KI verändert die Unternehmensberatung
Künstliche Intelligenz verändert nicht nur die Arbeitsweise von Unternehmen, sondern auch das Geschäftsmodell der Unternehmensberatung. Routinetätigkeiten werden automatisiert, klassische Beratungsmodelle geraten unter Druck und die Anforderungen an junge Consultants verschieben sich. Doch welche Fähigkeiten werden künftig entscheidend sein? Thomas Rose, Managing Director bei Alvarez & Marsal, erklärt im Interview, warum KI vor allem ein Umsetzungsproblem ist, weshalb menschliche Urteilskraft an Bedeutung gewinnt und welche Chancen sich daraus für den Beratungsnachwuchs ergeben.
Kaum ein Technologiethema hat Unternehmen in den vergangenen Jahren so intensiv beschäftigt wie künstliche Intelligenz. Wo stehen wir heute – und was wird an KI derzeit über- oder unterschätzt?
KI hat heute kein Technologieproblem mehr. Sie hat ein Umsetzungsproblem. Die Modelle sind gut genug. Entscheidend ist nun, was Unternehmen tatsächlich daraus machen.
Ich habe diesen Film bereits zweimal gesehen. Nachdem IBMs Supercomputer Watson bei Jeopardy gewonnen hatte, schien es plötzlich nur noch eine Frage der Zeit, bis maschinengestützte Krebsdiagnosen Realität würden. Ein Jahrzehnt später war davon erstaunlich wenig im produktiven Maßstab angekommen. Später, bei Google, habe ich die umgekehrte Dynamik erlebt: Während der Markt noch über Cloud diskutierte, legten Transformer-Architekturen bereits die Grundlage für die heutige KI.
Meine Lehre daraus: Technologie-Hype liegt beim Timing fast immer daneben, bei der Richtung jedoch selten. Wir überschätzen, was in zwölf Monaten passieren wird, und unterschätzen, was sich über zehn Jahre grundlegend verändert.
Bei KI unterschätzen wir vor allem zwei Dinge. Erstens ihre Wirkung auf Wissensarbeit. Früher verbrachte ein Analyst Tage mit Marktanalysen, Benchmarking und einer ersten Struktur. Heute kann morgens bereits ein belastbarer erster Entwurf auf dem Tisch liegen. KI verändert daher nicht nur einzelne Tools, sondern das Staffing-Modell ganzer Organisationen.
Zweitens unterschätzen viele Unternehmen die Betriebskosten. Alle sprechen über den Business Case des Piloten; deutlich weniger sprechen über Inferenzkosten, Datenpipelines, Modellüberwachung, Sicherheit und Compliance im produktiven Betrieb. Es ist dieselbe Lernkurve wie bei der Cloud: Der Einstieg ist günstig. Der Betrieb ist der Moment, in dem die Rechnung kommt.
Viele Unternehmen haben inzwischen erste GenAI-Anwendungen erprobt. Was unterscheidet ein Unternehmen, das KI lediglich testet, von einem Unternehmen, das daraus einen echten Wettbewerbsvorteil macht?
Drei Dinge – und keines davon ist Technologie.
Erstens: Beim Tester gehört KI ins Innovationslabor. Beim Gewinner gehört sie jemandem, der am Jahresende eine Zahl erklären muss. Die Wirkung erscheint als Kosten-, Umsatz- oder Produktivitätsziel in einer GuV – nicht als „Potenzial“ auf einer Folie.
Zweitens sammeln Gewinner keine Piloten wie Trophäen. Sie wählen drei bis fünf Prozesse aus, in denen echtes Volumen und wirtschaftlicher Hebel liegen – zum Beispiel Kundenservice, Kreditprozesse, Schadenbearbeitung oder Softwareentwicklung. Wettbewerbsvorteil entsteht durch Tiefe in wenigen Prozessen, nicht durch Breite über vierzig Demos hinweg.
Drittens verändern sie den Prozess selbst. KI in einen unveränderten Prozess einzufügen, kann vielleicht 5 bis 10 Prozent bringen. Den Prozess um das herum neu zu gestalten, was KI leisten kann, kann 30 bis 50 Prozent ermöglichen.
Der eigentliche Hebel ist daher selten das Tool. Es ist die Bereitschaft, Arbeit anders zu organisieren. Und genau dort wird KI unbequem, denn plötzlich stehen Rollen, Jobprofile, Verantwortlichkeiten und manchmal auch Führungsspannen zur Diskussion. Deshalb tun es so wenige Unternehmen – und genau deshalb liegt dort der Vorteil.
