Der 10x-Managementberater

Der 10x-Managementberater

Auf den Punkt

• KI bepreist Beratung neu: weg von Marke-und-Bench-Leverage, hin zu individuellem Urteil, das durch Systeme verstärkt wird.
• Die klassische Pyramide wird schwächer, wenn Recherche, Modellierung, Dokumentation und Deck-Produktion zu synthetischer Arbeit statt Junior-Headcount werden.
• Gewinnen werden Berater und Firmen, die Urteil kodifizieren, in KI-nativer Geschwindigkeit liefern und ihre Ökonomie auf kleinere, hebelstärkere Teams ausrichten.

Der Beratungsmarkt bepreist das Individuum neu

Disruption in der Beratungsbranche wurde lange so beschrieben, als würde Software einzelne Projekte auffressen: SaaS ersetzt Foliensätze, Automatisierungsplattformen verdrängen Prozessverbesserungsarbeit, und KI-Tools erledigen Dinge, die früher Junior-Berater übernommen haben. Das passiert an den Rändern tatsächlich, verfehlt aber die eigentliche Dynamik, die die Branche gerade verändert.

Der eigentliche Wandel ist leiser und tiefer: Die Käufer sind weitgehend dieselben, die Mandate sind weitgehend dieselben, und oft sind sogar die Professionellen dieselben – aber der Markt beginnt, etwas anderes zu bewerten. Jahrzehntelang sortierte Consulting nach Marke und Bench. Je stärker KI Recherche, Modellierung und Dokumentation in synthetische Arbeit verwandelt, desto sichtbarer wird die Qualität des einzelnen Operators – und die Infrastruktur, die sein Urteilsvermögen skaliert. Entlang dieser Achse beginnt sich der Markt neu zu organisieren.

Die Pyramidenmaschine

Um zu verstehen, was KI gerade umdreht, muss man verstehen, wie Beratungsfirmen heute tatsächlich Geld verdienen.

Wie Rechts- und Wirtschaftsprüfung ist Managementberatung im Kern ein Hebelgeschäft. Partner verkaufen Arbeit und steuern Kundenbeziehungen. Manager und Projektleiter überwachen die Ausführung. Analysten und Associates erledigen die eigentliche Schufterei: Datenauszüge, Experteninterviews, Excel-Modelle, Gespräche und Foliensätze.

Die Ökonomie funktioniert, weil Junior-Berater, die den Großteil der Arbeit leisten, zu Vielfachen ihres Gehalts fakturiert werden. David Maisters klassische Analyse professioneller Dienstleistungsfirmen zeigt, dass der größte Teil des Partnergewinns nicht daraus entsteht, was Partner persönlich fakturieren, sondern aus dem Überschuss, den Nicht-Partner-Mitarbeiter erzeugen: der Differenz zwischen den Kosten von Juniors und den Honoraren, die Kunden für ihre Zeit zahlen. Dieser Überschuss wird durch Hebel maximiert: das Verhältnis von Juniors zu Seniors.

Über Strategieberatungen und Big Four hinweg bleibt das Geschäftsmodell dasselbe: Eine kleine Zahl von Seniors verkauft und steuert, während eine deutlich größere Basis klientennaher Mitarbeitender die Analysen, Modelle und Decks produziert, die ein Mandat abrechenbar machen. Und bei standardisierten, prozesslastigen Arbeiten wie PMOs, großen Rollouts und Managed Services wird die Pyramide noch steiler: Ein oder zwei Senior-Leads können große Delivery-Teams beaufsichtigen, weil die Arbeit wiederholbar, strukturiert und delegierbar ist. Für Junior- und Mid-Level-Berater werden häufig Auslastungsziele von 75–85 % angesetzt, also 1.500–1.800 fakturierbare Stunden pro Jahr; daraus ergeben sich firmenseitig Zielgrößen von 70–80 % über den gesamten Staff.

