Die Kurzfassung
Am 2. Juli 2026 hat Microsoft die Frontier Company angekündigt – eine operative Einheit mit 2,5 Milliarden US-Dollar Budget, die rund 6.000 Ingenieure und Branchenspezialisten direkt bei Unternehmenskunden einsetzt, um KI-Systeme zu bauen, auszurollen und weiterzuentwickeln. Microsoft nennt das Modell Forward-Deployed Engineering. Die Einheit berät sowohl zu Microsoft- als auch zu Drittanbieter-KI-Tools, verbindet sie mit den eigenen Daten des Kunden, und der Kunde behält Ergebnisse und geistiges Eigentum. Geleitet wird sie von Rodrigo Kede Lima, zuvor Chef des Asiengeschäfts von Microsoft.
Die eigentliche Geschichte ist nicht das Organigramm eines einzelnen Anbieters. Innerhalb von acht Wochen haben vier der größten Namen der KI-Branche – Microsoft, Amazon, OpenAI und Anthropic – Kapital in dieselbe Idee gesteckt: eigene Ingenieure beim Kunden platzieren und nach Ergebnis bezahlt werden. Dieser Konsens ist ein Eingeständnis, dass das Modell nie der Engpass war. Der Engpass ist, KI in den Produktivbetrieb zu bringen – angebunden an echte Daten und echte Prozesse.
Was hat Microsoft konkret angekündigt?
Microsoft bündelt Ingenieure, Branchenspezialisten und Vertriebsleute in einer eigenen Einheit, der Microsoft Frontier Company, und stattet sie mit 2,5 Milliarden US-Dollar und rund 6.000 Mitarbeitenden aus, die vor Ort beim Kunden arbeiten. Für diese Praxis hat sich in der Branche inzwischen ein Begriff etabliert – Forward-Deployed Engineering –, und Microsoft macht keinen Hehl daraus, die Kategorie besetzen zu wollen. Judson Althoff, CEO des kommerziellen Geschäfts von Microsoft, sprach davon, „über das hinauszugehen, was als Forward-Deployed Engineering bezeichnet wird“, und „die größte, leistungsfähigste und ergebnisorientierteste Engineering-Organisation der Branche“ aufzubauen.
Zwei Gestaltungsentscheidungen sind wichtiger als die Schlagzeilenzahl. Erstens wird die Einheit zu KI-Tools von Microsoft und von externen Anbietern beraten und sie mit den internen Daten des Kunden verbinden – das Eingeständnis, dass kein einzelner Anbieter-Stack jeden Unternehmensbedarf abdeckt. Zweitens sagt Microsoft, dass Kunden die Ergebnisse der Arbeit behalten und dass Kundendaten und IP nicht so zum Training der eigenen Modelle verwendet werden, dass der Wettbewerbsvorteil des Kunden schwindet. Beide Entscheidungen zielen direkt auf den Einwand, der die Einführung von Enterprise-KI gebremst hat: Wem gehören am Ende der Wert und die Daten? Wenn Sie abwägen, wie sich generative KI in bestehende Systeme einbetten lässt, ohne die Kronjuwelen herzugeben, muss genau diese Frage ein Projekt zur GenAI-Integration von Anfang an beantworten.
Warum setzen plötzlich alle Ingenieure direkt beim Kunden ein?
Weil sich in der Enterprise-KI immer wieder dasselbe Muster zeigt: beeindruckende Demos, stockende Rollouts. Vielzitierte Forschung des MIT-Projekts NANDA aus dem Jahr 2025 kam zu dem Ergebnis, dass die große Mehrheit der Generative-KI-Piloten in Unternehmen keinen messbaren Effekt auf die Gewinn- und Verlustrechnung hatte – eine Lücke, die wenig mit Modellqualität und viel mit der letzten Meile zu tun hat. Ein Modell in Produktion zu bringen heißt, es an unordentliche interne Daten anzubinden, in bestehende Abläufe einzupassen, Sicherheits- und Compliance-Anforderungen zu erfüllen und Menschen dazu zu bringen, ihre Arbeitsweise tatsächlich zu ändern. Nichts davon löst ein höherer Benchmark-Wert.
