Three Horizons in der KI: So steuern Unternehmen Effizienz, Skalierung und Zukunftswetten

KI-Nutzung wächst schneller als belastbarer Unternehmenswert

Nach Eurostat nutzten 2025 rund 20 Prozent der EU-Unternehmen mit mindestens zehn Beschäftigten mindestens eine KI-Technologie; 2024 waren es 13,5 Prozent. Erfasst werden jedoch sehr verschiedene Technologien, nicht nur generative KI.

In der globalen McKinsey-Erhebung 2025 berichteten 88 Prozent der Befragten von regelmäßiger KI-Nutzung in mindestens einer Funktion, aber nur ungefähr ein Drittel von unternehmensweiter Skalierung. Die Onlinebefragung mit 1.993 Teilnehmenden aus 105 Ländern ist eine gewichtete Selbstauskunft, keine repräsentative Betriebszählung und nicht mit Eurostat vergleichbar.

Beide Quellen stützen nur ein allgemeines Muster: Nutzung verbreitet sich schneller als skalierter Wert. Sie belegen weder die Wirksamkeit von Three Horizons noch einen kausalen Vorteil bestimmter Portfoliostrukturen. Das Modell bleibt eine Entscheidungshilfe, die sich im Unternehmen bewähren muss.

Was das Three-Horizons-Modell tatsächlich sagt

Das Three-Horizons-Modell wurde durch Mehrdad Baghai, Stephen Coley und David White in The Alchemy of Growth bekannt. In der McKinsey-Zusammenfassung steht Horizon 1 für das bestehende Kerngeschäft und seine Ertragskraft, Horizon 2 für aufkommende Wachstumsfelder und Horizon 3 für Ideen und Optionen, aus denen später neues Wachstum entstehen kann.

Ein häufiges Missverständnis liegt in der Zeitachse. Die Horizonte bedeuten nicht „jetzt“, „nächstes Jahr“ und „irgendwann später“. Alle drei brauchen heute Aufmerksamkeit. Die Zeitachse beschreibt vielmehr den möglichen Reifeweg: Eine Option aus H3 kann sich zu einem skalierbaren H2-Vorhaben entwickeln und später Teil des Kerngeschäfts in H1 werden.

Für KI ist diese Unterscheidung besonders nützlich, weil Modellfähigkeit, betriebliche Reife und Geschäftsreife nicht im selben Tempo wachsen. Eine Technologie kann in einer Demo beeindrucken und dennoch zu unzuverlässig, teuer oder regulatorisch unklar für den breiten Einsatz sein. Umgekehrt kann eine technisch unspektakuläre Automatisierung bereits heute hohen Wert schaffen.

Wo das Modell an Grenzen stößt

Steve Blank kritisierte 2019, dass Three Horizons zu leicht als Zeitmodell gelesen werde. Digitale Technologien und neue Geschäftsmodelle können H3-Ideen heute so schnell lieferbar machen wie Verbesserungen in H1. Für KI trifft das den Kern: Ein neuer Modellzugang kann die technische Machbarkeit in Wochen verändern, während Datenrechte, Integration und Akzeptanz weiter Monate benötigen.

Die Konsequenz ist nicht, das Modell zu verwerfen. Unternehmen sollten Unsicherheit und Reife von Kalenderzeit trennen. H3 bedeutet nicht „weit weg“, sondern „Grundannahmen noch offen“. Ein Vorhaben kann schnell von H3 nach H2 wechseln; es darf diesen Schritt aber nicht überspringen, nur weil die Demo schnell gebaut war.

Eine zweite Grenze ist die Evidenz. Three Horizons ist kein wissenschaftlich validiertes Erfolgsrezept für KI-Portfolios. Forschung zur organisatorischen Ambidextrie untersucht zwar den gleichzeitigen Umgang mit Exploitation und Exploration. Sie zeigt aber auch, dass Struktur, Senior-Team-Prozesse und Ressourcenumverteilung entscheidend sind. Das Modell beschreibt also den Konflikt besser, als es ihn löst.