Die Mathematik ist simpel. Wenn ein Partner mehrere hoch ausgelastete Teams über mehrmonatige Mandate beschäftigt hält, übersteigt der aggregierte Umsatz dieser Teams seine direkten Kosten bei Weitem – selbst dann, wenn neue MBA-Einstiege bei Top-Strategieberatungen in den USA schon heute Grundgehälter von rund 190.000 US-Dollar erhalten, noch vor Sign-on- und Performance-Boni, und die Partnervergütung ohnehin enorm ist. Big-Four-Partnerschaften im Vereinigten Königreich berichten öffentlich von durchschnittlichen Gewinnanteilen pro Equity Partner im hohen sechsstelligen Bereich bis rund 1 Million Pfund.

Solange jede Stufe der Pyramide voll und beschäftigt ist, skaliert der Gewinn mit Hebel.

Die gesamte Struktur ruht auf einer Annahme, die bis vor Kurzem kaum ausgesprochen werden musste: Größere, unordentlichere Probleme erfordern proportional mehr menschliche Arbeit. Größeres Mandat, mehr Stunden; mehr Stunden, mehr Menschen. Wenn KI diese Beziehung aufbricht, hört die Pyramide auf, eine Stärke zu sein, und wird zur Last.

Wenn die Pyramide kippt

Die Technologiewelt ringt seit Jahrzehnten mit einer unbequemen Tatsache: Nominale Peers können sich massiv in ihrem Produktivitätsoutput unterscheiden. Die berühmte Studie von Sackman, Erikson und Grant aus dem Jahr 1968 fand Produktivitätsverhältnisse von 20:1 und mehr zwischen Programmierern, die dieselben Aufgaben bearbeiteten; spätere Arbeiten stritten über die genaue Höhe, bestätigten aber im Kern enorme Unterschiede in individueller Leistungsfähigkeit. Die bleibende Erkenntnis hatte nie mit Tippgeschwindigkeit zu tun. Sie hatte mit Urteilsvermögen zu tun.

In der Beratung gab es immer Äquivalente zum 10x-Berater. Einige Partner verkaufen konstant mehr, lösen schwierigere Probleme und gewinnen tieferes Kundenvertrauen. Einige Manager können eine Marktkarte oder ein Kostenmodell an einem einzigen Abend so neu strukturieren, wie andere es in einer Woche nicht schaffen. Doch die Struktur der Beratungsarbeit hat historisch verhindert, dass sich diese Unterschiede direkt in proportionalen Output-Unterschieden niederschlagen. Drei Friktionen verhinderten bisher, dass Beratungstalent in voller Skalierung sichtbar wurde.

Die erste war Span: Keine einzelne Person konnte das gesamte Mandat gleichzeitig im Kopf halten. Ein großes Transformations- oder Strategieprogramm umfasst Hunderte Interviews, Dutzende Datenquellen sowie Tausende Folien und Tabellen. Kein Mensch kann diesen Gesamtzustand im Arbeitsgedächtnis halten. Selbst die besten Berater mussten ihn seriell abarbeiten: Interviewnotizen einzeln lesen, Benchmark-Daten in offenen Tabs betrachten und Decks durchscrollen. Ihre Fähigkeit, über das gesamte Engagement hinweg zu denken, war dadurch begrenzt, wie viel sie gleichzeitig im Kopf behalten konnten.

Die zweite war Übersetzungsverlust: Erkenntnis wurde jedes Mal schwächer, wenn sie durch die Hierarchie nach unten ging. Weil die Arbeit die kognitive Kapazität einer einzelnen Person überschritt, wurde sie über ein Team verteilt. Der Senior Partner destillierte Problem und Narrativ, der Manager übersetzte beides in Workplans und Storylines, Mid-Levels und Analysten machten daraus Analysen und Folien. Jede Übersetzung verdünnte das Signal. Bis die Einsicht eines Partners darüber, wie ein bestimmter Pricing-Hebel mit Kundenverhalten zusammenhing, in einem Excel-Modell und auf einer Deck-Seite ankam, war sie durch mehrere Köpfe gegangen, jeder mit weniger Kontext und Mustererkennung. Der Berater, der das Thema 10x klarer sah, erzeugte am Ende vielleicht 2x bessere Outputs, weil das Team die Einsicht komprimierte.

