McKinsey Solve – das digitale Assessment-Spiel der Firma – hat traditionelle Screening-Tests ersetzt und stellt nun die erste große Hürde im McKinsey-Bewerbungsprozess dar. Anders als Lebensläufe oder Case-Interviews bewertet Solve, wie Sie komplexe Probleme in Echtzeit durchdenken, indem jede Mausbewegung, jedes Klickmuster und jede Entscheidungssequenz erfasst wird.
Über 70 % der Kandidaten bestehen Solve nicht beim ersten Versuch. Bei dem Spiel geht es nicht darum, Antworten oder Business-Frameworks zu memorieren – es testet rohe kognitive Fähigkeiten durch simulierte Ökosysteme und Datenaufgaben, die sich für jeden Kandidaten unterscheiden.
Was McKinsey Solve testet
Solve misst fünf kognitive Fähigkeiten, die McKinsey für die Beratungsarbeit als essenziell betrachtet:
| Fähigkeit | Was sie misst | Praktische Anwendung in der Beratung |
|---|---|---|
| Kritisches Denken | Analyse von Informationen zur Bildung rationaler Urteile | Interpretation von Kundendaten zur Identifikation von Grundursachen |
| Entscheidungsfindung | Auswahl optimaler Handlungen unter Einschränkungen | Entscheidung zwischen strategischen Optionen mit Zielkonflikten |
| Metakognition | Einsatz von Strategien zur Vereinfachung komplexer Probleme | Zerlegung mehrdeutiger Projekte in handhabbare Schritte |
| Situationsbewusstsein | Verständnis der Beziehungen zwischen Variablen | Antizipation von Marktreaktionen auf Kundenentscheidungen |
| Systemdenken | Erfassen von Ursache und Wirkung über miteinander verknüpfte Faktoren | Modellierung von Zweitrundeneffekten operativer Veränderungen |
McKinsey berechnet einen „Prozess-Score", indem Ihr Vorgehen analysiert wird – nicht nur Ihre endgültigen Antworten. Der Algorithmus erkennt, ob Sie einem systematischen Denkprozess gefolgt sind oder einfach geraten haben. Ein Kandidat, der diszipliniert vorgeht, aber keine Zeit mehr hat, erzielt eine höhere Bewertung als jemand, der durch Versuch und Irrtum zufällig auf richtige Antworten stößt.
Spielformat und Struktur
Sie haben insgesamt 71 Minuten Zeit für:
- Ein Tutorial ohne Zeitlimit (so lange wiederholbar wie nötig)
- Zwei Mini-Games aus drei möglichen Kategorien
Jedes Mini-Game dauert 30–45 Minuten. Die Szenarien werden zufällig zugewiesen, sodass sich Ihre Version von denen anderer Kandidaten unterscheidet. Dadurch ist es unmöglich, Strategien von anderen zu kopieren – Sie müssen die zugrunde liegenden Prinzipien verstehen.
Drei Arten von Mini-Games
McKinsey wechselt zwischen drei Mini-Game-Typen ab, und Sie werden mit zwei davon konfrontiert:
mindmap
root((Solve Mini-Games))
Eingeschränkte Optimierung
Aufbau eines Ökosystems
Arten auswählen
Standort auswählen
Nahrungsketten ausbalancieren
Katastrophenmanagement
Katastrophentyp identifizieren
Tiere in Sicherheit bringen
Dateninterpretation
Red-Rock-Studie
Forschungsdaten analysieren
Populationen prognostizieren
An neue Informationen anpassen
Ursache vs. Wirkung
Krankheitsdiagnose
Symptome identifizieren
Ursache rückwärts ermitteln
Behandlung empfehlen
1. Eingeschränkte Optimierung (am häufigsten)
Sie bauen ein nachhaltiges Ökosystem auf, indem Sie Arten und einen Standort auswählen. Jede Art hat spezifische Umweltanforderungen (Temperatur, Niederschlag, Höhenlage) und eine Rolle in der Nahrungskette. Ihr Ziel: das Überleben der Arten maximieren und dabei die Einschränkungen einhalten.
