TL;DR
- Kontrollierte Studien finden immer wieder grosse individuelle Aufgabenbeschleunigungen durch KI: etwa 14% mehr geloeste Anfragen pro Stunde, bis zu 55,8% schneller erledigte Aufgaben, 40% weniger Schreibzeit. Dennoch hat sich der Output auf Unternehmensebene und gesamtwirtschaftlicher Ebene kaum bewegt.
- Der strengste Versuch von 2025 fand heraus, dass erfahrene Entwickler mit KI 19% langsamer waren, obwohl sie glaubten, 20% schneller zu sein. Die Kluft zwischen gefuehlter Produktivitaet und gemessener Produktivitaet ist die ganze Geschichte.
- Eine glaubwuerdige makrooekonomische Schaetzung beziffert den Zuwachs der totalen Faktorproduktivitaet durch KI auf hoechstens 0,66% ueber zehn Jahre. Das nationale Wachstum der Arbeitsproduktivitaet liegt weiterhin unter dem Durchschnitt von 1947-2024.
- Das ist das zurueckkehrende Solow-Paradox: “Das Computerzeitalter ist ueberall zu sehen, nur nicht in den Produktivitaetsstatistiken.”
- Die CEO-und-Student-Erkenntnis: Steuere deinen eigenen Output so, wie ein CEO eine Gewinn-und-Verlust-Rechnung (P&L) liest (miss gelieferte Ergebnisse, nicht Aktivitaet), und lerne das Werkzeug wie ein Student. Aktivitaet ist kein Output, und nur Output zeigt sich in den Zahlen, die zaehlen.
Die zwei Zahlen, die nicht uebereinstimmen
Es gibt zwei Wege zu messen, ob KI Menschen produktiver macht, und 2025 zeigen sie in entgegengesetzte Richtungen.
Der erste ist das kontrollierte Experiment: Gib einer Gruppe ein KI-Werkzeug, halte es einer anderen vor, gib beiden dieselbe Aufgabe und miss, wer schneller oder besser fertig wird. Diese Studien sind nahezu durchweg positiv. Der zweite ist die aggregierte Statistik: nationale Arbeitsproduktivitaetsdaten des Bureau of Labor Statistics und makrooekonomische Modelle der totalen Faktorproduktivitaet. Diese haben keinen Boom festgestellt.
Ein CEO, der eine P&L liest, kennt dieses Muster gut. Ein Vertriebsteam kann beschaeftigter sein als je zuvor, mit mehr Anrufen, mehr Demos, mehr gruen leuchtenden Aktivitaets-Dashboards, waehrend der Umsatz flach bleibt. Aktivitaet ist ein Input. Output ist das, was in den Buechern landet. Das KI-Produktivitaetsparadox ist dasselbe Problem im zivilisatorischen Massstab: die Input-Anzeigen schreien, und die Output-Linie ist still.
Was die kontrollierten Studien tatsaechlich fanden
Der Nachweis auf individueller Ebene ist real und sollte nicht weggewischt werden. Drei Studien verankern den optimistischen Fall.
In der bis dato groessten Feldstudie verfolgten Erik Brynjolfsson, Danielle Li und Lindsey Raymond 5.179 Kundendienstmitarbeiter, denen ein generativer KI-Konversationsassistent gegeben wurde. Der Zugang steigerte die Produktivitaet, gemessen als geloeste Anliegen pro Stunde, im Durchschnitt um 14%. Der Effekt konzentrierte sich auf die am wenigsten erfahrenen Beschaeftigten, die sich um 34% verbesserten, waehrend die faehigsten Mitarbeiter fast keinen Gewinn sahen. Die KI kopierte im Grunde das implizite Wissen der besten Mitarbeiter und reichte es an Neulinge weiter.
In einer randomisierten kontrollierten Studie von Sida Peng und Kollegen sollten 95 Entwickler einen HTTP-Server in JavaScript bauen. Die Gruppe mit GitHub Copilot war 55,8% schneller fertig, ein Ergebnis, das bei p = 0,0017 signifikant war, allerdings mit einem breiten 95%-Konfidenzintervall von 21% bis 89%.
