TL;DR
- Kontrollierte Studien finden immer wieder große individuelle Aufgabenbeschleunigungen durch KI: etwa 14% mehr gelöste 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 gefühlter Produktivität und gemessener Produktivität ist die ganze Geschichte.
- Eine glaubwürdige makroökonomische Schätzung beziffert den Zuwachs der totalen Faktorproduktivität durch KI auf höchstens 0,66% über zehn Jahre. Das nationale Wachstum der Arbeitsproduktivität liegt weiterhin unter dem Durchschnitt von 1947-2024.
- Das ist das zurückkehrende Solow-Paradox: “Das Computerzeitalter ist überall zu sehen, nur nicht in den Produktivitätsstatistiken.”
- 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 Aktivität), und lerne das Werkzeug wie ein Student. Aktivität ist kein Output, und nur Output zeigt sich in den Zahlen, die zählen.
Die zwei Zahlen, die nicht übereinstimmen
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 Arbeitsproduktivitätsdaten des Bureau of Labor Statistics und makroökonomische Modelle der totalen Faktorproduktivität. Diese haben keinen Boom festgestellt.
Ein CEO, der eine P&L liest, kennt dieses Muster gut. Ein Vertriebsteam kann beschäftigter sein als je zuvor, mit mehr Anrufen, mehr Demos, mehr grün leuchtenden Aktivitäts-Dashboards, während der Umsatz flach bleibt. Aktivität ist ein Input. Output ist das, was in den Büchern landet. Das KI-Produktivitätsparadox ist dasselbe Problem im zivilisatorischen Maßstab: die Input-Anzeigen schreien, und die Output-Linie ist still.
Was die kontrollierten Studien tatsächlich fanden
Der Nachweis auf individueller Ebene ist real und sollte nicht weggewischt werden. Drei Studien verankern den optimistischen Fall.
In der bis dato größten Feldstudie verfolgten Erik Brynjolfsson, Danielle Li und Lindsey Raymond 5.179 Kundendienstmitarbeiter, denen ein generativer KI-Konversationsassistent gegeben wurde. Der Zugang steigerte die Produktivität, gemessen als gelöste Anliegen pro Stunde, im Durchschnitt um 14%. Der Effekt konzentrierte sich auf die am wenigsten erfahrenen Beschäftigten, die sich um 34% verbesserten, während die fähigsten 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 präregistrierten Experiment, veröffentlicht in Science, wiesen Shakked Noy und Whitney Zhang 453 hochschulgebildeten Fachkräften anreizbasierte Schreibaufgaben zu und gaben der Hälfte von ihnen ChatGPT. Die durchschnittliche Bearbeitungszeit sank um 40% und die bewertete Ergebnisqualität stieg um 18%. Wie in der Callcenter-Studie gewannen die schwächeren Leistungsträger am meisten.
Zusammen gelesen sind dies die stärksten Karten im Blatt “KI funktioniert”. Jede Zahl unten ist eine reale, veröffentlichte Zahl.
| Studie (benannt) | Setting / Aufgabe | n | Gemessener individueller Gewinn | Wer am meisten gewann |
|---|---|---|---|---|
| Brynjolfsson, Li, Raymond 2023 (NBER w31161) | Kundendienst, gelöste 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%, Qualität +18% | Weniger versierte Autoren |
| Bick, Blandin, Deming 2024 (NBER w32966) | Selbstberichtete Zeitersparnis, US-Beschäftigte | Große Umfrage | 5,4% der Arbeitsstunden gespart (~2,2 Std./Woche) | Häufige 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 | Höchstens +0,66% TFP gesamt | Gesamtwirtschaftliche Obergrenze |
Tabelle: verifizierte Zahlen, jede Zelle ist auf die genannte, aufgeführte Studie gestützt. Vollständige Quellenangaben unter Quellen.
Die Studie, die den Konsens brach
Beachten Sie die fünfte und sechste Zeile. Sie sind der Grund, warum “KI macht Beschäftigte produktiver” nun eine wirklich umstrittene und keine feststehende Behauptung ist.
2025 führte die gemeinnützige Forschungsorganisation METR eine randomisierte kontrollierte Studie mit 16 erfahrenen Open-Source-Entwicklern durch, die an ausgereiften Codebasen arbeiteten, die sie gut kannten, mit durchschnittlich fünf Jahren Vorerfahrung an diesen Projekten, über 246 reale Aufgaben. Als sie frühe KI-Werkzeuge von 2025 wie Cursor Pro und Claude 3.5/3.7 Sonnet nutzen durften, brauchten sie 19% länger 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 würde. Nach dem Abschluss, nachdem sie tatsächlich verlangsamt worden waren, glaubten sie immer noch, KI habe sie etwa 20% schneller gemacht. Die gefühlte Produktivität bewegte sich in die exakt entgegengesetzte Richtung des gemessenen Ergebnisses.