Die Herausforderung besteht darin, konkurrierende Anforderungen auszubalancieren. Ein Spitzenprädator benötigt Beutetiere zum Überleben, aber wenn Sie zu viele Prädatoren hinzufügen, erschöpfen diese die Beutepopulation. Wenn Ihre Primärproduzenten am gewählten Standort nicht überleben können, bricht die gesamte Nahrungskette zusammen.
2. Dateninterpretation + kritisches numerisches Denken (eingeführt 2024)
Die Red-Rock-Studie präsentiert ein Forschungsszenario – typischerweise eine ökologische Prognose auf Basis vorgegebener Daten. Dies ersetzte McKinseys eingestellten Problem Solving Test und konzentriert sich auf Fähigkeiten, die Standard-Mathetests nicht erfassen: Diagramme korrekt lesen, schlüssige Beweise von bloß andeutenden Mustern unterscheiden und logisch fundierte Schlussfolgerungen formulieren.
3. Ursache vs. Wirkung (inzwischen seltener)
Ausgehend von einem Ergebnis (z. B. einem Rückgang der Tierpopulation) und historischen Daten ermitteln Sie die Ursache rückwärts. Oder, ausgehend von einer Ursache (z. B. einer Preissenkung), sagen Sie Effekte mithilfe von Musteranalysen voraus. Dies testet, ob Sie relevante Datensignale aus dem Rauschen herausfiltern können.
Erprobte Strategien nach Mini-Game-Typ
Für eingeschränkte Optimierung (Aufbau eines Ökosystems)
Beginnen Sie an einem Ende der Nahrungskette, nicht in der Mitte. Starten Sie mit Primärproduzenten (Pflanzen, die keine Beutetiere benötigen) oder Spitzenprädatoren (Tiere ohne eigene Fressfeinde) und arbeiten Sie sich dann linear vor. Wenn Sie in der Mitte beginnen, müssen Sie Abhängigkeiten gleichzeitig in beide Richtungen erraten.
Identifizieren und ignorieren Sie irrelevante Variablen. Sie sehen möglicherweise 8–10 Umweltfaktoren, aber oft schränken nur 3–4 davon Ihre Auswahl tatsächlich ein. Wenn alle verfügbaren Arten die gesamte Bandbreite der Windgeschwindigkeiten Ihrer Standortoptionen tolerieren, ist die Windgeschwindigkeit irrelevant – ignorieren Sie sie.
Protokollieren Sie Ihre Versuche auf Papier. Jede Iteration von Versuch und Irrtum kostet Zeit. Notieren Sie, was Sie bereits getestet haben und warum es fehlgeschlagen ist. Das Spiel erlaubt Stift und Papier – nutzen Sie diese, um nicht dieselbe Hypothese erneut zu testen.
Notieren Sie Maximal- und Minimalwerte. Regeln wie „die Temperatur muss zwischen 15 und 25 °C liegen" oder „mindestens 500 Kalorien an Beute pro Prädator" definieren die Einschränkungen. Identifizieren Sie schnell, welche Kennzahlen Schwellenwerte haben, und gestalten Sie Ihr System entsprechend.
Hier ist ein systematischer Ansatz für den Aufbau eines Ökosystems:
flowchart TD
A["Alle Arten überprüfen"] --> B{"Ansatz wählen"}
B -->|Top-Down| C["Spitzenprädator auswählen"]
B -->|Bottom-Up| D["Primärproduzenten auswählen"]
C --> E["Beuteanforderungen identifizieren"]
D --> F["Umweltanforderungen identifizieren"]
E --> G["Unterstützende Arten hinzufügen"]
F --> G
G --> H["Einschränkungen prüfen"]
H -->|Verstoß| I["Auswahl anpassen"]
H -->|Bestanden| J["Standort auswählen"]
I --> H
J --> K["Überleben aller Arten verifizieren"]
K -->|Einige sterben| I
K -->|Alle überleben| L["Fertig"]
Für Dateninterpretation (Red Rock Study)
Gehen Sie langsam vor und lesen Sie neue Informationen sorgfältig. Jede Runde liefert neue Daten, die Ihrer ursprünglichen Hypothese widersprechen können. Wer ohne Verarbeitung der Updates hastig weitermacht, wiederholt dieselben Fehler.