Deshalb läuft die Antwort aller großen KI-Anbieter auf dieselbe Form hinaus. Amazon hat am 30. Juni 2026 eine Zusage von rund 1 Milliarde US-Dollar für Forward-Deployed Engineering verkündet; OpenAI und Anthropic haben Anfang des Jahres eigene, auf Deployment ausgerichtete Gruppen aufgebaut; und nun hat Microsoft die größte Wette von allen platziert. Wenn vier erbitterte Wettbewerber unabhängig voneinander zu dem Schluss kommen, „wir müssen unsere eigenen Ingenieure beim Kunden platzieren“, zeigen sie dem Markt, wo der eigentliche Engpass liegt. Das Modell ist zum einfachen, austauschbaren Teil des Stacks geworden. Knapp und wertvoll ist das Engineering, das daraus ein funktionierendes System macht – genau die Arbeit, die unsere eigenen Teams als dedizierte Entwicklungsteams an der Seite der Mitarbeitenden eines Kunden leisten.
Ist das nur Beratung unter neuem Namen?
Es erinnert an klassische Systemintegration, aber der Anreiz ist ein anderer – und genau darum geht es. Klassische Beratung wird häufig nach Aufwand abgerechnet und endet nicht selten mit einem Strategiepapier oder einem Piloten, der nie in Produktion geht. Forward-Deployed Engineering dreht zwei Dinge um: Die Ingenieure sitzen in der Umgebung des Kunden und liefern produktive Software, und die Vergütung hängt an einem messbaren Ergebnis – gesenkten Kosten, einem beschleunigten Prozess, mehr Umsatz – statt an gebuchten Stunden. Für den Auftraggeber ist das die gesündere Ausrichtung, weil das Umsetzungsrisiko dort liegt, wo es hingehört.
Einen Haken sollte man offen benennen. Die hauseigene Umsetzungseinheit eines Hyperscalers hat eine natürliche Anziehungskraft hin zur eigenen Cloud und zu den eigenen Modellen. Das ist kein Skandal, sondern Physik. Es bedeutet aber, dass der Auftraggeber Tool-Neutralität und Ausstiegsbedingungen ausdrücklich festhalten muss, statt sie vorauszusetzen. Der Vorteil eines unabhängigen Engineering-Partners liegt genau darin, dass er das beste Modell für die Aufgabe wählen kann – OpenAI, Anthropic, ein Open-Weight-Modell oder eine Kombination – und die Cloud nach sachlichen Kriterien auswählt. Für Teams, die auf Cloud-Kosten achten oder bewusst auf Multi-Cloud setzen, ist diese Neutralität kein Nice-to-have, sondern ein Hebel, den Sie behalten wollen. Sie gehört in einen umfassenden Plan zur digitalen Transformation, statt von demjenigen entschieden zu werden, der zufällig das Projektteam gestellt hat.
Was das für Softwareteams in den USA und der EU bedeutet
Ohne das Branding betrachtet ist das ein klärender Moment für alle, die KI einkaufen oder entwickeln. Die erste Konsequenz ist eine Budgetkorrektur: Wenn Piloten stocken, liegt die Lösung fast nie in mehr Modellkapazität, sondern in Investitionen in Integration, Datenanbindung und Change-Management, die ein System in Produktion bringen. Die zweite betrifft den Zugang. Microsofts 6.000 Ingenieure werden sich auf die allergrößten Kunden konzentrieren – die Ankündigung nennt London Stock Exchange Group und Unilever unter den ersten Kunden. Mittelständler und Scale-ups brauchen dasselbe eingebettete, ergebnisorientierte Modell, aber in einer Größenordnung, die für sie tatsächlich zugänglich ist, und von einem Partner, der bei den Tools neutral ist.
Die dritte Konsequenz betrifft Governance, und sie trifft regulierte Branchen am härtesten. Dass Microsoft so laut verspricht, dass Kunden ihre Daten und ihr IP behalten, zeigt: Datenhoheit ist die entscheidende Vertragsbedingung in Enterprise-KI-Deals geworden. Für ein FinTech, ein Unternehmen im Gesundheitswesen oder jeden, der in Europa verkauft, muss ein KI-Umsetzungsvertrag heute Datenverarbeitung, Rechte zum Modelltraining und IP-Eigentum schriftlich regeln – denn DSGVO, EU AI Act und Branchenregeln machen „das klären wir später“ zu einer inakzeptablen Antwort. Die Teams, die die nächsten 18 Monate gewinnen, behandeln KI als Disziplin aus Engineering und Governance, nicht als Modell-Shopping.