In einem praeregistrierten Experiment, veroeffentlicht in Science, wiesen Shakked Noy und Whitney Zhang 453 hochschulgebildeten Fachkraeften anreizbasierte Schreibaufgaben zu und gaben der Haelfte von ihnen ChatGPT. Die durchschnittliche Bearbeitungszeit sank um 40% und die bewertete Ergebnisqualitaet stieg um 18%. Wie in der Callcenter-Studie gewannen die schwaecheren Leistungstraeger am meisten.
Zusammen gelesen sind dies die staerksten Karten im Blatt “KI funktioniert”. Jede Zahl unten ist eine reale, veroeffentlichte Zahl.
| Studie (benannt) | Setting / Aufgabe | n | Gemessener individueller Gewinn | Wer am meisten gewann |
|---|---|---|---|---|
| Brynjolfsson, Li, Raymond 2023 (NBER w31161) | Kundendienst, geloeste Anliegen pro Stunde | 5.179 Mitarbeiter | +14% Durchschnitt | Neulinge +34%; Experten nahe 0 |
| Peng et al. 2023 (arXiv 2302.06590) | Programmierung, HTTP-Server bauen | 95 Entwickler | 55,8% schneller (95% KI 21-89%) | Weniger erfahrene Entwickler |
| Noy, Zhang 2023 (Science) | Professionelle Schreibaufgaben | 453 | Zeit -40%, Qualitaet +18% | Weniger versierte Autoren |
| Bick, Blandin, Deming 2024 (NBER w32966) | Selbstberichtete Zeitersparnis, US-Beschaeftigte | Grosse Umfrage | 5,4% der Arbeitsstunden gespart (~2,2 Std./Woche) | Haeufige KI-Nutzer |
| METR 2025 (arXiv 2507.09089) | Erfahrene Open-Source-Entwickler, reale Repositories | 16 Entwickler, 246 Aufgaben | 19% LANGSAMER mit KI | Niemand; alle verlangsamt |
| Acemoglu 2024 (NBER w32487) | Makro-TFP, 10-Jahres-Projektion | Modell | Hoechstens +0,66% TFP gesamt | Gesamtwirtschaftliche Obergrenze |
Tabelle: verifizierte Zahlen, jede Zelle ist auf die genannte, aufgefuehrte Studie gestuetzt. Vollstaendige Quellenangaben unter Quellen.
Die Studie, die den Konsens brach
Beachten Sie die fuenfte und sechste Zeile. Sie sind der Grund, warum “KI macht Beschaeftigte produktiver” nun eine wirklich umstrittene und keine feststehende Behauptung ist.
2025 fuehrte die gemeinnuetzige Forschungsorganisation METR eine randomisierte kontrollierte Studie mit 16 erfahrenen Open-Source-Entwicklern durch, die an ausgereiften Codebasen arbeiteten, die sie gut kannten, mit durchschnittlich fuenf Jahren Vorerfahrung an diesen Projekten, ueber 246 reale Aufgaben. Als sie fruehe KI-Werkzeuge von 2025 wie Cursor Pro und Claude 3.5/3.7 Sonnet nutzen durften, brauchten sie 19% laenger zum Fertigstellen.
Der wichtigste Befund war nicht die Verlangsamung. Es war die Fehlwahrnehmung. Vor dem Start prognostizierten die Entwickler, dass KI sie 24% schneller machen wuerde. Nach dem Abschluss, nachdem sie tatsaechlich verlangsamt worden waren, glaubten sie immer noch, KI habe sie etwa 20% schneller gemacht. Die gefuehlte Produktivitaet bewegte sich in die exakt entgegengesetzte Richtung des gemessenen Ergebnisses.
Das ist der Mechanismus des ganzen Paradoxons im Kleinen. KI laesst Arbeit zuverlaessig schneller und einfacher erscheinen: das leere Blatt verschwindet, Standardcode schreibt sich selbst, der erste Entwurf erscheint in Sekunden. Diese gefuehlte Fluessigkeit ist echt, und genau das erfassen Umfragen, wenn Beschaeftigte Zeitersparnisse berichten. Die Umfragearbeit der St. Louis Fed von Alexander Bick, Adam Blandin und David Deming fand heraus, dass Beschaeftigte berichteten, KI spare 5,4% ihrer Arbeitsstunden, etwa 2,2 Stunden pro Woche. Aber selbstberichtete gesparte Zeit ist ein Gefuehl, keine geprueften Output-Zahlen. Die METR-Studie ist das, was passiert, wenn man es prueft.