Sie beschäftigen sich seit mehr als 25 Jahren mit IT-Strategie und haben große IT-Organisationen transformiert. Wie hat KI die Rolle der IT grundlegend verändert?
Richtig, ich arbeite seit rund 30 Jahren an IT-Strategien – als operativ Verantwortlicher und als Berater – und habe selten erlebt, dass die Rolle der IT derart an strategischer Bedeutung gewonnen hat. Gleichzeitig verliert die IT ihr Monopol auf Technologie. Das klingt widersprüchlich, ist es aber nicht. Als ich IT-Organisationen bei der Deutschen Bank und später bei Citigroup leitete, war das Modell klar: Das Business bestellt, die IT liefert. Dieses Modell ist tot.
Heute nutzt ein Sachbearbeiter Copilot, ein Controller experimentiert mit einem eigenen GPT, und der Vertrieb automatisiert Teile eines Workflows, bevor die IT überhaupt davon erfährt. Die IT kann Technologie nicht länger allein besitzen. Ihre Aufgabe ist es, dafür zu sorgen, dass aus tausend Einzelideen kein unkontrollierter Wildwuchs entsteht.
Daraus entsteht die neue Einflussposition des CIO. Er oder sie muss drei Dinge steuern: die Datenplattform; die Leitplanken – also welche Daten in welches Modell dürfen und was EU AI Act oder DORA verlangen; und die Wirtschaftlichkeit. Denn auch bei KI muss jemand wissen, wer welche Inferenzkosten verursacht und warum.
Der CIO entwickelt sich vom Betreiber zum Schiedsrichter. Welche Plattform? Welche Daten dürfen wohin? Wo zahlt sich KI wirklich aus? Und wo ziehen wir eine rote Linie?
Gefährlich wird es für CIOs, die diese Rolle nicht besetzen. Das Business wird die Fähigkeiten dann schlicht um sie herum aufbauen. KI macht eine gute IT-Funktion strategischer – und eine schlechte schneller schlechter. KI ist ein Verstärker, keine Reparaturwerkstatt.
KI-Projekte scheitern vermutlich seltener an der Technologie als daran, wie sie in bestehende Strukturen eingebettet werden. Wo sehen Sie die größten organisatorischen Hürden?
Ich habe bislang kaum KI-Initiativen gesehen, die daran gescheitert sind, dass das Modell nicht gut genug war. Meist scheitern sie aus drei sehr viel banaleren Gründen: Niemand besitzt das Problem. Das mittlere Management fühlt sich bedroht. Und Compliance kommt sechs Monate zu spät.
Die erste Hürde ist Ownership. KI-Initiativen laufen häufig als bereichsübergreifende Programme: Alle sind beteiligt, niemand ist verantwortlich. Ein Use Case ohne Prozessverantwortlichen, dessen Ziele vom Ergebnis abhängen, ist kein Transformationsprojekt. Er ist ein Hobby.
Die zweite Hürde ist das mittlere Management. Der Vorstand will KI, jüngere Mitarbeitende nutzen sie längst – und dazwischen sitzt eine Ebene, deren Status häufig auf Teamgröße und Fachwissen beruht. Wenn KI beides infrage stellt, entsteht Widerstand. Selten als offenes Nein. Häufiger als: „Dafür brauchen wir erst noch ein weiteres Konzept.“ Wer Arbeit transformieren will, muss dieser Ebene eine neue Rolle anbieten. Andernfalls verschwindet die Veränderung in Gremien.
Die dritte Hürde ist, Compliance als Endgegner zu behandeln statt als Teil des Teams. In regulierten Branchen sehe ich Piloten, die sechs Monate erfolgreich laufen und dann an Datenschutz, Auslagerungsrecht oder Modell-Governance scheitern, weil diese Funktionen erst am Ende eingebunden wurden.
Die Lösung ist fast banal: Legal, Datenschutz und Risk sitzen vom ersten Tag an im Use-Case-Team – nicht erst am Ende der Freigabekette.
KI-Readiness ist zu rund 70 Prozent ein Datenthema, zu 20 Prozent ein Sicherheits- und Governance-Thema und zu 10 Prozent ein Infrastrukturthema
Thomas Rose // Alvarez & Marsal
Cloud, Daten und KI werden häufig in einem Atemzug genannt. Welche Grundlagen müssen Unternehmen bei Daten und IT-Infrastruktur schaffen, bevor KI ihr Potenzial entfalten kann?
