Wie produktiv ist KI wirklich?

Künstliche Intelligenz ist in der Breite der Unternehmen angekommen. Doch auf der Makroebene ist KI als Produktivitätstreiber noch nicht erkennbar. Ändert sich das jetzt mit besseren Modellen und mehr Erfahrungen?

„We haven’t really started to see the effects of generative AI“, sagte der frühere US-Notenbankchef Jerome Powell noch im Frühjahr. PwC berichtete im „Global CEO Survey 2026“, dass nur jeder achte befragte CEO sowohl Kosten- wie auch Umsatzverbesserungen durch KI festgestellt habe. Die Mehrheit der Unternehmen (56 Prozent) tut sich demnach schwer, spürbaren finanziellen Nutzen aus ihren KI-Investitionen zu ziehen. Allerdings gibt es auch gegenläufige Befunde. Die „Deutsche Social Collaboration Studie“ von Campana & Schott und der TU Darmstadt zeigt keine KI-Krise unter Führungskräften der DACH-Region: 72,5 Prozent der Befragten berichten von Effizienz- und Produktivitätssteigerungen durch generative KI wie ChatGPT oder Claude. Welcher Befund trifft nun zu?

Andreas Widl,
Samson AG

Andreas Widl, Vorstandsvorsitzender der Samson AG, setzt auf Realismus in der KI-Nutzung: „Wir haben bei KI keine Wunder erwartet, sondern Wirkung. Genau dort, wo der Anwendungsfall klar ist, sehen wir die Wirkung auch. Zum Beispiel durch mehr Transparenz in der Fertigung, bei unseren Kunden durch frühere Anomalieerkennung. Gleichzeitig bleibt die Realität: Der industrielle Einsatz von KI verlangt Datenqualität, Vertrauen und Investitionsbereitschaft. Das geht nicht von heute auf morgen. Aber die Richtung stimmt: KI wird dann stark, wenn sie konkrete Probleme besser löst als bisher.“

Allerdings sind längst nicht alle Unternehmen so weit wie der hessische Ventiltechnikspezialist Samson. Vielleicht erklärt sich die im Vergleich zur globalen PwC-Studie optimistischere Rückmeldung der DACH-Führungskräfte-Studie auch mit unterschiedlichen Erfahrungszeiträumen. Sprich: Viele DACH-Führungskräfte nutzen erst seit relativ kurzer Zeit KI intensiver. In dieser Einstiegsphase wird KI häufig für Texte und Recherche genutzt. „Der Mehrwert scheint für den Einzelnen groß“, sagt Kirsten Bremke, Daten- und KI-Spezialistin bei der Deutschen Bank. „Die Zeit für die Erstellung eines Texts sinkt auf wenige Minuten. Doch für die Produktivität ist der gesamte Prozess entscheidend.“ Wenn der schnell generierte Vertriebstext bei der Qualitätsprüfung mehr Arbeit macht als zuvor, kann die Gesamtproduktivität sinken.

Kirsten Bremke,
Deutsche Bank

Die Erfahrungen in einzelnen, überschaubaren Einsatzbereichen, in denen der Produktivitätszuwachs sehr deutlich erscheint, können daher nicht auf die Gesamtebene eines Unternehmens übertragen werden. Dadurch ist der makroökonomische Effekt bislang weniger sichtbar als erwartet. Bremke berichtet: „Wir haben in der Deutschen Bank in den vergangenen Jahren zahlreiche fokussierte KI-Projekte erfolgreich umgesetzt – der nächste Schritt besteht darin, diese Erfolge auf Gesamtprozesse zu skalieren.“

In der nächsten Phase konzentriert sich der KI-Einsatz daher weniger auf punktuelle Anwendungsfälle, sondern auf drei bis fünf „große“ Gesamtprozesse. „Systematisch schauen wir, wie der Prozess von Anfang bis Ende mit KI produktiver werden kann.“ Das kann auch heißen, dass bestehende Prozesse umgebaut werden müssen. Bremke nennt ein aus der Fachliteratur bekanntes Versicherungs-Beispiel: „Vorher war der Prozess nach einem Fahrzeugschaden: Schadensmeldung – Kostenvoranschlag – Prüfen des Kostenvoranschlags – Genehmigung und schließlich Reparatur. Die KI könnte da Teile automatisieren, aber müsste dabei wahrscheinlich wieder von Menschen geprüft werden. Wird der Prozess hingegen umgestellt, dass es nur noch einen Pool von Werkstätten gibt, die genutzt werden dürfen, entfällt die Notwendigkeit zum Kostenvoranschlag und der Einzelprüfung. Stattdessen wird der Pool fortwährend überwacht und auf Ausreißer geprüft. Wenn dann eine Werkstatt auffällt, wird sie aus dem Pool genommen. Unterm Strich spart das Kosten und die KI kann viel produktiver eingesetzt werden.“

Dass dabei die Prozesse und Ergebnisse genau geprüft werden sollten, hat der US-Autobauer Ford erfahren: In der Annahme, dass KI die Qualitätssicherung in der Produktion deutlich effizienter übernehmen könne, hatte Ford Fachkräfte entlassen und dafür 900 KI-gestützte Kameras eingesetzt. Mittlerweile sind aber wieder mehr als 300 „Veteranen“-Qualitätsprüfer zurückgeholt worden.

Auch ein großes europäisches Fintech hat erkannt, dass die Kürzung des Personalbestands um rund ein Drittel offenbar vorschnell war. KI-Chatbots im Kundenservice könnten 700 Mitarbeiter ersetzen, vermeldete das Fintech – das jetzt wieder menschliche Kundenbetreuer einstellt. Wer die Ergebnisse der PwC-Befragung 2025 und 2026 miteinander vergleicht, sieht auch dort: Manche Erwartung an KI-Produktivitätsgewinne hat sich offenbar nicht erfüllt. 2025 hatten noch 32 Prozent von Umsatzsteigerungen und 34 Prozent von Kostensenkungen berichtet. 2026 waren es nur noch 29 Prozent bzw. 26 Prozent.

Ford erklärt die Rückholaktion der erfahrenen Fachkräfte so: „Es war ein Fehler zu denken, dass wir allein durch die Einführung von KI und die Hinterlegung unserer Designvorgaben ein Produkt von hoher Qualität würden produzieren können.“ Und das Fintech resümiert, dass das Unternehmen zu sehr auf Kosteneinsparungen und zu wenig auf den Wert menschlicher Interaktion im Kundenservice geachtet habe.

Beide Unternehmen wenden sich damit aber keinesfalls von KI ab, im Gegenteil. Denn es gibt gute Gründe für die Annahme, dass in den Folgejahren die KI-bedingten Produktivitätszuwächse deutlich steigen werden. Im Kern sind es zwei: Erstens lernen die Unternehmen aus ihren Erfahrungen, wo sie KI einsetzen und welche menschliche Komponente weiterhin unverzichtbar ist. Damit vermeiden sie auch teure Fehlinvestitionen in Bereiche, die (noch) nicht geeignet sind. Und zweitens werden die KI-Modelle und ihre Umgebung noch immer deutlich besser.

Bisherige Erfahrungen mit dem KI-Einsatz zeigen, dass bei einem hohen Anteil an standardisierbarer Sprach-, Such-, Programmier- oder Dokumentationsarbeit messbare Produktivitätsgewinne zu sehen sind. Statt Mitarbeiter „einfach mal KI ausprobieren“ zu lassen, haben sich komplementäre Investitionen in aktuelle Software und Daten sowie Trainings als effizienzsteigernd erwiesen. Frühe Studien haben zudem gezeigt, dass KI vor allem dabei hilft, die Produktivität durchschnittlicher oder unterdurchschnittlicher Mitarbeiter anzuheben; Spitzenarbeitskräfte hingegen haben nur einen geringeren Nutzen. Das macht sich vor allem dort bemerkbar, wo es auf eng begrenzte Prozesse und definierte Workflows ankommt wie im Sales Research, beim Entwurf von Verträgen oder bei einer regelbasierten Analyse (mehr dazu auch im Kasten „4 Tipps für den produktiveren KI-Einsatz im Unternehmen“).

Die Anbieter der führenden KI-Sprachmodelle wie Anthropic oder OpenAI haben die Schwierigkeiten bei der Produktivitätsverbesserung erkannt. Darum arbeiten sie zum einen an einer fortlaufenden Verbesserung der Modellfähigkeiten wie größeren Kontextfenstern oder zuverlässigerer Befolgung der Prompt-Anweisungen. Auch werden die „Agenten“ der Modelle selbstständiger und können komplexere Aufgaben allein abarbeiten. Aber sie schneidern die Modelle auch auf unterschiedliche Bedarfe zu. Anwendungen wie „Deep Research“, „Designer“ oder „Code“, spezialisierte Modelle für den Medizinbereich oder mehr Anbindungen von externen Applikationen adressieren ausgewählte Einsatzbereiche.

Zudem unterstützen sie Unternehmen direkt, beispielsweise durch „Forward Deployed Engineers“ (OpenAI), die direkt mit den Anwendern an der Einrichtung und Strukturierung des KI-Einsatzes arbeiten. Anthropic will dabei helfen, geeignete Integrationspartner zu finden, und hat eine neue Enterprise-AI-Services-Gesellschaft angekündigt, die ähnliche Deployment-Unterstützung wie OpenAI anbieten soll.

Wer unter dem Eindruck der ersten KI-Erfahrungen erwartet hatte, dass die neue Schlüsseltechnologie rasch zu einem breiten Produktivitätsschub führt, wird mehr Geduld benötigen. Das ist jedoch nicht ungewöhnlich: In den ersten Jahren der Einführung von Computern war der Gesamteffekt auch sehr überschaubar, erst ein Jahrzehnt später wuchs die Produktivität deutlich.