Wo KI sich lohnt – und wo sie nur beschäftigt

Künstliche Intelligenz spart Zeit. Dieser Satz gehört inzwischen fast zur Grundausstattung jeder Digitalisierungspräsentation. Ein Modell schreibt in Sekunden einen Text, durchsucht Unterlagen, schlägt Programmcode vor oder fasst ein Protokoll zusammen. Also muss die Arbeit schneller werden.

Muss sie nicht.

Eine der interessanteren Produktivitätsstudien der vergangenen Jahre stammt von der Forschungsorganisation METR. 16 erfahrene Open-Source-Entwickler bearbeiteten 246 reale Aufgaben in Softwareprojekten, mit denen sie im Durchschnitt seit rund fünf Jahren vertraut waren. Die Entwickler durften bei einem Teil der Aufgaben moderne KI-Werkzeuge einsetzen, bei den anderen nicht. Vorher erwarteten sie, mit KI ungefähr 24 Prozent schneller zu sein. Am Ende brauchten sie mit KI 19 Prozent länger.

Noch bemerkenswerter war etwas anderes: Nach dem Experiment glaubten die Entwickler weiterhin, die KI habe sie um rund 20 Prozent beschleunigt. Gefühlte und gemessene Produktivität liefen also in entgegengesetzte Richtungen. METR weist selbst darauf hin, dass daraus keine allgemeine Aussage über Softwareentwicklung oder KI gezogen werden darf. Untersucht wurde eine besondere Gruppe: erfahrene Entwickler, die ihre eigenen, komplexen Projekte sehr gut kannten.

Die Entwickler hatten einen Vorteil gegenüber der Maschine: Sie kannten den Kontext bereits. Sie wussten, warum bestimmte Dinge im Code so gebaut waren, welche Abhängigkeiten existierten und an welchen Stellen eine scheinbar elegante Änderung später Ärger machen würde. Die KI musste sich diesen Kontext erst erarbeiten. Ihre Vorschläge mussten gelesen, eingeordnet und teilweise verworfen werden. Aus dem Assistenten wurde damit ein zusätzlicher Gesprächspartner, dem man zunächst einmal erklären musste, worum es überhaupt geht.

Man kann natürlich von Köln-Deutz über Düsseldorf zum Kölner Dom fahren. Man kommt irgendwann an. Nur als Abkürzung sollte man es nicht verkaufen.

Am anderen Ende der Arbeitswelt zeigt sich ein verwandtes Problem. Eine 2026 veröffentlichte, bislang noch nicht peer-reviewte Forschungsarbeit von Sunny Yu, Myra Cheng, Dan Jurafsky und weiteren Autoren untersuchte in drei vorregistrierten Studien mit insgesamt 2.691 Teilnehmern den Einsatz von KI bei einfachen Aufgaben. Die Teilnehmer griffen häufig zum Assistenten, obwohl damit kein nennenswerter Zeit- oder Aufwandsgewinn verbunden war. Gleichzeitig überschätzten sie den Nutzen ihrer KI-Nutzung.

Das ist im Büro nicht schwer nachzustellen. Eine kurze Antwort an einen Kollegen wäre nach drei Sätzen erledigt. Stattdessen wird ChatGPT geöffnet, die Situation erklärt, ein Tonfall vorgegeben, eine Antwort erzeugt, anschließend heißt es „etwas natürlicher“, danach „weniger förmlich“ und irgendwann schreibt man den Satz doch selbst.

Die KI war dabei sehr beschäftigt. Der Mitarbeiter allerdings auch.

Daraus lässt sich trotzdem nicht die gemütliche Regel ableiten, man solle einfache Arbeiten selbst machen und anspruchsvolle Arbeiten an KI geben. Gerade die Forschung spricht dagegen. Eine der größten Feldstudien zum Thema stammt von Erik Brynjolfsson, Danielle Li und Lindsey Raymond. Untersucht wurden 5.172 Mitarbeiter im Kundendienst eines großen Softwareunternehmens. Ein generativer KI-Assistent gab während laufender Kundengespräche Antwort- und Lösungsvorschläge. Die Produktivität, gemessen an erfolgreich gelösten Fällen pro Stunde, stieg im Durchschnitt um 15 Prozent. Besonders stark profitierten weniger erfahrene und leistungsschwächere Mitarbeiter. Die erfahrensten Mitarbeiter gewannen deutlich weniger. Das ist für mittelständische Unternehmen vermutlich interessanter als die Frage, welches Sprachmodell gerade irgendeinen Benchmark gewonnen hat.

