Tausende CEOs räumen ein, dass KI weder Beschäftigung noch Produktivität beeinflusst hat

 (fortune.com)
17 Punkte von GN⁺ 2026-02-18 | 1 Kommentare | Auf WhatsApp teilen
  • 374 Unternehmen aus dem S&P 500 erwähnten KI in ihren Quartalsberichten, doch in einer Umfrage unter 6.000 Führungskräften gaben rund 90 % an, dass KI in den vergangenen drei Jahren weder Beschäftigung noch Produktivität beeinflusst habe
  • Das Produktivitätsparadox des Nobelpreisträgers für Wirtschaft Robert Solow von 1987 wiederholt sich im KI-Zeitalter; in den makroökonomischen Daten ist bislang kein KI-Effekt erkennbar
  • Führungskräfte verwenden KI nur etwa 1,5 Stunden pro Woche, und 25 % der Befragten nutzen KI am Arbeitsplatz überhaupt nicht
  • In einer Umfrage von ManpowerGroup stieg die regelmäßige KI-Nutzung 2025 zwar um 13 %, doch das Vertrauen in die Technologie sank um 18 %
  • Es gibt einen Präzedenzfall, in dem der IT-Boom der 1970er und 1980er Jahre in den 1990ern zu einem sprunghaften Produktivitätsanstieg führte; auch bei KI ist daher nach einer Verzögerung Wachstum in Form einer J-Kurve möglich

Solows Produktivitätsparadox und KI

  • 1987 beobachtete der Ökonom Robert Solow, dass trotz der Einführung von Transistoren, Mikroprozessoren, integrierten Schaltkreisen und Speicherchips die Produktivitätswachstumsrate von 2,9 % in den Jahren 1948–1973 auf 1,1 % nach 1973 sank
  • Er hinterließ den berühmten Satz: „Das Computerzeitalter ist überall zu sehen, nur nicht in den Produktivitätsstatistiken“
  • Computer erzeugten damals eher zu viele Informationen und bremsten die Produktivität, etwa durch das massenhafte Ausdrucken übermäßig detaillierter Berichte

Ergebnisse der CEO-Umfrage: Geringe reale Auswirkungen von KI

  • Zwischen September 2024 und 2025 erwähnten 374 Unternehmen aus dem S&P 500 in ihren Quartalsberichten KI und bewerteten deren Einführung positiv
    • In den makroökonomischen Produktivitätsindikatoren schlägt sich das jedoch nicht klar nieder
  • In einer in diesem Monat veröffentlichten Studie des NBER (National Bureau of Economic Research) wurden 6.000 Führungskräfte in den USA, Großbritannien, Deutschland und Australien befragt
  • Rund zwei Drittel gaben an, KI zu nutzen, doch die Nutzungszeit liegt nur bei etwa 1,5 Stunden pro Woche
  • 25 % der Befragten nutzen KI am Arbeitsplatz überhaupt nicht
  • Rund 90 % der Unternehmen antworteten, dass KI in den vergangenen drei Jahren weder Beschäftigung noch Produktivität beeinflusst habe
  • Dennoch erwarten Führungskräfte, dass KI in den kommenden drei Jahren die Produktivität um 1,4 % und den Output um 0,8 % steigern wird
  • Unternehmen rechnen mit einem Rückgang der Beschäftigung um 0,7 %, während einzelne Beschäftigte im Gegenteil einen Anstieg der Beschäftigung um 0,5 % erwarten

Widersprüchliche Ergebnisse in der Forschung

  • Eine MIT-Studie aus dem Jahr 2023 behauptete, dass sich bei Einführung von KI die Leistung von Beschäftigten um bis zu 40 % verbessern könne
  • Doch obwohl die KI-Investitionen der Unternehmen bis 2024 auf mehr als 250 Milliarden US-Dollar angestiegen sind, ist der versprochene Produktivitätsschub bislang ausgeblieben
  • Apollo-Chefökonom Torsten Slok sagte, „KI ist weder in den Beschäftigungsdaten noch in den Produktivitätsdaten noch in den Inflationsdaten zu sehen“
    • Abgesehen von den Magnificent Seven gibt es auch bei Margen oder Umsatzprognosen keine Anzeichen für einen KI-Effekt
  • Die Federal Reserve Bank of St. Louis erklärte, dass seit der Einführung von ChatGPT die kumulierte Produktivitätswachstumsrate um mehr als 1,9 % gestiegen sei
  • Demgegenüber legte eine MIT-Studie von 2024 (des Nobelpreisträgers Daron Acemoglu) mit 0,5 % Produktivitätszuwachs in den kommenden zehn Jahren eine deutlich vorsichtigere Schätzung vor
    • Acemoglu sagte, man solle 0,5 % nicht unterschätzen, doch gemessen an dem, was Branche und Medien versprochen hätten, sei das enttäuschend