Die dritte war Kalenderrealität: Tausende Stunden Arbeit unter Deadline mussten auf viele Hände verteilt werden. Ein Projekt, das 2.000 Arbeitsstunden in sechs Wochen erforderte, konnte schlicht nicht von einer Person allein erledigt werden. Ganz gleich, wie scharf das Urteil eines Senior-Beraters war – er konnte nur einen Bruchteil der Analysen, Interviews und Slides selbst berühren. Der Rest wurde zwangsläufig von weniger erfahrenen Menschen mit schwächerer Mustererkennung gemacht.

KI greift alle drei Beschränkungen an.

Das Feldexperiment „Jagged Technological Frontier“ mit 758 BCG-Beratern zeigte, dass Berater, die GPT-4 bei Aufgaben innerhalb der aktuellen KI-Fähigkeiten nutzten, 12,2 % mehr Aufgaben erledigten, 25,1 % schneller arbeiteten und eine um über 40 % höhere Output-Qualität erzielten als jene ohne KI. Entscheidend ist: Niedriger performende Berater verbesserten sich sogar stärker als Top-Performer (43 % vs. 17 %), doch die Varianz blieb bestehen – KI verstärkte Unterschiede im Urteilsvermögen, statt sie zu eliminieren.

Praktisch bedeutet das: Ein Senior-Berater, der nativ mit KI arbeitet, ist nicht länger durch die linearen Mechaniken von Produktion begrenzt. Desk Research, das früher einen Analysten eine Woche kostete, lässt sich in Stunden zielgerichteter Prompting- und Validierungsarbeit komprimieren. Survey-Design, Clustering von Interview-Insights und erste Finanzmodellierung lassen sich durch KI-Agenten stützen, die mehrstufige Workflows ausführen statt nur Einzelprompts. Große Dokumentenbestände – Kundenberichte, interne Memos, historische Decks – lassen sich in Vektorspeicher laden und in einem gemeinsamen Kontext durchsuchen oder zusammenfassen statt stückweise.

Zum ersten Mal in der Beratung wird es strukturell möglich, dass einzelne Praktiker Unterschiede um Größenordnungen in Geschwindigkeit und Qualität liefern. Nicht weil sie schneller tippen, sondern weil Urteilsvermögen, angewandt durch KI, Produktionsengpässe entfernt. Der beste Berater mit KI ist nicht nur inkrementell besser als der durchschnittliche Berater mit KI; er ist qualitativ anders. Er kann mehr vom Problem gleichzeitig sehen, mehr Hypothesen testen und robustere Lösungen bauen, weil Datensammlung und Synthese massiv komprimiert wurden.

Sobald ein einzelner Senior-Berater, der über einen KI-nativen Workflow arbeitet, Arbeit absorbieren kann, die früher über drei Ebenen eines Case-Teams verteilt wurde, kippt die Ökonomie. Junior-Kapazität ist nicht länger automatisch produktive Kapazität; auf vielen Mandaten beginnt sie wie Overhead auszusehen, den der Kunde finanzieren soll.

Warum Kunden anfangen, sich zu bewegen

Incumbents hätten mehr Zeit, wenn Käufer wirklich captive wären. Sind sie nicht.

Jahrelang erfüllte die Beauftragung einer großen Beratungsmarke zwei Funktionen gleichzeitig. Sie signalisierte Qualität – und sie schützte die Führungskraft, die diese Wahl traf. Wenn die Arbeit enttäuschte, konnte der Käufer immer noch auf das Logo verweisen und sagen, er habe sich für den sichersten Namen im Raum entschieden. In der Praxis rechtfertigte diese Logik Premium-Honorare für bekannte Logos und große Teams, selbst wenn kleinere, spezialisiertere Anbieter besser gepasst hätten.