Bevor mir jemand eine KI-Roadmap zeigt, stelle ich drei ziemlich nüchterne Fragen: Wissen wir, welche Daten wir haben? Wissen wir, wem sie gehören? Und kann ein Modell tatsächlich darauf zugreifen?
Wenn die Antwort dreimal „nicht wirklich“ lautet, müssen wir über das nächste Foundation Model noch nicht sprechen.
Meine Faustregel aus den vergangenen Jahren lautet: KI-Readiness ist zu rund 70 Prozent ein Datenthema, zu 20 Prozent ein Sicherheits- und Governance-Thema und vielleicht zu 10 Prozent ein Infrastrukturthema. Viele Unternehmen investieren genau in umgekehrter Reihenfolge.
Die Datenfrage ist nicht magisch. Sind die Daten konsistent? Sind sie aktuell? Ist ihre Herkunft nachvollziehbar? Sind sie zugänglich, ohne dass sechs Systemgrenzen und drei verschiedene Berechtigungskonzepte dazwischenliegen? Banken haben dafür mit BCBS 239 sogar eine regulatorische Blaupause. Das klingt wenig glamourös, ist aber das Fundament jeder ernsthaften KI-Ambition.
Cloud ist kein Selbstzweck. Sie ist häufig der Zugangsweg zu Modellen und Skalierung. Ein Unternehmen, das heute noch überwiegend On-Premise arbeitet, muss nicht morgen sein Rechenzentrum leerräumen. Es braucht aber eine belastbare Landezone für Daten- und KI-Workloads – inklusive Kostentransparenz.
Ich habe das bei frühen Cloud-Migrationen oft genug gesehen: Technisch erfolgreich und wirtschaftlich außer Kontrolle ist kein Erfolg.
Sie kennen sowohl die Unternehmens- als auch die Hyperscaler-Perspektive. Wie viel KI-Kompetenz und -Infrastruktur sollten Unternehmen von Anbietern wie Google, Microsoft oder AWS beziehen – und was sollten sie unbedingt selbst in der Hand behalten?
Ich habe als Teil des Management-Teams von Google Cloud Europe das Financial-Services-Geschäft in EMEA mitverantwortet. Ich kenne also beide Seiten des Tisches – inklusive der Vertriebslogik der Anbieter.
Meine Linie ist recht einfach: Kaufen, was ein Skalenspiel ist. Behalten, was differenziert.
Foundation Models, GPU-Infrastruktur und Basis-Tooling: kaufen. Kein Unternehmen außerhalb der Technologiebranche sollte aus Stolz eigene große Modelle trainieren. Der Kapitalbedarf ist enorm, das Rennen um Talente fast unmöglich zu gewinnen, und der Vorsprung der Anbieter wächst schneller, als die meisten Unternehmen aufholen können.
Drei Dinge würde ich im eigenen Haus behalten. Erstens die eigenen Daten und die Rechte, sie zu nutzen – das ist der Rohstoff, den der Wettbewerber nicht einfach kaufen kann.
Zweitens die Anwendungsschicht: wie Modelle in die eigenen Prozesse eingebettet werden, wo das Domänenwissen liegt und welche Prompts, Workflows und Kontrollen aus einem allgemeinen Modell eine unternehmensspezifische Fähigkeit machen.
Drittens Architektur- und Exit-Souveränität. Wer heute alles auf einen Anbieter setzt, sollte wissen, wie er in fünf Jahren wieder herauskäme. Im Finanzsektor verlangt DORA bereits Exit-Strategien für kritische Anbieter. Ich sehe das nicht nur als regulatorische Vorgabe, sondern als gutes Management.
Und ein Rat aus der Innensicht: Hyperscaler verkaufen Commitments. Wer fünf Jahre Verbrauch zusagt, bevor die Use Cases stehen, finanziert am Ende möglicherweise die Lernkurve seines Anbieters.
Viele Unternehmen haben zahlreiche KI-Piloten gestartet. Droht uns eine neue Form des „Pilot Purgatory“ – und woran scheitert der Übergang in den produktiven Einsatz typischerweise?
Wir steuern nicht darauf zu. Wir sind längst dort.
In manchen Unternehmen kann man inzwischen auf eine regelrechte KI-Safari gehen: hier ein Copilot-Pilot, dort ein Chatbot, zwei Stockwerke weiter ein GenAI-Prototyp. In der Demo sieht alles gut aus. Zwölf Monate später läuft erstaunlich wenig davon zuverlässig im Produktivbetrieb.
Ich kenne dieses Muster aus drei Technologiewellen: Outsourcing, Cloud und jetzt KI. Die Pilotphase ist der bequemste Ort der Welt – sichtbar genug für den Vorstand, klein genug, um niemandem weh zu tun.
Der Übergang scheitert meist an vier Punkten. Erstens wurde der Pilot mit Testdaten statt Echtdaten gebaut. Zweitens fehlt ein Betriebsmodell: Wer überwacht das Modell, wer bezahlt die Inferenzkosten, wer ist verantwortlich, wenn es Fehler macht? Drittens kommt die Compliance-Rechnung zu spät. Und viertens – der eigentliche Kern – will niemand die organisatorische Konsequenz ziehen. Produktivbetrieb bedeutet, dass Arbeit danach anders verteilt wird.
Das Problem ist selten die Demo. Das Problem beginnt am Montagmorgen.
Das Gegenmittel ist Portfolio-Disziplin: Piloten regelmäßig triagieren – skalieren, stoppen oder zusammenlegen. Und jede neue Initiative mit der Produktionsfrage beginnen, statt mit ihr zu enden.
Einen Piloten zu stoppen ist kein Scheitern. Es ist eine günstige Erkenntnis. Einen Piloten drei Jahre künstlich am Leben zu halten, ist der teure Fehler.
Wirtschaftlicher Nutzen entsteht, wenn die Zeit in mehr Durchsatz, geringere externe Ausgaben, vermiedene Neueinstellungen, neu gestaltete Kapazitäten oder zusätzliches Umsatzwachstum übersetzt wird
Thomas Rose // Alvarez & Marsal
Wie lässt sich der wirtschaftliche Nutzen von KI messen? Wann wird aus einem interessanten Proof of Concept ein Business Case?
„30 Prozent Zeitersparnis“ ist noch kein Business Case. Es ist zunächst nur eine interessante Zahl.
Wenn fünf Menschen deshalb am Freitag früher nach Hause gehen, ist das vielleicht angenehm – aber in der GuV steht noch kein zusätzlicher Euro. Wirtschaftlicher Nutzen entsteht erst, wenn die Zeit in mehr Durchsatz, geringere externe Ausgaben, vermiedene Neueinstellungen, tatsächlich neu gestaltete Kapazitäten oder zusätzliches Umsatzwachstum durch höheren Absatz, bessere Conversion oder neue Erlösquellen übersetzt wird.
Für mich wird ein PoC dann zum Business Case, wenn vier Dinge stehen: eine ehrliche Baseline – was kostet der Prozess heute wirklich? –, ein messbarer Effekt, eine belastbare Bandbreite statt Scheingenauigkeit und die vollständigen Betriebskosten. Nicht nur das Modell, sondern auch Inferenz, Datenpipelines, Monitoring, Compliance und Change.
Dann braucht es einen Owner, in dessen Budget die Wirkung tatsächlich ankommt. Ein Business Case, den niemand in seine Planung übernehmen will, ist am Ende nur eine schöne Folie.
Ich war in meiner Laufbahn für IT-Kosten- und Wachstumsprogramme im Milliardenmaßstab verantwortlich. Die Mechanik ist bei KI nicht anders: Ein Effekt existiert erst, wenn er im Budget oder Umsatzplan des Folgejahres sichtbar wird.
Was verändert künstliche Intelligenz für die Unternehmensberatung selbst? Welche Teile klassischer Beratungsarbeit werden durch KI automatisiert – und wo bleibt der Mensch unverzichtbar?
Automatisiert wird genau die Arbeit, auf der die klassische Leverage-Pyramide der Beratung jahrzehntelang aufgebaut war: Research, Marktüberblicke, Datenaufbereitung, Benchmark-Recherche, erste Foliendrafts, Protokolle und Dokumentenanalyse.
Das ist keine Prognose. Es passiert bereits heute.
Was früher einen Analysten eine Woche kostete, kann heute innerhalb weniger Stunden als brauchbarer erster Entwurf vorliegen. Das setzt ein Geschäftsmodell unter Druck, in dem wenige Partner viele Juniors mit Analysearbeit hebeln und deren Stunden abrechnen. Wenn Analyse zur Ware wird, lässt sie sich kaum noch wie handgefertigte Arbeit bepreisen.
