René und Nikolai stehen auf der Bühne und ringen mit ihrer Positionierung zwischen Business Intelligence und KI. Im Dialog wird klar, wie KI das klassische BI-Geschäft verändert, warum „Business Value“ statt reiner Datenaufbereitung das neue Verkaufsargument ist und wie man durch Prototypen und Proof-Projekte aus dem Zeit-für-Geld-Modell ausbricht. Ein offenes Gespräch über Engpässe, Zielgruppen und konkrete nächste Schritte.

Ausgangslage: Der Engpass beim Sprung ins neue Angebot

In diesem Bühnensegment arbeiten zwei Teilnehmer — René und Nikolai — ihre Positionierungsfrage live mit der Gruppe durch. Beide stehen vor demselben Muster: Sie wollen raus aus dem klassischen Zeit-für-Geld-Modell und hin zu einem skalierbaren Angebot (Retainer, Leistungspaket, neues Offering), brauchen dafür aber den ersten Proof-Kunden, der bestätigt, dass das neue Angebot wirklich trägt.

Der Moderator fasst Renés Engpass aus der Gruppenarbeit zusammen: Es fehlt der erste Kunde im neuen Modell — und damit die Bestätigung, dass das, was er anbietet, auch funktioniert.

Renés KI-Reflexion: Zurück zum BI-Anker

René hat seine Situation mit der KI gespiegelt, allerdings ohne den vollen Kontext aus dem Call mitzugeben. Das Ergebnis war erwartbar:

• Die KI hat ihm mehr Fokus empfohlen.
• Sie hat aufgrund seiner Historie das Business-Intelligence-Thema betont — also genau das, was er ohnehin schon kann.
• Die KI hat damit indirekt das alte Modell verstärkt, statt den Sprung in nutzenbasierte Bezahlung zu unterstützen.

Renés eigene Logik dahinter: „BI ist das Fundament, KI ist der Hebel.“ Genau hier beißt sich die Katze in den Schwanz — für das Neue mit KI fehlt ihm noch der Proof, also rutscht er gedanklich immer wieder zurück ins Bewährte.

Lehre für die Gruppe: Wenn die KI weder Fitness-Check noch Vorher-Nachher-Kontext kennt, spiegelt sie nur das Bestehende. Lasst euch nicht von einer kontextarmen KI in die falsche Richtung führen — das gilt auch für jeden Coach ohne vollen Kontext.

Wie verändert KI das BI-Geschäft?

Der Moderator stellt die zentrale Disruptionsfrage und nutzt ein konkretes Beispiel: Innerhalb einer Nacht wurde mit KI eine komplette Website neu gebaut und migriert — etwas, wofür Agenturen 50.000–70.000 Euro veranschlagt hätten. Ähnliches passiert in den Prototypen, die in der Gruppe für Kunden wie das Autohaus-Projekt entstehen.

Renés Differenzierung:

• Bei regulierten Großkunden (Banken, Abschlüsse) bleibt der Nicht-Determinismus von KI ein echtes Problem — Reproduzierbarkeit ist Pflicht.
• Bei der neuen Zielgruppe (Mittelstand, kleinere Unternehmen) gilt das nicht in der Form — und genau dort liegt das neue Angebot.

Der Moderator macht klar: Wer glaubt, mit dem neuen Angebot bei den alten Großkunden zu landen, wird scheitern. Erst kommen Zielgruppe, Markt und Nische — dann das Minimal Viable Product.

Nikolais Impuls: Vom BI zum Business Value

Nikolai bringt den entscheidenden Hebel ein: Noch einen Schritt weitergehen als BI — direkt zum Business Value.

• Nicht: „Hier sind alle Informationen.“
• Sondern: „Mit diesen Informationen triffst du diese Entscheidung und setzt sie in diese Aktivität um.“

Das macht das Angebot für kleinere Unternehmen anschlussfähig, weil diese:

• Klare Signale brauchen, die zu klarem Handeln auffordern.
• Weder Manpower noch Zeit für eigene Datenexperimente haben.
• Eine begrenzte Anzahl an Datenquellen und Handlungsoptionen haben — was die Komplexität sinken lässt.

Konkretes Bild: Statt einer BI-Tabelle bekommt das Autohaus die Aussage: „Umsatz so, Personalkosten so — du musst jetzt ein Verkaufstraining machen, sonst bist du nicht mehr liquide.“ Plus die dahinterliegenden Alternativen zu jedem Signal.

