TL;DR? Warum sie trotzdem weiterlesen sollten
Wer eine KI-Lizenz kauft und drei Monate später mehr Produktivität erwartet, rechnet mit einem Muster, das es historisch praktisch nie gegeben hat. Jede vergleichbare Basistechnologie, von der Dampfmaschine bis zum ERP-System, hat Unternehmen zuerst teurer und langsamer gemacht, bevor sie einen Nutzen brachte. Der Beitrag zeigt, warum dieser Einbruch kein Fehlersignal ist, sondern ein Messproblem mit realer wirtschaftlicher Ursache, und warum aktuelle Daten zu KI exakt dasselbe Muster zeigen. Entscheidend ist am Ende nicht, ob ein Unternehmen KI einführt. Entscheidend ist, was es sonst noch verändert.
Versagensgefühl als Normalität der Transformation
Die Rechnung klingt einfach. Lizenz kaufen, Team schult sich selbst über ein Wochenende ein, Produktivität steigt, Kosten sinken. Nach dieser Logik kalkulieren aktuell viele Mittelständler ihre KI-Budgets.
Die Rechnung hat einen Namen in der Wirtschaftsgeschichte. Und eine lange Reihe von Belegen dafür, dass sie fast nie aufgeht.
Häufige Fragen in diesem Kontext finden sie am Ende des Artikels
Beispiel Computereinführung
1987 brachte es der Ökonom Robert Solow auf den Punkt, als er über die Computerrevolution der 1970er und 1980er Jahre sprach:
„You can see the computer age everywhere but in the productivity statistics.“
Sinngemäß: Man sehe das Computerzeitalter überall, nur nicht in der Produktivitätsstatistik.
Die US-Rechenleistung hatte sich in diesen zwei Jahrzehnten verhundertfacht.
Das Produktivitätswachstum fiel im selben Zeitraum von über drei Prozent auf rund ein Prozent. Bekannt wurde das als Solow-Paradox.
Wer heute KI einführt und nach wenigen Monaten enttäuscht ist, steht in derselben Falle wie die Unternehmen der 1980er Jahre. Nur merkt er es noch nicht.
Was bremst die schnelle Wirkung?
Die spannendere Frage ist nicht, ob KI Unternehmen produktiver macht. Die Antwort darauf ist im Prinzip ja, das zeigen inzwischen mehrere belastbare Studien. Die eigentliche Frage lautet: Warum wirkt sie fast nie sofort, und was genau unterscheidet die wenigen Unternehmen, bei denen der Effekt am Ende ankommt, von der großen Mehrheit, bei der er ausbleibt?
Diese Unterscheidung entscheidet gerade jetzt über KI-Budgets im Mittelstand. Nicht die Frage, ob man einsteigt.
Die überraschende Gesetzmäßigkeit der J-Kurve
2018 gaben die Ökonomen Erik Brynjolfsson, Daniel Rock und Chad Syverson dem Muster einen Namen: die Productivity J-Curve.
Ihre These, inzwischen vielfach zitiert und bestätigt: Allgemeine Basistechnologien wie KI erfordern erhebliche begleitende Investitionen, etwa in neue Prozesse, neue Produkte, neue Geschäftsmodelle und neues Wissen im Team.
Diese Investitionen sind größtenteils immateriell. Offizielle Statistiken erfassen sie kaum, obwohl sie echten Wert schaffen.
Daraus folgt ein Muster, das sich mathematisch nachvollziehen lässt.
In den frühen Jahren einer neuen Basistechnologie fließen Kapital und Arbeitskraft in den Aufbau unsichtbarer Vermögenswerte, statt sofort messbaren Output zu erzeugen.
Das Produktivitätswachstum wird deshalb systematisch unterschätzt. Erst später, wenn diese Investitionen Ertrag bringen, zeigt sich der eigentliche Effekt, und er wird dann tendenziell überschätzt, weil die frühere Unterinvestition nachträglich kompensiert wird.
Der Verlauf dieser Fehlmessung über die Zeit ergibt grafisch ein J. Erst runter, dann deutlich rauf.
