KI-Produktivität: Was die Technologie-Geschichte uns lehrt

Ich lese immer wieder und überall, dass uns künstliche Intelligenz einen gewaltigen Produktivitätssprung bringen wird.

Rund 2,5 Billionen Dollar fließen laut Gartner allein in diesem Jahr weltweit in die Technologie. Eine Studie der KfW, über die kürzlich die Süddeutsche Zeitung berichtete und die mich auf das Thema gestossen hat, wirft nun einen nüchternen Blick auf diese Wette: Transformative Technologien halten kurzfristig selten, was sie versprechen. Das galt für die Dampfmaschine, für die Elektrizität, für den Computer, Digitalisierung mit Software as a Service – und es könnte auch für KI gelten.

Ich selber bin sehr technologieoffen und ein großer Freund der Digitalisierung. Und gleichzeitig weiß ich aus mehr als 39 Jahren Berufserfahrung im Unternehmen und als Berater, wie sehr die Erwartung an schnelle Ergebnisse und die Realität der Organisationsentwicklung auseinanderklaffen.

Eine Wette auf die Zukunft: Was frühere Technologiesprünge lehren

Die KfW-Studie, für die Chefvolkswirt Dirk Schumacher und sein Team historische Technologiesprünge analysiert haben, zeichnet ein ernüchterndes Bild. Als Werner Siemens und Thomas Edison Ende des 19. Jahrhunderts die Elektrizität nutzbar machten, blieb das Produktivitätswachstum in US-Fabriken über zwei Jahrzehnte lang unter einem Prozent pro Jahr. Erst als Unternehmen ihre Fabriken von der zentralen Dampfmaschine auf dezentrale Einzelmotoren und Fließbänder umstellten, schoss die Produktivität in den 1920er-Jahren auf über fünf Prozent jährlich. Dreißig Jahre lag zwischen Erfindung und Wirkung.

Ähnlich verlief der PC-Boom zwischen 1973 und 1995: Trotz massiver IT-Investitionen sank das US-Produktivitätswachstum sogar. Der Ökonom Robert Solow prägte dafür den Begriff des „Solow-Paradoxons" – man sehe das Computerzeitalter überall, außer in den Produktivitätsstatistiken. Erst mit dem Internet, zwanzig Jahre später, kam der Durchbruch.

Irgendwie scheint es so, als würden zwischen einer Technologie und ihrer messbaren Wirkung immer eine Generation Organisationsarbeit liegen.

Die J-Kurve: Warum Produktivität zuerst enttäuscht

Diese Verzögerung hat einen Namen und eine solide ökonomische Erklärung. Die Ökonomen Erik Brynjolfsson, Daniel Rock und Chad Syverson haben mit ihrem Konzept der „Productivity J-Curve" beschrieben, warum general-purpose-Technologien wie Elektrizität, Computer oder eben KI zunächst kaum messbare Produktivitätsgewinne zeigen, mitunter sogar Rückgänge.

Der Grund liegt in unsichtbaren Investitionen: Unternehmen müssen Prozesse neu gestalten, Mitarbeitende weiterbilden, Organisationsstrukturen anpassen und neue Geschäftsmodelle entwickeln, bevor eine Technologie ihr Potenzial entfaltet. Diese Investitionen in sogenanntes intangibles Kapital tauchen in klassischen Produktivitätsstatistiken kaum auf – sie kosten, bevor sie etwas bringen. Erst wenn diese Anpassung abgeschlossen ist, dreht die Kurve nach oben.

Aktuelle Forschung des US Census Bureau bestätigt dieses Muster inzwischen auch auf Unternehmensebene für den frühen Einsatz industrieller KI: kurzfristige Reibungsverluste durch Prozess- und Organisationsumstellungen, gefolgt von mittelfristigen Verbesserungen bei den meisten Firmen. Wer also im ersten Jahr nach der KI-Einführung keinen Produktivitätssprung sieht, befindet sich nicht zwangsläufig in einer Sackgasse – sondern möglicherweise ganz am Fuß der Kurve.

Deutschland: Wachsende Nutzung, zögerliche Wirkung

Auch die Zahlen aus Deutschland passen ins Bild. Laut KfW-Mittelstandspanel ist der Anteil kleiner und mittlerer Unternehmen, die KI einsetzen, von vier Prozent (2016–2018) auf inzwischen rund 20 Prozent gestiegen – knapp 780.000 Betriebe. Besonders größere Mittelständler mit mehr als 50 Mitarbeitenden ziehen mit, hier hat sich die Nutzerquote von sechs auf 36 Prozent versechsfacht. Eine gemeinsame Studie von KfW Research und ZEW Mannheim zeigt zudem: Je digitaler ein Unternehmen bereits aufgestellt ist, desto stärker profitiert es von zusätzlicher Digitalisierung – ein Vorteil, der sich also selbst verstärkt, aber eben auch ungleich verteilt ist.

Die Nutzung wächst also spürbar. Ob daraus schon messbare Produktivität wird, ist eine andere Frage.

Der GenAI Divide: Warum die meisten Pilotprojekte im Sand verlaufen

Hier wird es konkret unangenehm. Eine vielzitierte Studie des MIT-Projekts NANDA aus dem Jahr 2025 hat rund 300 KI-Implementierungen sowie Befragungen von Führungskräften und Mitarbeitenden ausgewertet und kommt zu einem drastischen Ergebnis: 95 Prozent der untersuchten generativen KI-Pilotprojekte erzielen keinen messbaren Effekt auf Umsatz oder Gewinn. Die Studie spricht von einer „GenAI Divide" – einer Kluft zwischen hoher Akzeptanz der Technologie und ausbleibender organisationaler Transformation.

