So knackst du das McKinsey-KI-Interview mit Lilli
McKinsey nutzt Lilli jetzt in Live-Case-Interviews. So bereitest du dich vor, lieferst und stichst in einer KI-gestützten Beratungsrunde heraus.
McKinsey hat verändert, was im Case Interview getestet wird, und die meisten Kandidaten bereiten sich noch auf das alte Format vor.
Lilli, McKinseys interne KI-Plattform, ist an manchen Standorten inzwischen Teil der Live-Interviewrunden. Rund jede dritte Erstrunde bei MBB enthält irgendeine Form von KI-gestütztem Case-Element, und diese Zahl steigt. Wenn du dich nur mit einem Case-Buch und einem Übungspartner vorbereitest, baust du die richtigen Fähigkeiten im falschen Kontext auf.
Dieser Beitrag zerlegt, wie das Lilli-Format tatsächlich aussieht, was McKinsey misst, und einen Ansatz in vier Schritten, den du üben kannst, bevor du den Raum betrittst.
Was Lilli ist (und was nicht)
Stell dir Lilli wie einen Rechercheanalysten vor, der jedes McKinsey-Projekt gelesen hat, das je durchgeführt wurde, aber kein Urteil darüber hat, was für dein konkretes Problem zählt. Du kannst ihn alles fragen. Er gibt dir etwas zurück. Ob dieses Etwas nützlich ist, hängt vollständig davon ab, wie präzise du ihn steuerst.
Diese Rahmung ist wichtig, weil sie die Fähigkeit neu einordnet, die du aufbaust. Du lernst nicht, einen Chatbot zu bedienen. Du lernst, als erfahrene Denkerin aufzutreten, die weiß, welche Fragen sie stellen muss, die Antworten kritisch bewerten und die Ausgabe zu einer Empfehlung synthetisieren kann, nach der der Kunde handeln kann. Lilli übernimmt das Abrufen. Du lieferst das Urteilsvermögen.
McKinsey nutzt Lilli jeden Tag in echten Projekten. Das Interview ist eine verdichtete Simulation dessen, wie der erste Tag tatsächlich aussieht.
Die eine Fähigkeit, die das Interview misst
Bevor du an Taktiken denkst, bring die Rahmung in Ordnung.
Das Lilli-Interview testet nicht, wie gut du KI nutzt. Es testet dasselbe, was jedes McKinsey-Interview testet: ob du einem mehrdeutigen Problem Struktur aufzwingen, eine Hypothese bilden und eine verteidigbare Empfehlung bauen kannst. Die KI ist ein neuer Übertragungsweg für dieselbe Bewertung.
Die Kandidaten, die sich schwertun, sind die, die zuerst das Tool öffnen. Sie tippen einen vagen Prompt, bekommen eine plausibel klingende Antwort und bauen dann eine Antwort darum herum. Die Kandidaten, die erfolgreich sind, behandeln Lilli wie einen jungen Analysten, der eine sehr konkrete Frage braucht, um etwas Nützliches zurückzugeben. Sie bauen zuerst die Struktur. Sie holen das Tool dazu, um gezielte Lücken zu füllen, nicht um einen Ausgangspunkt zu erzeugen.
Das Interview testet nicht, ob du KI nutzen kannst. Es testet, ob du die Art von Denkerin bist, die KI in einem echten Projekt gut steuern könnte.
Übe das an einem Case, der dich in eine realistische KI-gestützte Umgebung versetzt. BoardroomIQs Case-Simulator spiegelt dieses Format: Live-Case-Fragestellung, KI-Copilot, strukturiertes Feedback dazu, wie gut du steuerst, statt dich unterzuordnen.
Schritt 1: Struktur vor dem Prompt
Der häufigste Fehler in KI-gestützten Cases ist, mit dem Tool zu beginnen.