Wo der Gewinn versickert
Wenn Einzelne manche Aufgaben wirklich schneller erledigen, warum erreicht nichts davon den Output des Unternehmens oder die Produktivitaetsstatistiken der Nation? Weil eine Aufgabenbeschleunigung eine lange Reise ueberstehen muss, bevor sie zu gemessenem Output wird, und sie versickert auf jeder Etappe. Die Tabelle unten ist ein fuer diesen Artikel erstelltes Diagnoseraster, das jede Undichtigkeit der Disziplin zuordnet, die sie stopft.
| Undichtigkeitspunkt | Warum der Gewinn verschwindet | CEO-und-Student-Loesung |
|---|---|---|
| Gesparte Zeit wird in mehr Aktivitaet reinvestiert, nicht angespart | Schnelleres Entwerfen bedeutet nur mehr Entwuerfe, mehr Meetings, mehr Nachrichten | Spare die gewonnene Stunde gegen ein reales Output-Ziel an, so wie ein CEO eine Kosteneinsparung anspart; gib sie nicht fuer Bewegung aus |
| Nacharbeit und Verifikation | KI-Output sieht fertig aus, muss aber geprueft werden; Senior-Zeit wird fuer die Pruefung von Junior-plus-KI-Arbeit aufgewendet | Zaehle die Nettozeit inklusive Pruefung; miss die Aufgabe von Anfang bis Ende, nicht den ersten Entwurf |
| Koordinationsreibung | Eine Person ist schneller, aber das Team, die Freigaben und die Uebergaben sind es nicht | Optimiere den Engpass, nicht deinen eigenen Schritt; die P&L spiegelt das langsamste Glied |
| Kompetenzabbau und Uebervertrauen | Uebermaessige Abhaengigkeit hoehlt das Urteilsvermoegen aus, das KI-Fehler abfaengt | Bleib im Studentenmodus: erledige weiterhin schwierige Aufgaben ohne Hilfe, um den Geschmackssinn zu bewahren, den Qualitaetskontrolle erfordert |
| Falsche Aufgabe automatisiert | Arbeit beschleunigen, die gar nicht getan werden sollte | Zuerst die CEO-Frage: ist dieser Output es wert, produziert zu werden? Effizienz bei einer nutzlosen Aufgabe ist null |
| Messillusion | Gefuehlte Geschwindigkeit (Umfragen) weicht von gemessener Geschwindigkeit (Studien) ab, wie METR zeigte | Vertraue deinen eigenen geprueften Zahlen mehr als deinem Gefuehl von Schwung |
Tabelle: CEOtudent-Redaktionsraster (Synthese oeffentlicher Forschung).
Der Blick von der gesamten Wirtschaft
Zoomt man auf die makrooekonomische Ebene, summieren sich die Undichtigkeiten zu einer auffaelligen Flachheit. Daron Acemoglus aufgabenbasiertes Modell, veroeffentlicht als NBER-Arbeitspapier, schaetzt, dass KI die totale Faktorproduktivitaet um hoechstens 0,66% insgesamt ueber zehn Jahre steigern wird, etwa 0,064% pro Jahr. Das ist nicht null, aber es liegt nirgends nahe der Transformation, die die individuellen Aufgabenzahlen andeuten koennten.
Die beobachteten Daten haben ihm nicht widersprochen. Die US-Arbeitsproduktivitaet der Nichtlandwirtschaft stieg vom vierten Quartal 2023 zum vierten Quartal 2024 um 2,0% und im zweiten Quartal 2025 um 2,4%. Das sind respektable Zahlen, aber kein Durchbruch. Ueber den aktuellen Konjunkturzyklus seit Ende 2019 ist die Produktivitaet mit annualisiert 1,8% gewachsen, was unter der langfristigen Rate von 2,1% seit 1947 liegt. Was auch immer KI tut, es hat das Aggregat noch nicht ueber seinen eigenen historischen Trend gehoben.