Die dritte Grenze ist politisch. Horizonte werden nicht neutral vergeben. Ein Sponsor kann ein spekulatives Vorhaben als H1 deklarieren, um Zugang zum Transformationsbudget zu erhalten. Ein Innovationsbereich kann ein schwaches Projekt in H3 halten, weil dort kein Ergebnisbeitrag verlangt wird. Deshalb braucht jede Zuordnung dokumentierte Evidenz und ein Gremium, das Interessenkonflikte sichtbar macht.

Die drei Horizonte für KI-Portfolios

Horizon 1: KI im Kerngeschäft wirksam machen

H1 verbessert einen bekannten Prozess mit bekanntem Nutzerkreis und plausibler Wertlogik. Die Unsicherheit liegt in Datenqualität, Integration, Adoption und Betrieb. Auch ein Pilot kann H1 sein, wenn er etwa internen Service, Dokumentenklassifikation oder Produktionsqualität verbessert.

Die Leitfrage lautet: Lässt sich der Effekt zuverlässig, sicher und wirtschaftlich realisieren? Gemessen werden Prozessqualität, Nutzung, Kosten pro Vorgang und tatsächlicher Ergebnisbeitrag – nicht die Wirkung einer Demo.

Horizon 2: Neue KI-Fähigkeiten und Angebote skalieren

In H2 sind Problem und Nutzenversprechen bereits belegt, Wiederholbarkeit und Betriebsmodell aber offen. Beispiele sind ein KI-gestützter Kundenservice, eine unternehmensweite Wissensplattform oder gemeinsame Agenten-Infrastruktur.

Die Leitfrage lautet: Wird aus dem Einzelerfolg eine skalierbare Fähigkeit oder ein neues Geschäft? Relevant sind Übertragbarkeit, Qualität über mehrere Kontexte, Rollout-Geschwindigkeit, Unit Economics und eine tragfähige Betriebsverantwortung.

Horizon 3: Strategische Optionen unter Unsicherheit testen

H3 untersucht Optionen mit offenem technischem, regulatorischem oder geschäftlichem Pfad: etwa neue Mensch-Agent-Kollaboration oder autonome industrielle Systeme. Es ist kein Schutzraum für Demos. Jedes Vorhaben braucht Hypothese, Sponsor, Zeit- und Verlustlimit.

Die Leitfrage lautet: Welche strategisch wichtige Unsicherheit lässt sich mit vertretbarem Einsatz reduzieren? Gemessen werden Lernfortschritt, Evidenzqualität und Optionswert – nicht ein künstlich früher ROI.

In-Artikel-Visualisierung: Drei Horizonte, drei Managementlogiken

Die Tabelle zeigt keine starre Reifeleiter. Manche H3-Ideen werden nie H2 erreichen – und das ist kein Misserfolg, wenn sie eine wichtige Hypothese schnell und kostengünstig widerlegen. Umgekehrt darf ein H1-System nicht automatisch weiterlaufen, nur weil es einmal produktiv gesetzt wurde.

Der Horizont richtet sich nach der Unsicherheit, nicht nach der Technologie

Dasselbe technische Muster kann in verschiedenen Unternehmen zu unterschiedlichen Horizonten gehören. Ein interner Wissensassistent auf freigegebenen Dokumenten kann bei einem erfahrenen Plattformteam H1 sein. Für ein Unternehmen ohne geklärte Datenrechte, Evaluationsverfahren und Betriebsmodell kann dieselbe Idee noch H2-Charakter besitzen.

Auch „agentisch“ bedeutet nicht automatisch H3. Ein streng begrenzter Agent, der nach festen Regeln interne Tickets kategorisiert und zur Freigabe vorlegt, kann ein H1-Fall sein. Ein Agent, der selbstständig Lieferanten auswählt, Verträge auslöst und finanzielle Verpflichtungen eingeht, trägt dagegen deutlich höhere technische, organisatorische und rechtliche Unsicherheit.

