Warum etablierte Unternehmen erfolgreiche AI-Produkte entwickeln können und warum viele am Geschäftsmodell scheitern
 

Während Produktinnovationen die Frage beantworten, welcher Kundennutzen geschaffen wird, beschäftigen sich Geschäftsmodellinnovationen mit der Frage, wie dieser Kundennutzen wirtschaftlich erschlossen und skaliert werden kann.
 

Diese Unterscheidung erscheint zunächst selbstverständlich. Gerade im Zusammenhang mit AI wird sie jedoch häufig unterschätzt. Viele Unternehmen investieren erhebliche Ressourcen in die Entwicklung neuer Produkte, hinterfragen jedoch nicht, ob die bestehenden Geschäftsmodelle überhaupt geeignet sind, den neu geschaffenen Kundennutzen erfolgreich zu vermarkten. Genau daraus entsteht die zentrale Herausforderung dieses Artikels.
 

Warum etablierte Unternehmen hervorragende Voraussetzungen für AI-Produkte besitzen

Die öffentliche Diskussion über künstliche Intelligenz konzentriert sich häufig auf AI-Modelle,

Rechenleistung und technologische Fähigkeiten. Dadurch entsteht leicht der Eindruck, dass die Entwicklung erfolgreicher AI-Produkte primär eine technologische Herausforderung darstellt. Diese Sichtweise greift jedoch zu kurz.
 

Erfolgreiche AI-Produkte benötigen weit mehr als leistungsfähige AI-Modelle. Entscheidend sind vielmehr ein tiefes Verständnis realer Kundenprobleme, Domänenwissen, Expertenwissen sowie Daten, die den jeweiligen Anwendungsfall beschreiben und für Wettbewerber nicht ohne Weiteres zugänglich sind. Genau hier verfügen viele etablierte Unternehmen über erhebliche Vorteile.
 

Maschinenbauer besitzen oftmals jahrzehntelange Betriebs- und Servicedaten ihrer Anlagen. Unternehmen im Gesundheitswesen verfügen über umfangreiches Diagnostik- und Anwendungswissen. Industrieunternehmen kennen die Prozesse, Herausforderungen und Entscheidungslogiken ihrer Kunden häufig besser als externe Technologieanbieter. Diese Ressourcen sind oftmals deutlich schwieriger zu replizieren als die zugrunde liegende AI-Technologie.
 

Gleichzeitig sind die technologischen Eintrittsbarrieren in den vergangenen Jahren erheblich gesunken. Leistungsfähige KI-Basismodelle (Foundation Models) stehen heute sowohl kommerziell als auch als Open-Source-Lösungen zur Verfügung, sodass Unternehmen in vielen Fällen keine eigenen Basismodelle entwickeln oder trainieren müssen. Der eigentliche Mehrwert entsteht häufig erst durch die Anpassung dieser Modelle an einen spezifischen Anwendungsfall sowie durch die Kombination mit proprietären Daten und bestehendem Expertenwissen.
 

Der Engpass liegt daher zunehmend nicht mehr in der Verfügbarkeit der Technologie, sondern in der Fähigkeit, vorhandenes Wissen und bestehende Daten in marktfähige Produkte zu übersetzen. Unterstützt wird diese Entwicklung durch die Möglichkeit, sensible Daten innerhalb der eigenen Unternehmensgrenzen zu halten. Moderne AI-Lösungen können in privaten Cloud-Umgebungen oder auf unternehmenseigenen Infrastrukturen betrieben werden, wodurch Bedenken hinsichtlich Datenschutzes und des Schutzes geistigen Eigentums deutlich an Bedeutung verlieren.
 

Für viele Unternehmen besteht die zentrale Herausforderung daher nicht darin, ob AI eingesetzt werden kann, sondern darin, die bereits vorhandenen Schätze zu identifizieren und daraus neue Produkte zu entwickeln. Gerade deshalb verfügen viele etablierte Unternehmen über bessere Ausgangsbedingungen, als sie selbst häufig annehmen.
 

Von Daten und Wissen zu AI-Produkten

Wie diese Entwicklung in der Praxis aussehen kann, zeigen verschiedene etablierte Unternehmen aus unterschiedlichen Branchen.
 

Das erste Beispiel ist John Deere. John Deere hat über Jahrzehnte hinweg umfangreiche Daten über landwirtschaftliche Prozesse, Maschinen, Böden und Anbaumethoden aufgebaut. Diese Daten entstanden nicht mit dem Ziel, AI-Produkte zu entwickeln, sondern im Rahmen des Kerngeschäfts. Erst die Kombination dieser Daten mit modernen AI-Technologien ermöglichte die Entwicklung von Lösungen wie See & Spray.
 

Aus Sicht des Kunden steht dabei nicht die AI im Vordergrund. Der Landwirt kauft keine Bilderkennungstechnologie. Er erwirbt die Möglichkeit, Betriebsmittel gezielter einzusetzen, Kosten zu reduzieren und gleichzeitig Erträge zu sichern.
 

Ein ähnliches Muster lässt sich bei Siemens beobachten. Siemens verfügt über jahrzehntelanges Wissen im Bereich industrieller Prozesse, Engineering und Automatisierung. Dieses Wissen bildet die Grundlage für AI-basierte Produkte wie den Industrial Copilot. Auch in diesem Fall wird nicht primär Technologie verkauft. Der Kundennutzen entsteht durch eine schnellere Bearbeitung komplexer Aufgaben, eine höhere Produktivität und eine effizientere Nutzung vorhandener Ressourcen.
 

Roche zeigt dieselbe Logik innerhalb einer völlig anderen Branche. Das Unternehmen kombiniert medizinisches Expertenwissen, Diagnostikdaten und klinische Erfahrung mit modernen AI-Technologien, um neue diagnostische Lösungen zu entwickeln. Der eigentliche Mehrwert liegt dabei nicht in der AI selbst, sondern in der Fähigkeit, medizinische Entscheidungen besser zu unterstützen und diagnostische Prozesse zu verbessern.
 

Trotz aller Unterschiede weisen diese Beispiele eine Gemeinsamkeit auf. Der Ausgangspunkt war weder ein neues AI-Modell noch eine neue Technologie. Ausgangspunkt waren vielmehr Daten, Wissen und Kundenzugang. AI wurde anschließend genutzt, um dieses bestehende und proprietäre Wissen in neue Produkte und neue Formen des Kundennutzens zu übersetzen.
 

Die Beispiele zeigen jedoch einen zweiten Aspekt. Keines der Unternehmen beschränkte sich auf die Entwicklung eines AI-Produkts. Parallel wurden neue Kompetenzen aufgebaut, zusätzliche Partner integriert und bestehende Wertschöpfungsstrukturen erweitert. Bereits hier wird sichtbar, dass erfolgreiche AI-Produkte häufig über die reine Produktinnovation hinausgehen und Anpassungen weiterer Geschäftsmodellelemente erforderlich machen.
 

Genau hierin liegt eine der wichtigsten Erkenntnisse für etablierte Unternehmen. Die Entwicklung erfolgreicher AI-Produkte beginnt selten mit der Frage, welche AI-Technologie eingesetzt werden soll. Wesentlich relevanter ist die Frage, welches Wissen, welche Daten und welche Kundenprobleme bereits vorhanden sind und wie daraus ein differenzierendes Produkt entstehen kann.
 

Warum AI-Produkte einen andersartigen Kundennutzen schaffen

Historisch wurden viele Industrieunternehmen über die Eigenschaften ihrer physischen Produkte differenziert. Leistung, Qualität, Präzision, Zuverlässigkeit oder Lebensdauer standen im Mittelpunkt der Wertschöpfung und bildeten die Grundlage vieler Wettbewerbsvorteile.
 

Diese Faktoren werden auch zukünftig relevant bleiben. AI erweitert die Differenzierung jedoch um eine zusätzliche Ebene. Der Kundennutzen entsteht zunehmend durch Informationen, Vorhersagen und Entscheidungen. Unternehmen verkaufen damit nicht mehr ausschließlich ein physisches Produkt, sondern zusätzlich Wissen, Empfehlungen, Optimierungen oder Ergebnisse.
 

Ein Maschinenbauer verkauft beispielsweise nicht mehr nur eine Maschine. Er kann zusätzlich die Fähigkeit verkaufen, Ausfälle vorherzusagen, Wartungsmaßnahmen zu optimieren oder die Verfügbarkeit einer Anlage zu erhöhen. Ein Diagnostikanbieter verkauft nicht mehr ausschließlich ein Diagnostiksystem. Er kann zusätzlich die Qualität diagnostischer Entscheidungen verbessern. Ein Agrarunternehmen verkauft nicht mehr nur Maschinen oder Betriebsmittel, sondern kann Empfehlungen zur optimalen Bewirtschaftung landwirtschaftlicher Flächen anbieten.
 

Der geschaffene Kundennutzen verändert sich damit nicht nur quantitativ, sondern auch qualitativ. Kunden erhalten nicht einfach mehr von demselben Nutzen, sondern eine neue Form des Nutzens, die zuvor nicht verfügbar war.
 

Diese Entwicklung ist für etablierte Unternehmen von besonderer Bedeutung. AI erweitert bestehende Produkte häufig um neue digitale Nutzenkomponenten, die auf Daten, Wissen und Vorhersagefähigkeiten basieren. Dadurch verschiebt sich die Differenzierung teilweise von den physischen Eigenschaften eines Produkts hin zur intelligenten Nutzung dieses Produkts.
 

Genau an dieser Stelle entsteht die Verbindung zwischen Produktinnovation und Geschäftsmodellinnovation. Verändert sich der Kundennutzen, verändern sich häufig auch die Voraussetzungen, unter denen dieser Nutzen erfolgreich vermarktet, bereitgestellt und monetarisiert werden kann.
 

Die Innovationsfalle vieler etablierter Unternehmen

Viele Unternehmen entwickeln derzeit neue AI-Produkte. Deutlich seltener wird jedoch hinterfragt, ob die bestehenden Geschäftsmodelle geeignet sind, den damit geschaffenen Kundennutzen erfolgreich zu vermarkten und zu skalieren. Genau hierin liegt eine der größten Herausforderungen der kommenden Jahre.
 

AI-Produkte erzeugen häufig einen andersartigen Kundennutzen als die bisherigen Angebote eines Unternehmens. Dennoch werden sie oftmals über dieselben Vertriebsstrukturen, dieselben Anreizsysteme und dieselben organisatorischen Strukturen vermarktet, die ursprünglich für physische Produkte oder klassische Dienstleistungen entwickelt wurden. Dadurch entsteht eine Diskrepanz zwischen dem geschaffenen Kundennutzen und den strategischen Voraussetzungen zu dessen erfolgreicher Vermarktung.
 

Die Folge besteht nicht zwangsläufig darin, dass das Produkt scheitert. Häufiger ist zu beobachten, dass das wirtschaftliche Potenzial hinter den Erwartungen zurückbleibt. Technologisch kann das Produkt durchaus erfolgreich sein, während gleichzeitig die Voraussetzungen fehlen, um den geschaffenen Kundennutzen nachhaltig in Wettbewerbsvorteile und wirtschaftlichen Erfolg zu übersetzen.
 

Gerade etablierte Unternehmen sind von dieser Gefahr betroffen. Ihre Geschäftsmodelle wurden über viele Jahre für bestehende Produkte, Kundenbeziehungen und Marktmechanismen optimiert. AI-Produkte folgen jedoch häufig anderen Logiken und beeinflussen damit mehrere Elemente des Geschäftsmodells gleichzeitig. Die eigentliche Herausforderung liegt deshalb nicht allein in der Entwicklung des Produkts, sondern in der Anpassung der strategischen und organisatorischen Voraussetzungen, die für dessen langfristigen Erfolg erforderlich sind.
 

Diese Problematik wird häufig unterschätzt, weil sich die Diskussion rund um AI stark auf die technologische Machbarkeit konzentriert. Sobald jedoch ein Produkt erfolgreich entwickelt wurde, beginnt die deutlich schwierigere Aufgabe, dieses Produkt nachhaltig im Markt zu etablieren. Genau an dieser Stelle treffen Produktinnovation und Geschäftsmodellinnovation aufeinander.
 

Warum erfolgreiche AI-Produkte häufig Anpassungen des Geschäftsmodells erfordern

Die offensichtlichsten Auswirkungen zeigen sich häufig im Vertrieb. Ein klassischer Maschinenvertrieb verkauft Maschinen, Ersatzteile und Serviceleistungen. Die Diskussion mit dem Kunden dreht sich um technische Spezifikationen, Leistungsmerkmale, Verfügbarkeit, Lebensdauer und Investitionskosten.
 

AI-Produkte führen dagegen häufig zu völlig anderen Fragestellungen. Kunden interessieren sich für die Herkunft der Daten, die Qualität der zugrunde liegenden Modelle, die Integration in bestehende Systemlandschaften, Fragen des Datenschutzes sowie die erwartbaren wirtschaftlichen Ergebnisse. Damit verändert sich nicht nur das Produkt, sondern auch die Art des Verkaufsgesprächs.
 

Viele Vertriebsorganisationen sind auf diese Veränderungen nur begrenzt vorbereitet. Dies liegt nicht an mangelnder Leistungsbereitschaft, sondern daran, dass neue Produkte oftmals neue Fähigkeiten erfordern. Vertriebsmitarbeiter, die über Jahre hinweg physische Produkte erfolgreich vermarktet haben, verfügen nicht zwangsläufig über die Kompetenzen, komplexe datenbasierte Lösungen zu erklären oder deren wirtschaftlichen Nutzen zu quantifizieren.
 

Hinzu kommt ein weiterer Aspekt, der in der Praxis häufig unterschätzt wird. Vertriebsorganisationen folgen in der Regel bestehenden Anreizsystemen. Diese wurden über Jahre auf etablierte Produkte optimiert und spiegeln die wirtschaftlichen Prioritäten des Unternehmens wider. Neue AI-Produkte konkurrieren damit häufig um dieselbe Aufmerksamkeit wie bestehende Angebote, obwohl ihre Marktpotenziale, Margenstrukturen und Erfolgswahrscheinlichkeiten zu Beginn häufig noch unklar sind.
 

Aus Unternehmenssicht können diese Produkte von hoher strategischer Bedeutung sein. Für einzelne Vertriebsmitarbeiter kann es jedoch wirtschaftlich sinnvoller erscheinen, weiterhin jene Produkte zu priorisieren, mit denen sie bereits erfolgreich sind. Die Herausforderung liegt somit nicht in der Technologie, sondern in der Ausgestaltung des Geschäftsmodells und der zugrunde liegenden Anreizstrukturen.
 

Ähnliche Fragestellungen ergeben sich bei Ressourcen und Kompetenzen. Viele AI-Produkte erfordern Fähigkeiten, die in klassischen Industrieunternehmen bislang nur begrenzt vorhanden waren. Dazu zählen beispielsweise Produktmanagement, Customer Success Management, Datenmanagement, Softwarebetrieb oder die kontinuierliche Weiterentwicklung digitaler Produkte.
 

Während physische Produkte nach ihrer Auslieferung häufig nur in größeren Entwicklungszyklen verändert werden, entwickeln sich AI-Produkte kontinuierlich weiter. Kunden erwarten regelmäßige Verbesserungen, neue Funktionen und eine fortlaufende Optimierung der Ergebnisse. Die Entwicklung endet daher nicht mit dem Verkauf, sondern wird Teil des laufenden Betriebs.
 

Dadurch verändert sich auch die zugrunde liegende Wertschöpfungskette. Aktivitäten, die bislang nur eine untergeordnete Rolle spielten, gewinnen zunehmend an Bedeutung. Gleichzeitig entstehen neue Anforderungen an Organisation, Prozesse und Verantwortlichkeiten.
 

Darüber hinaus verändert sich häufig das Wertnetzwerk. Traditionelle Industrieunternehmen arbeiten vielfach mit etablierten Lieferanten, Distributoren und Servicepartnern zusammen. AI-Produkte erfordern zusätzlich die Zusammenarbeit mit Cloud-Anbietern, Softwareintegratoren, Datenpartnern oder Technologieplattformen. Damit erweitert sich das bestehende Netzwerk um neue Akteure, die für die Entwicklung, Bereitstellung und Skalierung der Produkte relevant werden. Zudem ändern sich häufig die Zielkunden und Ansprechpartner des neuen AI-Produkts.
 

Die Entwicklung erfolgreicher AI-Produkte kann daher Anpassungen über nahezu alle Elemente eines Geschäftsmodells hinweg erforderlich machen. Dazu zählen:

​

• Ressourcen und Kompetenzen

• Wertschöpfungskette

• Kosten- und Erlösstruktur

• adressierten Industrien und Marktsegmente

• Wertnetzwerk

• gewählte Geschäftsfeldstrategie.

 

Je stärker sich der geschaffene Kundennutzen von bisherigen Angeboten unterscheidet, desto größer wird typischerweise auch der Anpassungsbedarf auf Geschäftsmodellebene.
 

ARVIEN Produkt- und Geschäftsmodellinnovationsmatrix

Die bisherigen Beobachtungen lassen sich in einer einfachen Matrix zusammenführen. Sie basiert auf zwei Innovationsdimensionen, die für den langfristigen Erfolg von AI-Produkten entscheidend sind.
 

Die erste Dimension beschreibt den Grad der Produktinnovation. Sie beantwortet die Frage, in welchem Umfang ein Unternehmen neue Produkte oder neue Formen des Kundennutzens entwickelt.
 

Die zweite Dimension beschreibt den Grad der Geschäftsmodellinnovation. Sie beantwortet die Frage, in welchem Umfang die strategischen Voraussetzungen angepasst werden, die erforderlich sind, um diesen Kundennutzen erfolgreich zu vermarkten und wirtschaftlich zu erschließen.
 

Aus der Kombination beider Dimensionen ergeben sich vier grundlegende Situationen (siehe Abbildung 2).