Das macht Beratung aber nicht überflüssig. Im Gegenteil. Wertvoller wird das, was nie wirklich auf der Folie stand: zu erkennen, welches von zehn möglichen Problemen tatsächlich zählt; unter Unsicherheit eine Empfehlung auszusprechen und dafür einzustehen; im Vorstandszimmer zu spüren, warum eine Entscheidung nicht fällt; und anschließend die Umsetzung voranzutreiben, wenn Widerstand kommt und der elegante Plan zum ersten Mal auf die Realität trifft.
KI liefert Optionen. Verantwortung liefert sie nicht.
Für Alvarez & Marsal ist diese Verschiebung weniger fundamental als für klassische Strategieberatungen, weil unser Modell schon immer senior-geführt und stark umsetzungsorientiert war. Unsere jüngeren Consultants verbringen nicht Jahre damit, Folien für Partner zu bauen. Sie führen früh eigene Workstreams, übernehmen Verantwortung für Zahlen und stehen beim Klienten für Ergebnisse ein.
Wenn KI die Fleißarbeit übernimmt, entwertet das vor allem Beratungen, deren Pyramide auf genau dieser Arbeit basiert. Uns entwertet es nicht – unsere Juniors waren nie als menschliche Suchmaschinen gedacht; sie sind Senior Operators in Ausbildung.
Die reine Analystenkarriere wird kleiner werden, die Operator-Karriere größer
Thomas Rose // Alvarez & Marsal
Wenn KI Analysen schneller erstellen, Informationen strukturieren und erste Handlungsempfehlungen formulieren kann: Was zeichnet dann einen wirklich guten Consultant aus?
Drei Dinge – und keines davon stammt aus einem Framework.
Erstens: Problemdefinition. KI beantwortet die Frage, die man ihr stellt. Der Wert entsteht davor: zu erkennen, dass ein Klient nach einem Kostenprogramm fragt, obwohl das eigentliche Problem in sechs Monaten die Liquidität sein wird. Die richtige Frage zu finden, erfordert Erfahrung, Zuhören und Mustererkennung.
Zweitens: Urteilskraft unter Unsicherheit. Eine Maschine kann zehn plausible Optionen mit sauberer Begründung liefern. Ein guter Consultant sagt: Diese eine. Aus diesen Gründen. Mit diesem Risiko. Und ich bin bereit, dafür einzustehen.
Als Partner und Senior Partner habe ich gelernt: Klienten zahlen nicht dafür, dass jemand eine Empfehlung formulieren kann. Das kann KI bereits bemerkenswert gut. Sie zahlen dafür, dass jemand bereit ist, mit Namen und Reputation hinter einer Entscheidung zu stehen.
Drittens: Wirkung in einer realen Organisation. Einen skeptischen Betriebsrat überzeugen. Einen verletzten Bereichsleiter zurück an Bord holen. Einen blockierenden Vendor bewegen. Einen festgefahrenen Workshop drehen. Ich habe nie erlebt, dass eines davon durch ein Framework gelöst wurde – weder als CIO noch als Partner.
Mein Rat an junge Consultants ist daher einfach: Nutzt KI konsequent. Aber baut eure Karriere nicht auf Aufgaben auf, bei denen Maschinen jeden Monat besser werden. Geht zum Klienten. Übernehmt Verantwortung. Lernt, Entscheidungen zu verteidigen und Menschen mitzunehmen.
Die reine Analystenkarriere, wie meine Generation sie kannte, wird kleiner werden. Die Operator-Karriere wird größer.
Verändert KI auch die Erwartungen der Kunden an Beratungen – etwa hinsichtlich Geschwindigkeit, Preisgestaltung oder messbarer Ergebnisse?
Ja – und schneller, als es vielen Beratungen lieb ist.
Klienten werden bei drei Dingen ungeduldiger: Zeit, Preis und Wirkung.
Zwölf Wochen „Phase-1-Analyse“, bevor die erste Hypothese erscheint, werden zunehmend schwer verkäuflich. Klienten wissen, dass die Faktenbasis heute eher in Tagen als in Wochen aufgebaut werden kann. Sie erwarten, dass ein Beratungsteam in Woche zwei mit Hypothesen kommt – nicht in Woche zwölf mit der Erkenntnis, dass die eigentliche Arbeit nun beginnen kann.
Auch das klassische Zeit-gegen-Geld-Modell gerät unter Druck. Wenn analytische Arbeit zur Ware wird, schrumpft der Wert eines rein auf Aufwand basierenden Preismodells. Ergebnisorientierte Modelle werden interessanter: ein definierter Preis für ein definiertes Ergebnis, gegebenenfalls mit einer Erfolgskomponente, die an realisierte Wirkung gekoppelt ist.