Nichts davon ist von der Art her neu. 1987 schrieb der Oekonom Robert Solow, dass “das Computerzeitalter ueberall zu sehen ist, nur nicht in den Produktivitaetsstatistiken.” Es dauerte etwa ein Jahrzehnt und die Verbreitung des Internets und von Unternehmenssoftware, bevor sich die Computerrevolution schliesslich in den Produktivitaetszahlen der spaeten 1990er zeigte. Die KI-Version des Solow-Paradoxons koennte sich auf dieselbe Weise aufloesen: durch langsame Reorganisation der Arbeitsweise statt durch ein Werkzeug, das sofort jeden produktiver macht.
Die Adoptions-Wirkungs-Kluft
Die Unternehmensdaten erzaehlen dieselbe Geschichte von innen. Der 2025 AI Index von Stanford HAI berichtet, dass die organisatorische KI-Adoption 2024 auf 78% sprang, gegenueber 55% im Vorjahr, und dass sich der Einsatz generativer KI in mindestens einer Geschaeftsfunktion auf 71% mehr als verdoppelte. Die Adoption ist nahezu universell.
Die Wirkung nicht. McKinseys 2025 State of AI-Umfrage fand heraus, dass die grosse Mehrheit der Organisationen noch keine materielle Auswirkung auf die Gewinne auf Unternehmensebene durch ihre KI-Nutzung gesehen hat, wobei nur eine kleine Minderheit von High Performern ihr eine bedeutende Wirkung auf das Ergebnis zuschreibt. Die Kluft zwischen “wir nutzen KI” und “KI hat unsere Ergebnisse veraendert” ist das unternehmerische Gesicht des Produktivitaetsparadoxons. Lizenzen zu kaufen ist einfach. Den Arbeitsablauf so umzuverdrahten, dass die Zeitersparnis bis zur P&L ueberlebt, ist der schwere Teil, und die meisten Firmen haben das nicht getan.
Wie man das wie ein CEO liest und wie ein Student lernt
Das Paradox ist kein Grund, KI zu ignorieren. Es ist ein Grund, sich selbst ehrlich zu messen. Aus dem Nachweis folgen drei Betriebsprinzipien.
Erstens: miss Output, nicht Aktivitaet. Die METR-Entwickler fuehlten sich 20% schneller, waehrend sie 19% langsamer waren. Dein eigenes Gefuehl von Schwung ist ein unzuverlaessiges Instrument. Definiere die Output-Einheit, die in deiner Rolle wirklich zaehlt, etwa ausgelieferte Features, abgeschlossene Deals, veroeffentlichte Analysen oder getroffene Entscheidungen, und verfolge sie vor und nach KI, von Anfang bis Ende inklusive Pruefzeit. Ein CEO berichtet nicht “wir waren dieses Quartal sehr beschaeftigt”. Berichte es dir selbst auch nicht. Das ist genau die Disziplin hinter dem Betreiben deines Lebens auf einem persoenlichen Betriebssystem.
Zweitens: spare die gewonnene Zeit bewusst an. Die groesste einzelne Undichtigkeit ist, dass gesparte Minuten fuer mehr Bewegung ausgegeben werden. Wenn KI dir wirklich zwei Stunden pro Woche zurueckgibt, ist der CEO-Zug, diese Stunden einem konkreten, hoeherwertigen Output zuzuweisen und sie nicht in einem volleren Posteingang aufloesen zu lassen.
Drittens: bleib Student, wo es zaehlt. Die Gewinne in den Feldstudien waren fuer Neulinge am groessten, gerade weil KI Fachwissen kodiert, das ihnen fehlte. Aber die METR-Verlangsamung traf Experten, die in Bereichen arbeiteten, die sie tief kannten, teils weil das Pruefen und Korrigieren von KI-Output mehr kostete als die Arbeit selbst zu erledigen. Die Lektion ist, weiter das Urteilsvermoegen aufzubauen, mit dem du guten KI-Output von selbstsicher klingendem falschem Output unterscheiden kannst, und weiter deinen eigenen Job auf das zu pruefen, was KI ersetzen kann und was nicht. Dieses Urteilsvermoegen ist das eine Gut, das KI dir noch nicht reichen kann, und es ist das, was eine Aufgabenbeschleunigung in realen, ansparbaren Output verwandelt.
FAQ
Ist die Behauptung, dass KI die Produktivitaet nicht verbessert?
Nein. Kontrollierte Studien zeigen klare individuelle Aufgabengewinne, besonders fuer weniger erfahrene Beschaeftigte. Das Paradox ist, dass sich diese Gewinne noch nicht in Output-Wachstum auf Unternehmensebene oder gesamtwirtschaftlicher Ebene niedergeschlagen haben.
Warum sollte KI erfahrene Entwickler langsamer machen?
In der METR-Studie von 2025 verbrachten erfahrene Entwickler, die an Codebasen arbeiteten, die sie gut kannten, zusaetzliche Zeit mit Prompten, Warten und Pruefen von KI-Output, der korrigiert werden musste. Fuer Arbeit, die du bereits fluessig erledigst, kann dieser Mehraufwand die Zeit uebersteigen, die die KI spart.
Bilden sich Beschaeftigte die Zeitersparnis nur ein?
Teils. Beschaeftigte in der Umfrage der St. Louis Fed berichteten tatsaechlich, 5,4% ihrer Stunden zu sparen, und die METR-Entwickler glaubten, KI habe sie beschleunigt. Aber gemessen an einer Kontrollgruppe stimmte die gefuehlte Beschleunigung nicht immer mit dem realen Ergebnis ueberein. Wahrgenommene und gemessene Produktivitaet koennen stark auseinandergehen.
Wie gross ist der erwartete Effekt von KI auf die Gesamtwirtschaft?
Acemoglus Modell prognostiziert hoechstens einen Zuwachs der totalen Faktorproduktivitaet von 0,66% ueber zehn Jahre, etwa 0,064% jaehrlich. Andere Oekonomen sind optimistischer, aber keine glaubwuerdige Schaetzung impliziert einen sofortigen Produktivitaetsboom.
Hat sich KI schon in offiziellen Produktivitaetszahlen gezeigt?
Nicht deutlich. Die US-Produktivitaet der Nichtlandwirtschaft wuchs 2024 um 2,0% und im zweiten Quartal 2025 um 2,4%, aber der aktuelle Konjunkturzyklus liegt weiterhin unter dem langfristigen Durchschnitt von 2,1% seit 1947.
Ist das dasselbe wie das alte Solow-Paradox?
Es reimt sich darauf. Solow beobachtete 1987, dass Computer ueberall ausser in den Produktivitaetsstatistiken waren. Die Gewinne erschienen schliesslich, sobald Firmen sich um die Technologie herum reorganisierten. KI koennte demselben verzoegerten Pfad folgen.
Was sollte ein Einzelner dagegen tun?
Verfolge eine konkrete Output-Metrik vor und nach der KI-Einfuehrung, zaehle Pruef- und Nacharbeitszeit, weise jede gesparte Zeit bewusst hoeherwertiger Arbeit zu und uebe weiter Kernfaehigkeiten ohne Hilfe, damit du KI-Fehler abfangen kannst.
Quellen
- Erik Brynjolfsson, Danielle Li und Lindsey Raymond, Generative AI at Work, NBER Working Paper 31161, 2023.
- Sida Peng, Eirini Kalliamvakou, Peter Cihon und Mert Demirer, The Impact of AI on Developer Productivity: Evidence from GitHub Copilot, arXiv 2302.06590, 2023.
- Shakked Noy und Whitney Zhang, Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence, Science, 2023.
- METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, arXiv 2507.09089, 2025.
- Daron Acemoglu, The Simple Macroeconomics of AI, NBER Working Paper 32487, 2024.
- Alexander Bick, Adam Blandin und David Deming, The Rapid Adoption of Generative AI, NBER Working Paper 32966 und Federal Reserve Bank of St. Louis, 2024.
- US Bureau of Labor Statistics, Productivity and Costs, Veroeffentlichungen zum Nichtlandwirtschaftssektor, 2024-2025.
- Stanford Institute for Human-Centered Artificial Intelligence, The 2025 AI Index Report, 2025.
- McKinsey and Company, The State of AI: How Organizations Are Rewiring to Capture Value, 2025.
Dieser Inhalt wurde nach eingehender Recherche mit Unterstuetzung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und fuer die Veroeffentlichung aufbereitet.
This post is also available in:
