gewachsenes ERP, keine Personalkommission und keine 20 Jahre alte Freigabekette. Ein Schweizer KMU hat all das.
- Die Intervention war das Zeigen von Beispielen. Das Experiment testete, was passiert, wenn Firmen sehen, wie andere sich neu organisiert haben. Es testete nicht, ob die Firmen selbst ein Redesign umgesetzt haben, und auch nicht, ob ein Redesign funktioniert.
- Das Paket lässt sich nicht aufschnüren. Die Zusammenfassung des HBS AI Institute beschreibt die Fälle als eine einzige Intervention, weshalb die Studie nicht sagen kann, welcher Fall oder welche Idee den Effekt ausgelöst hat.
- Der Rahmen ist kurz und strukturiert. Ein Programm von rund 10 Wochen ist weit von einem dreijährigen operativen Wandel in einem Produktionsbetrieb entfernt.
- Die Zuwächse sind konzentriert. Die Effekte bei Umsatz und Investitionen waren ab dem 90. Perzentil am grössten. Ein Inhaber sollte nicht erwarten, dass das Durchschnittsergebnis auch das typische ist.
Nichts im Versuch zeigt, dass ein etabliertes Schweizer KMU ähnliche Zuwächse erzielen würde. Gestützt wird eine bescheidene, prüfbare Aussage: Wer erfährt, wie Peers ihre Arbeit organisiert haben, verändert, wonach eine Firma sucht. Das spricht dafür, früh Beispiele zu sammeln, und dafür, das Ergebnis weiterhin an Ihren eigenen Vorher-nachher-Zahlen zu messen.
Sieben Wege, wie ein Schweizer KMU an Peer-Beispiele kommt
Keiner davon setzt ein Beratungsmandat voraus. Sie unterscheiden sich in den Kosten, in der Vergleichbarkeit der Peers und darin, wie ehrlich die Antworten tendenziell ausfallen.
Programme und Förderung
Das Programm des Kantons Zürich. Der Kanton Zürich führte gemeinsam mit dem Swiss Data Science Center ein KI-Innovationsprogramm für KMU durch, über ein Jahr ab Juli 2025. Laut der Ankündigung auf ahead-zh.ch verband es Peer-to-Peer-Lernen mit Prototyping und stand KMU offen, die ihren Sitz im Kanton haben oder dort wesentliche Aktivitäten betreiben. Eine nächste Durchführung ist nicht bestätigt, fragen Sie daher den Veranstalter, bevor Sie darauf planen.
Der Innovationsscheck von Innosuisse. Der Scheck beträgt bis zu CHF 15,000 und steht KMU mit weniger als 250 Vollzeitstellen offen. Er finanziert Machbarkeitsstudien, setzt einen Schweizer Forschungspartner voraus, und Innosuisse bezahlt den Forschungspartner, nicht Ihre Firma. So lässt sich ein strukturierter externer Blick auf einen Prozess einkaufen. Ein Fenster in andere Unternehmen ist er nicht, und vor der Gesuchstellung braucht es eine klare Fragestellung. Prüfen Sie die aktuellen Bedingungen auf der Seite von Innosuisse.
Netzwerke, die Sie vielleicht schon haben
Branchenverbände. Berufs- und Branchenverbände betreiben Arbeitsgruppen und Tagungen, an denen sich die Mitglieder austauschen. Nützlich sind die kleinen Runden, in denen jemand einen veränderten Prozess so detailliert beschreibt, dass man nachfragen kann.
Referenzkunden von Lieferanten. Wenn ein Software- oder KI-Anbieter eine Lösung vorschlägt, verlangen Sie zwei Kunden Ihrer Grösse aus einer ähnlichen Branche, die sie seit mindestens sechs Monaten einsetzen. Sprechen Sie dann ohne den Anbieter im Gespräch mit ihnen. Ein Anbieter, der keine solchen Kunden nennen kann, hat Ihnen damit bereits etwas gesagt.
Runde Tische von Inhabern. Fünf oder sechs Inhaber nicht konkurrierender Firmen, die sich quartalsweise treffen und jeweils einen Prozess mitbringen, der sich verändert hat oder sich nicht verändern liess, sind günstig und wirksam. Ehrlich bleibt die Runde mit der Regel, Misslungenes ebenso zu teilen wie Gelungenes.
Strukturierte Besuche. Eine Stunde im Büro oder in der Werkstatt eines Peers, in der Sie beobachten, wie eine Übergabe tatsächlich abläuft, lehrt mehr als eine Präsentation. Schicken Sie die Fragen vorab, damit der Besuch nicht zur Führung wird.