Nimm dir die ersten 60 bis 90 Sekunden für das, was du in jedem Case tun würdest: die Frage klären, die zu treffende Entscheidung identifizieren und deinen Problembaum (Issue Tree) skizzieren. Was sind die zwei oder drei entscheidenden Fragen, deren Beantwortung dieses Problem knacken würde?
Erst dann steuerst du Lilli, und zwar auf konkrete, abgegrenzte Aufgaben. Der Unterschied zwischen einem schwachen und einem starken Prompt ist der Unterschied zwischen „Erzähl mir etwas über diesen Markt“ und „Was sind die typischen Fixkostentreiber für ein B2B-SaaS-Unternehmen mit $200M ARR?“ Das eine erzeugt eine Textwand, die du sortieren musst. Das andere liefert genau das, was du brauchst, um einen Knoten in deinem Baum zu füllen.
Starke KI-Prompts im Case-Kontext sind chirurgisch. Sie füllen eine konkrete Lücke. Sie sind keine Bitten an Lilli, den Case zu lösen.
Wende an, was du gerade gelernt hast
Browse all 100 real boardroom decision cases.
Schritt 2: Prüfe jede Ausgabe, bevor du sie nutzt
Lilli ist mächtig, aber McKinsey-Interviewer wissen, dass es nicht unfehlbar ist. Der Interviewer lässt das Tool vielleicht absichtlich eine fehlerhafte Antwort liefern, um zu sehen, ob du es bemerkst.
Mach nach jeder Ausgabe einen schnellen Drei-Punkte-Check. Ist sie relevant: Beantwortet sie tatsächlich die Teilfrage, die ich gestellt habe, oder ist sie abgedriftet? Ist sie vollständig: Gibt es mit Blick auf den Case-Kontext offensichtliche Lücken? Ist sie verteidigbar: Könnte ich den Interviewer durch diese Logik führen, ohne dass sie zusammenbricht?
Wenn die Antwort auf eine dieser Fragen Nein lautet, sag es laut. Deine kritische Bewertung laut zu erzählen, ist keine Schwäche. Es ist das Signal, nach dem McKinsey sucht. Kandidaten, die schlechte KI-Ergebnisse still übernehmen, sind die, die aussortiert werden.
Schritt 3: Nutze KI für Stresstests, nicht nur zum Erzeugen
Ein zu selten genutzter Schritt: Sobald du deine eigene Hypothese aufgebaut hast, bitte Lilli, sie anzugreifen.
Etwa so: „Was sind die stärksten Gegenargumente gegen eine Empfehlung zum Markteintritt für dieses Unternehmen?“ oder „Welche Risiken berücksichtige ich in dieser Analyse zur Kostensenkung nicht?“ Das spiegelt, wie erfahrene Berater KI in echten Projekten nutzen: nicht als Maschine für erste Entwürfe, sondern als Red-Team-Partner.
Es signalisiert außerdem intellektuelles Selbstvertrauen. Du hast keine Angst, dein eigenes Denken einem Stresstest zu unterziehen. Das ist eine Eigenschaft, nach der McKinsey aktiv auswählt, und es ist offensichtlich, ob ein Kandidat das ernst meint oder nur vorspielt.
Schritt 4: Übernimm Synthese und Abschluss selbst
Die letzten zwei Minuten eines KI-gestützten Case sind identisch mit dem Abschluss jedes anderen Case. Du brauchst eine klare, direkte Antwort auf die gestellte Frage, zwei bis drei stützende Gründe nach Priorität und ein wesentliches Risiko oder einen Vorbehalt, den der Kunde im Auge behalten sollte.
Lilli kann das nicht für dich tun. In der Synthese zeigt sich dein Urteilsvermögen. Kandidaten, die im Abschluss aus der Zusammenfassung von Lilli vorlesen, sind sofort als Menschen erkennbar, die die Analyse nie wirklich verinnerlicht haben.
Schreib deine eigenen Stichpunkte für den Abschluss. Sprich sie in deinen eigenen Worten. Die KI war ein Werkzeug. Die Empfehlung ist deine.
