Warum wir den Template Builder gebaut haben
Ein erfahrener Berater verlässt die Firma. In den Exit-Gesprächen geht es um Projekte, Übergaben, offene Deadlines. Worüber niemand spricht: die hunderte kleinen Entscheidungen, die dieser Mensch in drei Jahren getroffen hat. Welche Quellen er für Marktanalysen bevorzugt hat. Wie er ein DD-Memo strukturiert hat, das beim Investment Committee durchging. Welchen Sourcing-Ansatz er für Biotech-Targets entwickelt hat.
Dieses Wissen ist weg. Nicht weil es geheim war. Es wurde schlicht nie erfasst.
Das Problem ist älter als KI
Harvard Business Review beschreibt seit über einem Jahrzehnt, was passiert, wenn Expert*Innen gehen: Eine Organisation verlor mit 700 Abgängen über 27.000 Jahre Erfahrung. Keine Dienstjahre. Erfahrung. Die Art von Wissen, die man nicht im Onboarding-Ordner nachliest.
Das betrifft nicht nur Abgänge. Selbst Teams, die gleichzeitig an ähnlichen Projekten arbeiten, schaffen es kaum, Best Practices zu teilen. Der Analyst in München strukturiert seine Wettbewerbsanalyse anders als die Kollegin in Wien. Beide liefern gute Arbeit. Aber die Firma lernt nicht dazu.
Ich kenne das aus eigener Erfahrung.
Knowledge Sharing Sessions: Gut gemeint, nicht umsetzbar
In der Beratung, in der ich als Consultant gearbeitet habe, haben wir versucht, dieses Problem mit dedizierten Knowledge-Sharing-Sessions zu lösen. Einmal im Monat setzte sich ein Projektteam hin und teilte, was es in den letzten Wochen gelernt hatte.
Die Sessions waren richtig im Ansatz. Und gleichzeitig zum Scheitern verurteilt.
Sie fangen den Alltag nicht ein. Die wirklich wertvollen Dinge passieren nicht in Workshops. Sie passieren um 22 Uhr, wenn ein Analyst eine neue Datenquelle findet, die den ganzen Marktüberblick verändert. Oder wenn jemand merkt, dass ein bestimmtes Framework für SaaS-Bewertungen besser funktioniert als die Standard-Vorlage. Diese Details sind zu granular für eine monatliche Präsentation. Und zu flüchtig, um sie aufzuschreiben.
Man kann sich nicht erinnern. Fragen Sie einen Berater, was genau er vor drei Monaten in einem Projekt anders gemacht hat als sonst. Die Antwort wird vage sein. Tacit Knowledge funktioniert so: Man wendet sie an, ohne sie bewusst zu artikulieren. Und was man nicht artikulieren kann, kann man nicht teilen.
Es fehlt die Verbindung zur Arbeit. Selbst wenn jemand eine gute Methodik teilt, landet sie bestenfalls in einer PowerPoint-Vorlage. Die wird dreimal geöffnet und dann vergessen. Es gibt keine Brücke zwischen dem geteilten Wissen und dem Moment, in dem man es braucht.
Das Ergebnis: Die Firma investiert Zeit in Knowledge Sharing, aber das institutionelle Wissen wächst trotzdem nicht. Jeder neue MitarbeiterIn fängt bei null an. Die gleichen Fehler werden wiederholt, die gleichen Quellen mühsam neu entdeckt.
Context Graphs: Warum das jetzt anders funktioniert
Foundation Capital hat kürzlich beschrieben, was sie Context Graphs nennen: Systeme, die nicht nur das Ergebnis einer Entscheidung speichern, sondern auch den Weg dorthin. Welche Inputs betrachtet wurden. Welche Regeln angewandt wurden. Welcher Kontext die Entscheidung geprägt hat.
