Zum Hauptinhalt springen

Der strategische Einsatz von KI: Empirische Evidenz zur Effizienzsteigerung

  • Die Wirtschaftsgeschichte kennt nur wenige Innovationen, die in der Lage sind, die kognitive Leistungsfähigkeit ganzer Organisationen nahezu in Echtzeit zu skalieren.

  • Zur Produktivitätswirkung generativer KI liegen seit 2023 kontrollierte Experimente vor. Sie zeigen deutliche Effekte – und ebenso deutlich, wo diese Effekte enden. Die akademische und wirtschaftliche Debatte um Künstliche Intelligenz (KI) wird häufig ohne Bezug auf belastbare Daten geführt. Dieser Beitrag stützt sich deshalb auf publizierte Studien und Erhebungen. Der Einsatz von KI-Mitteln ist dabei kein Selbstzweck: Die vorliegenden Befunde zeigen Produktivitätsgewinne bei klar umrissenen Aufgaben, während die Fehleranfälligkeit zunimmt, sobald eine Aufgabe außerhalb des Kompetenzbereichs der Modelle liegt. Für die Geschäftsführung stellt sich damit zuerst die Frage, welche Arbeitsschritte überhaupt in Betracht kommen, und erst danach die nach dem weiteren Weg der Digitalisierung.

    Gemessene Effekte auf die Wissensarbeit

    Belastbare Aussagen zur Wirkung von KI-Tools stammen bislang aus wenigen kontrollierten Experimenten. Zwei davon sind für die Wissensarbeit einschlägig. In einem vorab registrierten Online-Experiment bearbeiteten 453 Berufstätige mit Hochschulabschluss berufsspezifische Schreibaufgaben mittlerer Komplexität (Noy & Zhang, 2023, Science 381(6654), 187–192). Die Gruppe mit Zugang zu einem Sprachmodell benötigte im Mittel 40 Prozent weniger Zeit, die Ergebnisqualität lag 18 Prozent höher. Zugleich nahm die Ungleichheit zwischen den Teilnehmenden ab — die Effizienzsteigerung verteilte sich also nicht gleichmäßig. Gemessen wurde damit die Bearbeitung einzelner, klar abgegrenzter Schreibaufgaben in einem kontrollierten Experiment, nicht die Produktivität einer Organisation über ein Geschäftsjahr.

    Die unscharfe technologische Grenze

    Wie ungleichmäßig dieser Nutzen ausfällt, zeigt ein vorab registriertes Feldexperiment, das Forschende mehrerer Hochschulen gemeinsam mit der Unternehmensberatung Boston Consulting Group durchgeführt haben; aus ihm stammt das Konzept der "jagged technological frontier" — der zackigen technologischen Grenze (Dell'Acqua et al., 2026). 758 Wissensarbeiter bearbeiteten dabei zwei Arten von Aufgaben. Bei 18 Aufgaben innerhalb dessen, was das Modell beherrscht, erledigte die Gruppe mit Zugang zu Künstlicher Intelligenz 12,2 Prozent mehr Aufgaben und arbeitete 25,1 Prozent schneller. Bei einer Aufgabe, die bewusst außerhalb dieses Bereichs lag, kehrte sich der Befund um: Dieselbe Gruppe kam 19 Prozent seltener zur richtigen Lösung als die Vergleichsgruppe ohne KI. Die Grenze verläuft nicht weich, sondern zackig — zwei Aufgaben von scheinbar gleicher Schwierigkeit können auf verschiedenen Seiten liegen. Für das strategische Management bedeutet dies: Die unternehmensweite Implementierung von KI-Tools erfordert ein präzises Wissen darüber, für welche spezifischen Use Cases die Technologie echten Mehrwert bietet.

    Verbreitung: globale Kennzahlen und deutsche Daten

    Wie weit der Einsatz von KI in Unternehmen fortgeschritten ist, dokumentiert der jährlich erscheinende AI Index Report des Institute for Human-Centered Artificial Intelligence der Stanford University (Stanford University, 2023). Der Report ist ein Datenkompendium: Er trägt Kennzahlen zu Verbreitung, Investitionen und technischer Leistungsfähigkeit zusammen, untersucht aber nicht, unter welchen Bedingungen aus dem Einsatz ein Produktivitätsgewinn wird. Dieser Frage gehen die beiden zuvor genannten Experimente nach, und ihre Befunde fallen unterschiedlich aus: Bei Noy und Zhang bezog sich der gemessene Zeitgewinn auf abgegrenzte, berufstypische Schreibaufgaben; im Feldexperiment der Harvard Business School schnitten die Teilnehmenden mit KI-Unterstützung dort schlechter ab, wo die Aufgabe außerhalb des Kompetenzbereichs des Systems lag. Für die Digitalisierung im Mittelstand folgt daraus vor allem eine Anforderung an die Menschen, die über den Einsatz entscheiden: Sie brauchen ein belastbares Bild davon, welche Aufgaben ein System zuverlässig übernimmt und welche nicht. Dieses Bild entsteht nicht mit dem Kauf einer Lizenz.

    Fazit: Wissenschaftliche Einordnung

    Die vorliegende Evidenz ist belastbar, aber schmal: Sie stammt aus kontrollierten Experimenten mit abgegrenzten Schreib- und Analyseaufgaben, nicht aus Bilanzen. Sie ist zudem an einer engen Gruppe gewonnen worden — Berufstätige mit Hochschulabschluss bei Noy und Zhang, Beraterinnen und Berater einer internationalen Unternehmensberatung im Feldexperiment. Für Handwerk, Bau, Steuerberatung und Sozialwirtschaft in Deutschland ist uns keine vergleichbare kontrollierte Wirkungsmessung bekannt; es gibt für diese Branchen Zahlen zur Verbreitung, nicht zum Effekt. Die Übertragung der oben genannten Prozentwerte auf einen Zwickauer Bau- oder Handwerksbetrieb ist deshalb eine Annahme, keine Messung — in unseren Projekten prüfen wir sie Arbeitsschritt für Arbeitsschritt am konkreten Fall nach. Innerhalb dieses Rahmens sind die Effekte deutlich — in beide Richtungen. Wer in KI-Mittel investiert, sollte deshalb weniger in Werkzeugen als in Aufgaben denken: Welche Arbeitsschritte im eigenen Haus ähneln denen, für die eine Wirkung gemessen wurde, und welche liegen erkennbar jenseits dieser Grenze? Wer diese Frage vor der Beschaffung beantwortet, hat den größeren Teil der Arbeit hinter sich.

    Quellenverzeichnis

    Über den Autor

    Prof. Dr. rer. nat. Mike Espig

    Professor für Mathematik und angewandte Künstliche Intelligenz in der Industrie an der Westsächsischen Hochschule Zwickau · Gründungsleiter der Data Science Research Group · Geschäftsführer der E&O Gesellschaft für Integrierte KI-Systeme mbH

    Zuvor Max-Planck-Institut für Mathematik in den Naturwissenschaften und RWTH Aachen. Arbeitsschwerpunkte: numerische Verfahren für hochdimensionale Probleme, Tensormethoden und der Einsatz von Sprachmodellen in mittelständischen Unternehmen.