Schreiben Sie Annahmen auf und überprüfen Sie diese. Wenn Sie eine Hypothese zu Populationstrends bilden, notieren Sie sie auf Papier. Wenn neue Daten eintreffen, prüfen Sie explizit, ob Ihre Annahme noch gültig ist. Kandidaten, die sich schnell anpassen, erzielen bessere Ergebnisse als jene, die an widerlegten Strategien festhalten.
Unterscheiden Sie “deutet an” von “beweist”. Daten können eine Korrelation andeuten, ohne Kausalität zu belegen. Ihre Schlussfolgerungen müssen der Stärke der Evidenz entsprechen. Befunde zu überinterpretieren (Gewissheit aus andeutenden Daten abzuleiten) ist ein kritischer Fehler.
Für Ursache vs. Wirkung (Krankheitsdiagnose)
Erfassen Sie zunächst die Beziehungen zwischen den Variablen. Bevor Sie sich in die Daten vertiefen, verstehen Sie die logischen Zusammenhänge: Beeinflusst Niederschlag die Temperatur? Schränkt die Höhenlage die Artenverteilung ein? Skizzieren Sie diese Zusammenhänge, um Ihre Analyse zu steuern.
Trennen Sie relevante von irrelevanten Daten. Sie erhalten weit mehr Informationen, als Sie benötigen. In einem echten Beratungsprojekt stellen Kunden oft Hunderte von Dokumenten bereit, obwohl nur eine Kategorie relevant ist. Üben Sie, Rauschen herauszufiltern.
Häufige Fehler, die Ihre Punktzahl senken
Basierend auf unserer Analyse von über 835 Case-Interview-Mustern und Kandidaten-Feedback:
Fehler 1: Lokale statt globale Optimierung. Sie perfektionieren vielleicht einen Teil des Ökosystems (z. B. die Balance zwischen Pflanzenfressern und Pflanzen), ignorieren dabei aber die Auswirkungen auf die gesamte Nahrungskette. Treten Sie immer einen Schritt zurück und prüfen Sie die systemweiten Folgen.
Fehler 2: Die Zeit ignorieren. Obwohl ein frühzeitiger Abschluss nicht erforderlich ist, bleibt bei 35 Minuten für Iteration Nr. 1 zu wenig Zeit für Anpassungen. Streben Sie zügig eine grobe Richtigkeit an und verfeinern Sie dann.
Fehler 3: Kein Stift und Papier verwenden. Mentales Verfolgen scheitert unter Zeitdruck. Kandidaten, die sich strukturierte Notizen machen, vermeiden es, gescheiterte Versuche zu wiederholen, und erkennen Muster schneller.
Fehler 4: Es wie ein klassisches Spiel behandeln. Solve belohnt systematisches Denken, nicht Spielinstinkte. Ihr Vorgehen zählt mehr als Ihr Endergebnis. Zeigen Sie diszipliniertes Denken durch Ihre Klickmuster.
Fehler 5: Versuchen, die Lösungen anderer Kandidaten zu memorieren. Die Randomisierung macht das sinnlos. Zwei Kandidaten können mit unterschiedlichen Artensets, Standortvariablen und Einschränkungen konfrontiert sein. Konzentrieren Sie sich auf Prinzipien, nicht auf konkrete Antworten.
Wie man sich auf McKinsey Solve vorbereitet
McKinsey erlaubt keinen Übungszugang zum eigentlichen Spiel. Sie können sich jedoch wie folgt vorbereiten:
1. Systemdenken üben. Arbeiten Sie Probleme mit mehreren interagierenden Variablen durch – Optimierung der Lieferkette, ökologische Simulationen oder Ressourcenallokation unter Einschränkungen. Trainieren Sie Ihre Fähigkeit, Effekte zweiter Ordnung zu erkennen.
2. Geschwindigkeit der Dateninterpretation verbessern. Analysieren Sie Diagramme und Datensätze und üben Sie dann, präzise Schlussfolgerungen zu formulieren. Was zeigen die Daten eindeutig? Was deuten sie lediglich an? Wo reicht die Evidenz nicht aus?
3. Zeitdruck simulieren. Setzen Sie sich 35-Minuten-Limits für komplexe Problemlösungsaufgaben. Üben Sie, schnell “ausreichend gute” Entscheidungen zu treffen, statt langsam perfekte Entscheidungen zu suchen.