Sinkendes Vertrauen der Beschäftigten und Reaktionen der Unternehmen

  • In der Umfrage 2026 Global Talent Barometer von ManpowerGroup (rund 14.000 Beschäftigte in 19 Ländern) stieg die regelmäßige KI-Nutzung 2025 um 13 %, doch das Vertrauen in den Nutzen der Technologie sank um 18 %
  • IBMs CHRO Nickle LaMoreaux kündigte vergangene Woche an, die Einstellung von Berufseinsteigern zu verdreifachen
    • Zwar kann KI einige Aufgaben automatisieren, doch der Ersatz von Berufseinsteigern könnte später zu einem Mangel an mittleren Führungskräften und einer Krise in der Leadership-Pipeline führen

Zukunftsaussichten für KI-Produktivität

  • Der IT-Boom der 1970er und 1980er Jahre führte nach jahrzehntelanger Stagnation zwischen 1995 und 2005 zu einem Anstieg der Produktivitätswachstumsrate um 1,5 %
  • Erik Brynjolfsson, Direktor des Stanford Digital Economy Lab, sieht im BIP-Wachstum von 3,7 % im vierten Quartal bei gleichzeitig nach unten revidiertem Stellenzuwachs von 181.000 ein Signal für einen sprunghaften Produktivitätsanstieg
    • Laut seiner eigenen Analyse stieg die Produktivität in den USA im vergangenen Jahr um 2,7 %; er interpretiert dies als Übergang von der Phase der KI-Investitionen zur Phase der tatsächlichen Ernte von Nutzen
  • Auch der frühere Pimco-CEO Mohamed El-Erian sagte, dass durch die Einführung von KI eine Entkopplung von Beschäftigungswachstum und BIP-Wachstum stattfinde, ähnlich wie in der Phase der Büroautomatisierung in den 1990ern
  • Slok analysiert, dass die künftigen Auswirkungen von KI einer J-Kurve folgen könnten, bei der auf eine anfängliche Schwäche ein steiler Anstieg folgt
    • Anders als bei IT in den 1980ern sinken die Preise heutiger KI-Tools jedoch durch den intensiven Wettbewerb zwischen LLMs, wodurch sie leicht zugänglich sind
    • Daher hängt die Zukunft der KI-Produktivität nicht vom Wert des Produkts selbst ab, sondern davon, wie generative KI in den einzelnen Wirtschaftssektoren genutzt und umgesetzt wird

Verwandte Beiträge

1 Kommentare

 
GN⁺ 2026-02-18
Hacker-News-Kommentare

  • Dieser Artikel kritisiert nicht die Debatte über AI-Produktivität, sondern erklärt sie als erwartetes Phänomen gemäß Solows Produktivitätsparadox (Productivity paradox)
    Schon in den 1970er- und 1980er-Jahren waren die IT-Investitionen enorm, aber der gesamtwirtschaftliche Nutzen zeigte sich erst viel später, nämlich Mitte bis Ende der 1990er
    Anfangs lag das an zu hohen Kosten und viel Trial-and-Error. Bei AI ist es genauso: Derzeit kostet sie viel Geld und Zeit, aber mit zunehmender Integration und Effizienz dürfte die Produktivität steigen