Dharmesh Shah, CTO von HubSpot, nennt es ein "System of Reasoning": ein durchsuchbares Archiv davon, wie eine Organisation tatsächlich entscheidet. Nicht die offiziellen Prozesse aus dem Wiki. Sondern die realen Entscheidungswege, die heute in Slack-Threads, E-Mails und Köpfen verschwinden.
Das klingt abstrakt, bis man es auf Professional Services überträgt.
Ein VC-Fonds, der 200 Startups pro Quartal screent, nutzt für jedes Screening ein Template. Aber die eigentliche Intelligenz steckt nicht im Template selbst. Sie steckt im Kontext: "Fokus auf Unit Economics, weil der Markt in einer Konsolidierungsphase ist." Wenn dieser Kontext im System bleibt, kann das nächste Teammitglied darauf aufbauen. Wenn er im Kopf bleibt, startet es von vorn.
In der Due Diligence ist das noch sichtbarer. Ein erfahrener Analyst weiß, welche Prüfschritte bei einem Biotech-Target anders laufen als bei einem FinTech. Er weiß, welche Red Flags das IC beim letzten Biotech-Deal bemängelt hat. Dieses Wissen steckt in seinem Kopf. In einem Context Graph steckt es im System: durchsuchbar, wiederverwendbar, unabhängig von der Person.
Im Sourcing dasselbe Muster. Ein erfahrener Dealflow-Manager hat über Jahre gelernt, welche Signale auf ein gutes Target hindeuten. Hiring-Muster, Pricing-Änderungen, Veränderungen im Gründerteam. Wenn er geht, geht dieses Mustererkennen mit.
In der Strategieberatung baut ein Team über Monate ein Marktanalyse-Framework für einen Klienten auf. Das Framework funktioniert gut. Beim nächsten ähnlichen Projekt startet ein anderes Team von vorn, weil die Methodik in einer SharePoint-Ablage versickert ist, die niemand durchsucht.
Der gemeinsame Nenner: Das Wissen existiert. Es wird nur nie als ausführbares Artefakt gespeichert. Es lebt in Köpfen, E-Mails, Slack-Threads und PowerPoints. Dort altert es, bis es unbrauchbar ist oder die Person geht.
AI-First Firmen erhöhen den Druck
Wenn das Problem nur Wissensverlust wäre, hätten Beratungen und VC-Firmen noch Zeit. Der Druck kommt aber gleichzeitig von einer anderen Seite.
Y Combinator investiert inzwischen aktiv in AI-native Agencies. Der Grund ist simpel: Dienstleistungen, die früher manuell und damit nicht skalierbar waren, werden durch KI produktisierbar. Ein AI-natives Unternehmen kann eine Marktanalyse liefern, die mit dem Output einer Strategieberatung vergleichbar ist, aber mit 70-90% Marge statt 30%.
Das funktioniert, weil diese Firmen ihre Delivery systematisch produktisieren. Sie haben Context Profiles, getestete Prompt-Ketten, standardisierte Output-Strukturen. Sie verkaufen keine Stunden. Sie verkaufen Ergebnisse. Und jeder Kunde macht ihr System besser, weil die Lerneffekte im System bleiben.
Für traditionelle Beratungen und VC-Firmen bedeutet das: Der einzige dauerhafte Wettbewerbsvorteil ist proprietäres Wissen. Nicht generisches Branchenwissen, das jede KI aus öffentlichen Quellen zusammenstellen kann. Sondern die spezifische Methodik, die Urteilsstrukturen, die Analyse-Frameworks, die eine Firma über Jahre aufgebaut hat.
Aber dieser Vorteil zählt nur, wenn das Wissen im System liegt. Wenn es in Köpfen steckt, ist es kein Wettbewerbsvorteil. Es ist ein Risiko.
Der Template Builder: Methodik wird zur Ausführungsschicht
Das ist der Grund, warum wir den Template Builder gebaut haben.
Kein Wiki. Kein Template-Ordner. Kein weiteres Tool, das gepflegt werden muss, aber nach drei Monaten nicht mehr genutzt wird.
