Warum die Produktivität auch mit der Einführung von AI nicht explosionsartig steigt [Übersetzter Artikel]

1. Brynjolfssons Produktivitätsparadox, Version für das GenAI-Zeitalter

• Schon bei der Einführung von IT und PCs in den 1990er-Jahren stiegen die Produktivitätskennzahlen trotz Investitionen kaum. Der Kern von Brynjolfssons Produktivitätsparadox ist, dass Technologie allein die Produktivität nicht erhöht, wenn komplementäre Faktoren wie organisatorische Umstrukturierung, Neugestaltung von Arbeitsabläufen und veränderte Skills fehlen.
• Auch heute wird generative AI explosionsartig eingeführt, doch die gesamtwirtschaftliche Produktivität und strukturelle Veränderungen in Unternehmen bleiben begrenzt. Der Artikel fasst das als „High Adoption, Low Transformation“ zusammen.

2. MIT NANDA: GenAI Divide

• Der MIT-NANDA-Bericht zeigt, dass zwar Milliarden Dollar in GenAI investiert wurden, aber nur rund 5 % der Unternehmen einen „realen Geschäftswert (ROI)“ erzielen, während die übrigen 95 % weder Umsatz- noch Produktivitätsverbesserungen sehen. Dafür prägt er den Begriff GenAI Divide.
• Diese Kluft entscheidet sich weniger an der technologischen Leistungsfähigkeit als daran, ob agentische Systeme aufgebaut werden, die lernen, sich erinnern und anpassen können und tief in reale Arbeitsabläufe integriert sind, um Ergebnisse zu liefern. Derzeit konzentrieren sich bedeutende strukturelle Veränderungen vor allem auf informationszentrierte Branchen wie Tech und Medien.

3. Warum 95 % scheitern

1. Learning Gap

   • Viele Enterprise-AI-Systeme sind statische Tools, die Nutzerfeedback weder sammeln noch daraus lernen können. Sie passen sich nicht an den Kontext an und verbessern sich nicht langfristig. Deshalb verlassen sich Mitarbeitende bei einfachen Aufgaben auf Consumer-AI und bei wichtigen, komplexen Aufgaben weiterhin auf Menschen.

2. Bruch zwischen Pilot und Produktion

   • Große Unternehmen führen zwar viele Piloten bzw. POCs durch, aber nur ein sehr kleiner Teil wird tatsächlich unternehmensweit ausgerollt. Von maßgeschneiderter Enterprise AI schaffen es nur etwa 5 % stabil in die Produktion.
   • Der Hauptgrund ist, dass die Tools nicht zu den realen Geschäftsprozessen passen. Es geht also weniger um Infrastruktur oder Regulierung als um Workflow-Integration und Organisationsdesign.

3. Shadow-AI-Ökonomie

   • Weil offizielle interne Tools ineffizient sind oder zu stark reguliert werden, erledigen Mitarbeitende ihre tatsächliche Arbeit heimlich mit privat abonnierten LLMs und Copilots. So breitet sich „Shadow AI“ aus.
   • Das ist als Signal für eine enorme verborgene Nachfrage nach flexiblen, intuitiven, personalisierten Tools zu verstehen, die sich nahtlos in reale Workflows einfügen.

4. Die Canaries-Studie: erste AI-Signale bei der Beschäftigung von Berufseinsteigern

• In „Canaries in the Coal Mine?“ analysierte das Team um Brynjolfsson hochfrequente Lohn- und Beschäftigungsdaten und zeigte, dass nach der Einführung generativer AI die Beschäftigung von 22- bis 25-jährigen Berufseinsteigern in Berufen mit hoher AI-Exposition (Softwareentwicklung, Callcenter/Kundenservice usw.) signifikant zurückging.
• Besonders stark fiel der Rückgang dort aus, wo AI vor allem nicht als „Assistenz“, sondern zur „Automatisierung“ eingesetzt wird. Das deutet darauf hin, dass AI anfangs einige Einstiegsrollen direkt ersetzt.

5. Warum besonders Berufseinsteiger betroffen sind

• Aktuelle LLMs sind stark bei formalem Wissen, das gut in Lehrbüchern und Dokumenten beschrieben ist, sowie bei sich wiederholenden Musteraufgaben. Dagegen können sie den „Kniff“ erfahrener Expertinnen und Experten, der auf Praxiserfahrung und implizitem Wissen basiert, nur schwer ersetzen.
• Traditionell umfassen Rollen für Einsteiger und Juniors viele Aufgaben, die dokumentierten Regeln und Handbüchern folgen. Da gerade dieser Bereich mit LLMs plus Toolchains schnell automatisiert wird, ist zu beobachten, dass Berufseinsteiger innerhalb derselben Tätigkeit stärkere Beschäftigungsschocks erleben als erfahrene Fachkräfte.