    • Viele Menschen wissen noch nicht, wie man AI richtig nutzt
      Selbst auf Hacker News, wo viele technikaffin sind, glauben viele, dass AI keinen Code erzeugen kann
      Sogar ein Freund, der bei Amazon war, wusste nicht, dass man für hochwertige Ergebnisse die "thinking"-Funktion von ChatGPT aktivieren muss. Einen transformativen Effekt sollte man kaum erwarten, bevor sich die Nutzungspraxis etabliert hat
    • Als klassische Antwort auf dieses Thema wird Paul Davids "The Dynamo and the Computer" empfohlen
      Link zum PDF-Original
    • Beim Kostenvergleich wirkt der Vergleich unpassend
      Ein Claude-Abonnement kostet zum Beispiel rund 20 Dollar pro Mitarbeiter und Monat und liegt damit auf dem Niveau von Tools wie Slack
      Anders als in den 1970ern, als Büroangestellte erst den Umgang mit Computern lernen mussten, ist das Onboarding extrem einfach, und kurzfristige Effekte zeigen sich teilweise bereits
    • Der IT-Produktivitätsboom der 1990er kam durch Internet-Connectivity
      Erst als Millionen Computer ans Netzwerk angeschlossen waren, entstand ein echter wirtschaftlicher Effekt
    • Auch ein aktueller Fortune-Artikel liefert Daten dafür, dass AI in die J-Kurven-Phase eingetreten ist
      Ähnliche Analysen finden sich auch in einem FT-Artikel und bei Apollo Academy

  • Ich sehe Großunternehmen als verteilte Systeme, die auf fehlerhafter Hardware (Menschen) laufen
    Jede einzelne Person (CPU) ist schnell, aber Meetings, wartende Freigaben und nicht parallelisierbare Aufgaben erzeugen hohe Latenzen
    Vor einem Upgrade muss man herausfinden, ob der Flaschenhals bei I/O oder bei der CPU liegt

    • Als unser Unternehmen begann, AI-Einführung zu forcieren, sagte ein Senior-Entwickler: Das Problem ist nicht die Codiergeschwindigkeit, sondern der I/O-Flaschenhals
      Es liefen zu viele Projekte gleichzeitig, niemand konnte sich konzentrieren, dadurch entstanden auch Caching-Probleme, und am Ende wurde der Flaschenhals nur schlimmer
    • Erfahrene Mitarbeiter sind eine Art L2-Cache
      Man muss den schnellen Zugriff auf das Organisationsgedächtnis ermöglichen. Ohne Cache dauert Problemlösung lange, und wenn falsche Informationen im Cache landen, glauben alle daran und laufen in die falsche Richtung
    • Junge Startups haben den Vorteil, dass sie von Anfang an agent-first aufgebaut werden können
      Sie sind vielleicht weniger ausgereift, dafür aber deutlich agiler und kosteneffizienter
    • Diese Analogie zwischen verteilten Systemen und Organisationsdynamik ist interessant
    • Aber wenn das so ist, warum sieht man dann noch keine beeindruckenden Open-Source-Projekte von Einzelentwicklern oder kleinen Unternehmen, die mit AI gebaut wurden?

  • Der Großteil von White-Collar-Arbeit besteht aus Denken und Reden
    Beim Programmieren macht die Umsetzung einen größeren Anteil aus, als man denkt, aber andere Berufe bestehen aus Meetings, Abstimmung, Foliensätzen und Marktpositionierung
    Tools wie Cowork können beim Durchsuchen von Dateien, Sortieren von Tickets oder Schreiben von Excel-Formeln helfen
    Aber Code ist das Ergebnis von Geschäftsentscheidungen und damit die Form, die sich am besten für LLM-Automatisierung eignet
    In anderen Berufen wird vorerst eher nur Geschwindigkeit gewonnen; bis zur vollständigen Automatisierung ist es dort noch weit

    • Ich weiß nicht, welche Engineering-Rolle ohne Meetings oder Abstimmung auskommt
      Am Ende erfordert fast jede Engineering-Arbeit Kommunikation und Alignment
    • Für mich ist Denken der größte Flaschenhals
      Für guten Code muss ich doppelt so viel denken wie coden
    • Viele überlassen die Erstellung von Folien bereits LLMs, aber Produktivitätsgewinne sind nicht linear
      Nur weil man eine Stunde spart, macht man nicht automatisch eine Stunde wertvollere Arbeit. Im Gegenteil: Ungenaue Folien können zusätzlichen Aufwand erzeugen, weil andere sie korrigieren müssen
    • Bei mir lag das Verhältnis Denken:Coden immer bei 80:20
      Dank LLMs kann ich mit derselben Menge Denken nur mehr Code produzieren
    • Bereiche mit vielen Regeln und mehrdeutiger Syntax haben hohes Automatisierungspotenzial durch AI
      Zum Beispiel liefert Hazel.ai bessere Steuer- und Anlageplanung als 90 % der US-RIAs
      Dadurch könnten RIA-Gebühren von 1 % auf etwa 0,1 bis 0,2 % fallen