Das setzt allerdings etwas voraus, was nicht jede Beratung gerne hört: Wer für Ergebnisse bezahlt werden will, muss sich auch an Ergebnissen messen lassen.
Schließlich verschiebt sich die Erwartung von der Empfehlung zur Wirkung. „Wir haben das Konzept geliefert“ wird als Definition von Erfolg immer seltener ausreichen. Die nächste Frage des Klienten ist völlig berechtigt: Und was davon sehe ich in zwölf Monaten in meiner GuV?
Für uns bei A&M ist das eher Rückenwind als Gegenwind. Unser Modell wurde schon immer stärker an Umsetzung und realisierter Wirkung gemessen als an der Schönheit des Dokuments. Für Beratungen, deren Produkt im Kern das Dokument ist, dürfte das kommende Jahrzehnt anspruchsvoller werden.
Zum Schluss eine persönliche Frage: Sie haben den Wandel von klassischer IT über Outsourcing und Cloud bis hin zu KI erlebt. Was fasziniert Sie an der aktuellen KI-Welle am meisten?
Was mich am meisten fasziniert, ist sehr persönlich: Zum ersten Mal in meiner Karriere automatisiert eine Technologiewelle nicht in erster Linie die Arbeit meiner Klienten. Sie automatisiert Teile meiner eigenen Arbeit.
Outsourcing hat operative Tätigkeiten verlagert. Cloud hat Rechenzentren und Infrastruktur verändert. Beides habe ich aktiv mitgestaltet – unter anderem eines der größten Infrastruktur-Outsourcing-Programme der Deutschen Bank und später den Aufbau des Cloud-Geschäfts für Finanzdienstleistungskunden in Europa.
KI zielt dagegen direkt auf die Tätigkeiten, für die ich seit mehr als 25 Jahren bezahlt werde: analysieren, strukturieren, schreiben, argumentieren und Entscheidungen vorbereiten. Das von innen zu erleben, statt es anderen zu erklären, ist intellektuell faszinierend – und gelegentlich ein sehr nützlicher Realitätscheck.
Das Zweite, was mich fasziniert, ist die Demokratisierung. Die Technologiewellen früherer Jahre erforderten Konzernbudgets: ein Mainframe-Programm, eine große Outsourcing-Transformation, eine Cloud-Migration. Heute kostet der Zugang zu einigen der leistungsfähigsten KI-Systeme der Welt nur wenige Euro im Monat. Ein 23-Jähriger kann Dinge bauen, für die meine Generation früher ein Projektteam und ein siebenstelliges Budget gebraucht hätte.
Deshalb würde ich jungen Consultants nicht raten, sich darauf zu konzentrieren, besonders schnell die perfekte Folie zu bauen. Lernt, die richtige Frage zu stellen. Lernt, eine Entscheidung zu treffen, wenn 20 Prozent der Informationen fehlen. Lernt, Menschen mitzunehmen, die anderer Meinung sind. Geht dorthin, wo es unbequem wird: zum Klienten, in die Umsetzung, in die Verantwortung.
Und nutzt KI schonungslos für alles andere.
Wenn ihr nur die Tools beherrscht, werdet ihr schneller mittelmäßig. Wenn ihr aber Urteilskraft ebenso beherrscht wie die Tools, habt ihr wahrscheinlich die beste Ausgangsposition, die dieser Beruf seit sehr langer Zeit geboten hat.
Thomas Rose // Alvarez & Marsal
Thomas Rose ist Managing Director bei Alvarez & Marsal Business Technology in Frankfurt. Er verfügt über mehr als 25 Jahre Erfahrung in IT-Strategie, Transformation und Restrukturierung von IT-Organisationen sowie bei großen Outsourcing-Projekten. Zu seinen Schwerpunkten zählen insbesondere Cloud, Daten, Künstliche Intelligenz und der Hyperscaler-Markt.
Vor seinem Wechsel zu Alvarez & Marsal war Rose Managing Director Financial Services EMEA bei Google Cloud. Zuvor hatte er unter anderem Führungspositionen bei IBM, Sopra Steria und Accenture inne und arbeitete in leitenden IT-Funktionen bei Deutsche Bank und Citigroup. Bei Citigroup vertrat er das Unternehmen zudem im Technologievorstand des Bundesverbands deutscher Banken.
Rose studierte Informatik und Softwaretechnologie an der Universität Paderborn und verfügt über Executive-Education-Erfahrung an der London Business School.