Am Beispiel Dampfmaschine zu Elektromotor
Der elektrische Motor war ab den 1880er Jahren kommerziell verfügbar.
Um 1900 bestand kein ernsthafter Zweifel mehr an seinem technischen Nutzen.
Trotzdem lieferten Elektromotoren im Jahr 1899 weniger als fünf Prozent der mechanischen Antriebsleistung in US-Fabriken.
Spürbare Produktivitätsgewinne aus der Elektrifizierung stellten sich erst in den 1920er Jahren ein.
Vier Jahrzehnte nach den ersten Kraftwerken!
Der Grund war kein technisches Versagen. Es war organisatorische Trägheit.
Frühe Fabriken bauten Elektromotoren einfach in bestehende Antriebssysteme aus Riemen und Transmissionswellen ein und ersetzten damit lediglich die Dampfmaschine an derselben Stelle im selben Gebäude. Fachleute nennen das „group drive“.
Das Ergebnis war ein Hybrid, der die neue Technologie nicht ausschöpfen konnte und auf dem Papier sogar schlechter aussah, weil nun zwei überlappende Systeme finanziert werden mussten. [Dazu auch mein Blogbeitrag KI sollte doch Kosten senken. Warum das bislang fast nirgendwo klappt. Und wie man das ändern kann.]
Der eigentliche Schub kam erst, als Fabriken von Grund auf neu gebaut wurden, um das Prinzip des „unit drive“ herum: ein Motor pro Maschine, eingeschossige Hallen, keine Deckenwellen mehr, flexibel umstellbare Fertigungslinien. Die Gewinne waren architektonischer Natur. Nicht additiver.
Wichtig ist dabei, was dieser Umbau nicht war. Unit Drive war kein Umbau des gesamten Unternehmens. Buchhaltung, Vertrieb und Führungsstruktur blieben davon zunächst unberührt.
Neu gedacht wurde exakt die Domäne, in der die Technologie tatsächlich wirkte: die Fabrikhalle.
Genau diese Unterscheidung, tiefe Neugestaltung dort, wo die Technologie operativ eingreift, statt Totalumbau der ganzen Organisation, stellt sich heute erneut, wenn Unternehmen über Operating Models für KI-Agenten diskutieren.
Und bei KI?
Wer heute ein Sprachmodell in einen unveränderten Freigabeprozess einbaut, betreibt group drive. Nur eben mit KI statt mit Elektromotor.
Dieses Muster ist kein Einzelfall. Dampfkraft in Großbritannien, Elektrizität in den USA, Informations- und Kommunikationstechnologie ab den 1970ern: in allen drei Fällen liegt eine lange Verzögerung zwischen Erfindung und substanziellem Produktivitätswachstum.
Warum schon wieder?
Wenn das Muster so gut dokumentiert ist, warum wiederholt es sich dann bei jeder neuen Technologie? Die Antwort liegt weniger in Unwissenheit als in Wettbewerbsdruck. Wer wartet, bis der Nutzen belegt ist, riskiert, dass Wettbewerber die immateriellen Investitionen, Prozessumbau, Datenaufbau, Kompetenzaufbau, bereits abgeschlossen haben, wenn der eigene Einstieg beginnt. Frühes Handeln ist deshalb wirtschaftlich rational, auch wenn es kurzfristig die eigene Produktivitätskennzahl verschlechtert.
Genau das macht KI-Marketing so wirksam. Es verspricht nicht nur Funktion, es verspricht Zeitgewinn gegenüber der eigenen Unsicherheit. Die Botschaft „sofort einsatzbereit“ trifft auf einen echten wirtschaftlichen Nerv, auch wenn sie das eigentliche Kostenmuster verschleiert.
Fallstudien BPR (negativ) und ERP (positiv)
So nicht:
In den frühen 1990er Jahren erlebte Business Process Reengineering einen Boom als radikale Methode zur Prozessneugestaltung. Bis 1994 hatte sich darum eine Beratungsbranche mit 50 Milliarden US-Dollar Umsatz gebildet.