Diese Versicherungslogik gerät nun von zwei Seiten unter Druck.

Einerseits können Kunden Leistungsunterschiede heute direkter beobachten. IBM-Forschung (gemeinsam mit Oxford Economics 2025, 400 C-Level-Executives, die Beratung einkaufen) zeigt, dass 86 % der Beratungsbuying-Entscheider aktiv KI-fähige Services suchen und zunehmend erwarten, dass Berater Advanced Analytics und Generative AI als Standardwerkzeuge einsetzen. Wenn eine Firma in Wochen einen Proof of Concept liefert, der früher Monate gebraucht hätte – und das mit einem kleinen, KI-gestützten Team –, hat der Käufer sichtbare Belege. Andererseits gewinnen Boutique-Beratungen und sektorspezialisierte Häuser mit Expert Networks und flexiblen Bänken Marktanteile und melden deutlich höhere Wachstumsraten als traditionelle Generalisten.

Studien deuten darauf hin, dass inzwischen 68 % der Kunden Branchenspezialisierung höher bewerten als generalistische Markenstärke – und dass Boutiquen 20–30 % günstiger sind, bei zugleich höherer Kundenzufriedenheit, in manchen Erhebungen rund 78 %. Öffentliche Auftraggeber kürzen parallel ihre Beratungsetats und führen Kontrollen ein, um Abhängigkeit von Großanbietern zu verringern und KMU stärker einzubinden.

Dieser Wandel wird von Käufern gezogen, nicht von Incumbents freiwillig angeboten. Große Firmen bauen ihre Pyramiden nicht aus Prinzip zurück. Kunden lenken Budgets einfach um, wenn ein kleineres, KI-natives Team nachweislich bessere Arbeit schneller und günstiger liefern kann. Wiederholt sich das oft genug, wird aus stillen Umallokationen ein Marktereignis.

Ein Berater, voller Kontext

Betrachten wir ein typisches Strategie- und Transformationsmandat. Ein Unternehmen überdenkt sein Go-to-Market-Modell als Reaktion auf Wettbewerbsdruck und digitale Disruption. Die Arbeit umfasst Kundeninterviews, Vertriebsdaten, Wettbewerbsbenchmarking, Pricing-Analyse und Organisationsdesign. Traditionell würde eine Beratung einen Partner, einen Engagement Manager und zwei bis vier Consultants besetzen, vielleicht ergänzt durch einen Research Specialist. Über zwölf Wochen entsteht daraus ein Deck, ein Finanzmodell und ein Umsetzungsfahrplan.

Im alten Modell kam Senior-Judgment selten ungefiltert beim Kunden an; es musste zuerst durch mehrere Übersetzungsschichten. Analysten transkribieren und strukturieren Interviews. Consultants bauen den ersten Modellaufschlag. Der Manager prüft die Logik und formt die Storyline. Der Partner setzt Richtung und reviewt. Die kognitive Last, alle beweglichen Teile zu integrieren, wird auf viele Menschen verteilt, und die unvermeidlichen Reibungen – missverstandene Hypothesen, inkonsistente Annahmen, endlose Slide-Rewrites – werden als Preis des Geschäfts akzeptiert.

Stellen wir uns nun einen KI-nativen Senior-Berater vor, der denselben Auftrag übernimmt.

Vom ersten Tag an zieht er frühere Decks, interne Performance-Daten, CRM-Exporte und Interviewtranskripte in einen KI-Workspace. Er nutzt KI-Agenten, um Kundencluster zu bilden, Pricing-Szenarien zu testen und untererschlossene Segmente auf Basis von Mustern in den Daten zu identifizieren. Er lässt Kandidaten-Narrative generieren und iteriert sie so lange, bis die Storyline sitzt. Er führt synthetische Interviews durch, bei denen das Modell unterschiedliche Stakeholder auf Basis realer Personas spielt, um Empfehlungen unter Druck zu testen.

