Das KI-Produktivitätsparadox: warum die Wirkung der Erwartung nachläuft

Kaum eine Technologie wurde so einhellig als Produktivitätssprung angekündigt wie die künstliche Intelligenz. In den Zahlen ist dieser Sprung bisher kaum zu finden. Das KI-Produktivitätsparadox bezeichnet diese Lücke: die Spannung zwischen der breiten Erwartung an die Wirkung von KI und ihrer bislang schwer messbaren Spur in der Produktivität. Der Begriff ist eine Zuspitzung einer älteren Beobachtung, nicht eine neue Entdeckung.

Diese Lücke ist ein bekanntes Muster, und wer es kennt, liest die aktuellen Zahlen anders.

Eine Beobachtung, die älter ist als der KI-Hype

Der Ökonom Robert Solow brachte das Muster 1987 auf eine Formel. Das Computerzeitalter, schrieb er, sei überall zu sehen, nur nicht in der Produktivitätsstatistik. Die Rechner standen auf jedem Schreibtisch, und dennoch bewegte sich die gemessene Produktivität kaum. Ökonomen nennen diese Lücke seither das Solow-Paradoxon.

Erst Jahre später kehrte sich das Bild. Die Produktivitätsgewinne der Computerisierung erschienen in den Statistiken, als die Unternehmen gelernt hatten, ihre Abläufe um die Technik herum neu zu bauen. Die Technik allein hatte wenig bewegt; erst ihre Einbettung hob den Ertrag, und das brauchte Zeit. Das KI-Produktivitätsparadox ist die Anwendung dieser alten Beobachtung auf die Gegenwart.

Was die aktuellen Zahlen zeigen

Zwei aktuelle Untersuchungen geben dem Muster eine empirische Form. Sie messen Unterschiedliches und stehen deshalb nebeneinander, nicht ineinander.

Die erste ist ein Arbeitspapier des National Bureau of Economic Research. Es befragte rund sechstausend Führungskräfte in den Vereinigten Staaten, dem Vereinigten Königreich, Deutschland und Australien und fand, dass etwa neunundachtzig Prozent über drei Jahre keinen Produktivitätseffekt durch KI berichteten. Das ist die Lücke in Zahlen, breit erhoben und über Länder hinweg. Es sind allerdings Wahrnehmungsdaten aus Selbstauskunft, kein kausaler Nachweis. Sie zeigen, dass die Erwartung der gemessenen Wirkung weit vorausläuft, nicht warum.

Die zweite Untersuchung ist ein Arbeitspapier des US Census Bureau um Kristina McElheran und Erik Brynjolfsson. Es liefert einen kausalen Befund, gilt aber für einen engeren Gegenstand: die industrielle KI in der Fertigung, nicht die generative KI der Wissensarbeit. Innerhalb dieser Grenze zeigt es, dass die Einführung zuerst Produktivität kostet und erst mittelfristig Gewinn bringt. Die Produktivität fällt in ein Tal und steigt erst danach über das Ausgangsniveau. Die Forscher nennen diesen Verlauf eine J-Kurve.

Beide Papers sind nach meinem Wissensstand zum Zeitpunkt der Veröffentlichung dieses Blogposts noch vorläufig. Sie sind als Working Papers veröffentlicht und intern geprüft, aber nicht abschliessend begutachtet. Das mindert ihren Wert nicht, es bestimmt nur, wie weit man sich auf sie stützen darf.

Warum die Erwartung der Wirkung vorausläuft

Warum klafft die Lücke? Es gibt mehrere plausible Erklärungen, und sie schliessen sich nicht aus.

Die erste ist die J-Kurve selbst. Eine neue Technologie hebt den Ertrag nicht von allein; erst die ergänzenden Investitionen in Prozesse, Qualifikation und Struktur heben ihn, und diese brauchen Zeit. Für die Fertigung ist dieser Verlauf empirisch gestützt. Für die breite Lücke der Wissensarbeit ist er eine plausible, aber nicht belegte Lesart.

Die zweite ist eine Frage der Messung. Produktivitätseffekte erscheinen spät und verteilt in der Statistik, lange nachdem die Technik eingeführt wurde. Das war Solows ursprüngliches Argument, und es gilt heute wie damals.

Die dritte ist die Erwartung selbst. Hype und Pilotprojekte erzeugen Erwartung schneller, als Umsetzung Wirkung erzeugt. Es ist möglich, dass die Lücke weniger eine verzögerte Wirkung abbildet als einen anhaltenden Optimismus, der der Realität vorauseilt. Welche der beiden Erklärungen überwiegt, ist offen; die breit angelegte Befragung lässt genau diese Frage unbeantwortet.

Was das für die Beurteilung von KI-Versprechen bedeutet

Aus dem Paradoxon folgt nicht, dass KI nicht wirkt. Es folgt, dass die Abwesenheit kurzfristiger Wirkung erwartbar ist und für sich genommen kein Grund zur Umkehr. Wer eine Einführung nach einem Jahr an der Produktivitätszahl misst und sie für gescheitert erklärt, verwechselt das Tal mit dem Ergebnis.

Das eigentliche Risiko liegt anderswo. Es liegt darin, im Tal die falschen Schlüsse zu ziehen. Der kausale Befund aus der Fertigung deutet darauf hin, und hier ist die Aussage belegbar, dass gerade ältere Industriebetriebe verlieren, weil sie unter dem Druck der Einführung bewährte Managementpraktiken aufgaben. Bei diesen Betrieben erklärt der Verzicht auf etablierte Praktiken einen erheblichen Teil der anfänglichen Verluste. Die Reife, die sie über Jahre aufgebaut hatten, wurde im Tal zur Last, weil sie sie unter Druck über Bord warfen.

Das Paradoxon gibt uns nicht alle Antworten aber es hilft uns, wesentliche Fragen zu schärfen: Die Frage ist nämlich nicht, ob die Technologie und Prozessoptimierungen Nutzen stiften können, sondern ob eine Organisation das Tal der J-Kurve durchquert, ohne sich dabei selbst zu beschädigen oder zu früh aufzugeben. Antworten auf diese Fragen können in einer gezielten Ambiflow-Diagnose ermittelt werden.

Vom Paradoxon zur Anpassungsfähigkeit

Das KI-Produktivitätsparadox beschreibt eine Lücke in der Zeit. Was eine Organisation in dieser Lücke tut, entscheidet darüber, auf welcher Seite der Kurve sie herauskommt.

Genau diese Fähigkeit, unter Druck das Tragende zu halten und zugleich gezielt umzustellen, macht eine adaptive Organisation aus. Wer verstehen will, woran sie sich erkennen lässt, findet die Darstellung auf der Themenseite zur adaptiven Organisation.

---

Bernhard Nitz ist Inhaber von transformind GmbH und Gesellschafter bei Königswieser & Network. Er begleitet Führungsteams in Konzernen und KMU im ganzen DACH-Raum, wenn Veränderungen an ihrer eigenen Komplexität zu scheitern drohen.