Stellen wir uns einen technischen Innendienst vor. Ein Mitarbeiter arbeitet dort seit zwölf Jahren. Wenn Kunde Müller zum dritten Mal mit derselben Fehlermeldung anruft, braucht dieser Mitarbeiter keine künstliche Intelligenz. Er kennt Fehlerbild, Anlage und Lösung wahrscheinlich schon, bevor Herr Müller ausgesprochen hat. Eine neue Kollegin kennt den Fall dagegen nicht. Sie muss möglicherweise das Ticketsystem durchsuchen, alte Serviceberichte lesen und einen Kollegen fragen. Wenn ein Assistent ihr in wenigen Sekunden die drei ähnlichen früheren Fälle, die relevante Passage aus der technischen Dokumentation und einen Vorschlag für die Antwort liefert, sieht die Rechnung völlig anders aus. Interessanterweise fanden Brynjolfsson und seine Kollegen besonders große Vorteile nicht bei den häufigsten und auch nicht bei den exotischsten Fällen.

Der Nutzen war bei mäßig seltenen Problemen besonders hoch.

Bei alltäglichen Fällen hatten die Mitarbeiter selbst genügend Erfahrung. Bei extrem seltenen Fällen fehlten auch der KI ausreichende brauchbare Beispiele. Dazwischen lag ein Bereich, in dem maschinell zugängliches Erfahrungswissen besonders wertvoll wurde. Das lässt sich auf viele Unternehmen übertragen.

Ein Vertriebsmitarbeiter, der seit zehn Jahren denselben Markt betreut, braucht möglicherweise keine KI, um einem Stammkunden drei bekannte Produkte zu erklären. Muss ein neuer Kollege dagegen vor einem Termin zwanzig frühere Gesprächsnotizen, Produktinformationen und zwei Marktberichte sichten, kann ein guter Assistent einen erheblichen Teil der Such- und Strukturierungsarbeit übernehmen.

Ähnlich ist es bei umfangreichen Dokumenten. Wer eine sechsseitige Vorlage ohnehin vollständig lesen muss, weil er anschließend persönlich eine weitreichende Entscheidung trifft, gewinnt durch eine Zusammenfassung möglicherweise wenig. Wer aus 80 Seiten Projektunterlagen zunächst die relevanten Stellen zu Lieferterminen, Risiken und offenen Entscheidungen finden muss, hat eine ganz andere Aufgabe. Dort kann KI die erste Sichtung beschleunigen. Der Mensch muss anschließend nicht alles blind glauben, sondern die entscheidenden Fundstellen überprüfen.

Beim Schreiben ist dieser Effekt besonders gut belegt. Shakked Noy und Whitney Zhang ließen 453 akademisch ausgebildete Berufstätige typische berufliche Schreibaufgaben bearbeiten. Wer ChatGPT nutzen durfte, benötigte im Durchschnitt 40 Prozent weniger Zeit. Gleichzeitig bewerteten unabhängige Prüfer die Ergebnisse im Mittel um 18 Prozent besser. Besonders stark profitierten Teilnehmer, die ohne KI schwächer abgeschnitten hatten. Die Studie erschien 2023 in Science.

Für die Praxis heißt das nicht, dass nun jeder Geschäftsführer seine Mails von einer Maschine schreiben lassen sollte.

Die interessantere Anwendung liegt dort, wo der erste Entwurf tatsächlich Arbeit macht.

Ein Mitarbeiter soll aus einem zweistündigen Workshop eine verständliche Zusammenfassung für die Geschäftsführung erstellen. Er verfügt über das Protokoll und die Beschlüsse. Die kreative Meisterleistung besteht nicht darin, jeden Satz von Hand zu tippen. Wertvoll ist, die wichtigen Punkte zu erkennen, Fehler zu bemerken und festzulegen, welche Konsequenzen daraus folgen. Wenn die KI aus dem Material in zwei Minuten einen brauchbaren Rohentwurf erstellt und ein fachkundiger Mitarbeiter ihn in zehn Minuten überprüft, kann das sinnvoll sein.

Anders sieht es aus, wenn derselbe Mitarbeiter der KI erst zwanzig Minuten erklären muss, was im Workshop überhaupt gemeint war, weil das entscheidende Wissen nur in seinem Kopf steckt. Dann beginnt die Sache, sich im Kreis zu drehen.

Auch bei anspruchsvoller Wissensarbeit finden sich deutliche Produktivitätsgewinne.

Für ein Experiment mit Boston Consulting Group wurden 758 Berater mit realitätsnahen Beratungsaufgaben konfrontiert. Bei 18 Aufgaben, die innerhalb der getesteten Fähigkeiten von GPT-4 lagen, erledigten Berater mit KI im Durchschnitt 12,2 Prozent mehr Aufgaben und arbeiteten 25,1 Prozent schneller. Auch die Qualität ihrer Ergebnisse stieg. Die inzwischen in Organization Science veröffentlichte Studie ist gerade deshalb wichtig, weil sie gleichzeitig zeigt, wo diese schöne Geschichte aufhört.

Bei einer anderen, komplexen Managementaufgabe lag die richtige Lösung außerhalb dessen, was das Modell zuverlässig beherrschte. Berater mit KI waren dort 19 Prozentpunkte seltener korrekt als Teilnehmer ohne KI-Unterstützung. Die Forscher beschreiben diese Eigenschaft als „jagged technological frontier“ – eine gezackte technologische Grenze. Aufgaben, die für einen Menschen ähnlich schwierig aussehen, können für ein KI-System völlig unterschiedlich lösbar sein.

Das ist für Unternehmenslenker unangenehm, weil es die einfache Einkaufslösung verhindert. Man kann keine Lizenz erwerben und anschließend festlegen, ab Montag werde die Produktivität in der Verwaltung um 20 Prozent erhöht.

Ein gutes Beispiel ist die Marktanalyse. Soll ein Mitarbeiter aus zehn vorhandenen Wettbewerberprofilen Gemeinsamkeiten herausarbeiten, Varianten strukturieren und daraus einen ersten Überblick erstellen, kann generative KI sehr nützlich sein. Soll dieselbe KI anschließend entscheiden, ob das Unternehmen für zehn Millionen Euro in einen neuen Markt eintritt, ändert sich der Charakter der Arbeit vollständig. Nun müssen Daten belastbar sein, Annahmen geprüft, Unsicherheiten verstanden und wirtschaftliche Konsequenzen verantwortet werden. Ein sprachlich überzeugender Text ist dann kaum noch ein Qualitätsmaßstab.

Ähnlich verhält es sich bei Angeboten. Ein Maschinenbauer besitzt vielleicht hunderte frühere Angebote, technische Beschreibungen und Textbausteine. Einen ersten Entwurf für einen neuen, ähnlichen Kundenfall daraus zusammenzustellen, kann ein guter KI-Assistent erheblich beschleunigen. Preise, Lieferzusagen, technische Garantien oder verbindliche Vertragsaussagen einfach übernehmen zu lassen, wäre eine ganz andere Liga. Dort wird aus dem Schreibassistenten schnell ein Risiko mit hübscher Grammatik.

Auch im Personalbereich findet sich diese Grenze. Eine Stellenanzeige aus einem freigegebenen Rollenprofil zu formulieren, Varianten für unterschiedliche Kanäle zu erstellen oder umfangreiche Bewerbungsunterlagen für eine menschliche Sichtung vorzustrukturieren, sind grundsätzlich denkbare Assistenzaufgaben. Eine automatisierte Entscheidung darüber, welcher Mensch eingestellt, befördert oder aussortiert wird, ist fachlich, rechtlich und hinsichtlich der Verantwortung eine völlig andere Frage. Geschwindigkeit allein sagt darüber nichts Sinnvolles aus.

Ein ähnlicher Unterschied besteht in der Recherche. „Finde in diesen 40 freigegebenen Dokumenten alle Stellen, an denen Projekt X erwähnt wird“ ist eine andere Aufgabe als „Sag mir, ob Projekt X wirtschaftlich sinnvoll ist“. Im ersten Fall nimmt die KI Sucharbeit ab. Im zweiten muss jemand beurteilen, was die gefundenen Informationen bedeuten.

Eine brauchbare Faustregel ergibt sich trotzdem: KI ist häufig besonders attraktiv, wenn der erste brauchbare Entwurf teuer und seine Kontrolle billig ist.

Sie wird fragwürdiger, wenn die ursprüngliche Aufgabe ohnehin schnell erledigt wäre oder wenn die Kontrolle fast genauso viel Arbeit verlangt wie das Selbermachen.

Ganz stabil ist auch diese Regel nicht. Die Systeme verändern sich schnell. METR hat im Februar 2026 ausdrücklich darauf hingewiesen, dass die eigene Entwicklerstudie den Stand von Anfang 2025 abbildet. In einer später begonnenen Untersuchung deuteten die Rohdaten eher auf Zeitgewinne mit neueren KI-Werkzeugen hin. Wegen erheblicher Auswahlverzerrungen hält METR diese neuen Zahlen allerdings selbst nicht für eine belastbare Effektschätzung. Die Forscher vermuten dennoch, dass Entwickler Anfang 2026 stärker von KI profitierten als ein Jahr zuvor.

Die Gegenposition zum ganzen Artikel ist also ernst zu nehmen: Ein Teil der heutigen Produktivitätsprobleme dürfte verschwinden, weil Modelle besser werden, mehr Kontext verarbeiten und sich geschickter in Software integrieren lassen.

Nur verschwindet damit die betriebswirtschaftliche Frage nicht. Auch ein besseres Modell benötigt Informationen, Zugriffsrechte, eine geeignete Aufgabe und irgendwann einen Menschen, der beurteilen kann, ob das Ergebnis brauchbar ist. Die Grenze verschiebt sich. Sie löst sich nicht einfach auf.

Wer KI im Unternehmen wirtschaftlich einsetzen möchte, sollte weniger darüber nachdenken, welcher Mitarbeiter noch keinen Zugang hat. Interessanter ist, wo heute tatsächlich Arbeitszeit verloren geht.

Vielleicht sitzt jemand jede Woche zwei Stunden daran, aus fünf Besprechungsprotokollen einen Projektstatus zu erstellen. Vielleicht sucht der Service regelmäßig in alten Tickets nach bekannten Fehlerbildern. Vielleicht erstellt der Vertrieb immer wieder ähnliche Angebotsentwürfe. Vielleicht müssen Mitarbeiter umfangreiche technische Dokumentationen durchsuchen, bevor sie eine einzige relevante Passage finden. Vielleicht braucht eine neue Kollegin Monate, bis sie das Erfahrungswissen ihrer älteren Kollegen einigermaßen überblickt. Das sind gute Stellen, um genauer hinzusehen. Eine Dreizeilen-Mail, die man selbst schon im Kopf hat, eher nicht.

Der Maßstab ist erstaunlich altmodisch: Man misst die Zeit vorher und die Zeit nachher. Und zwar die ganze Zeit – inklusive Prompten, Suchen, Lesen, Prüfen und Korrigieren. Dann schaut man zusätzlich auf die Qualität.

Ist die Arbeit danach schneller und mindestens genauso gut, hat das Unternehmen einen interessanten KI-Anwendungsfall gefunden. Dauert sie länger, darf man die KI auch wieder weglassen. Das ist keine technologische Niederlage. Es ist Betriebswirtschaft. Und gelegentlich sogar gesunder Menschenverstand.

Im Rheinland gibt es dafür eine etwas kürzere Fassung: Wat nix bringt, dat muss auch nicht.

Quellen

METR / Becker, Rush, Barnes & Rein: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 10. Juli 2025. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

Yu, Cheng, Jabbar, Sucholutsky, Collins, Jurafsky & Hawkins: The efficiency-gain illusion, Mai 2026. Preprint, Stand 27. August 2026 noch nicht peer-reviewed. https://arxiv.org/abs/2605.22687

Brynjolfsson, Li & Raymond: Generative AI at Work, The Quarterly Journal of Economics, 2025. https://doi.org/10.1093/qje/qjae044

Noy & Zhang: Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence, Science, 2023. https://doi.org/10.1126/science.adh2586

Dell’Acqua et al.: Navigating the Jagged Technological Frontier, Organization Science, 2026. https://doi.org/10.1287/orsc.2025.21838

METR: We are Changing our Developer Productivity Experiment Design, 24. Februar 2026. https://metr.org/blog/2026-02-24-uplift-update/

Quellen geprüft am 27. August 2026.

Ein Fachbeitrag von Mike Winter | Gründer von Off Sence AI