6. Implikationen für die Zukunft der Arbeit

• Der AI-Wandel ist weniger als einfache „Reduktion der Gesamtzahl von Jobs“ zu verstehen, sondern eher als Umverteilungsprozess, in dem AI manche Aufgaben absorbiert, andere neu entstehen und sich die relativen Stärken des Menschen in Richtung implizites Wissen, Koordination und Urteilsvermögen verschieben.
• Für Bildung und Karriereplanung bedeutet das wahrscheinlich, dass Fähigkeiten wie Kontextverständnis in der Praxis, Problemstrukturierung, Abstimmung von Interessen und domänenspezifische, kombinierte Expertise wichtiger werden als reine Aufgaben mit eindeutigen Antworten oder Auswendiglernen.

7. Umsetzungsstrategien für AI-Gründer

1. Von einfacher Generierung zu Lernen und agentischen Systemen wechseln

   • Der Kern der GenAI Divide ist nicht die Modellleistung, sondern ob ein agentisches System kontinuierliches Lernen, Memory, Anpassung und Orchestrierung ermöglicht.
   • Hervorgehoben wird, dass Teams einen überwältigenden Vorteil haben werden, wenn sie Nutzerfeedback und reale Nutzungslogs strukturieren und damit ein „lebendiges System“ bauen können, das Workflows mit der Zeit besser versteht und automatisch anpasst.

2. Nicht für die Persona, sondern für den Workflow designen

   • Viele Enterprise-AI-Produkte leiden darunter, dass „die Demo beeindruckend ist, das Produkt aber verworfen wird, weil es nicht zur tatsächlichen Arbeitsweise des Teams passt“.
   • Erfolgreiche Produkte dringen tief in die detaillierten Abläufe, Berechtigungsstrukturen und Compliance-Anforderungen einer bestimmten Branche oder Funktion ein und fügen sich dort natürlich ein. Wichtiger als glänzende UX ist, „dass es in echter Produktion nicht herausfällt“.

3. Shadow AI als Research-Asset nutzen

   • Wenn man beobachtet, welche Prompts und Tool-Kombinationen Mitarbeitende privat verwenden, lassen sich die echten Bedürfnisse erkennen, die in offiziellen Tools nicht abgebildet sind, etwa Tempo, Freiheitsgrade und Grad der Automatisierung.
   • Für Startups fungieren diese Shadow-AI-Muster damit zugleich als groß angelegter Kanal für User Research und als Hinweis für das Product Positioning.

4. Mehr Chancen im Backoffice als in der glanzvollen Front

   • Viele Unternehmen setzen AI zunächst in sichtbaren Bereichen wie Marketing oder Sales ein, doch laut MIT ist der tatsächliche ROI in prozesszentrierten Backoffice-Bereichen wie Finanzen, Beschaffung und Operations größer.
   • Dort sind Daten reichlich vorhanden und es gibt viel regelbasierte Business-Logik, sodass gut designte agentische bzw. Automatisierungslösungen leichter direkt zu Kostensenkung und weniger Fehlern führen.

5. Nicht als „Software verkaufen“, sondern als BPO-Partner denken

   • Erfolgreiche Unternehmenskunden behandeln AI-Anbieter nicht als Lizenzverkäufer, sondern eher wie einen Partner für Business Process Outsourcing, von dem sie tiefe Anpassung, leistungsbasierte Verträge und enge operative Zusammenarbeit erwarten.
   • Deshalb sollten Gründer ihr Produkt nicht als installierbares Tool, sondern als Service bzw. Partnerschaft entwerfen, die gemeinsam Verantwortung für Ergebnisse trägt. So lassen sich große Enterprise-Deals und langfristige Eintrittsbarrieren (Moats) schaffen.

8. Fazit: ein verändertes Paradox, neue Chancen

• Auch im Zeitalter generativer AI bleibt das Produktivitätsparadox gültig, aber der Ort der „fehlenden Komplementärgüter“ hat sich verändert. Heute liegen sie sowohl im Produkt selbst (Lernen, Memory, Orchestrierung) als auch im Unternehmen (Einkauf als Service, verteilte Ownership, ergebnisorientierte KPIs).
• Nur Gründer, die beide Ebenen gleichzeitig gestalten, können eine „beeindruckende Demo“ in „nachhaltigen Wettbewerbsvorteil und statistisch messbare Produktivitätssteigerung“ verwandeln und die AI-Revolution nicht bloß als technisches Ereignis, sondern als ökonomischen Wandel Realität werden lassen, der sich gemeinsam mit Organisationen und Individuen weiterentwickelt.

[mhj5730]

Während der AI-Entwicklung habe ich den Punkten 2, 3 und 4 sehr stark zugestimmt. Für Unternehmen ist es meiner Meinung nach deutlich sinnvoller, sich auf Automatisierung zu konzentrieren und leistungsstarke Automatisierungsfunktionen für Backoffice-Nutzer zu analysieren und zu entwickeln.