In diesem Setup ist das „Team“ ein Berater plus eine Flotte von Agenten, die in einem gemeinsamen Kontextfenster arbeiten, das den gesamten Mandatskorpus gleichzeitig halten kann. Die Mechanik des Seitenbaus und Zahlenabgleichs wird weitgehend vom System übernommen; der Mensch fokussiert auf Framing, Judgment und Client Choreography.

Der Kunde erlebt ein fundamental anderes Projekt. Statt Wochen auf ein erstes Fact Pack zu warten, sieht er innerhalb weniger Tage Erkenntnisse. Statt eines monolithischen Abschlussdecks erhält er iterative Prototypen von Lösungen und Umsetzungstools. Und statt einer Armee von Juniors interagiert er vor allem mit ein oder zwei Senior-Leuten und einer Reihe produktisierter Deliverables.

An dem Fünf-Personen-Modell war nichts inkompetent; es war für Restriktionen gebaut, die früher unvermeidlich waren. Full-Context-Systeme verschieben nun den Schwerpunkt. Sobald Full-Context-Systeme und Agenten ins Bild kommen, ändert sich die Basiseinheit der Ausführung. Die Arbeit verschiebt sich von vielen Menschen, die Teilansichten synchronisieren, zu einem Senior-Operator, der einen Maschinenstack gegen das gesamte Problem zugleich koordiniert.

Nichts davon beseitigt den fundamental menschlichen Engpass: Zugang, Vertrauen und Veränderung. Die KI kann schneller synthetisieren als jedes Analystenteam, aber sie kann nicht Ihren Head of Sales dazu bringen, zuzugeben, dass das Quotenmodell kaputt ist, oder Ihren COO dazu bewegen, eine Sequenz zu wählen, die die Organisation nicht sprengt. In der Beratung ist der 10x-Unlock nicht „Solo-Analyse“. Er besteht darin, die Backroom-Produktion so stark zu komprimieren, dass Senior-Judgment mehr Zeit dort verbringen kann, wo der eigentliche Engpass liegt: Alignment, Entscheidungen und Follow-through.

Die falsche Schlacht

Die naheliegende Geschichte über KI und Consulting lautet, dass Softwareunternehmen und interne Plattformen traditionelle Beratungsarbeit ersetzen werden. Eine Welle von „AI consulting platforms“ verspricht, Discovery, Diagnose und sogar Solution Design zu automatisieren. Große Beratungsmarken haben große interne AI-Gruppen aufgebaut und Partnerschaften mit Modellanbietern geschlossen; McKinseys QuantumBlack beispielsweise treibt inzwischen rund 40 % des Umsatzes der Firma, und BCG schätzt, dass AI Agents bis 2028 fast 30 % des gesamten AI Value ausmachen werden.

Die Investment-Story ist inzwischen vertraut: Man nimmt ein Modell, packt eine beratungsspezifische Schicht darum, abstrahiert abrechenbare Arbeit und verkauft die entstehende Software zurück an die Profession.

Diese These ist nicht falsch – aber sie verfehlt den wichtigsten Substitutionsmechanismus.

Die größte Substitution ist kein sauberer vertikaler Sprung von Software zu Beratung. Sie ist lateral: KI-native Berater mit starkem Judgment nehmen Arbeit von Beratern weg, die rund um das alte Produktionsmodell organisiert sind. KI eliminiert nicht die Notwendigkeit von Judgment, Mustererkennung und Change Leadership; sie verschiebt, welche Berater diese Fähigkeiten über die größte Oberfläche eines Mandats ausüben können.