Das ist der Mechanismus des ganzen Paradoxons im Kleinen. KI lässt Arbeit zuverlässig schneller und einfacher erscheinen: das leere Blatt verschwindet, Standardcode schreibt sich selbst, der erste Entwurf erscheint in Sekunden. Diese gefühlte Flüssigkeit ist echt, und genau das erfassen Umfragen, wenn Beschäftigte Zeitersparnisse berichten. Die Umfragearbeit der St. Louis Fed von Alexander Bick, Adam Blandin und David Deming fand heraus, dass Beschäftigte berichteten, KI spare 5,4% ihrer Arbeitsstunden, etwa 2,2 Stunden pro Woche. Aber selbstberichtete gesparte Zeit ist ein Gefühl, keine geprüften Output-Zahlen. Die METR-Studie ist das, was passiert, wenn man es prüft.
Wo der Gewinn versickert
Wenn Einzelne manche Aufgaben wirklich schneller erledigen, warum erreicht nichts davon den Output des Unternehmens oder die Produktivitätsstatistiken der Nation? Weil eine Aufgabenbeschleunigung eine lange Reise überstehen muss, bevor sie zu gemessenem Output wird, und sie versickert auf jeder Etappe. Die Tabelle unten ist ein für diesen Artikel erstelltes Diagnoseraster, das jede Undichtigkeit der Disziplin zuordnet, die sie stopft.
| Undichtigkeitspunkt | Warum der Gewinn verschwindet | CEO-und-Student-Lösung |
|---|---|---|
| Gesparte Zeit wird in mehr Aktivität reinvestiert, nicht angespart | Schnelleres Entwerfen bedeutet nur mehr Entwürfe, mehr Meetings, mehr Nachrichten | Spare die gewonnene Stunde gegen ein reales Output-Ziel an, so wie ein CEO eine Kosteneinsparung anspart; gib sie nicht für Bewegung aus |
| Nacharbeit und Verifikation | KI-Output sieht fertig aus, muss aber geprüft werden; Senior-Zeit wird für die Prüfung von Junior-plus-KI-Arbeit aufgewendet | Zähle die Nettozeit inklusive Prüfung; miss die Aufgabe von Anfang bis Ende, nicht den ersten Entwurf |
| Koordinationsreibung | Eine Person ist schneller, aber das Team, die Freigaben und die Übergaben sind es nicht | Optimiere den Engpass, nicht deinen eigenen Schritt; die P&L spiegelt das langsamste Glied |
| Kompetenzabbau und Übervertrauen | Übermäßige Abhängigkeit höhlt das Urteilsvermögen aus, das KI-Fehler abfängt | Bleib im Studentenmodus: erledige weiterhin schwierige Aufgaben ohne Hilfe, um den Geschmackssinn zu bewahren, den Qualitätskontrolle 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 | Gefühlte Geschwindigkeit (Umfragen) weicht von gemessener Geschwindigkeit (Studien) ab, wie METR zeigte | Vertraue deinen eigenen geprüften Zahlen mehr als deinem Gefühl von Schwung |
Tabelle: CEOtudent-Redaktionsraster (Synthese öffentlicher Forschung).
Der Blick von der gesamten Wirtschaft
Zoomt man auf die makroökonomische Ebene, summieren sich die Undichtigkeiten zu einer auffälligen Flachheit. Daron Acemoglus aufgabenbasiertes Modell, veröffentlicht als NBER-Arbeitspapier, schätzt, dass KI die totale Faktorproduktivität um höchstens 0,66% insgesamt über 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 könnten.
Die beobachteten Daten haben ihm nicht widersprochen. Die US-Arbeitsproduktivität 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. Über den aktuellen Konjunkturzyklus seit Ende 2019 ist die Produktivität 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 über seinen eigenen historischen Trend gehoben.
Nichts davon ist von der Art her neu. 1987 schrieb der Ökonom Robert Solow, dass “das Computerzeitalter überall zu sehen ist, nur nicht in den Produktivitätsstatistiken.” Es dauerte etwa ein Jahrzehnt und die Verbreitung des Internets und von Unternehmenssoftware, bevor sich die Computerrevolution schließlich in den Produktivitätszahlen der späten 1990er zeigte. Die KI-Version des Solow-Paradoxons könnte sich auf dieselbe Weise auflösen: durch langsame Reorganisation der Arbeitsweise statt durch ein Werkzeug, das sofort jeden produktiver macht.