  • Als Senior Engineer habe ich den Eindruck, dass der langsame Teil nicht das Schreiben von Code, sondern Review- und Freigabeprozesse sind
    Code-Reviews, Stakeholder-Feedback, Testverzögerungen, Dokumentation, Präsentationen
    Diese Prüfprozesse wiederholen sich auch intern ständig und erzeugen zusätzliche Flaschenhälse

  • Je näher man der Singularität kommt, desto chaotischer und unvorhersehbarer wird die Welt
    Inmitten rascher Veränderungen fühlt sich alles wie Rauschen an
    Vielleicht ist jetzt einfach der Zeitpunkt, sich zu fragen: Ist die Welt vorhersehbarer geworden oder weniger vorhersehbar?

  • Im NBER-Originalpapier
    sind die branchenweisen AI-Einführungsraten (A6), Beschäftigungseffekte (A11) und Produktivitätseffekte (A12) aufgeführt
    Branchen mit viel Kundenkontakt oder physischem Produktfokus wie Bau und Einzelhandel zeigen geringe AI-Effekte
    Überraschend ist, dass Beherbergung und Gastronomie beim Produktivitätseffekt auf Platz 4 liegen

  • In unserem Unternehmen läuft die AI-Einführung noch langsam
    Heute kam Druck auf mit der Aussage, es könne schlecht aussehen, wenn die AI-Nutzung zu niedrig sei
    Vermutlich heißt es in sechs bis zwölf Monaten dann: Das war Geldverschwendung

    • Am Ende bedeutet das nur, dass das Management die Richtung nicht kennt und die Mitarbeiter es selbst herausfinden sollen
      Das ist kaum etwas anderes, als die eigene Leistungsbeurteilung selbst schreiben zu müssen

  • Wenn man sich AI-Pilotprojekte in Fortune-500-Unternehmen inklusive Microsoft Copilot ansieht,
    versteht ein großer Teil der Konzerne AI-Funktionen immer noch nicht wirklich
    Führungskräfte auf hoher Ebene probieren sie oft aus Bequemlichkeit nicht einmal selbst aus

    • LLMs sind nützlich für repetitive und klar definierte Aufgaben, werden aber für allgemeine Bürojobs überschätzt
      E-Mails schreiben, Folien erstellen oder suchen ist ohnehin schon leicht genug
      Die eigentliche Stärke liegt in Transkription, Übersetzung, Bilderkennung und API-basierter Problemlösung auf niedrigerer Ebene
      Es gibt Innovation, aber keinen universellen Beschleuniger
    • Wie bei dem Sprichwort: Man kann jemandem eine Angel geben, aber wenn man nicht erklärt, wie man die Rolle benutzt, wird er trotzdem nicht angeln
      Fehlende Schulung ist die Ursache niedriger Produktivität
    • Diejenigen, die heute von AI beeindruckt sind, sind meist Entwickler; die Skeptischen kommen eher aus Nicht-Entwicklerrollen
      Vor allem Microsoft Copilot ist eine der schlechtesten Umsetzungen von AI, entsprechend groß ist die Enttäuschung
      Deshalb spüren bislang nur sehr wenige echte Produktivitätsgewinne

  • Für Mitarbeiter kann sich ein LLM wie ein Cheatcode für Hausaufgaben anfühlen,
    für CEOs wirkt es jedoch wie eine Explosion des zu prüfenden Inhalts (DDoS)
    Wenn plötzlich 155-seitige Dokumente per WhatsApp kommen oder Pull Requests in Massen auftauchen,
    stellt sich die Frage: Wer soll das alles überhaupt noch prüfen?

  • Letztlich ist AI ein Risikoverstärker
    Im Moment gehen wir blindlings in ein Ereignis hinein, das für die Computing-Welt so groß ist wie die Erderwärmung