Dazu kommt eine leise Lektion zur Frage „selbst bauen oder mit Partner“. Sie brauchen keine Abteilung mit 6.000 Leuten, um vom Forward-Deployed Engineering zu profitieren; Sie brauchen erfahrene Leute, die mit Ihrem Team zusammensitzen, Ihre Daten verstehen und liefern. Das kann ein internes Plattformteam sein, ein eingebettetes Partnerteam oder eine Mischung. Entscheidend ist, dass die Menschen, die die Arbeit machen, nah genug am Problem sind, um am Ergebnis gemessen zu werden – das Gegenteil eines distanzierten, foliengetriebenen Projekts.
Was bedeutet das für den DACH-Markt?
Im DACH-Raum trifft der Trend auf eine typische Ausgangslage: Viele Mittelständler haben KI-Proofs-of-Concept erfolgreich abgeschlossen, scheitern dann aber am Übergang in den Produktivbetrieb – an gewachsenen ERP- und Legacy-Landschaften, an Datensilos zwischen Werken und Abteilungen und an knappen eigenen Entwicklerkapazitäten. Microsofts Ingenieure werden sich auf Großkonzerne konzentrieren; der Mittelstand braucht dasselbe Prinzip „Senior-Team direkt im Projekt, gemessen am Ergebnis“ in einem Format, das zu Budget und Organisation passt.
Zwei lokale Besonderheiten gehören von Anfang an in den Plan. Erstens die Mitbestimmung: Führt ein Unternehmen in Deutschland KI-Werkzeuge ein, die Verhalten oder Leistung von Beschäftigten auswerten können, hat der Betriebsrat in der Regel ein Mitbestimmungsrecht – wer ihn früh einbindet, vermeidet, dass ein fertiges System monatelang auf Eis liegt. Zweitens die Regulierung: Neben der DSGVO und dem EU AI Act gilt für Banken, Versicherer und andere Finanzunternehmen der Digital Operational Resilience Act (DORA), der Anforderungen an das Management von IKT-Drittdienstleistern stellt. Ein KI-Umsetzungsvertrag sollte deshalb Auftragsverarbeitung, Datenstandort, Trainingsrechte und Exit-Regeln so festhalten, dass er auch einer Prüfung durch Datenschutzbeauftragte und Aufsicht standhält.
Was Sie in diesem Quartal tun sollten
Hier die umsetzbare Version. Betrachten Sie die Welle von Forward-Deployed-Engineering-Ankündigungen als Bestätigung durch den Markt – und handeln Sie danach.
- Prüfen Sie Ihre stockenden Piloten. Notieren Sie für jeden KI-Proof-of-Concept, der nie live ging, den tatsächlichen Blocker – Datenzugang, Integration, Sicherheitsprüfung oder Akzeptanz. Fast nie werden Sie „das Modell war nicht gut genug“ finden.
- Verlagern Sie Budget in die Umsetzung. Schichten Sie Ausgaben von Modell- und Lizenzexperimenten hin zu Engineering-, Daten- und MLOps-Arbeit um, die Systeme in Produktion bringt und dort hält.
- Schreiben Sie Ergebnisse in den Vertrag. Ob Sie intern entwickeln oder einen Partner holen: Legen Sie die Geschäftskennzahl fest, die die Arbeit bewegen muss, und messen Sie daran – nicht an Stunden oder Story Points.
- Sichern Sie Daten- und IP-Bedingungen ab. Verlangen Sie, dass jede KI-Umsetzungsvereinbarung schriftlich festhält, wie Ihre Daten verwendet werden, ob sie Modelle eines Anbieters trainieren dürfen und wem die Ergebnisse gehören. Stimmen Sie das vor der Unterschrift mit DSGVO und EU AI Act ab.
- Bewahren Sie Tool-Neutralität. Behalten Sie die Freiheit, für jeden Anwendungsfall das beste Modell und die beste Cloud zu wählen; vermeiden Sie Verträge, die Sie als Nebeneffekt der Projektvergabe stillschweigend an den Stack eines Anbieters binden.
- Einbetten statt übergeben. Besetzen Sie die Arbeit mit erfahrenen Ingenieuren, die nah an Ihrem Team und Ihren Daten sitzen, damit das Umsetzungsrisiko sichtbar bleibt und Verantwortung hat – statt an ein Foliendeck ausgelagert zu werden.