Das Autohaus-Beispiel: Wie der Prototyp BI obsolet erscheinen lässt

Anhand des laufenden Autohaus-Prototypen wird das Prinzip greifbar:

• Eingespeist sind Fahrzeugbestand, Bestandsdaten, was vom Hof muss.
• Der Vertriebler bekommt über eine Oberfläche eine Empfehlung plus Begründung plus zwei bis drei Alternativen.
• Inklusive Hinweis: „Wenn du diesen Wagen verkaufst, ist es für deine Provision und das Autohaus das Beste — gibt nochmal 2 % extra.“
• Auch der Kundennutzen wird gegengerechnet (z. B. Alternative 2 wäre für den Kunden besser, aber Lieferzeit sechs Wochen).
• Finanzierung, Leasing, alles auf einen Blick — in einem Prototypen.

Vorher: Excel-Tapeten, zwei Tage für ein Angebot. Jetzt: in Minuten. Der Moderator: „Die werden umfallen morgen, weil die sowas noch nie gesehen haben.“

Die strukturelle Verschiebung: 80/20 dreht sich um

Nikolai macht die wirtschaftliche Konsequenz explizit:

• Im klassischen BI-Geschäft sind ca. 80 % Data Engineering, 20 % Reporting on top — und Data Engineering ist das, wofür Konzerne gut bezahlen.
• Beim Wechsel auf den Mittelstand mit KI-gestützten Use Cases drehen sich die Verhältnisse: 80 % Use Case, 20 % Engineering.
• Folge: kleinere Tickets pro Kunde, aber deutlich schneller durch — und damit mehr Kunden, mehr Proofs, mehr Marktnähe.

Renés berechtigter Einwand: Der Nicht-Determinismus von KI bleibt eine Herausforderung. Im reinen, regelbasierten BI gilt „gleicher Input = gleicher Output“. Bei KI nicht automatisch — die Reproduzierbarkeit muss aktiv hergestellt werden.

Antwort aus dem Prototyp: Genau deshalb wird die Blackbox sichtbar gemacht. Der Verkäufer sieht die Kriterien hinter jeder Empfehlung (z. B. „Leasingvertrag des Kunden läuft dann und dann aus“). Das Risiko wird durch Human in the Lead mitigiert.

Renés ehrliches Zwischenfazit und ein konkreter Proof-Pfad

René benennt seinen eigentlichen Engpass klar: Er weiß noch nicht, wohin es gehen soll. Die Reflexion ist die Übung — verschiedene Wege anzugehen, zu sehen, was nicht funktioniert, und zu fragen warum.

Der Moderator schlägt das Backwards-Imaging vor:

• In zwölf Monaten: Wie sieht mein Tag aus? Welche Kunden habe ich? Was tue ich konkret?
• Daraus rückwärts ableiten, welche Entscheidung jetzt fällig ist.
• Auch valide: bewusst beim alten BI-Großkundengeschäft bleiben, wenn das das Bild ist.

René hat parallel ein konkretes Angebot auf dem Tisch: Eine Partnerschaft im Insolvenz-Umfeld — ein BI- und KI-Projekt, in dem er selbst Gesellschafter werden würde. Das wäre für ihn der eigene Proof, ohne das BI-Standbein zu verlieren, und gleichzeitig ein wachsender Markt.

Das Angebot des Moderators: Gemeinsam an zwei, drei Kunden lernen

Der Moderator macht René ein konkretes Angebot:

• Bei zwei bis drei Kunden gemeinsam durchziehen.
• Der Moderator kommt von der Konzeptseite („Was bedeutet das für die Kunden?“).
• René liefert die Daten- und Backend-Expertise.
• Ziel: ein gemeinsames Verständnis aufbauen — damit René bei künftigen Projekten, die über System-as-a-Service-Anbieter reinkommen, die erste Wahl für die Umsetzung ist.

Das ist der pragmatische Brückenschlag zwischen Renés bestehender Expertise und dem neuen, KI-getriebenen Spielfeld.

Nikolais Schritt: KI in die eigene Positionierung holen

Nikolai berichtet von seinem Klon-Projekt mit der KI — bewusst kritisch eingestellt, mit der Anweisung, nichts zu beschönigen.

