Lenovo 360 for Services schafft für IT-Systemhäuser eine klare Entscheidungssituation: Wer im Partnerprogramm aufsteigen will, muss das Geschäftsmodell von transaktionalem Hardware-Verkauf auf wiederkehrende Service-Umsätze umstellen. Laut Lenovos eigener Kommunikation wächst der eigene Services-Bereich doppelt so schnell wie der allgemeine IT-Services-Markt — ein Anreiz, der mit dem CRN 5-Star Award 2026 für das Lenovo 360 Framework an Glaubwürdigkeit gewonnen hat. Der folgende Prompt übernimmt die Lückenanalyse und gibt dir eine direkt importierbare Roadmap zurück.
Der Prompt nutzt Chain-of-Thought Decomposition und Structured Output Prompting: Das Modell denkt die Transformationspfade explizit durch, bevor es einen JSON-Block ausgibt, der sich direkt in Projektmanagement-Tools wie Jira, Monday.com oder Notion importieren lässt. Er funktioniert mit GPT-5.4 und Claude Opus 4.6 — plattformübergreifend und ohne Anpassung.
## ROLE
Du bist ein erfahrener IT-Channel-Stratege mit Spezialisierung auf die Transformation von Systemhäusern zu Managed Service Providern (MSPs). Du kennst das Lenovo 360 for Services Framework und seine Tier-Struktur (Authorized, Gold, Platinum) genau.
## KONTEXT
Ein IT-Systemhaus analysiert sein aktuelles Geschäftsmodell, um zu verstehen, welche Lücken es von einem erfolgreichen Einstieg in das Lenovo 360 for Services Programm trennen. Dabei sind DSGVO-Konformität und EU AI Act Compliance für alle automatisierten Kundenprozesse nicht verhandelbar.
## AUFGABE
Führe eine strukturierte Gap-Analyse in drei Schritten durch:
SCHRITT 1 — IST-ANALYSE:
Bewerte das aktuelle Geschäftsmodell anhand der folgenden Variablen. Denke laut (Chain-of-Thought), bevor du ein Ergebnis ausgibst.
SCHRITT 2 — LÜCKEN-IDENTIFIKATION:
Identifiziere die Top-5-Lücken zwischen IST und dem Lenovo 360 Gold-Tier-Standard. Priorisiere nach Umsatzimpact (hoch/mittel/niedrig) und Umsetzungsaufwand (hoch/mittel/niedrig).
SCHRITT 3 — ROADMAP-GENERIERUNG:
Generiere eine 12-Monats-Transformations-Roadmap als JSON-Objekt. Jedes Quartal enthält: Ziele, konkrete Maßnahmen, KPIs, Verantwortliche (Rolle, nicht Name) und ein geschätztes Budget in EUR.
## VARIABLEN (bitte vor dem Ausführen befüllen)
- [UMSATZ_ANTEIL_SERVICE]: Aktueller prozentualer Anteil von Service-Umsätzen am Gesamtumsatz (z.B. "15%")
- [ANZAHL_MITARBEITER]: Gesamtzahl der Mitarbeiter (z.B. "45")
- [HAUPTREGION]: Primärer Markt des Systemhauses (z.B. "Bayern, Deutschland")
- [BESTEHENDE_AKKREDITIERUNGEN]: Vorhandene Lenovo- oder Hersteller-Zertifizierungen (z.B. "Lenovo Authorized, Microsoft CSP Silver")
- [ZIEL_TIER]: Angestrebter Lenovo 360 Tier innerhalb von 12 Monaten (z.B. "Gold")
- [FOKUS_SERVICES]: Gewünschte Service-Cluster (z.B. "Digital Workplace, Hybrid Cloud")
## OUTPUT-FORMAT
Ausgabe in zwei Blöcken:
1. Fließtext: Chain-of-Thought IST-Analyse und Lücken-Identifikation (max. 300 Wörter)
2. JSON-Block: 12-Monats-Roadmap, importierbar, mit folgender Struktur:
{
"systemhaus": "[HAUPTREGION]",
"ziel_tier": "[ZIEL_TIER]",
"roadmap": {
"Q1": { "ziele": [], "massnahmen": [], "kpis": [], "verantwortlich": [], "budget_eur": 0 },
"Q2": { ... },
"Q3": { ... },
"Q4": { ... }
}
}
## GUARDRAILS
- Keine Empfehlungen, die DSGVO Art. 22 (automatisierte Entscheidungen ohne menschliche Kontrolle) verletzen könnten
- Alle Service-Modelle müssen mit EU AI Act Anforderungen (insb. KI-Literacy-Pflicht seit Feb 2025) kompatibel sein
- Keine Umsatzprognosen als Fakten ausgeben — nur als Szenarien mit explizitem Vorbehalt kennzeichnen
- Halte dich an verifizierbare Lenovo 360 Programminhalte; keine erfundenen Programmdetails
Beispiel-Output (fiktiv, DACH-Kontext):
IST-Analyse (Chain-of-Thought): Das Systemhaus Müller IT GmbH aus München generiert aktuell 15% seines Umsatzes aus Service-Verträgen. Mit 45 Mitarbeitern fehlt eine dedizierte NOC-Funktion. Bestehende Microsoft CSP Silver-Akkreditierung ist eine Basis, deckt aber keine Lenovo TruScale-Kompetenz ab. Für Gold fehlen primär: strukturierte Recurring-Revenue-Verträge, ein dokumentierter Onboarding-Prozess für Endkunden sowie zwei Lenovo-spezifische Akkreditierungen.