Mehrere Studien kamen zu einem harten Befund: 70 Prozent oder mehr der Reengineering-Initiativen machten die Lage tatsächlich schlechter. Verwirrung, Verzögerung, Verbitterung, Fehler.
Der zentrale Fehler war fast immer derselbe. BPR wurde primär als Kostensenkungs- und Personalabbauprogramm eingesetzt, nicht als echte Arbeitsneugestaltung.
Reengineering wurde zum Synonym für Downsizing statt für Verbesserung.
Sobald Beschäftigte eine Technologieeinführung als getarntes Sparprogramm gegen sich selbst erleben, wird aus Veränderungsbereitschaft Widerstand.
Das ist keine historische Randnotiz. Es ist der wahrscheinlichste Grund, warum ein KI-Projekt intern sabotiert wird, ohne dass irgendjemand offen Nein sagt.
Besser so:
Bei ERP-Einführungen zeigt die Forschung die Gegenlehre. Beteiligung aller relevanten Interessengruppen gehört zu den am häufigsten genannten Erfolgsfaktoren von ERP-Projekten überhaupt.
Nutzerbeteiligung wird in der Forschung mit höherer Verantwortungsübernahme, stärkerem Commitment und geringerem Widerstand gegen die Veränderung in Verbindung gebracht.
Eine Fallstudie zeigt konkret, wie sich das operationalisieren lässt: durch gezielte Brainstorming-Sitzungen, in denen künftige Nutzer die Einführung mitgestalten, statt sie nur zu erdulden.
Eine österreichische Untersuchung zur Digitalisierung im Mittelstand bestätigt, dass Ablehnung neuer Systeme häufig aus Unsicherheit, wahrgenommenem Verlust und Schwierigkeiten beim Kompetenzerwerb entsteht, nicht aus grundsätzlicher Technikfeindlichkeit.
Lehren für KI-Einführung
Das Muster wiederholt sich messbar, auch bei KI selbst. Eine Studie zu US-Fertigungsunternehmen fand, dass die KI-Einführung zunächst zu einem messbaren, aber vorübergehenden Leistungsrückgang führt, gefolgt von stärkerem Wachstum bei Output, Umsatz und Beschäftigung. Exakt das J-Kurven-Muster, nur diesmal mit KI statt mit Strom.
Gleichzeitig zeigt eine großangelegte Feldstudie zu generativer KI im Kundenservice, dass die richtige Umsetzung sehr wohl schnelle, reale Gewinne bringen kann.
Zugriff auf KI-Unterstützung steigerte die Produktivität im Schnitt um rund 14 Prozent, wobei weniger erfahrene Beschäftigte am stärksten profitierten.
Der Unterschied zu den gescheiterten BPR-Projekten liegt nicht in der Technologie. Er liegt im Design. KI wurde hier als Assistenzsystem eingeführt, das Erfahrungswissen der besten Beschäftigten für alle verfügbar machte. Nicht als Ersatz für deren Urteilskraft.
McKinseys globale Erhebung liefert die Zahl, die eigentlich in jede Vorstandssitzung zum Thema KI gehört:
88 Prozent der Organisationen setzen KI regelmäßig ein.
Nur rund 6 Prozent erzielen einen signifikanten, unternehmensweiten Ergebniseffekt.
Der Unterschied zwischen diesen wenigen und dem großen Rest ist fast durchgängig organisatorisch, nicht technologisch.
High Performer gestalten Arbeitsabläufe grundlegend neu, statt KI nur auf bestehende Prozesse aufzusetzen. Diese Neugestaltung ist der stärkste Einzelfaktor, der mit messbarem Nutzen korreliert.
Es gibt noch ein drittes Ergebnis, wenn Unternehmen weder scheitern noch wirklich gewinnen. Selbstbedienungskassen im Einzelhandel liefern dafür ein präzises Bild. Eine Interviewstudie mit Kassiererinnen und Kassierern zeigt, wie sich die verbleibende menschliche Rolle veränderte: nicht durch echte Automatisierung, sondern dadurch, dass Arbeit auf unbezahlte, untrainierte Kundschaft verschoben wurde. Die verbleibende Kasse wurde anspruchsvoller, weil einfache Fälle abwanderten. Beschäftigte gerieten in eine gegnerische Rolle gegenüber Kundschaft, während sie gleichzeitig freundlich bleiben mussten.
„Automation doesn’t eliminate human labor“, heißt es bei Data & Society treffend.
Zu Deutsch: Automatisierung eliminiert menschliche Arbeit nicht. Sie verschleiert und entwertet sie.
Die Stelle bleibt. Ihr fachlicher Kern verschwindet. Die Restlast wird unsichtbar auf die verbleibenden Menschen verlagert. Das ist die Blaupause für ausgehöhlte KI-Rollen, die auf dem Papier wie ein Effizienzgewinn aussehen und in Wahrheit nur verschobene Kosten sind. [Siehe dazu KI-Aufsicht als empfundene Degradierung – Wenn KI-Einführung zur Selbstschädigung des Unternehmens wird]
Wie man es besser macht
Wo es besser läuft, folgt die menschliche Aufsicht keiner improvisierten Logik, sondern einer gestuften. Das amerikanische Standardisierungsinstitut NIST empfiehlt für generative KI, Mindestschwellen für Leistung und Risiko festzulegen und diese für Freigabe- und Überwachungsentscheidungen zu nutzen, inklusive klarer Kriterien, wann ein System eskaliert oder abgeschaltet wird. Die EU-Leitlinien für vertrauenswürdige KI unterscheiden entsprechend zwischen Human-in-the-Loop, Human-on-the-Loop und Human-in-Command, je nachdem, wie risikoreich eine Entscheidung ist.
Wie das in der Praxis aussieht, zeigt eine Fallstudie zur Einführung robotergestützter Prozessautomatisierung bei einem deutschen Energiedienstleister. Rund 70 Prozent der Vorgänge wurden vollständig automatisiert abgeschlossen, die übrigen 30 Prozent vorbearbeitet und an Beschäftigte weitergegeben. Bei Ablauf einer definierten Frist eskalierte ein Prozess automatisch per E-Mail an einen menschlichen Bearbeiter, und ein Prozessmanager hatte die ausdrückliche Befugnis, Bots bei zu vielen Fehlern zu stoppen und ihre Anweisungen anzupassen. Kein Modell von der Stange. Eine Struktur, die vorher bewusst entworfen wurde.
Bedeutung für Unternehmen
Für den Mittelstand heißt das zunächst: Ein Produktivitätseinbruch nach der KI-Einführung ist kein Beweis, dass das Projekt falsch war. Er ist der historisch übliche Zwischenstand. Die eigentliche Gefahr liegt woanders, nämlich darin, den Einbruch als Endergebnis zu interpretieren und das Projekt genau dann zu stoppen, wenn die immateriellen Investitionen beginnen sollten, sich auszuzahlen.
Eine zweite, unangenehme Erkenntnis:
Ob der Aufstieg auf der Kurve überhaupt kommt, entscheidet sich nicht an der KI selbst. Er entscheidet sich daran, ob Prozesse tatsächlich neu gedacht werden oder ob die Technik nur zusätzlich zum bisherigen Ablauf läuft.
Wer KI parallel zum alten Prozess betreibt, statt ihn zu ersetzen, hat keine Effizienz gewonnen. Er finanziert zwei Systeme gleichzeitig, das ist exakt die Group-Drive-Falle aus der Elektrifizierung, nur hundert Jahre später.
Und die dritte Erkenntnis betrifft die Kommunikation im eigenen Haus. Wird KI intern vor allem als Sparprogramm erzählt, wiederholt sich mit hoher Wahrscheinlichkeit die BPR-Erfahrung: verdeckter Widerstand, der das Projekt langsamer und teurer macht als jede technische Hürde.
Konkrete Konsequenzen für KI-Entscheider
Aus der historischen Beweiskette lassen sich für die eigene KI-Strategie drei belastbare Unterscheidungen ableiten.