• Erst hat die KI ihn dafür kritisiert, an der Positionierung schon wieder zu drehen, obwohl sie bei anderen Kunden noch nicht durch ist.
• Nach Fütterung mit Ergebnissen aus den Kundengesprächen kippte die Empfehlung.
• Resultat: KI bewusst ins Branding aufnehmen. Neue Headline-Richtung: „Umsatz durch Daten und KI“ — Datenwert plus Umsatzgenerierung.

Hintergrund der Veränderung: Durch den TÜV-zertifizierten Manager für KI-Transformation, die KI-Strategie-Beratung und das selbst entwickelte Datencheck-Tool hat Nikolai jetzt genug fundiertes Wissen, um KI ohne Hochstapler-Gefühl in seiner Positionierung zu führen.

Zielgruppe und Arbeitsteilung im Tandem

Nikolais Zielgruppe: System-as-a-Service-Anbieter wie Workday, Personio oder vergleichbare. Sein Angebot bleibt bewusst fokussiert:

• Nicht End-to-End-Entwicklung.
• Bis zur Übergabe begleiten.
• Für die richtige Übergabe die passenden Personen vermitteln (z. B. für Schulungen).

Der gemeinsame Gedanke: Nikolai vorne, René hinten in den Daten — mit unterschiedlichen Augen auf dasselbe Projekt. Win-Win statt Konkurrenz.

Take-aways aus diesem Bühnen-Segment

• Eine kontextarme KI verstärkt deine alte Positionierung. Gib ihr Fitness-Check, Vorher-Nachher und Zielgruppen-Wechsel mit — sonst spiegelt sie nur das Bestehende.
• Der Hebel liegt nicht in besseren Daten, sondern im Business Value: konkrete Handlungsempfehlung statt Reporting.
• Im klassischen BI-Geschäft sind 80 % Data Engineering. Beim KI-gestützten Mittelstandsangebot dreht sich das auf 80 % Use Case.
• Reproduzierbarkeit und Nicht-Determinismus von KI löst du durch transparente Kriterien und Human in the Lead — nicht durch Verzicht auf KI.
• Wenn die Richtung unklar ist: Backwards-Imaging vom 12-Monats-Bild rückwärts plus Proof-Projekt mit echtem Skin in the Game.
• KI in die eigene Positionierung holen funktioniert dann, wenn das Fundament an Knowledge real ist — sonst trägt es nicht.

In diesem Mastery-Call-Segment geht es um die Frage, wie du dein KI-Angebot vermarktbar machst: vom konkreten Use Case im Vertrieb (Daten via App/Sprache einsprechen) über spitze Positionierung bis hin zu Fixpreis-Paketen und dem Nutzendreieck. Anhand realer Kundensituationen (u.a. Skidata, Autohaus) wird gezeigt, warum Business-Nutzen, Geschwindigkeit und niedriger Reibungsverlust heute die entscheidenden Verkaufsargumente sind — und wie du dich dadurch von austauschbaren Anbietern abhebst.

Marktchancen, Preismodelle & Nutzendreieck

In diesem Segment wird durchgespielt, wie du als KI-Anbieter konkrete Marktchancen erkennst, deine Lösung spitz positionierst und über Nutzen statt über Aufwand verkaufst. Vom Vertriebs-Use-Case über Fixpreis-Pakete bis hin zum Nutzendreieck — alle Bausteine, die du brauchst, um aus deinem Können ein vermarktbares Produkt zu machen.

Glaubwürdig den Nutzen transportieren

Der Einstieg ist klar: Wenn du auf einen Kunden zugehst und sagst „wir gucken uns eure Daten und KI an und treiben euren Umsatz voran“ — und das glaubwürdig rüberkommt — dann passt die Verkaufslogik. Entscheidend ist, dass der Kunde direkt den konkreten Nutzen sieht, nicht den Weg dorthin.

Das funktioniert allerdings nur, solange du wirklich liefern kannst, was kaum ein anderer liefern kann. Was heute noch fast niemand macht, können in sechs Monaten viele — also gilt es, jetzt den Vorsprung zu nutzen und sich gleichzeitig flexibel weiterzuentwickeln.

Disruption durch KI: Beispiel Webseiten und Agenturen

Ganze Branchen werden sich verändern. Plakatives Beispiel: Webseiten.

• Selber bauen, selber hosten, mit drei Kniffen über einen Prompt aktualisieren
• KI prüft Slogans, übernimmt SEO-Optimierung, liefert Material für alle Channels
• Klassische Webseiten-Agenturen werden obsolet — außer sie helfen ihren Kunden, sich selbst zu disruptieren

Die Lehre daraus: Wer nicht den Schritt mitgeht und sein Geschäftsmodell aktiv weiterdenkt, wird überholt.