Ihre eigene Firma
Ein einseitiger Vorher-nachher-Fall. Halten Sie eine Änderung fest, die Sie bereits vorgenommen haben, auch eine kleine, im weiter unten gezeigten Format. So müssen Sie herausfinden, was sich wirklich verändert hat, und der Rest Ihres Teams erhält ein konkretes Beispiel aus einer Firma, die er kennt. Unser Leitfaden zum KI-Workflow-Mapping beschreibt, wie Sie die Karte aufbauen, von der ein guter Fall ausgeht.
Ein Beispiel lesen: nach Rollen, Übergaben und Entscheidungsbefugnissen fragen
Die meisten Inhaber stellen einem Peer zuerst die falsche Frage: Welches Tool haben Sie eingesetzt? Die Antwort veraltet innerhalb von Monaten und sagt wenig darüber, ob sich der Ansatz auf Ihre Firma übertragen lässt. Eine bessere erste Frage lautet, was sich daran verändert hat, wie die Arbeit zwischen Menschen und Software aufgeteilt ist.
Vier Fragen lassen sich gut übertragen:
- Rollen. Wer erledigt die Arbeit heute, und was tat diese Person vorher? Hat sich eine Stellenbeschreibung verändert oder nur das Werkzeug?
- Übergaben. Wo wartete ein Fall früher, und wo wartet er heute? Welche Übergabe ist entfallen, und welche neue ist entstanden?
- Entscheidungsbefugnisse. Welche Freigaben wurden verschoben, verkleinert oder abgeschafft? Wer kann heute etwas entscheiden, wofür früher eine Führungskraft nötig war?
- Messgrössen. Was zählte das Team vor der Änderung, und was zählt es danach? Durchlaufzeit, Fehlerquote und Kosten pro Fall sind die üblichen Kandidaten.
Stellen Sie dann die Frage, die den Austausch ehrlich hält: Was würden Sie anders machen, wenn Sie noch einmal anfangen würden? Peers, die ein Redesign durchlaufen haben, haben meist eine klare Antwort, und oft ist es die wertvollste Minute des Gesprächs.
Eine Einseiter-Vorlage für Ihren eigenen Fall
Wenn Sie Ihre eigene Vorher-nachher-Seite schreiben, halten Sie sie so kurz, dass Kolleginnen und Kollegen sie lesen. Ein Format, das sich bewährt:
| Feld | Was einzutragen ist |
|---|---|
| Prozess | Name des Prozesses und das verantwortliche Team |
| Vorher | Schritte, Rollen, wo Fälle warteten, eine Ausgangszahl |
| Was sich geändert hat | Rollen, Übergaben, Entscheidungsbefugnisse, Daten am Eingang |
| Nachher | Dieselbe Ausgangszahl, auf dieselbe Weise gemessen |
| Was weiterhin eine Person braucht | Die Beurteilungsschritte, die menschlich blieben |
| Was wir ändern würden | Eine ehrliche Korrektur |
Für jede Änderung einmal geschrieben, werden diese Seiten zu einer kleinen internen Bibliothek. Sie lohnt sich aus einem praktischen Grund: Inhaber vertrauen Beispielen aus dem eigenen Haus tendenziell mehr als allem, was von einer Konferenzbühne kommt, und eine Bibliothek aus fünf oder sechs Seiten gibt einem neuen Projekt einen Ausgangspunkt, den keine externe Studie liefern kann.
Wo Peer-Beispiele in die Irre führen
Beispiele sind ein günstiger Input, und günstige Inputs haben ihre Schwachstellen.
Survivorship. Peers teilen tendenziell, was funktioniert hat. Fragen Sie ausdrücklich nach dem Pilotprojekt, das fallen gelassen wurde. Jede Fallsammlung ist eine kuratierte Auswahl.
Abweichender Kontext. Eine Änderung, die in einer Firma mit 12 Personen und einem Inhaber-Geschäftsführer funktioniert, kann in einer Firma mit 90 Personen scheitern, in der Freigaben über drei Abteilungen laufen. Fragen Sie, was in der Konstellation des Peers die Änderung möglich machte, etwa ein kurzer Dienstweg, saubere Daten oder ein einziges führendes System.
Die Oberfläche kopieren. Wer das Tool eines Peers übernimmt, ohne die Rollen und Übergaben zu verändern, reproduziert das Plateau, das in unserem Beitrag zu aufgesetzter KI beschrieben ist. Nützlich ist das Beispiel für das, was es an der Arbeit verändert hat.
Zu viel in Zahlen hineinlesen. Die Zahl eingesparter Stunden eines Peers ist selbst berichtet und ungeprüft. Betrachten Sie sie als Hinweis darauf, wo Sie in Ihren eigenen Daten nachsehen sollten.
Was die Evidenz stützt
Der INSEAD-Versuch stützt eine enge Aussage und eine praktische Gewohnheit. Die Aussage: Startups, die gesehen hatten, wie andere die Arbeit rund um KI neu organisiert haben, suchten mehr Einsatzstellen dafür, und die besten von ihnen meldeten deutlich bessere Ergebnisse. Die Gewohnheit: frühzeitig konkrete Beispiele neu organisierter Arbeit sammeln, von Peers, denen Sie Fragen stellen können, bevor Sie Budget für ein Tool oder ein Programm binden.
Für ein KMU kostet der erste Schritt einen Nachmittag: Schreiben Sie eine Vorher-nachher-Seite aus Ihrer eigenen Firma und bitten Sie dann zwei Peers um ihre. Zeigt der Vergleich, dass in Ihrem Umfeld niemand Rollen, Übergaben oder Entscheidungsbefugnisse in irgendeinem Prozess verändert hat, ist auch das eine nützliche Information. Sie sagt Ihnen, dass die Frage nach dem KI-Betriebsmodell in Ihrer Branche noch offen ist und dass eine frühe, gemessene Änderung ein echter Vorteil sein kann.
Häufige Fragen
Was hat das INSEAD-Feldexperiment zu KI getestet?
Es hat getestet, ob das Aufzeigen, wie andere Firmen ihre Produktion rund um KI neu organisiert haben, verändert, was Startups mit KI tun. In der Studie mit 515 wachstumsstarken Startups fanden die behandelten Firmen 44 % mehr Anwendungsfälle, erledigten 12 % mehr Aufgaben und gewannen mit 18 % höherer Wahrscheinlichkeit zahlende Kunden. Die Intervention bestand im Zeigen von Peer-Beispielen. Eine Redesign-Methode wurde nicht getestet.
Belegt die INSEAD-Studie, dass sich die Neuorganisation der Arbeit rund um KI lohnt?
Nein. Sie zeigt, dass das Wissen darum, wie andere Firmen ihre Arbeit neu organisiert haben, Startups dazu brachte, mehr KI-Anwendungsfälle zu suchen und bessere Ergebnisse zu melden, vor allem bei den Spitzenreitern. Das Redesign selbst isoliert sie nicht, und die Stichprobe bestand aus wachstumsstarken Startups. Für ein etabliertes KMU ist sie ein Grund, früh auf Peer-Beispiele zu schauen. Einen Gewinn sollten Sie aber an Ihren eigenen Zahlen überprüfen.
Wo findet ein Schweizer KMU Beispiele für KI-Redesign bei vergleichbaren Firmen?
Beginnen Sie bei Referenzkunden von Lieferanten, Branchenverbänden und Runden Tischen von Inhabern, wo Peers erzählen, was sich im Arbeitsalltag verändert hat. Es gibt auch formale Wege. Der Kanton Zürich führte ab Juli 2025 mit dem Swiss Data Science Center ein KI-Programm für KMU durch, und der Innosuisse-Scheck finanziert eine Machbarkeitsstudie mit einem Forschungspartner. Prüfen Sie beim jeweiligen Veranstalter die aktuelle Durchführung und die Bedingungen.
Was sollte ich ein Peer-Unternehmen zu seinem KI-Projekt fragen?
Fragen Sie danach, was sich bei Rollen, Übergaben und Entscheidungsbefugnissen verändert hat, und weniger danach, welches Tool gekauft wurde. Nützliche Fragen sind: Wer erledigt die Arbeit heute, welche Freigaben wurden verschoben oder entfielen, welche Daten braucht der Prozess am Eingang, und was hat das Team vorher und nachher gemessen. Tool-Namen veralten innerhalb von Monaten, während sich die Aufteilung der Arbeit zwischen Menschen und Software meist übertragen lässt.
Ist der Innovationsscheck von Innosuisse eine Möglichkeit, von Peers zu lernen?
Nur indirekt. Der Scheck beträgt bis zu CHF 15,000 für KMU mit weniger als 250 Vollzeitstellen und finanziert eine Machbarkeitsstudie eines Schweizer Forschungspartners, den Innosuisse direkt bezahlt. Er verschafft Ihnen externes Fachwissen und einen strukturierten Blick auf den eigenen Prozess, aber keinen Einblick in andere Unternehmen. Bestätigen Sie die aktuellen Bedingungen bei Innosuisse, bevor Sie darauf planen.