Keine Plattform gewinnt allein ein Transformationsmandat. Die Arbeit geht an den Praktiker, der Modelle, Agenten und Workflows schneller in bessere Entscheidungen übersetzen kann als jeder andere. Eine Beratungsfirma, die KI als gesperrtes Produktivitätstool behandelt, zugänglich nur über vordefinierte Dashboards, baut ihrer eigenen Belegschaft eine Decke über den Kopf. Ihre Berater können nur tun, was das Produktteam vorhergesehen hat. Sie können Dokumentenanalyse nicht in Modellierung und dann in Implementierungs-Playbooks in neuartigen Weisen verkettet einsetzen, weil die Oberfläche zu starr ist.

Das tiefere Risiko ist nicht bloß Abhängigkeit; es ist Deskilling. Wenn die Rolle eines Beraters darauf schrumpft, KI-generierte Outputs abzunicken, erodiert die Judgment-Prämie. Und sobald dieses Sign-off regelbasiert genug wird, lässt auch es sich automatisieren.

Der Berater, der näher am Substrat arbeitet, kumuliert in die entgegengesetzte Richtung, weil jedes Mandat schärfere Entscheidungen über Kontext, Vertrauen und Intervention erzwingt. Jedes Projekt zwingt ihn zu entscheiden, was er das Modell fragen soll, was er ihm glauben kann, wo er tiefer graben muss und wie sich Modellausgaben an organisatorische Realität anschließen lassen. Die KI beschleunigt sein Denken, statt es zu ersetzen, und jedes Mandat hinterlässt eine weitere Schicht kodierter Expertise: wiederverwendbare Prompts, Evaluierungsharnesses, Datenpipelines und Agent-Skripte.

Die Technologie hat die Schwelle bereits überschritten. Die eigentliche Restriktion ist jetzt der Berater, der sie nutzt.

Der geteilte Markt

Das ist keine Rising-Tide-Story. Sie verteilt Gewinne nicht gleichmäßig. Sie spaltet den Markt – und schafft mehr Möglichkeiten an der Spitze.

An der Spitze sitzt eine kleine Gruppe KI-nativer Berater mit echtem Judgment, technischer Fluency und Kundenvertrauen. Diese Menschen kombinieren Strategie, Datenkompetenz und genug technisches Verständnis, um KI-gestützte Workflows zu entwerfen und zu führen. Sie sind oft Mid-Career, acht bis fünfzehn Jahre im Beruf – mit genug Kundenerfahrung für echte Mustererkennung und genug Laufbahn vor sich, um Investitionen in neue Arbeitsweisen zu rechtfertigen. Sie verlangen Premium-Raten und akkumulieren Arbeit, weil Kunden nach einmaligem Erleben ihrer Delivery selten wieder wechseln.

Am anderen Pol sitzt ein großes Feld von Anbietern, die über Preis um Arbeit konkurrieren, die KI bereits in eine Commodity verwandelt hat. Marktsizing, Basic Benchmarking, Slide Clean-up und standardisierte PMO-Aufgaben verschwinden nicht; sie werden Commodity Services. Viele der „AI consulting factories“ und Offshore-Delivery-Zentren zielen exakt auf diese Ebene und kombinieren Low-Cost-Arbeit mit vorkonfigurierten Tools.

Am stärksten unter Druck gerät die Mitte.

Traditionelle slide-zentrierte Manager und Senior Associates, die stärker von Markenname und Projektvolumen als von eigenständigem Judgment oder technischer Fluency lebten, geraten in die Zange. Einige Firmen haben bereits reagiert, indem sie 20–30 % ihrer Senior Manager und Directors abbauten und die Junior-Ränge kaum anfassten – in der expliziten Wette darauf, dass eine kleinere Kohorte KI-gestützter Leaders mehr Arbeit beaufsichtigen kann. Mid-Tier- und regionale Beratungen, die weder das Prestige der Top-Marken noch die Spezialisierung und Agilität von Boutiquen haben, tun sich zunehmend schwer, ihre Preise zu rechtfertigen.

KI ist weniger ein Equalizer als ein Force Multiplier. Starkes Judgment wird zu outsized output; schwaches Judgment zu High-Velocity-Fehlern. Die Lücke zwischen den Besten und dem Durchschnitt wächst – und der Markt bepreist genau das neu.