JSON-Roadmap (Auszug):
{ "systemhaus": "München, Bayern", "ziel_tier": "Gold", "roadmap": { "Q1": { "ziele": ["Service-Portfolio definieren", "NOC-Rolle besetzen"], "massnahmen": ["Digital Workplace Bundle strukturieren", "Stellenausschreibung NOC-Engineer"], "kpis": ["Service-Umsatzanteil auf 25%", "Erstes TruScale-Angebot erstellt"], "verantwortlich": ["Geschäftsführung", "Vertriebsleitung"], "budget_eur": 18000 } } }
So verwendest du den Prompt
Kopiere den Prompt vollständig in ChatGPT (GPT-5.4 oder neuer) oder Claude Opus 4.6. Befülle anschließend die sechs Variablen in eckigen Klammern mit den Werten deines Systemhauses, bevor du sendest. Die Reihenfolge ist wichtig: Fülle [UMSATZ_ANTEIL_SERVICE] realistisch aus — das Modell nutzt diesen Wert als Anker für die Priorisierung aller Maßnahmen in SCHRITT 2.
Den JSON-Output aus SCHRITT 3 kannst du direkt in Jira (über den JSON-Importer), Monday.com (CSV-Konvertierung via Zapier) oder Notion (Datenbank-Import) übernehmen. Für Teams, die mit dem Lenovo 360 Partner Hub arbeiten, empfiehlt es sich, die KPIs direkt auf die dort definierten Performance-Meilensteine zu mappen — das erleichtert die Tier-Progression von Authorized über Gold zu Platinum erheblich. Alle automatisierten Kundenprozesse, die aus dem Roadmap-Plan folgen, sollten vor dem Rollout auf DSGVO Art. 22-Konformität geprüft werden, wenn KI-gestützte Kundenentscheidungen involviert sind.
Warum dieser Prompt funktioniert
Der Prompt kombiniert drei nachweislich wirksame Prompting-Techniken. Role Prompting verankert das Modell in einer klar definierten Expertenrolle — das reduziert generische Antworten und erhöht die Domänenspezifität messbar. Chain-of-Thought Decomposition erzwingt, dass das Modell die Analyse in explizite Zwischenschritte aufbricht, bevor es ein Ergebnis produziert: LLMs neigen ohne diese Struktur dazu, direkt zur Ausgabe zu springen und dabei Inferenzfehler zu machen, weil der Token-Stream keine Rückwärtskorrekturen erlaubt. Indem SCHRITT 1 und SCHRITT 2 explizit vor SCHRITT 3 stehen, erzwingt der Prompt eine lineare Reasoning-Kette.
Structured Output Prompting — hier via explizitem JSON-Schema — ist der dritte Hebel. Moderne LLMs wie GPT-5.4 oder Claude Opus 4.6 haben starke Schema-Following-Fähigkeiten; ein vorgegebenes Skeleton-JSON reduziert halluzinierte Feldnamen auf nahezu null. Die Guardrails am Ende des Prompts sind kein dekoratives Element: Sie wirken als negative Constraints, die den Sample-Space des Modells einengen und unerwünschte Ausgaben — wie erfundene Programmdetails oder DSGVO-inkompatible Empfehlungen — statistisch unwahrscheinlicher machen. Das ist keine Garantie, aber eine nachweisbare Reduktion der Fehlerrate bei regulatorisch sensitiven Outputs.
📚 Quellen
