Trotz des rasanten Einsatzes von Künstlicher Intelligenz vielen Unternehmen und obwohl deren Hersteller immense Zeitersparnisse versprechen, steigt die Arbeitsproduktivität kaum. Woran liegt das?
Seit Mitte der 1970er Jahre haben Unternehmen weltweit massiv in EDV und später in digitale Technologien investiert. Wirtschaftswissenschaftler in den USA wunderten sich jedoch über den offensichtlichen Mangel an messbaren Produktivitätszuwächsen im Industrie- und Dienstleistungssektor der OECD-Länder. Was sich nun offenbar wiederholt.
Zwischen 1947 und 1973 wuchs die Produktivität in den USA um jährlich 2,7 Prozent. In der Zeit von 1974 bis 1994 fiel das Wachstum dagegen auf jährlich 1,5 Prozent. Zwischen 2005 und 2015 wuchs die Arbeitsproduktivität wieder um jährlich 1,3 Prozent. Die Verlangsamung des Produktivitätswachstums ist keine Besonderheit der US-Ökonomie. Sie ist auch in anderen entwickelten Nationalökonomien beobachtbar. Auf jeden Fall gaben diese Zahlen Anlass zu der Frage, ob dies das Ende der jahrhundertelangen Produktivitätsrevolution sein könnte. Die Verlangsamung ist „statistisch und wirtschaftlich signifikant” und scheint kein Ausdruck eines zyklischen Wirtschaftsprozesses zu sein.
Für die bis heute andauernde und hitzige Diskussion über den starken Rückgang der Arbeitsproduktivität wurde der Begriff des „Produktivitätsparadoxons” geprägt. Der Satz des Ökonomen Robert Solows aus dem Jahr 1987: „Man sieht das Computerzeitalter überall, nur nicht in den Produktivitätsstatistiken” ist der Ursprung dieser Bezeichnung. Er verweist auf die Diskrepanz zwischen den immensen wirtschaftlichen Erwartungen und den Versprechungen von Profitzuwächsen, die durch das „Computerzeitalter” entstanden sind, und dem offensichtlichen Mangel an wirtschaftlichen Gewinnen in Form von messbaren Produktivitätsgewinnen, obwohl Unternehmen und Staat enorme Investitionen in Informations- und Kommunikationstechnologien getätigt haben.
Effekte schwer zu erfassen
Das Produktivitätsparadoxon kann aus verschiedenen Gründen von Interesse sein. Im Kontext der Analyse des modernen Kapitalismus macht es auf die Fragilität und die Schwierigkeit aufmerksam, das immaterielle Kapital statistisch zu erfassen und seiner Bedeutung entsprechend zu erkennen. Eine umfassendere Rechnung der verschiedenen Wachstumsfaktoren wäre wertvoll.
Wirtschaftswissenschaftler vertreten die Ansicht, dass die typischen Messmethoden, die zur Darstellung des Outputs der Wirtschaft verwendet werden, fehlerhaft sind und dieses Defizit das „wirklich” stattfindende Produktivitätswachstum verschleiert. Allerdings fehlt der Erklärung des Produktivitätsparadoxons als Resultat von Messdefiziten die Genauigkeit: Welche Bewegungen der Informationsökonomie sind genau für die mangelnde Erfassung der „eigentlichen“ Arbeitsproduktivität verantwortlich? Die Ursachen des Paradoxons bleiben ungeklärt oder strittig. Die Produktivitätssteigerung wäre demnach verborgen oder unsichtbar, aber nicht, weil es sie nicht gegeben hat.
Sofern die mangelnde Produktivität in den 1980er und 1990er Jahren als Folge der hohen Investitionen von Unternehmen in Informations- und Kommunikationstechnologien real ist, welche konkreten Mechanismen erklären dann das Produktivitätsparadoxon? Meine Antwort lautet: Das Produktivitätsparadoxon hilft uns zu verstehen, dass wir nicht von einem technologiegetriebenen Übergang von der Industrie- zur Informations- oder Netzwerkgesellschaft sprechen sollten, sondern von einem gesellschaftlich basierten Übergang von der Industrie- zur Wissensgesellschaft.