Hiring nach der Pyramide

Das klassische Talentmodell der Beratung wurde für eine Arbeitspyramide gebaut. Es ging davon aus, dass Firmen große Kohorten sehr kluger Generalisten brauchen – und dann genug Apprenticeship und Attrition, um einige zukünftige Leaders herauszufiltern.

Diese Logik wird schwächer, je stärker KI die Produktionsschicht komprimiert.

Wenn KI Produktionsarbeit komprimiert, brauchen Firmen weniger Menschen für reine Analyse und mehr Menschen, die Systeme und Transformationen über die Zeit hinweg designen, implementieren und betreiben können. Business-Insider-Berichterstattung über Elite-Firmen zeigt einen deutlichen Anstieg bei der Einstellung von Technologen und Hybridprofilen. Accenture stellte in zwei Jahren rund 40.000 AI- und Datenfachkräfte ein; EY 61.000 Technologen; und McKinsey hat inzwischen Tausende Mitarbeitende in technischen und KI-Rollen, wobei AI- und Tech-Advisory einen stetig wachsenden Umsatzanteil darstellen.

Der Markt belohnt inzwischen ein anderes Bündel: Judgment, kommerziellen Instinkt, soziale Fluency und natürlichen Umgang mit KI-Tools. Indikatoren für Judgment – etwa sinnvolle operative Erfahrung vor oder zwischen Beratungsstationen – korrelieren heute direkter mit Wertschöpfung als rohe Case-Interview-Performance; ebenso kommerzieller Instinkt, soziale Intelligenz und native technische Fluency. Native KI-Fluency bedeutet nicht, ein internes „AI-Bootcamp“ besucht zu haben. Es bedeutet, Modelle eigenständig genutzt zu haben, ein Gefühl dafür zu haben, wo sie brechen, und Output-Qualität ohne Checkliste einschätzen zu können.

Die Ironie ist: Firmen wissen längst, dass genau diese Eigenschaften zählen; sie sind fast identisch mit den Eigenschaften, die spätere Partner ohnehin von den übrigen trennen. Die Associates, die aufsteigen, sind selten jene mit den höchsten Testwerten. Es sind jene, die Kundenbeziehungen aufbauen, Arbeit originieren und wachsen lassen und denen man zutraut, messy, high-stakes Situationen mit minimaler Aufsicht zu navigieren. Der Unterschied ist: Die Ökonomie trägt es nicht mehr, Dutzende Leute einzustellen, um einige wenige mit genau diesen Eigenschaften zu finden. Wenn die Pyramide in eine Raute oder eine Plattform übergeht, zählt die Qualität jeder einzelnen Einstellung deutlich mehr als die Menge.

Wie Vorteil kumuliert

Man könnte einwenden, dass Erfahrung die Incumbents begünstigen müsste. Wenn McKinsey, BCG und ähnliche Häuser über Jahrzehnte Zehntausende Projekte geschlossen haben, müsste ihnen ihr institutionelles Wissen doch einen strukturellen Vorteil verschaffen.

Die relevante Frage ist nicht, wer im Abstrakten die meiste Erfahrung gesammelt hat. Sie ist, wo diese Erfahrung lebt – und ob sie wiederverwendbar ist.

In den meisten großen Firmen lebt Erfahrung in Köpfen und statischen Wissenssystemen. Partner, Manager und Spezialisten sammeln Mustererkennung, aber ein großer Teil davon geht verloren, wenn sie gehen, oder wird nur teilweise in Slide-Libraries und Wikis festgehalten. Selbst dort, wo Firmen KI-Wissensassistenten über ihre Archive legen, werden diese Systeme oft als glorifizierte Suche benutzt statt als echte Workflow-Engines.