Die Adoptions-Wirkungs-Kluft
Die Unternehmensdaten erzählen dieselbe Geschichte von innen. Der 2025 AI Index von Stanford HAI berichtet, dass die organisatorische KI-Adoption 2024 auf 78% sprang, gegenüber 55% im Vorjahr, und dass sich der Einsatz generativer KI in mindestens einer Geschäftsfunktion 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 verändert” ist das unternehmerische Gesicht des Produktivitätsparadoxons. Lizenzen zu kaufen ist einfach. Den Arbeitsablauf so umzuverdrahten, dass die Zeitersparnis bis zur P&L überlebt, 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 Aktivität. Die METR-Entwickler fühlten sich 20% schneller, während sie 19% langsamer waren. Dein eigenes Gefühl von Schwung ist ein unzuverlässiges Instrument. Definiere die Output-Einheit, die in deiner Rolle wirklich zählt, etwa ausgelieferte Features, abgeschlossene Deals, veröffentlichte Analysen oder getroffene Entscheidungen, und verfolge sie vor und nach KI, von Anfang bis Ende inklusive Prüfzeit. Ein CEO berichtet nicht “wir waren dieses Quartal sehr beschäftigt”. Berichte es dir selbst auch nicht. Das ist genau die Disziplin hinter dem Betreiben deines Lebens auf einem persönlichen Betriebssystem.
Zweitens: spare die gewonnene Zeit bewusst an. Die größte einzelne Undichtigkeit ist, dass gesparte Minuten für mehr Bewegung ausgegeben werden. Wenn KI dir wirklich zwei Stunden pro Woche zurückgibt, ist der CEO-Zug, diese Stunden einem konkreten, höherwertigen Output zuzuweisen und sie nicht in einem volleren Posteingang auflösen zu lassen.
Drittens: bleib Student, wo es zählt. Die Gewinne in den Feldstudien waren für Neulinge am größten, 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 Prüfen und Korrigieren von KI-Output mehr kostete als die Arbeit selbst zu erledigen. Die Lektion ist, weiter das Urteilsvermögen aufzubauen, mit dem du guten KI-Output von selbstsicher klingendem falschem Output unterscheiden kannst, und weiter deinen eigenen Job auf das zu prüfen, was KI ersetzen kann und was nicht. Dieses Urteilsvermögen 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 Produktivität nicht verbessert?
Nein. Kontrollierte Studien zeigen klare individuelle Aufgabengewinne, besonders für weniger erfahrene Beschäftigte. 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, zusätzliche Zeit mit Prompten, Warten und Prüfen von KI-Output, der korrigiert werden musste. Für Arbeit, die du bereits flüssig erledigst, kann dieser Mehraufwand die Zeit übersteigen, die die KI spart.
Bilden sich Beschäftigte die Zeitersparnis nur ein?
Teils. Beschäftigte in der Umfrage der St. Louis Fed berichteten tatsächlich, 5,4% ihrer Stunden zu sparen, und die METR-Entwickler glaubten, KI habe sie beschleunigt. Aber gemessen an einer Kontrollgruppe stimmte die gefühlte Beschleunigung nicht immer mit dem realen Ergebnis überein. Wahrgenommene und gemessene Produktivität können stark auseinandergehen.
Wie groß ist der erwartete Effekt von KI auf die Gesamtwirtschaft?
Acemoglus Modell prognostiziert höchstens einen Zuwachs der totalen Faktorproduktivität von 0,66% über zehn Jahre, etwa 0,064% jährlich. Andere Ökonomen sind optimistischer, aber keine glaubwürdige Schätzung impliziert einen sofortigen Produktivitätsboom.
Hat sich KI schon in offiziellen Produktivitätszahlen gezeigt?
Nicht deutlich. Die US-Produktivität 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 überall außer in den Produktivitätsstatistiken waren. Die Gewinne erschienen schließlich, sobald Firmen sich um die Technologie herum reorganisierten. KI könnte demselben verzögerten Pfad folgen.
Was sollte ein Einzelner dagegen tun?
Verfolge eine konkrete Output-Metrik vor und nach der KI-Einführung, zähle Prüf- und Nacharbeitszeit, weise jede gesparte Zeit bewusst höherwertiger Arbeit zu und übe weiter Kernfähigkeiten 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, Veröffentlichungen 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 Unterstützung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und für die Veröffentlichung aufbereitet.
This post is also available in:
