Warum Strategie in PowerPoint brillant aussehen kann und im Daily trotzdem unsichtbar bleibt. Und wie sich das mit AI ändern lässt.
Strategie ist selten das Problem. Ihre Abwesenheit im Alltag schon.
Unternehmen investieren enorm viel Energie in Strategie. Golden Circle Workshops, Leitbilder, Kulturinitiativen, OKRs – alles vorhanden. Auf dem Papier wirkt das schlüssig, oft sogar inspirierend.
Und trotzdem entsteht im Alltag ein anderes Bild.
Ein Entwickler entscheidet, wie ein Feature implementiert wird. Ein Product Owner priorisiert das nächste Ticket. Ein Architekt trifft eine Entscheidung über eine neue Integration. All diese Entscheidungen passieren unter Zeitdruck, mit lokalem Kontext – und fast immer ohne bewussten Bezug zur Unternehmensstrategie.
Das Ergebnis ist kein Chaos. Es ist etwas Gefährlicheres: lokal sinnvolle, global inkonsistente Entscheidungen.
Strategie existiert. Aber sie ist nicht wirksam.
Das eigentliche Problem: Kontextverlust im Moment der Entscheidung
Man kann es zuspitzen:
Unternehmen haben keine Strategieprobleme. Sie haben Kontextprobleme.
Strategie lebt in Präsentationen, in Workshops, in sauber gepflegten Confluence-Seiten. Dort ist sie sichtbar, durchdacht und konsistent. Entscheidungen entstehen an ganz anderen Orten: in der IDE eines Entwicklers, in einem Jira-Ticket, in einem spontanen Slack-Thread, in einem kurzen Gespräch zwischen zwei Kollegen vor dem nächsten Meeting.
Zwischen diesen beiden Welten klafft eine Lücke.
Ein Product Owner priorisiert ein Feature, ohne den strategischen Impact vollständig zu berücksichtigen. Ein Entwickler wählt eine besonders elegante technische Lösung, die aber schwer messbar ist. Ein Architekt entscheidet sich für eine Technologie, die lokal optimal erscheint, aber nicht zu den langfristigen Plattformzielen passt.
Diese Lücke wird selten aktiv adressiert. Stattdessen versucht man sie indirekt zu kompensieren – durch mehr Abstimmungen, zusätzliche Dokumentation, regelmäßige Alignment-Meetings. Das führt kurzfristig zu mehr Transparenz, langfristig aber zu mehr Reibung.
Das Grundproblem bleibt: Der strategische Kontext ist genau in dem Moment nicht verfügbar, in dem er am dringendsten gebraucht wird.
Und dieses Problem skaliert nicht gut.
Noesis: Wenn Strategie zur Laufzeit verfügbar wird
Die Idee hinter Noesis ist radikal einfach:
Was wäre, wenn Strategie genau dort verfügbar ist, wo Entscheidungen entstehen?
Nicht als Dokument. Nicht als Schulung. Sondern als laufender Kontext.
Mit dem Aufkommen von AI-Tools wie ChatGPT, Copilot oder Gemini verschiebt sich der Ort, an dem Entscheidungen vorbereitet werden. Entwickler fragen AI nach Implementierungen. Product Owner formulieren Anforderungen im Dialog mit AI. Architekten evaluieren Optionen gemeinsam mit einem Sprachmodell.
Diese Interaktionen sind der perfekte Hebel – weil jede von ihnen auf einem Prompt basiert.
Und genau hier setzt Noesis an.
Metaprompts: Die unsichtbare Schicht unter jeder Entscheidung
Ein Metaprompt ist im Kern nichts anderes als ein strukturierter Kontext, der jeder Anfrage vorangestellt wird.
Statt dass ein Mitarbeiter einfach fragt:
„Wie implementiere ich Feature X?“
wird implizit ein Kontext mitgeliefert, der Dinge enthält wie:
- Warum existiert das Produkt überhaupt?
- Welche Begriffe verwenden wir?
- Welche Prinzipien gelten für Entscheidungen?
- Welche technischen und organisatorischen Constraints sind gesetzt?
Die eigentliche Anfrage bleibt gleich. Aber die Antwort verändert sich fundamental.
Ein Beispiel aus der Praxis
Ohne Noesis
Ein Entwickler bekommt ein Ticket: „API für Feature X implementieren“. Um Zeit zu sparen, fragt er ein AI-Tool:
„Wie baue ich eine REST-API für Feature X?“
Die Antwort ist technisch solide. Die AI schlägt ein gängiges Framework vor, definiert Endpunkte, denkt an Validierung und vielleicht sogar an Logging und Monitoring. Alles wirkt sauber und genau hier liegt das Problem.
Die Lösung ist generisch. Sie ist nicht falsch, aber auch nicht spezifisch für das Unternehmen.
Niemand fragt in diesem Moment:
- Ist das Feature überhaupt als Hypothese formuliert?
- Wie messen wir, ob es erfolgreich ist?
- Brauchen wir wirklich die volle Komplexität oder reicht ein Minimal-Setup?
Mit Noesis
Dasselbe Szenario aber diesmal wird im Hintergrund ein Metaprompt mitgeliefert, der den Unternehmenskontext beschreibt.
Die AI weiß nun zum Beispiel: Das Unternehmen arbeitet hypothesengetrieben, priorisiert messbare Ergebnisse und versucht, Risiken früh zu validieren.
Die Antwort verändert sich spürbar.
Die AI schlägt nicht nur eine API vor, sondern beginnt mit einer Rückfrage: Wie wird der Erfolg dieses Features gemessen? Sie empfiehlt, zunächst einen minimalen Endpoint zu bauen, der nur die notwendigsten Daten liefert, um ein Experiment zu ermöglichen. Zusätzlich schlägt sie vor, direkt ein Tracking einzubauen, das die Nutzung messbar macht.
Statt einer „fertigen“ Lösung entsteht eine experimentierbare Lösung.
Die Technik ist nicht mehr neutral. Sie ist strategisch ausgerichtet.
Struktur statt Bauchgefühl: Unternehmenskultur als Datenmodell
Damit das funktioniert, muss Kultur aus ihrer diffusen Form gelöst werden.
In vielen Unternehmen wird Kultur implizit verstanden. Man „weiß“, wie Entscheidungen getroffen werden sollten – zumindest glaubt man das. Dieses implizite Wissen funktioniert in kleinen Teams erstaunlich gut, bricht aber spätestens dann auseinander, wenn Organisationen wachsen oder Teams verteilt arbeiten.
Noesis zwingt dazu, dieses implizite Verständnis explizit zu machen.
Das beginnt beim WHY: Warum existiert das Unternehmen überhaupt? Geht es um Effizienz, um Innovation, um Geschwindigkeit oder um Stabilität? Danach folgt die Sprache. Begriffe wie „Feature“, „Experiment“ oder „KPI“ müssen eindeutig definiert sein – sonst interpretiert jede Rolle sie anders.
Ein konkretes Beispiel: In einem Team bedeutet „fertig“ vielleicht „Code ist implementiert“. In einem anderen bedeutet es „Feature ist ausgerollt und messbar erfolgreich“. Ohne gemeinsame Definition entstehen zwangsläufig Missverständnisse.
Darauf aufbauend werden Kulturprinzipien formuliert. Etwa: Nur was messbar ist, kann optimiert werden. Oder: Risiken werden früh validiert, bevor skaliert wird. Diese Prinzipien sind keine Floskeln mehr – sie werden zu Entscheidungsregeln.
Ergänzt wird das Ganze durch ein Entscheidungsmodell und klare Constraints. Beispielsweise kann festgelegt werden, dass neue Technologien nur eingeführt werden dürfen, wenn sie sich in bestehende Plattformstandards integrieren lassen. Oder dass jede größere Umsetzung in Feature Steps zerlegt wird.
Diese Struktur ist kein Selbstzweck. Sie ist notwendig, damit AI sie verarbeiten kann. Denn anders als Menschen kann AI nicht zwischen den Zeilen lesen. Sie braucht expliziten Kontext.
Sprache als Steuerungsinstrument
Ein oft unterschätzter Effekt ist die Vereinheitlichung der Sprache.
In vielen Organisationen existieren mehrere parallele Begriffswelten. Das führt zu subtilen, aber wirkungsvollen Missverständnissen. Ein Product Owner spricht von einem Feature, meint aber eine fachliche Idee. Ein Entwickler versteht darunter eine konkrete Implementierung. Das Management sieht einen Baustein der Roadmap.
Diese Unterschiede fallen im Alltag kaum auf, führen aber dazu, dass Diskussionen länger dauern, Entscheidungen unklar bleiben oder Erwartungen nicht erfüllt werden.
Noesis wirkt hier wie ein Standardisierungsmechanismus.
Wenn in jedem Prompt Begriffe wie Hypothese, Experiment oder KPI Tree verwendet werden – und klar definiert sind – dann zwingt das alle Beteiligten, in derselben Sprache zu denken.
Ein einfaches Beispiel: Statt zu fragen „Wann ist das Feature fertig?“ wird plötzlich gefragt „Wann ist die Hypothese validiert?“. Diese kleine sprachliche Verschiebung verlagert den Fokus von Implementierung hin zu Wirkung.
Das reduziert nicht nur Missverständnisse. Es verändert die Art, wie gedacht wird.
Onboarding ohne Schulung
Ein weiterer Effekt zeigt sich beim Onboarding.
Traditionell bedeutet Onboarding: Dokumente lesen, Meetings besuchen, implizites Wissen aufsaugen. Mit Noesis verschiebt sich das. Neue Mitarbeitende arbeiten direkt mit AI-Tools, die bereits den Unternehmenskontext enthalten.
Sie lernen nicht zuerst die Theorie. Sie lernen durch Anwendung.
Jede Antwort, die sie erhalten, ist bereits im Kontext der Unternehmenslogik formuliert.
Klassische Organisation vs. Noesis
In klassischen Organisationen ist Strategie ein statisches Artefakt. Sie wird definiert, kommuniziert – und dann mehr oder weniger vergessen.
In einem Noesis-Modell ist Strategie ein dynamischer Kontext. Sie ist immer präsent – nicht sichtbar, aber wirksam.
Das ist ein fundamentaler Unterschied.
Warum das jetzt funktioniert
Die Idee, Kultur in Systeme zu übersetzen, ist nicht neu. Neu ist die technische Möglichkeit. Drei Entwicklungen kommen zusammen:
- AI als Entscheidungswerkzeug. Entscheidungen werden zunehmend im Dialog mit AI vorbereitet.
- Prompts als Schnittstelle. Der Prompt wird zur zentralen API zwischen Mensch und System.
- Kontext schlägt Logik. Die Qualität der Antwort hängt stärker vom Kontext als von der Frage selbst ab.
Noesis nutzt genau diese Schnittstelle.
Risiken und Grenzen
Das Modell hat klare Risiken.
Ein schlechter Metaprompt skaliert schlechte Entscheidungen. Zu starre Regeln können Innovation verhindern. Und ohne saubere Integration in bestehende Tools bleibt das Konzept theoretisch.
Noesis ist kein Ersatz für gute Führung oder gute Architektur. Es ist ein Verstärker.
Ein pragmatischer Einstieg
Der Einstieg in Noesis muss nicht komplex sein. Im Gegenteil: Zu viel Perfektion am Anfang verhindert oft, dass das Modell überhaupt genutzt wird.
Ein sinnvoller Startpunkt ist, den eigenen WHY klar zu formulieren. Das klingt trivial, ist in vielen Organisationen aber überraschend unscharf. Warum existiert das Produkt wirklich? Welches Problem wird gelöst – und für wen?
Darauf aufbauend wird eine gemeinsame Begriffswelt definiert. Das kann zunächst ein kleines Glossar sein, das Begriffe wie Hypothese, Experiment oder Feature Step eindeutig beschreibt. Wichtig ist nicht Vollständigkeit, sondern Verbindlichkeit.
Im nächsten Schritt werden wenige, aber klare Entscheidungsprinzipien festgelegt. Beispielsweise: Entscheidungen müssen messbar sein. Risiken werden früh validiert. Komplexität wird bewusst reduziert.
Diese Elemente werden anschließend in einen Metaprompt überführt – also in eine Form, die von AI-Systemen verstanden und verarbeitet werden kann.
Der letzte Schritt ist die Integration in den Alltag. Das kann über einfache Mittel geschehen: Prompt-Templates, Browser-Extensions oder IDE-Plugins, die den Kontext automatisch hinzufügen. Ein Team nutzt etwa ein gemeinsames Prompt-Template in seinem AI-Tool, das immer den Unternehmenskontext enthält. Ohne zusätzlichen Aufwand fließt dieser Kontext in jede Anfrage ein.
Der entscheidende Punkt ist nicht Perfektion. Der entscheidende Punkt ist Wiederholung. Erst wenn der Kontext in jeder Interaktion präsent ist, entfaltet sich die Wirkung.
Fazit
Noesis verschiebt die Perspektive.
Strategie ist nicht länger etwas, das kommuniziert wird. Sie wird zu etwas, das ausgeführt wird.
Nicht einmal im Quartal. Nicht im Steering Committee. Sondern in jeder einzelnen Entscheidung.
Und genau dort entscheidet sich, ob Strategie real ist – oder nur ein Dokument bleibt.
Bei ONLU unterstützen wir Banken und Versicherungen dabei, AI nicht nur als Tool, sondern als strategisches Betriebssystem zu denken. Wenn Sie mit uns sondieren möchten, wie ein Noesis-Ansatz in Ihrer Organisation aussehen könnte, sprechen Sie uns an.