Interessant ist die Ursachenanalyse: Es liegt selten an der Qualität der Modelle. Generische Tools wie Chatbots verbessern durchaus die individuelle Produktivität Einzelner, lernen aber nicht aus den spezifischen Arbeitsabläufen eines Unternehmens und passen sich nicht an dessen Prozesse an. Erfolgreiche Unternehmen unterscheiden sich vor allem dadurch, dass sie auf externe Partnerschaften statt reiner Eigenentwicklung setzen und dass ihre erfolgreichsten Anwendungsfälle aus den Fachbereichen selbst kommen – nicht aus zentralen Innovationslaboren.

Ein Muster, das sich mit der SZ-Beobachtung deckt, wonach eine aktuelle Studie zwar eine Steigerung der Software-Produktion um 290 Prozent durch KI ermittelte, aber nur 30 Prozent dieser Anwendungen überhaupt Marktreife erreichten und die Nutzung insgesamt nicht zunahm. Mehr Output ist eben nicht automatisch mehr Wertschöpfung.

Und die Technologie ist selten das Problem. Das Problem ist, dass Organisationen ihre Prozesse und Entscheidungsstrukturen nicht mit der gleichen Konsequenz verändern, mit der sie neue Tools einführen.

Vom Tool zur Governance: Wie KI-Produktivität tatsächlich entsteht

Genau an diesem Punkt setzt meine Arbeit an. KI-Produktivität entsteht nicht dadurch, dass ein Unternehmen ein weiteres Werkzeug in bestehende Abläufe hineinstellt. Sie entsteht, wenn KI Teil der Organisation wird: der Prozesse, der Entscheidungswege, der Verantwortlichkeiten – kurz: der Governance. Wer nur fragt „Welches Tool setzen wir ein?", bleibt am Fuß der J-Kurve stehen. Wer fragt „Wer entscheidet, wenn ein KI-System eine Empfehlung gibt, die dem Erfahrungswissen unseres Teams widerspricht?" oder „Welche Prozesse geben wir wirklich aus der Hand, und welche behalten wir bewusst menschlich?", beginnt tatsächlich, die intangiblen Investitionen zu tätigen, von denen Brynjolfsson und Kollegen sprechen.

Das ist unbequem, weil es länger dauert und sich schlechter in einer Folienpräsentation verkaufen lässt als ein neues KI-Tool. Aber es ist der Unterschied zwischen den fünf Prozent Unternehmen, die laut MIT tatsächlich Wert aus KI ziehen, und den 95 Prozent, die im Pilotstadium verharren.

Fazit: Geduld ist keine Ausrede, sondern eine Strategie

Die Geschichte der Elektrizität, des PC und der Digitalisierung zeigt: Wer eine Basistechnologie einführt und dann sofort Wunder erwartet, wird enttäuscht – nicht weil die Technologie versagt, sondern weil Organisationen Zeit brauchen, sich neu zu ordnen. Bei KI könnte dieser Prozess schneller gehen als bei früheren Technologiesprüngen, weil sie auf eine deutlich digitalisiertere Welt trifft.

Sicher ist: Wer KI nur als Werkzeug behandelt, wird nicht produktiver. Wer sie in Prozesse, Entscheidungsstrukturen und Governance integriert, hat eine echte Chance auf den Produktivitätsschub, den sich derzeit so viele erhoffen.

Genau diese Frage – wie KI sinnvoll und verantwortungsvoll in Organisationen verankert wird – steht im Zentrum des OrgSpace 2026 der gfo | gesellschaft für organisation e. V., am 12. November in Berlin. Ich bin dort mit einer eigenen Session im Stream „Future & Fusion" dabei: „Die KI-Governance, die wir brauchen" – ein LEGO® Serious Play®-Workshop, in dem wir buchstäblich bauen, was verantwortungsvoller KI-Einsatz in Organisationen strukturell bedeutet. Wer kontrolliert die KI? Wer hat Stimme, wenn Algorithmen mitregieren? Wie sieht ein Governance-Modell aus, das Mensch und System sinnvoll zusammenbringt? Wer sich für KI in Organisationen interessiert – nicht als Tool-Showcase, sondern als echte Gestaltungsaufgabe – ist dort genau richtig.

Jetzt hier anmelden - ich freue mich darauf Euch dort zu sehen. Und vielleicht diskutieren wir vorher schon darüber.

FAQ

Warum steigert KI nicht sofort die Produktivität eines Unternehmens? Weil Unternehmen zunächst in unsichtbare, kaum messbare Anpassungen investieren müssen – neue Prozesse, Weiterbildung, veränderte Entscheidungsstrukturen –, bevor sich der Effekt in Umsatz- oder Effizienzzahlen zeigt. Dieses Muster wird als Productivity J-Curve bezeichnet und wurde bereits bei Elektrizität und dem PC beobachtet.

Wie lange dauert es, bis sich KI-Investitionen wirtschaftlich auszahlen? Historische Technologiesprünge wie die Elektrifizierung oder der PC-Boom brauchten zwei bis drei Jahrzehnte, bis sich ihr volles Produktivitätspotenzial in den Statistiken zeigte. Ökonomen gehen davon aus, dass sich KI aufgrund der bereits digitalisierten Ausgangslage schneller durchsetzen könnte, sicher ist das aber nicht.

Warum scheitern so viele KI-Pilotprojekte in Unternehmen? Laut einer MIT-Studie liegt die Ursache selten an der Qualität der KI-Modelle, sondern daran, dass generische Tools nicht aus den spezifischen Arbeitsabläufen eines Unternehmens lernen und Organisationen es versäumen, Prozesse, Zuständigkeiten und Governance entsprechend anzupassen.