Eine Antwort auf die Frage nach dem Grund für das Paradoxon konzentriert sich auf die „Fehlmessung” des Outputs: Gewinne haben sich beispielsweise nicht niedergeschlagen, weil die Preise vieler neuer Güter niedrig oder sogar gleich null waren. Ein alternativer Ansatz konzentriert sich auf eine Fehlmessung von Wachstumsimpulsen, beispielsweise des Inputs in Dienstleistungen und Waren durch das Bevölkerungswachstum, erweitertes Bildungsniveau, erhöhte Erwerbsbeteiligung durch den Eintritt von Frauen und steigende Forschungsintensität. All diese Faktoren könnten in Zukunft schwächer werden, stagnieren oder sogar zurückgehen.
Anscheinend wiederholt sich das Produktivitätsparadox angesichts der massiven und weiter wachsenden Investitionen in die Entwicklung des immateriellen Überbaus (Software) und des physischen Unterbaus (Datenzentren) der Künstlichen Intelligenz. Ein Artikel in der „New York Times“ mit dem Titel „What’s Dragging Down A.I. Efficiency? The ‚Verification Tax‘ vom 10. Oktober 2026 geht von genau diesem Widerspruch aus. KI-Unternehmen versprechen beispielsweise einen gewaltigen Effizienzschub in der Büroarbeit: Routinetätigkeiten sollen verschwinden und ganze Berufe überflüssig werden. In der betrieblichen und gesamtwirtschaftlichen Wirklichkeit lässt sich dieser Schub jedoch bislang kaum nachweisen. Sarah Kessler, Autorin der New York Times, erklärt die Lücke zwischen Versprechen und Befund mit einer neuen, bisher wenig beachteten Form menschlicher Arbeit. KI-Ergebnisse müssen auf Richtigkeit, Sicherheit und Brauchbarkeit geprüft werden und diese Prüfung verschlingt einen erheblichen Teil der eingesparten Zeit.
Neue Arbeit durch Überprüfung der KI-Ergebnisse
Für die Diagnose ausbleibender Produktivitätsgewinne nennt der Artikel mehrere Belege. So haben Forscher der Federal Reserve Bank of Atlanta, der Stanford University, der Bank of England und des Instituto Tecnológico Autónomo de México knapp 6.000 Führungskräfte befragt. Etwa 90 Prozent gaben an, die Technologie habe weder auf die Beschäftigung noch auf die Produktivität ihres Unternehmens eine Wirkung gehabt, obwohl 69 Prozent sie aktiv einsetzten. Auch in den makroökonomischen Daten fehlt der erwartete Effekt. Torsten Slok, Chefökonom bei Apollo, folgert aus Daten der San Francisco Fed, dass der Produktivitätsertrag der KI vorerst eine Prognose und noch keine Beobachtung sei. Die naheliegende Erklärung, dass Unternehmen Zeit benötigen, um neue Technologien zu integrieren, lässt die Autorin gelten. Ihr Hauptinteresse gilt jedoch einem zweiten Mechanismus: Die Technologie erzeugt neue Arbeit, die einen Großteil der eingesparten Zeit wieder aufzehrt.
Für diese Arbeit gibt es verschiedene Bezeichnungen, etwa „Verifikationssteuer“, „Botsitting“ oder schlicht Nacharbeit. Gemeint ist stets das oft mühsame Kontrollieren und Bereinigen maschineller Ergebnisse. Christian Catalini von der MIT Sloan School hat das in einem Arbeitspapier vom Februar theoretisch zugespitzt. Demnach ist die eigentliche Wachstumsschranke nicht mehr die verfügbare Intelligenz, sondern die begrenzte menschliche Kapazität, Ergebnisse zu verifizieren. Letztlich sei nur diejenige KI nützlich, deren Output auch überprüft worden ist.
Die empirischen Befunde stützen diese These aus verschiedenen Richtungen. So ergab beispielsweise eine Umfrage der HR-Plattform Workday unter 3.200 Beschäftigten und Führungskräften, dass im Durchschnitt rund 37 Prozent der durch KI gewonnenen Zeit dafür verwendet wird, mangelhafte Ergebnisse zu korrigieren, zu präzisieren oder neu zu schreiben. Ökonomen bei Google befragten 600 Wissenschaftler. Diese sparten durch KI im Mittel sieben Stunden pro Woche. Fast 90 Prozent derjenigen, die Zeit gewannen, verwendeten jedoch mindestens ein Zehntel davon für die Kontrolle, 46 Prozent sogar mehr als ein Viertel. Zudem berichteten rund 40 Prozent der Forscher, ihr Rückstau ungeprüfter Hypothesen sei gegenüber drei Jahren zuvor gewachsen.