Nichts davon ist Anlage- oder Rechtsberatung, und Ihre konkreten Pflichten hängen von Ihren Daten, Ihrer Branche und Ihrer Rechtsordnung ab. Aber das strategische Signal ist kaum zu übersehen: Die KI-Branche hat gemeinsam entschieden, dass Umsetzung die knappe Ressource ist. Der Vorteil liegt jetzt bei Teams, die den Weg von KI in die Produktion als ernsthaftes Engineering behandeln – und dabei die Kontrolle über ihre Daten, ihr IP und ihre Toolwahl behalten.
Häufig gestellte Fragen
Was ist die Microsoft Frontier Company?
Eine neue operative Einheit von Microsoft, angekündigt am 2. Juli 2026, ausgestattet mit 2,5 Milliarden US-Dollar und rund 6.000 Branchen- und Engineering-Experten, die sich bei Unternehmenskunden einbetten, um KI-Systeme zu konzipieren, auszurollen und zu verbessern – ein Modell, das Microsoft Forward-Deployed Engineering nennt. Präsident ist Rodrigo Kede Lima, zuvor Chef des Asiengeschäfts von Microsoft. Die Einheit berät zu KI-Tools von Microsoft und externen Anbietern, verbindet sie mit den internen Daten des Kunden, und der Kunde behält Ergebnisse und IP.
Warum setzen Microsoft, Amazon, OpenAI und Anthropic alle Ingenieure beim Kunden ein?
Weil sich die Hürde für den Wert von Enterprise-KI vom Modell auf die letzte Meile der Umsetzung verschoben hat. Frontier-Modelle werden zunehmend austauschbar, doch die meisten KI-Piloten in Unternehmen stocken noch, bevor sie eine Geschäftskennzahl verändern – wegen Lücken bei Integration, Daten, Prozessen und Change-Management. Ingenieure beim Kunden zu platzieren und nach Ergebnis bezahlt zu werden, setzt direkt an dieser Lücke an. Amazon hat am 30. Juni 2026 rund 1 Milliarde US-Dollar für Forward-Deployed Engineering zugesagt, OpenAI und Anthropic haben Anfang 2026 ähnliche Gruppen gestartet.
Ist Forward-Deployed Engineering nur Beratung unter neuem Namen?
Es überschneidet sich mit Systemintegration, aber der Anreiz unterscheidet sich. Klassische Beratung wird oft nach Aufwand abgerechnet und liefert ein Foliendeck oder einen Piloten. Forward-Deployed Engineering bettet Ingenieure in die Umgebung des Kunden ein, liefert produktive Software und knüpft die Vergütung an ein messbares Ergebnis wie Kostensenkung oder Umsatz. Der Haken: Die eigene Umsetzungseinheit eines Hyperscalers steuert naturgemäß auf dessen Stack zu, daher sollten Auftraggeber zuerst nach Daten- und IP-Eigentum und nach Tool-Neutralität fragen.
Was bedeutet der Start für Mittelstand und Scale-ups?
Die 6.000 Microsoft-Ingenieure werden sich auf die größten globalen Kunden konzentrieren, etwa London Stock Exchange Group und Unilever. Mittelständler und Scale-ups brauchen dasselbe eingebettete, ergebnisorientierte Umsetzungsmodell in zugänglicher Größenordnung – idealerweise von einem Partner, der bei Modell und Cloud neutral ist. Die Konsequenz ist nicht, mehr Modellkapazität zu kaufen, sondern in Engineering-, Daten- und Integrationsarbeit zu investieren, die aus einem Piloten produktiven Nutzen macht.
Nutzt Microsoft im Rahmen von Frontier unsere Daten oder unser IP zum Modelltraining?
Microsoft hat erklärt, dass Kunden die Ergebnisse der Frontier-Projekte behalten und dass Kundendaten und IP nicht so zum Training der eigenen Modelle verwendet werden, dass der Vorteil des Kunden austauschbar wird. Schon diese Formulierung ist ein Signal: Daten-Governance und IP-Kontrolle sind zum entscheidenden Faktor in Enterprise-KI-Deals geworden, besonders in regulierten Branchen und unter EU-Regeln wie DSGVO und EU AI Act. Jeder KI-Umsetzungsvertrag sollte Datenverarbeitung, Trainingsrechte und IP-Eigentum ausdrücklich regeln.
Quellen
Microsoft — Ankündigung der Frontier Company (Primärquelle)
TechCrunch — Microsoft launches its own AI deployment company with $2.5 billion commitment
CNBC — Microsoft commits $2.5 billion and 6,000 employees to new AI implementation unit
GeekWire — Microsoft unveils $2.5B Frontier Company to embed AI engineers inside customers