4. Das unbegrenzte Tutorial strategisch nutzen. Wenn Sie Solve starten, wird die Zeit für das Tutorial nicht angerechnet. Lesen Sie die Anweisungen zweimal. Machen Sie sich Notizen. Verstehen Sie das Ziel, bevor die Uhr zu laufen beginnt.
Die Rolle von Solve im McKinsey-Screening
McKinsey nutzt Solve-Ergebnisse auf zwei Arten:
- Aussortieren schwacher Kandidaten mit starken Lebensläufen: Eine schlechte Solve-Leistung kann exzellente akademische Leistungen überwiegen
- Identifizieren starker Kandidaten mit schwächerem Hintergrund: Ein starkes Solve-Ergebnis kann weniger prestigeträchtige Hochschulen ausgleichen
Das Spiel ersetzt nicht das Screening des Lebenslaufs oder Case-Interviews – es ergänzt sie. Selbst eine perfekte Solve-Punktzahl erfordert solide akademische Qualifikationen und eine gute Interviewleistung, um ein Angebot zu erhalten.
Kandidaten, die Solve bestehen, gelangen in die erste Interviewrunde, typischerweise ein Case-Interview und ein Erfahrungsinterview. Die Vorbereitung auf beide ist unerlässlich, da Solve allein keinen Erfolg garantiert.
Die wichtigsten Erkenntnisse
- McKinsey Solve testet kognitive Fähigkeiten durch randomisierte Simulationen – das Memorieren von Antworten funktioniert nicht
- Der “Prozess-Score” bewertet Ihren Denkansatz, nicht nur die Endantworten, indem jeder Klick nachverfolgt wird
- Beginnen Sie Ökosystemprobleme an einem Ende der Nahrungskette (oben oder unten), niemals in der Mitte
- Nutzen Sie Stift und Papier, um Versuche zu verfolgen, Einschränkungen zu notieren und die Wiederholung widerlegter Hypothesen zu vermeiden
- Dateninterpretation erfordert die Unterscheidung zwischen dem, was Daten beweisen, und dem, was sie lediglich andeuten
- Über 70 % scheitern beim ersten Versuch; systematische Vorbereitung verbessert die Erfolgsquote erheblich
Üben Sie reale Case-Szenarien mit KI-Feedback
Während McKinsey Solve kognitive Fähigkeiten durch Simulationen testet, erfordern echte Case-Interviews strukturierte Frameworks und unternehmerisches Urteilsvermögen. CasesCoach bietet zwei sich ergänzende Wege, um diese Fähigkeiten aufzubauen:
Guided Mode liefert Ihnen Interviewer-Hinweise und Orientierung, während Sie Cases durcharbeiten – ideal, um die Anwendung von Frameworks zu lernen und Selbstvertrauen im strukturierten Problemlösen aufzubauen. Unser KI-Coach passt sich Ihrem Erfahrungsniveau an und führt Sie zu vollständigen Antworten.
Expert Mode simuliert den Druck echter McKinsey-Interviews mit minimaler Unterstützung und Zeitdruck. Dieser Modus prüft, ob Sie Probleme eigenständig strukturieren, Themen priorisieren und Erkenntnisse klar kommunizieren können – genau das, was Sie nach dem Bestehen von Solve erwartet.
Beide Modi liefern sofortiges KI-Feedback entlang fünf Dimensionen: Struktur, Analyse, Kommunikation, unternehmerisches Urteilsvermögen und quantitative Fähigkeiten. Mit Chat with Case können Sie außerdem reale Geschäftsprobleme aus unserer Bibliothek mit über 835 Beratungsfällen erkunden, Fragen stellen und Ansätze testen, wie Sie es mit einem Mentor tun würden.
Starten Sie Ihr kostenloses KI-Mock-Interview mit 3 vollständigen Case-Übungssitzungen oder entdecken Sie unsere vollständige Case-Bibliothek, um die Arten von Problemen zu sehen, die Top-Berater täglich lösen. Das Bestehen von Solve öffnet die Tür – die Beherrschung von Case-Interviews verschafft Ihnen das Angebot.