KI produziert also Lösungsvorschläge und Vorhersagen in hohem Tempo, während physische Experimente und klinische Studien nicht im selben Maß schneller geworden sind. Mihai Codreanu, Mitautor der Studie, beschreibt dies als Verlagerung der Engpässe in nachgelagerte Arbeitsschritte. Die Automatisierung einer Aufgabe bedeutet demnach nicht das Ende eines Arbeitsprozesses, sondern häufig den Beginn einer neuen Phase.
Das wird besonders in der Softwareentwicklung deutlich. KI kann innerhalb kürzester Zeit Tausende Zeilen Code erzeugen. Unternehmen wie Amazon verlangen dennoch eine menschliche Durchsicht, sodass die Gesamtleistung weniger von der Menge des Generierten abhängt als von der Fähigkeit, dessen Funktionsfähigkeit sicherzustellen. Forscher des MIT und der Wharton School haben die Daten von 500.000 GitHub-Entwicklern ausgewertet. Die KI-Werkzeuge steigerten die Aktivität erheblich, doch die Vorteile schrumpften stark, je näher die Arbeit an die tatsächliche Auslieferung von Software rückte. Der Engpass verschiebt sich somit vom Schreiben des Codes zu den Tätigkeiten, die weiterhin Menschen ausführen müssen: Begutachtung, Integration, Testen und Freigabe.
Laut dem Artikel wird die Arbeit in manchen Branchen zwar besser, aber nicht leichter. Alexandra Mousavizadeh, Ökonomin und Inhaberin von Evident Insights, einer Firma, die die KI-Nutzung im Finanzsektor verfolgt, beobachtet bei Investmentbankern längere Arbeitszeiten als je zuvor. Weil mehr möglich ist, muss auch mehr geprüft werden. Es entstehen neue Produkte und die Kunden erwarten mehr, da die Konkurrenz Ähnliches anbietet. Bemerkenswert ist ihre Feststellung, dass ausgerechnet die Banken mit den größten KI-Investitionen derzeit am stärksten neues Personal einstellen.
Wie viel Prüfaufwand anfällt, hängt laut Ion Stoica, Informatiker an der University of California in Berkeley, von der Art der Aufgabe ab. Manche Probleme sind schwer zu lösen, aber leicht zu kontrollieren, etwa die Frage, ob ein Labyrinth vollständig durchlaufen ist. Andere beruhen auf umfangreichem Wissen und Urteilen, die ein Experte womöglich nie vollständig explizit machen kann, wie etwa die Einschätzung, ob ein Vertrag gut ist. Gerade solche Aufgaben verlangen intensive menschliche Aufsicht. Der naheliegende Ausweg, KI durch KI kontrollieren zu lassen, funktioniert nur begrenzt. Catalini gibt zu bedenken, dass bei nicht kodifiziertem Fachwissen die blinden Flecken des erzeugenden und des prüfenden Systems weitgehend übereinstimmen würden. Stoica erwartet, dass sich die menschlichen Engpässe mit lernenden Modellen weiter verschieben und die Verifikation zunehmend anspruchsvollere Kompetenzen erfordert. Wer ein Problem nicht versteht, kann auch die Lösung nicht prüfen.
Tim Walsh, Vorsitzender und CEO von KPMG U.S., berichtet aus der Unternehmenspraxis: Jeder automatisierte Prozess seines Hauses enthalte eine menschliche Kontrollinstanz. Er habe bisher kein System gesehen, dem er die Prüfung von KI-Agenten durch andere KI-Agenten im eigenen Geschäft anvertrauen würde. KI werde das Unternehmen zwar schneller machen, doch das habe seinen Preis und lasse sich nicht einfach wie ein Lichtschalter einschalten.
Abschließend folgt eine kurze Einordnung, die über die reine Zusammenfassung hinausgeht. Der Kern des Artikels lässt sich wissenssoziologisch lesen: Die Produktion von Wissensangeboten wird billiger, ihre Beglaubigung bleibt knapp und teuer. Der Engpass wandert somit von der Erzeugung zur Validierung, also zu Urteilskraft, implizitem Erfahrungswissen und institutionell verankerter Verantwortung. Dass gerade schwer explizierbares Wissen die Verifikation erschwert, knüpft an die bekannte Unterscheidung zwischen kodifiziertem und implizitem Wissen an. Das Versprechen umfassender Automatisierung erweist sich somit weniger als Ersetzung menschlicher Wissensarbeit denn als Umschichtung hin zu Prüf- und Urteilstätigkeiten.