Hinweis: Das Interview wurde am 8. Dezember 2025 geführt.
Wie würden Sie Ihren beruflichen Werdegang beschreiben und welche Stationen haben Sie besonders geprägt?
Wenn ich auf meinen Werdegang zurückblicke, dann ist der entscheidende Punkt, dass ich sehr früh realisiert habe, dass man in einer Beratungskarriere Dinge bewegen kann zu einem Zeitpunkt, an dem das in anderen Laufbahnen oft noch nicht möglich ist. Deshalb habe ich mich früh für den Einstieg in die Beratung entschieden.
Meine erste Station bei Kearney war stark operationslastig geprägt. Ich habe an Veränderungsprogrammen und Prozessoptimierungen gearbeitet, also an Themen, die unmittelbar dazu geführt haben, dass sich Geschäftsmodelle und Arbeitsweisen von Unternehmen verändert haben. Nach einigen Jahren hatte ich jedoch den Eindruck, dass digitale Transformation überall diskutiert wurde, ohne dass wirklich klar war, was konkret darunter zu verstehen ist. Weder Kunden noch Berater konnten das Thema sauber greifen und ich selbst hatte das Gefühl, dass viel darüber gesprochen wurde, ohne es wirklich zu verstehen.
Aus diesem Grund wollte ich digitale Transformation nicht nur beraten, sondern selbst erleben. Ich bin zu Freeletics gewechselt, damals eine der am schnellsten wachsenden Fitness Apps in Europa. Dort habe ich erstmals ein digitales Produkt von Grund auf aufgebaut und ein digitales Geschäftsmodell entwickelt, eingeführt und skaliert. Später habe ich die Verantwortung für Strategie und Intelligence übernommen und begonnen, gemeinsam mit meinen Teams Algorithmen zu entwickeln, unter anderem Trainingsalgorithmen, Churn Modelle und Preistests. Viele der Themen, die ich heute berate, habe ich dort erstmals hands on umgesetzt.
Mit dieser Kombination aus Beratungserfahrung und operativer Scale-up-Erfahrung bin ich zurück in die Beratung gegangen, weil ich im Kern Berater geblieben bin. Seit 2020 bin ich bei Simon Kucher und berate Kunden rund um digitale und datengetriebene Wachstumsthemen. Zusätzlich habe ich die Rolle des Chief Operating Officer übernommen und verantworte die globalen Operations. Mein Fokus liegt auf Effizienz, Qualität und Digitalisierung über alle Märkte hinweg sowie auf dem weiteren Ausbau unseres Digital- und AI-Bereichs. In Summe bewege ich mich an der Schnittstelle von Strategie, Technologie und operativer Umsetzung.
Wie hat sich der Arbeitsalltag von Beraterinnen und Beratern in den letzten Jahren verändert und welche Rolle spielt dabei generative KI?
Die Arbeitsweise hat sich grundlegend verändert. Früher war Beratung stark geprägt von manueller Analyse, viel Excel, viel PowerPoint und linearen Projektphasen. Es gab lange Analysezyklen, danach eine Konzeptphase und anschliessend die Umsetzung.
Heute sind Daten und Analytics in nahezu jedem Projekt zentral geworden, insbesondere in den Bereichen Pricing, Marketing und Vertrieb. Beraterinnen und Berater müssen sich deutlich stärker mit analytischen Tools und Datenkompetenz auseinandersetzen. Gleichzeitig arbeiten wir in kürzeren Iterationszyklen. Statt reiner Konzeptarbeit geht es um Test and Learn, A-B-Tests und Experimente. Entscheidend ist nicht mehr das Deck, sondern nachweisbarer Business Impact.
Zudem erwarten Kunden immer häufiger dauerhafte Lösungen in Form von Software, Tools oder Algorithmen, die in ihre Infrastruktur integriert werden. Das verändert das Delivery-Modell der Beratung grundlegend.
Generative KI unterstützt diese Entwicklung stark. Sie hilft dabei, schneller auf Wissen zuzugreifen, Märkte zu analysieren, Hypothesen zu entwickeln und Projekte effizienter umzusetzen. Auch im analytischen Bereich verändert sich die Arbeitsweise deutlich. Wo früher mehrere Analysten benötigt wurden, arbeitet heute ein kleineres Team unterstützt durch KI-gestützte Tools.
KI ersetzt den Berater nicht. Sie vereinfacht repetitive Aufgaben. Die eigentliche Wertschöpfung liegt weiterhin in der Übersetzung von Analysen in Entscheidungen, im Verständnis von Kontext und im Umgang mit Unsicherheit. Genau das erhöht die Anforderungen an junge Talente deutlich.
Welche Missverständnisse begegnen Ihnen bei Unternehmen im Umgang mit KI besonders häufig?
Wenn man heute mit Führungskräften spricht, sagen die meisten, dass sie bereits etwas im Bereich KI machen. Gleichzeitig sehen viele kaum messbare Effekte. Das liegt selten an der Technologie selbst.
Ein zentrales Missverständnis ist der Technology-first-Ansatz. Unternehmen starten mit der Technologie und nicht mit der Geschäftsfrage. Der Glaube, dass KI automatisch Produktivitätsgewinne bringt, ist falsch. Entscheidend ist, welches konkrete Business-Problem gelöst werden soll und welchen Beitrag KI zur Wertschöpfung leisten soll. Ohne klares Zielbild bleiben Ergebnisse aus.
Hinzu kommt die Annahme, dass ein einzelnes Modell oder ein LLM bereits einen Return on Investment liefert. Der Wert entsteht durch klar definierte Use Cases und deren konsequente Umsetzung. Häufig wird zudem unterschätzt, wie aufwendig Themen wie Datenqualität, Integration in bestehende IT-Systeme, Governance und Security sind.
Viele Unternehmen glauben ausserdem, sie müssten KI-Lösungen selbst entwickeln. Für die meisten ist das weder sinnvoll noch realistisch. Eine Fast-Follower-Strategie, bei der bestehende Lösungen gezielt integriert werden, ist in vielen Fällen effizienter.
Ein weiteres Missverständnis betrifft generative KI. Sie ist sehr stark in Text- und Content-Anwendungen, aber für Themen wie Forecasting, Optimierung oder numerische Genauigkeit sind klassische Machine-Learning-Ansätze oft besser geeignet. Nicht jedes Problem ist ein Gen-AI-Use-Case.
Schliesslich wird der Faktor Mensch unterschätzt. Ohne Akzeptanz in der Organisation und ohne aktives Change Management entfaltet KI keine Wirkung. KI muss immer Teil eines Business-Projekts sein, mit klaren Zielen, priorisierten Use Cases und messbaren Ergebnissen.
Wie nutzen Sie KI konkret im Pricing und welche Faktoren fliessen in solche Modelle ein?
Grundsätzlich gibt es zwei Wege. Entweder entwickeln wir für Kunden spezifische Algorithmen im Rahmen eines Projekts und übergeben diese anschliessend zur Nutzung. Oder wir implementieren bestehende Softwarelösungen aus dem Simon-Kucher-Engine-Umfeld. Welche Variante sinnvoll ist, hängt stark von der jeweiligen Ausgangslage ab.
Inhaltlich bewegen wir uns im Pricing vor allem in Bereichen wie Dynamic Pricing, Nachfrageprognosen, Preiselastizitätsmodellen sowie der Optimierung von Rabatten und Konditionen, insbesondere im B2B. Ergänzend setzen wir generative KI ein, etwa um Vertriebs- oder Produktteams mit konkreten Pricing-Empfehlungen in Verhandlungssituationen zu unterstützen.
Die Modelle greifen auf unterschiedliche Datenkategorien zurück. Dazu gehören Kundensegmente, historische Kaufdaten, Loyalitätsindikatoren, Produktmerkmale wie Kategorie, Markenstärke oder Lebenszyklusphase sowie Transaktions- und Preishistorien. Hinzu kommen Markt- und Wettbewerbsdaten sowie Kontextfaktoren wie Saison, Kanal, Lagerbestand oder externe Einflüsse. In einzelnen Fällen spielen auch Wetterdaten eine Rolle.