Die schwierigste Grenze verläuft zwischen H2 und H3. „Erste Evidenz“ sollte deshalb nicht mit positivem Feedback oder einer funktionierenden Demo gleichgesetzt werden.

Praktische Regel: Sind Problem und Machbarkeit noch offen, gehört das Vorhaben in H3. Sind beide unter realistischen Bedingungen bestätigt und liegt die Unsicherheit vor allem in Übertragbarkeit, Kosten oder Betriebsmodell, gehört es in H2. H1 beginnt erst mit einem klaren Zielprozess, einer Baseline und dauerhafter Betriebsverantwortung.

Ohne Übergabekriterien bleibt das Modell eine Portfolio-Grafik

Der Nutzen entsteht an den Übergängen. Dort muss Evidenz eine weitere Investitionsstufe rechtfertigen – einschließlich der organisatorischen Übernahme.

Der AI-Fabrik-Beitrag „Von Piloten zu Produktivsystemen“ vertieft die Betriebsanforderungen für den Wechsel in H1.

Die Organisationsfrage entscheidet über H2

Die meisten Unternehmen können H1 betreiben und H3 starten. Schwierig ist H2: Das Vorhaben ist zu groß für das Innovationsteam, aber für eine Geschäftseinheit noch nicht planbar genug. Sponsorwechsel, fehlende Plattformkapazität oder ein nicht geklärtes Betriebsmodell lassen es zwischen beiden Welten hängen.

Angrenzende Forschung zur organisatorischen Ambidextrie betont die Rolle des Senior-Managements bei Ressourcenumverteilung und Integration getrennter Einheiten. Für KI-Portfolios folgt daraus eine konkrete Organisationslogik:

• H1 gehört in die bestehende Prozess- oder Produktverantwortung. Der fachliche Owner verantwortet Nutzen, Adoption und Betrieb.
• H2 braucht ein dediziertes, funktionsübergreifendes Produktteam sowie vorab eine mögliche aufnehmende Geschäftseinheit. Ohne diese „Landebahn“ wird Skalierung zur Dauerübergabe.
• H3 braucht ein kleines geschütztes Explorationsteam mit Zugang zu Fachwissen, Technik und Risikofunktionen. Es arbeitet mit Zeit- und Verlustlimit, nicht mit einem fiktiven Voll-ROI.
• Das Portfolio-Gremium sollte bei einem für Ergebnis und Transformation verantwortlichen Executive verankert sein. Geschäft, Plattform/Architektur, Finance und Risikofunktionen besitzen klar benannte Entscheidungsrechte.

Die Rollen dürfen getrennt sein, die Führung nicht. H3 ohne Zugang zum Kerngeschäft bleibt ein Labor; H1 ohne Gegenmacht verdrängt jede Exploration. Vor dem Übergang von H3 zu H2 muss deshalb nicht nur die Sachevidenz stimmen. Die empfangende Einheit muss Kapazität und Verantwortung verbindlich akzeptieren.

Budgets als Bandbreiten, nicht als Rezept

Punktquoten erzeugen Scheingenauigkeit. Als grobe Startannahme kann H1 je nach Reife und Veränderungsdruck etwa 50 bis 80 Prozent des aktiv steuerbaren KI-Portfolios beanspruchen, H2 15 bis 35 Prozent und H3 5 bis 20 Prozent. Diese Bandbreiten sind keine Benchmarks.

Vor der Verteilung sollten vier Diagnosen stehen: Wie groß ist der Rückstand bei produktiven Grundlagen? Wie viele H2-Vorhaben kann die Plattform tatsächlich aufnehmen? Wie stark bedrohen neue KI-Fähigkeiten das bestehende Geschäftsmodell? Und besitzt das Unternehmen genug Fach- und Führungskapazität, um Exploration in einen Betrieb zu überführen? Wer diese Fragen nicht beantworten kann, sollte keine Prozenttabelle beschließen.

