KI und Produktivität: Große Gewinne bei Einzelaufgaben, kleinere im ganzen Unternehmen

Bart van Ark und Vassilis Karountzos haben im Auftrag der Bytes Technology Group eine Literaturauswertung erstellt und sie um acht Interviews mit Fachleuten ergänzt. Wie sich Produktivitätsgewinne auf dem Weg vom einzelnen Arbeitsschritt zum fertigen Produkt abschwächen, zeigt eine der zitierten Untersuchungen besonders deutlich: Bei Entwicklern, die KI-Programmierwerkzeuge einsetzen, steigt die Programmieraktivität um rund 240 Prozent, die Zahl der veröffentlichten Versionen um rund 30 Prozent. Diese Lücke zwischen dem Potenzial der Technik und ihrem tatsächlichen Ertrag nennen die beiden Ökonomen »AI Ambition Gap«.

Bei der einzelnen Aufgabe wirkt KI deutlich

Am besten belegt sind die Effekte bei klar umrissenen Tätigkeiten. Der Bericht verweist auf eine viel zitierte Arbeit von Brynjolfsson, Li und Raymond, die für den Kundendienst eine um rund 14 Prozent höhere Produktivität mit generativer KI ermittelt. Am meisten profitieren weniger erfahrene Kräfte, weil das System implizites Wissen versierterer Kollegen weitergibt. In einem Experiment von Noy und Zhang erledigen Fachleute Schreib- und Analyseaufgaben mit ChatGPT in 40 Prozent kürzerer Zeit, die Qualität liegt um 18 Prozent höher.

Solche Werte entstehen allerdings unter günstigen Bedingungen: Arbeitsabläufe, Anreize und Datenlage bleiben im Versuch unverändert. Nach Einschätzung der Autoren belegen derartige Studien, was KI leisten kann, nicht, was Firmen im Alltag erreichen.

Vom Code zum fertigen Produkt

Die eingangs genannte Untersuchung von Demirer, Musolff und Yang stützt sich auf mehr als 500.000 Entwickler auf GitHub. Gemessen wird die Programmieraktivität an den Commits, also an den gespeicherten Codeänderungen. Die Werte sind kumuliert über drei Werkzeuggenerationen: Autovervollständigung, interaktive und schließlich autonome Coding-Agenten. Die Zahl der Projekte wächst um rund 80 Prozent. Den Grund für das Abflachen sehen die Autoren in menschlichen Engpässen: Code muss geprüft, eingebunden, getestet und ausgeliefert werden.

Verzögerte Wirkung

Für ganze Organisationen ist die Beweislage dünner. Dass sich KI in den Produktivitätszahlen oft noch nicht zeigt, erklären die Autoren auch mit der sogenannten J-Kurve. Unternehmen investieren beim Einstieg in neue Abläufe, Schulung, Daten und Integration. Herkömmliche Produktivitätsmaße erfassen diesen Aufwand nur unvollständig. Die gemessene Leistung kann deshalb zunächst niedriger ausfallen, später werden die Erträge der aufgebauten Fähigkeiten sichtbar.

Was Organisationen beitragen

Eine wichtige Rolle spielt nach dem Bericht die Qualität des Managements. Nach einer Arbeit der Bennett School of Public Policy setzten britische Firmen, die 2020 in diesem Punkt besser abschnitten, bis 2023 eher KI ein, unabhängig von Größe, Alter, Branche und Standort. Daten der OECD aus 15 Ländern weisen in dieselbe Richtung: Der Produktivitätsvorsprung von KI-Anwendern verschwindet weitgehend, wenn die Qualifikation der Belegschaft und die digitale Ausstattung berücksichtigt werden. Was als Ertrag von KI erscheint, geht demnach zum Teil auf jene Fähigkeiten zurück, die den Einsatz erst möglich machen.

Einen Vergleich über den Atlantik liefert eine Untersuchung von Bick und Kollegen. In den USA geben im Jänner und Februar 2026 43 Prozent der befragten Beschäftigten an, generative KI bei der Arbeit zu nutzen. In den sechs einbezogenen europäischen Ländern, darunter Deutschland, Frankreich und Großbritannien, ist der Anteil deutlich geringer; Österreich ist nicht dabei. Unterschiede in der Zusammensetzung von Belegschaften und Firmen erklären einen großen Teil dieser Lücke statistisch, zusammen mit den Managementpraktiken, vor allem der Frage, ob Arbeitgeber die Nutzung aktiv fördern, den überwiegenden Teil. Einen ursächlichen Effekt weist die Studie damit nicht nach.

Daraus leiten die Autoren ihre Empfehlungen ab. Vor dem Einsatz sollen Führungskräfte ein klares Ziel festlegen: welches Problem KI lösen soll, wer die Verantwortung trägt und welcher Ertrag erwartet wird. Jede wichtige Anwendung betreuen nach ihrem Vorschlag eine technische Leitung und eine Person, die für das betriebliche Resultat einsteht. Vor dem Start gehört ein Ausgangswert erhoben. Mehr sagen nach Ansicht der Autoren die Kosten je erfolgreichem Ergebnis als die reinen Nutzungskosten eines KI-Modells.

Zur Aussagekraft der Studie

Verfasst haben den Bericht Bart van Ark und Vassilis Karountzos vom Productivity Institute an der Alliance Manchester Business School. Auftraggeber ist die Bytes Technology Group, ein IT-Dienstleister aus Großbritannien. Eine eigene Befragung enthält die Arbeit nicht. Sie fasst veröffentlichte Studien zusammen und ergänzt sie um acht ausführliche Interviews mit Fachleuten aus Wissenschaft, Wirtschaft und Politik. Die quantitativen Befunde zu Verbreitung und Produktivität stammen daher aus fremden Untersuchungen mit unterschiedlichen Definitionen, Stichproben, Ländern und Zeiträumen. Wie stark die Messung das Ergebnis prägt, zeigt die Spannweite der Nutzungsquoten in der Literatur: von einstelligen Werten bis über 80 Prozent. Der Schwerpunkt liegt auf Großbritannien; Österreich kommt nicht vor, Europa vor allem im Vergleich mit den USA.

Fazit

Der Bericht leitet aus unterschiedlichen Untersuchungen ein Muster ab: Je weiter sich der Blick von der einzelnen Aufgabe entfernt, desto dünner wird der Beleg für den Nutzen von KI. Den Engpass verorten die Autoren weniger beim Werkzeug als in der Organisation, bei unveränderten Abläufen, unklarer Verantwortung und der Qualität der Führung. Ob sich KI rechnet, zeigt sich nach dieser Lesart erst am fertigen Ergebnis, nicht an der gesparten Zeit bei einzelnen Handgriffen.

Die Studie kann hier heruntergeladen werden.