LinkedIn, Direct Messages und der Quick Data Check

Ein Teilnehmer beschreibt seinen geplanten Funnel: Positionierung schärfen, Webseite anpassen, LinkedIn-Profil ausrichten, dann mit Direct Messages an Kunden rausgehen — mit der Möglichkeit, direkt auf den Quick Data Check zu klicken, der dann zum Termin führt.

Wichtiger Hinweis: Direkt aus einer DM einen Termin zu buchen, ist erfahrungsgemäß schwierig. Realistischer ist es, dass Interessenten erst auf die Webseite gehen oder den Link klicken. Der Zwischenschritt — ein Quiz, ein kurzes Webinar, ein Download — ist meist nötig, damit Menschen dich erleben und Vertrauen aufbauen.

Bei Solopreneuren braucht es typischerweise 5 bis 15 Touchpoints, bevor überhaupt eine direkte Interaktion entsteht oder ein Workshop für rund 295 € gekauft wird. Im B2B kann das anders aussehen, hängt aber stark von der Zielgruppe ab.

Die teuerste Währung des Kunden: Zeit

Ein wiederkehrender Gedanke im Segment: Auch wenn dein Erstgespräch kostenlos ist — für den Kunden kostet es Zeit. Und Zeit ist im Zweifel teurer als Geld.

„Manchmal würde ich lieber einfach 500 Euro bezahlen und jemand macht mir was, als meine Stunde, meine Zeit dafür zu investieren.“

Daraus folgt das zentrale Verkaufsargument: Dein Gespräch oder dein Daten-Check muss als die beste investierte Stunde in der aktuellen Situation des Kunden positioniert sein. Sonst rutscht es in der Priorität nach unten.

Use Case Vertrieb: fragmentierte Daten als Riesenchance

Eine Teilnehmerin bringt einen konkreten Schmerzpunkt ein: In großen Unternehmen pflegen Verkäufer Daten in Microsoft CRM, HubSpot, ServiceNow und weiteren Systemen parallel. Seit Jahren bekommt das niemand synchronisiert — auch die großen Player haben keine echte Lösung.

Die Idee: Eine App, in die der Verkäufer nach dem Kundentermin einfach reinspricht, die KI füllt automatisch alle relevanten Felder in allen Systemen.

• Heute fehlt es nicht am Willen, sondern an Convenience — die Eingabe muss leicht sein
• Daten gelten als IT-Thema, nicht als Business-Wert — deshalb rutschen sie in der Priorität immer raus
• Erst wenn klar ist, welcher Business Value an den Daten hängt, entstehen die richtigen Investitionsentscheidungen
• KI kann fehlende Felder vorbelegen, Vorschläge machen und im Dialog nachfragen („was ist denn damit?“)
• Auch ein Human-in-the-Loop bleibt nötig — die KI darf sich nichts ausdenken, aber sie kann die 95-%-Lücke schließen

Wichtiger Denkanstoß: Du brauchst keine 100-%-Datenqualität. Wenn die KI deine Entscheidungsqualität von 50 % auf 52 % hebt, ist die Gesamtwirkung über viele Entscheidungen schon signifikant profitabler. „Sell them what they want, deliver what they need“ — der Einstieg ist der Umsatzhebel, die Datenarbeit kommt darunter mit.

Preismodelle: Fixpreis statt Tagessatz

Hier wird ein wichtiger Bruch mit alter Beratungspraxis gezeigt. Das aktuelle Angebot des Teams:

1. Fixpreis-Pakete in drei Stufen — Prototyp, Implementierung, XL-Paket für mehrere Use Cases
2. Risiko liegt beim Anbieter: Wenn es doppelt so lange dauert, ist das nicht das Problem des Kunden
3. Sicherheitsnetz: Funktioniert die Implementierung in der Kundenumgebung nicht, zahlt der Kunde nur einen Obolus, nicht den vollen Preis

Warum das Sinn macht:

• Auf Tagessatz-Basis trägt immer der Kunde das Projektrisiko — und du argumentierst dich an deiner eigenen Geschwindigkeit kaputt („wieso schaffst du das in zwei Wochen?“)
• Mit Fixpreis verkaufst du Ergebnis und Geschwindigkeit, nicht Stunden
• Wo der Kunde sonst zwei Jahre gebraucht hätte, hat er den Nutzen nach zwei Wochen — rechne das im ROI
• In Zeiten knapper Budgets darfst du kreativ sein: Die wenigen Aufträge, die verteilt werden, sollen bei dir landen

Spitz aufstellen — die Lücke finden

Ein zentrales Take-away: Das Datenthema ist zu breit. Wer überall mitspielen will, wird beliebig. Stattdessen:

• Geh mit einem ganz konkreten Use Case in den Markt
• Such die Nische, die für die Großen (HubSpot, Salesforce) zu klein ist, aber tausende Kunden enthält
• Vertrieb ist aktuell einer der größten Hebel — der Druck dort ist hoch, der ROI schnell messbar, die Bereitschaft Geld in die Hand zu nehmen am größten
• B2B ist dabei oft interessanter als B2C, weil ein einzelner Datensatz enorm viel wert ist

Beispiel aus dem Call: Ein Unternehmen, das ausschließlich Datenmanagement und Scanning auf Messen anbietet — seit Jahren erfolgreich, 20 Mitarbeiter, gewachsen genau in der Lücke, die HubSpot & Co. nicht bedienen.

Das Nutzendreieck und die Value Equation

Zum Abschluss wird das Modell von Alex Hormozi referenziert. Der wahrgenommene Wert beim Kunden hängt an vier Faktoren:

• Wunschergebnis — das, was der Kunde wirklich haben will
• Wahrgenommene Wahrscheinlichkeit, dass es eintritt
• Zeitverzögerung — wie schnell habe ich es?
• Aufwand / Reibungsverlust — wie viel muss ich selber reingeben?

Wert = (Wunschergebnis × Wahrscheinlichkeit) ÷ (Zeit × Aufwand).

Warum das jetzt entscheidend ist:

• Klassische Beratungsprojekte waren langsam, weil „Kopfmonopole“ (Subject Matter Experts) überall reingezogen wurden
• Mit KI-gestütztem Prototyping sinkt der Reibungsverlust beim Kunden massiv — zwei Termine, ein funktionierender Prototyp
• Genau das ist heute dein stärkstes Verkaufsargument: nicht wie du es machst, sondern welcher Business-Nutzen in welcher Zeit entsteht

Realität: kulturelle Geschwindigkeit als Bremse

Ehrliche Warnung am Ende: Der eigentliche Breakpoint ist oft nicht die Technik, sondern die Kultur. Unternehmen wollen schnell, ziehen aber den Schwanz ein, sobald sie merken, wie tief die Disruption in ihre Organisation reinwirkt. Schnell ist super — aber zu schnell wird vom Kunden plötzlich nicht mehr als Nutzen, sondern als Risiko wahrgenommen.

Das ist ein Lerngeschenk: Du merkst sehr schnell, welcher Kunde wirklich angezündet ist und treibt — und welcher den Nutzen nur im Konjunktiv empfindet.

Empfehlung zum Schluss

• Stell dich spitz auf, mit einem klaren Produkt und einer klaren Vorgehensweise (3–7 Schritte von A nach B)
• Geh mit Fixpreis und eigenem Risiko in den Markt, statt auf Tagessatzbasis zu argumentieren
• Argumentiere über Nutzen, Geschwindigkeit und niedrigen Reibungsverlust
• Wer AI sagt, muss BI sagen — aber positioniere BI nicht als langweiliges Fundament, sondern als Enabler für alles, was möglich wird
• Brauche einen MVP und einen ersten Kunden — dann skalierst du

Sabine berichtet, wie sie ihre LinkedIn-Arbeit mit selbstgebauten KI-Apps (u.a. „Kommentarwerkstatt“ und Netzwerk-Generator) deutlich beschleunigt und welche Strategie sie aus dem Webinar von Richard van der Blum mitgenommen hat: weniger Posten, dafür gezielte Kommentare und Direktansprache. Im zweiten Teil diskutiert die Runde, warum gerade Frauen in Sachen KI-Kompetenz hinterherhinken — und welches Marktpotenzial darin steckt.

Sabines aktueller Stand: Effizienter durch eigene KI-Tools

Sabine berichtet, dass sie sich nach dem letzten Call-Input weitere Assistenten gebaut hat und dadurch in ihrer LinkedIn-Arbeit „mindestens doppelt so schnell“ geworden ist. Besonders die selbst entwickelte App, die sie mit Cloud Code (Anthropic) lokal betreibt, sorgt für einen spürbaren Effizienzsprung.

Was die App leistet:

• Profil-Optimierung für Selbstständige und für Menschen in der Jobsuche
• Redaktionsplan für LinkedIn-Posts
• Unterstützung bei LinkedIn Ads
• Kommentar-Vorschläge
• Hinterlegt mit dem kompletten Algorithmus-Report von Richard van der Blum (mehrere hundert Seiten)

Spannend: ChatGPT und Gemini haben sich geweigert, den Algorithmus-Report als Quelle aufzunehmen (vermutlich wegen Urheberrecht). Mit Cloud Code lokal funktionierte es. Den freigewordenen Raum nutzt Sabine, um sich stärker zu positionieren und in die Außenwirkung zu gehen — diese Woche stehen zwei Vorträge auf Plattformen an.

Strategiewechsel: Weniger Posten, mehr Kommentieren

Sabine hat ein Webinar von Richard van der Blum besucht und daraus eine zentrale Erkenntnis gezogen: Selbst Top-Creator mit über 130.000 Followern bekommen Kunden nicht durch das Posten allein. Posts sind Kompetenzbeweis — Kunden kommen über Direktakquise.

Ihr neuer Workflow:

• Nur noch ein Post pro Woche statt der klassischen Drei-Post-Strategie (Reichweite, Experte, Social)
• Stattdessen täglich gezielte Kommentare — vor van der Blums Empfehlung: fünf Kommentare, bevor man postet
• Kommentare auf reichweitenstarken Profilen für Sichtbarkeit
• Kommentare bei der eigenen, präzisen Zielgruppe (auch wenn die wenig postet)
• Direct Messages an strategisch ausgewählte Wunschkunden — von der KI vorrecherchiert und vorformuliert

Ein Kommentar bei einem Kunden brachte ihr über 1.500 Impressions, ein anderer über 3.000. Das übertrifft heute oft die Reichweite eigener Posts.

Die Kommentarwerkstatt: Sabine hat ein eigenes Projekt gebaut, in das sie Post-Texte einfügt und drei Kommentar-Vorschläge generieren lässt. Zur Qualitätssicherung hat sie alle Kommentare der letzten Wochen rüberkopiert und analysieren lassen — Ergebnis: zu eintönig. Der Prozess wurde umgestellt für mehr Vielfalt.

Der Netzwerk-Generator: Geschäftsführer einkreisen

Für schwer erreichbare Geschäftsführer — vor allem in der klassischen Industrie, die kaum auf LinkedIn aktiv ist — hat Sabine einen Netzwerk-Generator gebaut. Dieser arbeitet sich systematisch heran:

1. Direkte Vernetzungsanfrage an die Zielperson
2. Wenn abgelehnt: Anfragen an Mitarbeiter aus Communications und IT
3. Nach mehreren gemeinsamen Kontakten (idealerweise 5–6 aus dem eigenen Unternehmen): erneuter Versuch
4. Nach einem Jahr ein dritter Versuch

Lead-In: Wichtige Grundregel — auf welchem Kanal triffst du deine Zielgruppe und wo ist sie für deine Botschaft empfänglich? LinkedIn lohnt sich nur, wenn beide Bedingungen erfüllt sind. Für SaaS-Anbieter und technische Anbieter funktioniert LinkedIn sehr gut, klassische Industrie ist dort kaum erreichbar.

Tipps zum Kommentieren bei Veranstaltungs-Posts

Eine konkrete Frage aus der Runde: Wie kommentiere ich gut auf Veranstaltungs-Posts, wenn ich die Leute nicht kenne? Das sind oft die einzigen Posts, die zurückhaltende Zielgruppen überhaupt veröffentlichen — meist Ankündigungen oder Rückblicke, häufig von der Marketing- oder Communications-Abteilung vorbereitet.

Empfehlung:

• Kommentieren ist immer gut — es fördert die Reichweite des Postenden und damit den Algorithmus
• Auch neutrale, freundliche Kommentare wirken — die Leute lesen mit
• Bei Posts mit wenig Kommentaren steht deiner ganz oben und wird von allen Personen rund ums Unternehmen gesehen
• Den Hebel der Offline-Welt nicht unterschätzen: Veranstaltungen sind eine echte Chance, die Zielgruppe persönlich zu treffen

Profil-Optimierung als Lead-Generator

Sabine bietet Profil-Optimierung in einer Stunde an — ein perfektes Profil plus Redaktionsplan. Die Kunden kommen über eine Outplacement-Firma, die sie betreut. Pro Stunde nicht super lukrativ, aber:

• Es sind durchweg Führungskräfte (Outplacement kostet ca. 20.000 Euro pro Person)
• Je nachdem, wo diese Führungskräfte später landen, entstehen Folge-Aufträge
• Die Masse trainiert ihren Prozess und ihre App

Sabine bietet allen Teilnehmenden im Call eine kostenlose Profil-Optimierung an — Nick und René sind als nächste dran.

Zweiter Teil: KI-Kompetenz und Frauen

Die Bubble verzerrt die Realität

Sabine erinnert an einen Aha-Moment: Bei einer Veranstaltung von „Frauen in der Wirtschaft“ der Wirtschaftskammer Salzburg — gemeinsam mit dem österreichischen Staatssekretär für Digitalisierung — fragte sie eine Unternehmerin: „Was ist ein Prompt?“

Wir sind in dieser Bubble so weit. Außerhalb ist der Abstand riesig.

Eine ORF-Studie bestätigt: Frauen beschäftigen sich immer noch deutlich weniger mit KI als Männer. Die Hürde sei oft eine imaginäre Technik-Hürde im Kopf — obwohl KI vor allem mit Sprache arbeitet, einer Domäne, in der Frauen stark sind.

Verbreitete Vorurteile

In Gesprächen mit Unternehmerinnen begegnen Sabine immer wieder dieselben Sorgen:

• Angst vor totaler Kontrolle durch KI
• Vergleich mit China und Überwachungsszenarien
• Fokus auf die negativen Seiten, blinde Flecken bei den Chancen

Lead-In: Der Moderator gibt eine kompakte Formel weiter, die in der Runde oft zitiert wird: Die KI ersetzt nicht den Menschen — sie ersetzt Menschen ohne KI durch Menschen mit KI.

Strategische Konsequenz: Sichtbarkeit als Frau im KI-Feld

Sabine kündigt an, beim nächsten Launch des KI Strategie Beraters stärker präsent zu sein — in Werbung und Videos. Ziel: mehr Frauen in die Ausbildung holen. Aktuell liegt das Verhältnis oft bei 80:20, angestrebt wird 50:50 (was in der ersten Kohorte schon einmal erreicht wurde).

Marktbeobachtung: Nach Sabines Vortrag kamen mehrere Unternehmerinnen auf sie zu und fragten nach Einzeltrainings — kleine Unternehmerinnen mit ein bis zwei Mitarbeitenden. Der Bedarf ist da. Die Vorsitzende will ein passendes Trainingsangebot in der nächsten Vorstandssitzung besprechen.

Spitz positioniert bleiben

Trotz des Bedarfs im KI-Allgemeinfeld bleibt Sabine bei ihrer Kernpositionierung: LinkedIn. Sie hält gelegentlich allgemeine KI-Vorträge, aber inhaltlich immer mit LinkedIn-Bezug. Begründung: Auch innerhalb von LinkedIn ist das Wissen vieler Nutzerinnen und Nutzer überraschend gering — hier gibt es genug Potenzial, ohne die Positionierung zu verwässern.

Reflexion zum Call

Zum Abschluss des Segments ein kurzer Stimmungs-Check aus der Runde:

• „Brainstorming ist viel wert“ — die Dynamik der Runde wird als besonders inspirierend empfunden
• Verschiedene Blickwinkel schärfen den eigenen Blick
• Die Verlängerung des Mastery Calls auf eineinhalb bis zwei Stunden zahlt sich aus — die Teilnehmenden nehmen Energie und konkrete To-Dos mit

Hier findest du die ungeschnittene Original-Aufzeichnung des kompletten Calls. Du kannst sie ansehen oder das vollständige Transkript herunterladen — der Link wird vom Team final gesetzt.

Diese Aufzeichnung enthält den gesamten Call ohne Schnitt — inklusive Begrüßung, Pausen, Q&A und Abschluss. Sie eignet sich als Backup oder zum Nachschlagen einzelner Stellen, die in den thematischen Segmenten oben nicht enthalten sind. Das vollständige Transkript ist als Textdatei verfügbar — Link wird vom Team final hinterlegt.