Ziel ist es, Zahlungsbereitschaften oder Preissensitivitäten zu schätzen, daraus Nachfrage abzuleiten und darauf basierend optimierte Preise oder Konditionen vorzuschlagen. Technisch werden Machine-Learning-Modelle mit erklärbaren Komponenten kombiniert, damit Pricing- und Sales-Teams die Empfehlungen nachvollziehen und umsetzen können. In der Praxis sind produktive Lösungen fast immer eine Mischung aus datengetriebenen Modellen und klaren Business-Regeln.
Wie beurteilen Sie die aktuellen Investitionen in KI-Infrastruktur und die Diskussion um mögliche Überinvestitionen?
Ich glaube, wir haben die tatsächlichen Effekte dieser Investitionen noch gar nicht gesehen. Viele relevante Use Cases entstehen erst jetzt. Rechenzentren sind eine Voraussetzung dafür, dass diese Anwendungen überhaupt realisiert werden können.
Natürlich kann es punktuell Überinvestitionen geben. Gleichzeitig stehen viele Unternehmen noch am Anfang ihrer Transformationsreise. Die physische Lebensdauer von Hardware ist relativ lang, die wirtschaftliche Lebensdauer kürzer. Entscheidend ist, dass Unternehmen keine Hardware-Wetten eingehen, sondern flexibel bleiben und sich auf Use Cases, Datenstrategie und Governance konzentrieren.
Wo bleibt menschliche Führung unverzichtbar und wo kann KI heute bereits eigenständig wirken?
Alles, was repetitiv, standardisierbar und klar strukturiert ist, lässt sich gut automatisieren. Das gilt für Coding-Unterstützung, Dokumentation oder Backoffice-Prozesse. Auch in Bereichen wie Pricing, Marketing oder Vertriebsoptimierung wird KI seit Jahren erfolgreich eingesetzt.
Unverzichtbar bleibt der Mensch bei strategischen Entscheidungen, Transformation, Führung, Ethik und beim Mitnehmen der Organisation. Auch die Identifikation, Priorisierung und Bewertung von Use Cases bleibt eine menschliche Aufgabe.
Wie schützt Simon-Kucher sein proprietäres Wissen im Zeitalter von KI?
Unser Grundprinzip ist Trusted AI. Wir arbeiten in gesicherten Enterprise-Umgebungen und stellen sicher, dass weder Kunden- noch Unternehmensdaten in öffentliche Modelle fliessen. Technisch setzen wir auf klare Data-Governance-Strukturen und kontrollierte Zugriffe auf interne Wissensquellen.
Unser Wettbewerbsvorteil liegt nicht nur im Content, sondern in Methodik, Erfahrung und Umsetzungskompetenz aus tausenden Projekten. KI hilft uns, dieses Wissen besser nutzbar zu machen, ersetzt es aber nicht.
Wie positioniert sich Simon-Kucher im Vergleich zu anderen Beratungen im Bereich KI und Digitalisierung?
Unser Fokus liegt konsequent auf kommerziellen Fragestellungen. Wir bündeln Beratung, Software und KI rund um Wachstum, Pricing, Marketing und Vertrieb. Dadurch verbinden wir spezialisierte Tiefe mit globaler Skalierung.
KI ist kein Zusatz, sondern integraler Bestandteil unserer Projekte. Mit unserem AI Lab und der engen Verzahnung zwischen Beratung und Software entwickeln wir sowohl standardisierte als auch kundenspezifische Lösungen.
Welche Empfehlungen geben Sie Studierenden, die heute KI-Kompetenzen aufbauen möchten?
Der wichtigste Punkt ist, sich auf das Warum zu konzentrieren und nicht nur auf das Tool. Es braucht ein solides Fundament in Statistik, Datenanalyse, Machine Learning und betriebswirtschaftlichen Grundlagen.
Praktische Erfahrungen werden immer wichtiger. KI Literacy wird eine eigenständige Kompetenz. Wer neugierig bleibt, experimentiert und bereit ist, auch den anspruchsvolleren Weg zu gehen, wird langfristig davon profitieren.