Governance gehört in alle drei Horizonte

Governance wird manchmal als H1-Thema missverstanden: Erst wenn ein System produktiv wird, beginne die Kontrolle. Das ist zu spät. Daten, Anbieter, Rechte, Modellgrenzen und regulatorische Einordnung beeinflussen bereits die Frage, ob aus einem H3-Test jemals ein H2-Produkt werden kann.

Das NIST AI Risk Management Framework strukturiert Risikomanagement über die Funktionen Govern, Map, Measure und Manage und versteht Governance als querschnittliche Aufgabe über den Lebenszyklus. Für ein Three-Horizons-Portfolio bedeutet das: Die Kontrollziele bleiben bestehen, ihre Umsetzungstiefe wächst jedoch mit Wirkung, Reichweite und Reife des Vorhabens.

Menschliche Freigaben sind dabei nur eine Kontrollschicht. Sie ersetzen keine technischen Grenzen für Identität, Datenzugriff, erlaubte Werkzeuge, Beträge oder Aktionsreichweite. Wer verstehen will, warum agentische Systeme eine andere Kontrolllogik benötigen, findet im AI-Fabrik-Grundlagenartikel „Generative AI, Agentic AI und AI Agents“ die Abgrenzung.

Praxisbeispiel: Three Horizons bei einem Maschinenbauer

Das folgende Beispiel ist hypothetisch, aber realistisch. Ein mittelständischer Maschinenbauer möchte KI nicht nur als internes Werkzeug einsetzen, sondern langfristig sein Servicegeschäft verändern.

In Horizon 1 führt das Unternehmen einen internen Service-Assistenten ein. Er durchsucht freigegebene Handbücher und abgeschlossene Fälle, schlägt Antwortentwürfe vor und zeigt Quellen an. Der Servicemitarbeiter gibt jede Kundenantwort frei. Gemessen werden Bearbeitungszeit, Erstlösungsquote, fachliche Nacharbeit, Nutzung und Kosten pro Fall. Ziel ist eine belastbare Verbesserung des bestehenden Serviceprozesses.

In Horizon 2 entsteht daraus ein proaktiver Wartungsservice. Maschinentelemetrie, Ersatzteilwissen und Servicedokumentation werden kombiniert, um wahrscheinliche Störungen zu erkennen und passende Maßnahmen vorzubereiten. Die Unsicherheit liegt nicht nur im Modell, sondern im übertragbaren Datenmodell, in der Kundenakzeptanz, in Vertragsfragen und in der Wirtschaftlichkeit eines neuen Serviceangebots. Das Vorhaben wechselt erst in H1, wenn es über mehrere Maschinenfamilien wiederholbar funktioniert und ein verantwortliches Betriebsmodell besitzt.

In Horizon 3 testet ein kleines Team die Hypothese, dass künftige Maschinenflotten Teilaufgaben der Wartungsplanung untereinander koordinieren könnten. Der Versuch läuft mit synthetischen Daten und simulierten Werkzeugen. Es gibt keine autonomen Bestellungen und keine Zugriffe auf Kundenproduktion. Nach zwölf Wochen muss das Team zeigen, welche technische oder geschäftliche Annahme bestätigt oder widerlegt wurde. Fehlt ein relevanter Erkenntnisgewinn, endet das Vorhaben.

Das Portfolio verbindet damit drei Wertlogiken: H1 verbessert die heutige Marge, H2 baut ein skalierbares Servicegeschäft auf, H3 hält eine mögliche strategische Option offen. Die Projekte teilen Datenstandards, Identitätsmanagement und Evaluationsmethoden, werden aber nicht an denselben Ergebnissen gemessen.

Ein 90-Tage-Plan für das erste Portfolio-Review

Tage 1 bis 30: Inventar und ehrliche Zuordnung

Erfassen Sie Zweck, Sponsor, mögliche aufnehmende Einheit, Daten, Kosten und dominante Unsicherheit jedes Vorhabens. Mehrdeutige Fälle erhalten einen primären Horizont und eine dokumentierte Gegenposition. Ergebnis ist ein bereinigtes Portfolio mit sichtbaren Dauerpiloten und Doppelarbeiten.

Tage 31 bis 60: Mandate, Kennzahlen und Gates

Legen Sie Budgetverantwortung, höchstens drei Kennzahlen, einen Entscheidungstermin und ein Stoppsignal fest. H2-Vorhaben brauchen zusätzlich eine bestätigte Landebahn in Plattform und Geschäftseinheit. Ergebnis ist ein Portfoliovertrag, der die nächste Investitionsstufe vorab definiert.

Tage 61 bis 90: Entscheidungen und Neugewichtung

Das Gremium entscheidet anhand von Nachweisen: skalieren, fokussieren, neu zuordnen, zusammenlegen oder stoppen. Frei werdende Kapazität wird sichtbar neu verteilt; wiederkehrende Engpässe bei Daten, Evaluation oder Plattformbetrieb werden als gemeinsame Investition behandelt.

Reality-Check für das nächste Portfolio-Review

1. Kann jedes Vorhaben seine dominante Unsicherheit und die Gegenargumente zur Zuordnung benennen?
2. Besitzt jedes H2-Vorhaben eine verantwortliche aufnehmende Einheit und reservierte Plattformkapazität?
3. Sind Übergabe- und Stopkriterien vor der nächsten Investitionsstufe dokumentiert?
4. Hat das Gremium im letzten Quartal mindestens ein Vorhaben beendet, zusammengelegt oder gegen den Wunsch seines Sponsors neu eingeordnet?

Wenn die vierte Frage dauerhaft mit Nein beantwortet wird, ist das Portfolio wahrscheinlich eine Berichtssammlung. Steuerung zeigt sich nicht an der Zahl der Projekte, sondern an durchgesetzten Prioritäten.

Fazit: Nicht mehr Ideen, sondern bessere Übergänge

Three Horizons ist für KI nützlich, wenn es nicht als Zeitplan oder mathematische Wahrheit missverstanden wird. Das Modell schafft eine Sprache für unterschiedliche Unsicherheiten. Ob daraus bessere Entscheidungen entstehen, hängt an Organisationsmacht, Übergabefähigkeit und der Bereitschaft, einem Sponsor auch zu widersprechen.

Weiterführende Artikel auf AI-Fabrik

• Von Piloten zu Produktivsystemen: Wie Unternehmen 2026 Generative AI wirklich skalieren
• Generative AI, Agentic AI und AI Agents: Der Unterschied einfach erklärt

Quellen

• McKinsey & Company: Enduring Ideas: The three horizons of growth, 2009; mit Verweis auf Mehrdad Baghai, Stephen Coley und David White, The Alchemy of Growth, 1999.
• Steve Blank: McKinsey’s Three Horizons Model Defined Innovation for Years. Here’s Why It No Longer Applies, Harvard Business Review, 1. Februar 2019.
• Charles A. O’Reilly und Michael L. Tushman: Organizational Ambidexterity in Action: How Managers Explore and Exploit, California Management Review, 2011; qualitative Fallstudien aus 13 Organisationen.
• Eurostat: 20% of EU enterprises use AI technologies, 11. Dezember 2025; EU-Erhebung zur IKT-Nutzung und zum E-Commerce in Unternehmen mit mindestens zehn Beschäftigten.
• McKinsey & Company: The state of AI in 2025: Agents, innovation, and transformation, November 2025; Onlinebefragung mit 1.993 Teilnehmenden aus 105 Ländern, Erhebungszeitraum 25. Juni bis 29. Juli 2025.
• Europäische Kommission: AI Omnibus enters into force, 27. Juli 2026; Primärquelle für die geänderten Fristen 2. Dezember 2027 und 2. August 2028.
• Europäische Kommission: AI Act – Regulatory framework for AI, abgerufen am 31. Juli 2026.
• National Institute of Standards and Technology: AI Risk Management Framework, AI RMF 1.0 und weiterführende Ressourcen.
• Bundesministerium der Justiz und Bundesamt für Justiz: § 87 BetrVG – Mitbestimmungsrechte, insbesondere Abs. 1 Nr. 6.