Erstens: Aufgabenbezogene Gewinne, schnellerer Entwurf, bessere Recherche, können sofort entstehen. Prozessbezogene Gewinne brauchen Monate, weil Übergaben, Datenflüsse und Zuständigkeiten sich ändern müssen. Unternehmensweite Gewinne brauchen oft Jahre, weil sie neue Kompetenzen und teilweise neue Angebote voraussetzen. Wer alle drei Zeithorizonte mit derselben Erwartung misst, wird zwangsläufig enttäuscht.
Zweitens: Kostensenkung als Hauptmotiv ist ein verlässliches Frühwarnsignal für Scheitern, nicht nur bei BPR, auch bei KI. Die strategische Erzählung sollte glaubwürdig auf Wertschöpfung und neue Möglichkeiten zielen, sonst wiederholt sich die interne Gegenreaktion in neuem Gewand.
Drittens: Menschliche Aufsicht ist kein Softfaktor, den man später nachrüstet. Sie ist Teil der Prozessarchitektur von Anfang an, mit klaren Schwellen, wann ein System selbstständig arbeitet und wann ein Mensch eingreift. Ohne diese Struktur wird aus „wir haben KI im Griff“ schnell eine Behauptung ohne Substanz.
Handlungsempfehlungen
- Vor dem Start festlegen, welcher Zeithorizont für welchen Effekt realistisch ist, statt einen einzigen ROI-Termin für das gesamte Projekt zu setzen.
- Prüfen, ob ein Prozess durch KI tatsächlich neu gestaltet wird oder ob KI nur zusätzlich zum bestehenden Ablauf läuft.
- Die interne Kommunikation konsequent auf Wertschöpfung statt auf Personalkosten ausrichten.
- Beschäftigte früh in die Gestaltung einbinden, nicht erst informieren, wenn das System bereits läuft.
- Feste Schwellenwerte definieren, ab wann ein KI-Prozess an einen Menschen eskaliert, und diese Regel dokumentieren, nicht nur informell vereinbaren.
Häufige Fragen in diesem Kontext
Warum bringt uns KI bisher nicht den erhofften Nutzen?
Das ist zunächst kein ungewöhnliches Zeichen für eine gescheiterte KI-Einführung. Neue Basistechnologien haben Unternehmen historisch oft zuerst Zeit, Geld und Aufmerksamkeit gekostet, bevor sich ein messbarer wirtschaftlicher Nutzen gezeigt hat. Der Grund ist, dass zunächst in neue Arbeitsweisen, Kompetenzen und Prozesse investiert wird. Erst wenn diese Veränderungen greifen, entstehen die eigentlichen Produktivitätsgewinne.
Machen wir bei der Einführung von KI etwas falsch?
Nicht unbedingt. Häufig liegt das Problem nicht an der KI selbst, sondern daran, dass sie zusätzlich zu bestehenden Arbeitsabläufen eingesetzt wird. Dadurch entstehen vorübergehend parallele Prozesse, mehr Abstimmung und zusätzlicher Aufwand. Der wirtschaftliche Nutzen entsteht meist erst dann, wenn die betroffenen Arbeitsabläufe gezielt neu gestaltet werden, statt die bestehende Organisation lediglich um KI zu ergänzen.
Warum berichten andere Unternehmen von großen KI-Erfolgen, während wir kaum Veränderungen sehen?
Zwischen ersten Verbesserungen bei einzelnen Aufgaben und einem spürbaren Unternehmenserfolg besteht ein großer Unterschied. Dauerhafte Vorteile entstehen vor allem dort, wo Unternehmen Prozesse anpassen, Beschäftigte einbinden und klare Regeln für den Einsatz von KI schaffen. Entscheidend ist deshalb nicht allein die Einführung der Technologie, sondern wie konsequent die Organisation an die neuen Möglichkeiten angepasst wird.
Weitere Beiträge zum Thema
Wenn Sie sich intensiver mit diesem Themenfeld beschäftigen möchten, finden Sie hier weitere Beiträge mit Hintergrund, Einordnung und Praxisbeispielen.