Der Template Builder verbindet Methodik mit Ausführung. Sie definieren nicht, wie die KI denken soll. Sie definieren, was Sie wissen wollen: Welche Analysesektionen, in welcher Reihenfolge, mit welchem Fokus. KI-Agenten führen das Playbook dann autonom aus.
Das hat einen Nebeneffekt, der wichtiger ist als die Automatisierung selbst: Weil die Methodik die Ausführungsschicht ist, entsteht mit jeder Analyse automatisch eine Entscheidungsspur. Welches Template wurde gewählt. Welche Bausteine in welcher Reihenfolge. Welcher Kontext wurde gesetzt. Welche Ergebnisse kamen heraus.
Diese Spuren verknüpfen sich über die Zeit zu einem durchsuchbaren Wissensgraphen.
| Zeitraum | Was passiert |
|---|---|
| Monat 1 | Bestehende Methodik wird in ausführbare Templates überführt |
| Monat 6 | Templates durch Nutzung verfeinert, nach Sektoren und Deal-Typen spezialisiert |
| Monat 12 | Dutzende kampferprobte Playbooks über Branchen und Geographien |
| Monat 24+ | Die Template-Bibliothek ist das institutionelle Wissen der Firma |
Neue Mitarbeiter*Innen erben die akkumulierte Methodik. Vergangene Analysen und Thesen bleiben durchsuchbar. Wenn ein neuer Biotech-Deal hereinkommt, findet das Team sofort: Wie haben wir die letzten drei Biotech-DDs strukturiert? Welche Steps haben wir nach Deal X hinzugefügt? Was hat das IC beim letzten Mal bemängelt?
Das ist der Unterschied zu Knowledge Sharing Sessions. Es gibt keinen Extra-Aufwand fürs Teilen. Das Teilen passiert, weil die Arbeit im System stattfindet.
Produktisierung als Überlebensstrategie
Die AI-native Firmen sind schon da. Sie produktisieren Delivery mit KI und bauen dabei proprietäre Wissensgraphen auf, die mit jedem Kunden besser werden.
Traditionelle Beratungen und VC-Firmen haben einen Vorteil: jahrelange Erfahrung, echte Deals, echte Markteinschätzungen, echte Klientenbeziehungen. Kein AI-Agent kann ein Expert Call mit einem Branchenkenner ersetzen. Kein Prompt liefert die Urteilskraft, die aus hunderten abgeschlossenen Deals entsteht.
Aber dieser Vorteil existiert nur, solange er im System liegt. Solange er zugänglich ist, durchsuchbar, ausführbar. Sonst geht er mit dem nächsten Abgang durch die Tür.
Die Frage ist nicht, ob Sie Ihre Methodik digitalisieren. Die Frage ist, ob Sie es tun, bevor jemand anderes Ihren Kund*Innen dieselbe Analyse schneller und günstiger liefert.
Vom Wissen im Kopf zum Wissen im System
Die bisherigen Ansätze zur Wissenssicherung in Beratungen und Investmentfirmen scheitern an einem Muster: Methodik und Ausführung sind getrennt. Wikis dokumentieren, wie die Firma vor einem Jahr gearbeitet hat. PowerPoint-Vorlagen werden nicht ausgeführt. Knowledge Sharing Sessions fangen den Alltag nicht ein.
Der Template Builder schließt diese Lücke. Nicht als Dokumentationstool, sondern als Ausführungsschicht, in der Methodik und Output dasselbe Artefakt sind. Jede Analyse reichert den Wissensgraphen an. Jedes Template trägt die akkumulierte Urteilsstruktur der Firma.
Researchly unterstützt VC-Firmen, PE-Teams und Strategieberatungen dabei, ihre Research-Methodik in ausführbare Workflows zu überführen: von Startup-Screening über Due Diligence bis zur Wettbewerbsanalyse, mit einer Plattform, die mit jeder Analyse dazulernt.
Fragen oder Feedback? Schreiben Sie mir auf LinkedIn oder über unsere Kontaktseite.
