Der KI-Workspace für Berater: Decks, Frameworks und Recherche im Partnertempo

Was KI in einem Mandat wirklich ersetzt

Beratungsarbeit ist kein einzelner Job. In einer einzigen Woche strukturierst du ein Problem, befragst Stakeholder, bereinigst einen Datenauszug, baust eine Storyline, schreibst die Seiten und verteidigst die Empfehlung. Diese Aufgaben belohnen völlig unterschiedliches Modellverhalten, weshalb sich ein einziges KI-Abo immer zu 70 Prozent nützlich und zu 30 Prozent frustrierend anfühlt.

Die ehrliche Einordnung lautet: KI liefert bei einem Mandat nicht die Antwort. Sie nimmt dir die zwei Stunden ab, die du brauchst, um zu einem ersten Entwurf von etwas zu kommen, das du ohnehin schon zu bauen weißt, und sie findet die Lücke, die du sonst erst am Donnerstag entdeckt hättest, wenn mehr Zeit gewesen wäre. So genutzt ist sie mehrere Stunden pro Woche wert. Als Antwortmaschine genutzt produziert sie genau den generischen Output, den Partner längst erkennen. Die Instanz mit dem größten Hebel in einem Mandat ist die Gesprächszusammenfassung, die einen eigenen Workflow in Meetings mit KI zusammenfassen hat.

Hier ist das Routing, bei dem die meisten Berater landen:

Aufgabe	Bestes Modell	Warum
Problemstrukturierung, Issue Trees, 2x2-Matrizen	GPT	Folgt expliziten strukturellen Vorgaben, hält MECE-Logik ein, liefert saubere Hierarchien
Folienüberschriften und Storyline	Claude	Schreibt in einem menschlichen Register, widersteht Füllwörtern, hält einen konsistenten Argumentationsfaden
Executive Summary und Kunden-E-Mail	Claude	Am stärksten bei Tonalitätskontrolle und beim diplomatischen Formulieren schwieriger Botschaften
Markt- und Wettbewerbsanalysen	Gemini	Am stärksten bei aktuellem Web-Material mit überprüfbaren Quellen
Lange Dokumente und Transkripte lesen	Gemini	1-Mio.-Token-Kontextfenster, sodass ein 120-seitiger Jahresbericht in einem Durchgang passt
Datenextraktion in Tabellen oder JSON	GPT	Am zuverlässigsten bei strikten Ausgabeformaten, die du in Excel einfügen kannst
Plausibilitätsprüfung einer Empfehlung	Was auch immer du nicht selbst entworfen hast	Ein zweites Modell ist das günstigste Red Team, das du je einsetzen wirst

Das musst du dir nicht merken. Die praktische Version lautet: Struktur in GPT entwerfen, Text in Claude entwerfen, in Gemini recherchieren und die finale Logik in einem Modell prüfen, das sie nicht geschrieben hat.

Workflow 1: Framework-Erstellung, die nicht generisch ist

Wer nach "einem Framework für dieses Kundenproblem" fragt, bekommt ein Porter's-Five-Forces-Modell mit eingefügtem Kundennamen zurück. Die Lösung besteht darin, dem Modell das Vorgaben-Set zu geben, das dir auch ein Manager geben würde: die Entscheidung, die der Kunde tatsächlich trifft, die Achsen, die überhaupt relevant sein dürfen, und was bereits ausgeschlossen wurde.

Prompt: Issue Tree

Du strukturierst ein Problem für ein Beratungsmandat. Kundenentscheidung: [die konkrete Entscheidung, zum Beispiel "ob drei regionale Vertriebszentren zu einem zusammengelegt werden sollen"]. Baue einen MECE-Issue-Tree, drei Ebenen tief. Ebene 1 muss die 3 bis 5 Fragen enthalten, die, wenn beantwortet, die Entscheidung lösen. Nenne für jedes Blatt die erforderliche Analyse und die benötigte Datenquelle. Schließe Zweige aus, die wir mit verfügbaren Daten nicht testen können. Markiere jeden Zweig, dessen Antwort wahrscheinlich schon bekannt ist.

Prompt: 2x2, die ihren Platz verdient

Schlage drei Kandidaten-2x2-Matrizen für dieses Problem vor. Benenne für jede beide Achsen, erkläre, was eine Position in jedem Quadranten für den Kunden bedeuten würde, und nenne die eine Entscheidung, die die Matrix treibt. Verwirf jedes Achsenpaar, das nur dieselbe Variable neu formuliert. Empfiehl dann eine und erkläre, warum die anderen beiden hier schwächer sind. Kontext: [füge deine Situationsnotizen ein].

Prompt: ein bereits gebautes Framework auf die Probe stellen

Hier ist ein Framework, das ich gebaut habe: [einfügen]. Verhalte dich wie ein skeptischer Engagement Manager. Identifiziere überlappende Zweige, fehlende Zweige, Zweige, die in der verfügbaren Zeit nicht analysiert werden können, und jede Stelle, an der die Struktur die Antwort bereits voraussetzt. Schreibe es nicht um. Liste nur die Probleme auf.

Der letzte ist der wertvollste Prompt auf dieser Seite. Modelle sind weit besser darin, Struktur zu kritisieren, als sie zu erfinden, und ein Kritikdurchgang dauert 30 Sekunden. Lass dein eigenes Framework davon prüfen, bevor du es in ein Manager-Review trägst, nicht danach.

Workflow 2: Deck-Narrativ, das ein Partner-Review übersteht

Der Fehlermodus KI-geschriebener Folien ist nicht die Grammatik. Es ist, dass jede Überschrift ein Thema statt einer Aussage ist. "Marktüberblick" ist ein Thema. "Die Kategorie wuchs um 11 Prozent, während unser Kunde 3 Punkte Marktanteil verlor, ausschließlich getrieben vom Discount-Kanal" ist eine Aussage, und ein Deck aus Aussagen liest sich wie Denken statt wie Berichterstattung.

Prompt: erst die Storyline, dann die Seiten

Baue eine horizontale Storyline für ein Kunden-Deck. Situation: [2 Sätze]. Komplikation: [2 Sätze]. Frage, die der Kunde stellt: [1 Satz]. Belege, die ich habe: [Stichpunkte]. Empfehlung: [1 Satz]. Liefere 8 bis 12 Folienüberschriften, jede eine vollständige Aussage mit Subjekt und Verb, die in Reihenfolge gelesen ein einziges Argument ergeben. Keine Themenlabel. Liste nach den Überschriften jede Aussage auf, für die ich noch keine Belege habe.

Diese letzte Anweisung ist die, die dich rettet. Sie liefert dir eine Liste von Belegslücken, bevor du Seiten baust, genau die Liste, die ein Partner im Review ohnehin erstellen würde.

Prompt: die Seite schreiben

Schreibe den Textinhalt für diese Folie. Überschrift: [Überschrift einfügen]. Unterstützende Daten: [Zahlen oder Ergebnisse einfügen]. Zielgruppe: [zum Beispiel "COO und zwei direkte Berichte, operativ versiert, Beratern gegenüber skeptisch"]. Vorgaben: maximal drei Stützpunkte, jeder unter 20 Wörtern, keine Adjektive, die nicht messbar sind, keine Behauptung, die über die gegebenen Daten hinausgeht. Füge eine Zeile "und was bedeutet das" für den Kunden hinzu.

Prompt: der Tonalitätsdurchgang

Schreibe das um, damit es zur Stimmprobe passt. Behalte jede Zahl und Aussage identisch bei. Entferne jeden Satz, der unverändert in einem Deck für einen anderen Kunden stehen könnte. Stimmprobe: [zwei Absätze aus einem Deck einfügen, das deinem Partner gefallen hat]. Entwurf: [einfügen].

Die Stimmprobe zählt mehr als jede Anweisung zum Tonfall. Zwei Absätze der tatsächlichen Texte deiner Firma verschieben den Output weiter als ein Absatz voller Adjektive, die beschreiben, wie es klingen soll.

Bevor du irgendetwas verschickst, führe den umgekehrten Test durch: Füge deine Überschriften wieder in einen neuen Chat ein und frage Welches Argument wird hier gemacht, und was ist das schwächste Glied darin? Wenn das Modell dein Argument nicht wiedergeben kann, kann es der Kunde auch nicht.

Workflow 3: Marktanalysen, die du wirklich zitieren kannst

Recherche ist der Bereich, in dem KI in einem Mandat am nützlichsten und am gefährlichsten ist. Eine selbstsichere, erfundene Marktgrößenzahl, die es in ein Kunden-Deck schafft, ist ein Karriereproblem, keine Unannehmlichkeit. Die Disziplin ist einfach: nutze ein webverbundenes Modell, verlange Quellen und behandle jede Zahl als unverifiziert, bis du die Quelle selbst geöffnet hast.

Prompt: Kategorieanalyse

Recherchiere den Markt [Kategorie]. Liefere: (1) Marktgrößenschätzungen der letzten 24 Monate, jeweils mit veröffentlichender Organisation, Jahr und URL; (2) die 5 bis 8 größten Player mit öffentlich gemeldeten Umsatz- oder Marktanteilszahlen; (3) wesentliche Veränderungen der letzten 12 Monate, also Markteintritte, Marktaustritte, Finanzierungsrunden, Übernahmen und regulatorische Änderungen; (4) die zwei oder drei strukturellen Kräfte, die das Wettbewerbsbild in den nächsten 24 Monaten am wahrscheinlichsten verändern. Wo sich Quellen widersprechen, zeige beide Zahlen, statt zu mitteln. Markiere alles, was du nicht belegen kannst, als UNVERIFIZIERT.

Prompt: Konkurrenz-Teardown

Baue einen Positionierungs-Teardown von [Konkurrent]. Decke ab: das erklärte Wertversprechen in ihren eigenen Worten, Zielsegmente, Preise, sofern öffentlich, Vertriebskanäle, aktuelle Produkt- oder Messaging-Änderungen mit Datum, und die in öffentlichen Bewertungen sichtbaren Beschwerdethemen der Kunden. Zitiere jede Behauptung. Trenne, was das Unternehmen selbst aussagt, von dem, was Dritte beobachten.

Prompt: das lange Dokument lesen

Lies dieses Dokument und extrahiere nur, was für [die Kundenentscheidung] relevant ist. Liefere eine Tabelle mit: Behauptung, Seiten- oder Abschnittsverweis, und ob sie die Hypothese, dass [Hypothese formulieren], stützt, widerlegt oder neutral dazu ist. Liste danach die drei Dinge in diesem Dokument auf, die dich am stärksten gegenüber Branchennormen überraschen.

Der letzte Prompt zeigt, warum ein großes Kontextfenster in diesem Job zählt. Einen ganzen Jahresbericht, eine vollständige regulatorische Einreichung oder 15 Interview-Transkripte zu laden und eine Frage gegen das gesamte Material zu stellen, ist eine grundlegend andere Fähigkeit als das Zusammenfassen einer Seite nach der anderen. Gemini 3.7 Flash liest bei Whizi ein 1-Mio.-Token-Kontextfenster, etwa 2.000 Textseiten, deshalb ist es der Standard für diesen Durchgang.

Für eine tiefere Einführung in Quellenarbeit und Verifikation siehe den Leitfaden zu KI für Marktforschung.

Kundenvertraulichkeit: Was du vor dem Einfügen schwärzen solltest

Jeder Berater fragt das schon vor dem zweiten Prompt, und die ehrliche Antwort hat zwei Teile. Whizi trainiert nicht mit deinen Gesprächen, und die Datenrichtlinie jedes Anbieters ist einsehbar, bevor du das Modell aktivierst. Das deckt die Plattform ab. Es deckt nicht deine Kundenvereinbarung ab, die meist strenger ist als jede Anbieterrichtlinie und das Dokument, das dich eigentlich bindet.

Die praktikable Gewohnheit ist, Identität zu entfernen, ohne die Struktur zu entfernen. KI-Reasoning braucht den Kundennamen nicht, um nützlich zu sein, und ihn zu entfernen kostet dich nichts:

• Ersetze Kunden- und Konkurrentennamen durch Platzhalter: Kunde A, Konkurrent B, Region 1.
• Runde oder indexiere Zahlen. "Umsatz indexiert auf 100 im Jahr 2023, 94 im Jahr 2025" bewahrt die gesamte analytische Form.
• Entferne Namen, E-Mail-Adressen und Titel aus Interview-Transkripten vor dem Hochladen. Rollen reichen aus, und Rollen sind das, was die Analyse nutzt.
• Halte alles, was unter eine spezifische NDA-Klausel fällt, personenbezogene Daten oder wesentliche nicht öffentliche Informationen, vollständig aus jedem KI-Tool heraus, auch aus diesem.
• Wenn das Mandat unter verschärften Restriktionen steht, kläre das vor dem Mandat mit dem Risikoteam deiner Firma, nicht danach.

Ein geschwärzter Prompt ist ohnehin meist der bessere Prompt. Sich selbst zu zwingen, die Situation in strukturellen Begriffen zu beschreiben, entfernt die beiläufigen Details, die die Aufmerksamkeit des Modells verwässert hätten.

Warum ein Workspace hier drei Abos schlägt

Der spezifische Vorteil in einem Mandat ist nicht der Preis, auch wenn die Rechnung real ist: ChatGPT Plus, Claude Pro und Google AI Pro kosten je etwa $20, zusammen rund $60 im Monat, gegenüber $29.99 für Whizi Pro, und eine Claude-Sonnet-5-Nachricht verbraucht 10 der 2.000 Credits, die Pro jeden Monat mitbringt, sodass ein ganzes Deck an Überschriftendurchgängen die Grenze kaum antastet. Selbstständige spüren eine noch schärfere Version dieser Rechnung, durchgearbeitet in KI-Tools für Freelancer. Der eigentliche Vorteil ist, dass der Kontext den Modellwechsel überlebt. Du lädst den Datenauszug des Kunden hoch, strukturierst das Problem mit GPT, entwirfst die Storyline mit Claude und ziehst den Marktkontext mit Gemini, alles in einem Thread, der sich merkt, was vorher kam. Dasselbe über drei Produkte zu tun bedeutet, das Mandat dreimal neu zu erklären und die Versionshistorie im Kopf zu behalten.

Der Side-by-Side-Vergleich ist der zweite Vorteil, und er spiegelt genau wider, wie Beratungsqualität beurteilt wird. Dieselbe Executive Summary durch zwei Modelle laufen zu lassen und den besseren Absatz zu behalten ist eine Zwei-Minuten-Gewohnheit, die die untere Grenze dessen, was du verschickst, messbar anhebt. Sie reduziert auch die Reaktion "das klingt nach KI", weil du den besten Output für jeden Abschnitt lieferst, statt den Hausstil eines einzelnen Modells über ein ganzes Dokument zu strecken.

Der dritte ist der Red-Team-Durchgang. Bitte ein Modell, das die Empfehlung nicht entworfen hat, dagegen zu argumentieren: Argumentiere den stärksten Fall dafür, dass diese Empfehlung falsch ist. Was müsste zutreffen, damit die gegenteilige Schlussfolgerung gilt? Was auch immer es findet, der CFO des Kunden hätte es auch gefunden.

Was KI nicht für dich erledigt

Sie sagt dir nicht, was der Kunde tatsächlich will, was meist anders ist, als das RFP behauptet, und nur im Raum selbst zu lernen ist. Sie weiß nicht, dass der COO, der deine Empfehlung umsetzen muss, dieselbe Idee vor zwei Jahren schon blockiert hat. Sie trägt keine Verantwortung für eine Zahl, also musst du jede Zahl, die es auf eine Seite schafft, selbst verifizieren.

Sie ist auch schwach in genau dem, wofür Berater bezahlt werden: Urteilsvermögen unter unvollständiger Information mit Reputationsfolgen. Ein Modell gibt dir gerne eine selbstsichere Antwort aus dünnen Belegen, weil Selbstsicherheit für das Modell billig ist und für dich teuer. Behandle jeden Output als den ersten Entwurf eines belesenen Analysten, der den Kunden nie getroffen hat und dem nichts vorgeworfen werden kann.