Wie du vor deinem Interview übst
Die Lücke zwischen dem Kennen dieses Frameworks und seiner Umsetzung unter echtem Interviewdruck ist real. Du brauchst Wiederholungen.
Strukturdrills auf Zeit. Stell einen Timer auf 90 Sekunden und bau zu einer Fragestellung einen Problembaum, bevor du irgendein KI-Tool anfasst. Wiederhole das mit 10 verschiedenen Case-Typen, bis die Struktur vor dem Impuls zum Suchen kommt.
Übung zur Präzision von KI-Prompts. Nimm einen Übungs-Case und schreib die genauen Prompts auf, die du Lilli in jeder Phase geben würdest. Bewerte dich: Ist jeder Prompt chirurgisch, oder bittet er die KI, dein Denken zu übernehmen?
Greif deine eigenen Hypothesen an. Schreib nach dem Aufbau einer Empfehlung in einem beliebigen Übungs-Case die drei stärksten Argumente dagegen auf. Frag dich dann: Wenn ich Lilli nutzen würde, wie würde ich den Prompt formulieren, um diese Gegenargumente zutage zu fördern?
Am besten übst du das Lilli-Format unter realistischem Druck, mit einem Case, der sich wehrt. Probier den McKinsey-Office-Hours-Case auf BoardroomIQ, um den Muskel aufzubauen, bevor es ernst wird.
Häufige Fragen
Was ist Lilli im Interviewprozess von McKinsey?
Lilli ist McKinseys interne Plattform für generative KI. In KI-gestützten Interviewformaten arbeiten Kandidaten womöglich Teile eines Case mit verfügbarer KI-Unterstützung durch, und der Interviewer bewertet, wie gut sie die Ausgabe der KI steuern, prüfen und darauf aufbauen, statt wie gut sie Frameworks aus dem Gedächtnis abrufen. Die getestete Fähigkeit verschiebt sich vom Abrufen zum Urteilsvermögen: das Problem strukturieren, wissen, was man fragt, und das Zurückgegebene einem Stresstest unterziehen.
Heißt KI im Interview, dass die Case-Vorbereitung weniger zählt?
Das Gegenteil. Wenn die KI in Sekunden ein kompetentes generisches Framework liefern kann, wird alles zum Unterscheidungsmerkmal, was die KI nicht für dich tun kann: wählen, wo du gräbst, entscheiden, welche Zahl die Antwort verändern würde, und dich unter Unsicherheit auf eine Empfehlung festlegen. Kandidaten, die nur Frameworks auswendig gelernt haben, verlieren ihren Vorteil; Kandidaten, die an einem Live-Problem strukturieren, quantifizieren und synthetisieren können, behalten ihn.
Wie sollte ich für ein KI-gestütztes Case Interview üben?
Übe den Kreislauf, den das Interview tatsächlich testet: eine Hypothese aufstellen, nach konkreten Daten fragen, interpretieren, was du bekommst, und überarbeiten. Mock Interviews auf Zeit mit einem KI-Interviewer sind die nächstliegende verfügbare Simulation; sie zwingen dich, den Case zu steuern, mit Daten umzugehen, die du nicht gewählt hast, und gegen die Uhr zu synthetisieren, und genau diesen Muskel misst eine KI-gestützte Runde.
Ähnliche Guides
May 31, 2026
Das MECE-Framework: So strukturierst du jede Antwort im Case Interview
June 24, 2026
Das McKinsey-KI-Interview: Was es ist und wie du dich vorbereitest
June 29, 2026
Der KI-Geldkreislauf von 800 Mrd. $ und wie du Umsatzqualität beurteilst
June 24, 2026
Das Pyramidenprinzip: Wie Berater Top-down kommunizieren
June 24, 2026
Zepto vs Blinkit: Die Unit Economics von Quick Commerce
June 24, 2026