In KI-nativen Practices hinterlässt jedes Engagement funktionierende Infrastruktur: Agenten, Prompts, Evaluierungen und Pipelines, die den Startpunkt des nächsten Mandats erhöhen. Das 51. Cost-Reduction-Projekt beginnt nicht mehr auf leerer Seite; es beginnt bei einem Agenten, der bereits weiß, wie er Kostendaten parsen, benchmarken und Hebel vorschlagen kann.

Je reifer diese Systeme werden, desto produktiver werden die einzelnen Berater, die auf ihnen stehen. Sie können mehr Experimente fahren, mehr Lösungsoptionen prüfen und mehr Kunden bedienen, ohne Qualität zu verdünnen. Jedes zusätzliche Projekt speist das System zurück und verbessert es weiter.

Nachzügler laufen dieselbe Rückkopplung in die entgegengesetzte Richtung: Weniger Premium-Arbeit bedeutet weniger wertvolle Wiederholungen, weniger Wiederholungen verlangsamen die Bildung von Judgment, langsameres Judgment vergrößert die Leistungslücke, und schwächere Leistung drückt noch mehr Arbeit aus dem Haus heraus. Fixkosten, Büros, Supportstaff und Technologieplattformen, die rund um die Pyramide gebaut wurden, werden schwieriger zu decken. Top-Performer wechseln in Umgebungen, in denen sie schneller lernen und portable Infrastruktur aufbauen können. Das pendelt sich nicht in ein sauberes Gleichgewicht ein. Es verstärkt sich selbst.

Was der Markt wird

Eine Profession, deren Delivery-Modell sich über ein halbes Jahrhundert nur langsam verändert hat, verändert sich nun schnell. Die Beratungspyramide dünnt in der Mitte aus, verdickt sich an der Schnittstelle von Strategie, Technologie und Implementierung und setzt Hunderte kleinerer KI-nativer Boutiquen und Solo-Practices frei.

Keine Ankündigung wird diesen Übergang markieren. Er kommt als tausend gewöhnliche Einkaufsentscheidungen, die zusammengenommen den Markt neu zeichnen: Dieses Mandat geht an eine Boutique, dieser Retainer schrumpft, diese Fähigkeit wandert inhouse, dieses Team wird nie wieder restaffed. Öffentliche Auftraggeber werden Rahmenverträge mit Großberatern kürzen und mehr Arbeit an KMU routen. Private Unternehmen werden ihre Budgets neu zwischen großen Marken, Boutiquen und Inhouse-Teams mit KI-Unterstützung verteilen.

Die Menschen, die diesen Markt gewinnen werden, sind bereits in Bewegung. Sie warten nicht auf Committee-Language oder ein internes Bootcamp. Sie lernen auf Live-Mandaten, kodieren das Gelernte und verwandeln es in kumulierenden Vorteil. Sie verstehen, dass KI nicht verändert, was Consulting erfordert: Judgment, Empathie und die Fähigkeit, Organisationen zu mobilisieren. Sie verändert, wie viel davon eine einzelne Person liefern kann.

Für einzelne Berater wird die entscheidende Variable immer weniger Ihr Badge oder Titel und immer stärker, ob Sie High-Judgment-Arbeit mit AI-nativer Geschwindigkeit liefern – mit Systemen, die diese Fähigkeit kumulieren lassen.

Für Führungskräfte in Beratungsfirmen ist die Frage hart. Gestalten Sie Ihre Ökonomie, Ihr Hiring und Ihre Technologie weiter rund um eine schrumpfende Pyramide, in der Hoffnung, Legacy-Margen zu erhalten? Oder bauen Sie die Infrastruktur und das Talentmodell, das einer kleineren Zahl von 10x-Managementberatern erlaubt, Arbeit zu leisten, für die früher eine Armee nötig war?

Der Markt sortiert bereits.

Die Basis des Wettbewerbs hat sich verändert.

Die einzige wirkliche Frage ist nun, wo Sie stehen wollen, wenn sich diese Spaltung vollständig zeigt.