KI am Arbeitsplatz verspricht mehr Effizienz, doch harte Kennzahlen aus Unternehmen zeichnen ein anderes Bild. Aktuelle Studien zeigen, wo KI tatsächlich Zeit spart und wo sie Produktivität und Kompetenz kostet.

Die Datenlage aus der Praxis reicht vom Callcenter über die Softwareentwicklung bis zur Medizin und lässt sich nicht auf eine einzige Formel bringen. Wer die Effekte von KI am Arbeitsplatz verstehen will, muss zuerst klären, was Produktivität überhaupt misst.

Was Produktivität überhaupt bedeutet

Produktivität ist der Quotient aus Output und Input, meist erbrachte Leistung geteilt durch die aufgewendete Arbeitszeit. Wer schneller arbeitet, aber mehr nachbessern muss oder Fehler verschiebt, steigert den Durchsatz, nicht die Produktivität.

KI spart Zeit, die Produktivität bleibt bisher aus

Umfragen zeigen, dass KI-Tools einzelne Arbeitsschritte verkürzen können. Zu einer höheren Gesamtproduktivität führt das aber nicht automatisch. Eine Analyse der «Harvard Business Review» kommt zum Schluss, KI reduziere die Arbeit nicht, sondern verdichte sie. Die gewonnene Zeit verschiebt sich oft in Pausen oder Freizeit. Gemessen am Output bleibt der Effekt gering, gemessen an der Belastung steigt er aber deutlich.

Bei wenig erfahrenen Mitarbeitenden zeigt sich das Gegenteil

Eine Studie von Erik Brynjolfsson, Danielle Li und Lindsey Raymond widerspricht diesem Bild teilweise. Sie werteten 3 Millionen Chats von über 5000 Support-Mitarbeitenden nach Einführung eines KI-Assistenten aus. Die Belegschaft löste im Schnitt 13,8 Prozent mehr Anfragen pro Stunde. Wenig erfahrene Mitarbeitende arbeiteten bis zu 35 Prozent schneller und erreichten nach zwei Monaten dasselbe Niveau wie Kollegen, die sechs Monate Erfahrung hatten. Bei den erfahrensten Mitarbeitenden fiel der Effekt jedoch gering aus, die Qualität nahm teilweise sogar leicht ab.

Erfahrene Fachleute werden messbar schlechter

Bei anspruchsvolleren Aufgaben kippt der Befund. Das Forschungsinstitut METR liess erfahrene Programmierer echte Aufgaben mit und ohne KI-Werkzeug lösen. Mit KI brauchten sie 19 Prozent länger, schätzten sich hinterher aber 20 Prozent schneller ein, als sie tatsächlich waren. Erfahrene Endoskopiker entdeckten nach drei Monaten intensiver KI-Nutzung 20 Prozent weniger Krebsvorstufen bei Darmspiegelungen als zuvor.

Konzerne selbst sprechen von verteiltem Kompetenzverlust

Die Boston Consulting Group befragte Anfang 2026 rund 70 Topführungskräfte und beschreibt ein Phänomen namens «distributed de-skilling». Die Hälfte beobachtet es bereits im eigenen Haus. Eine Erhebung der Beratungsfirma Horváth untermauert den Befund. 74 Prozent der befragten Führungskräfte stimmten der Aussage zu, Mitarbeitende verlernten durch KI-Tools selbstständiges Denken.

Ökonomen: Frühere Technologien brauchten Jahrzehnte

Eine ganz andere Forschungsrichtung relativiert diese Alarmzeichen. Der Ökonom Robert Solow beobachtete schon in den 1980er-Jahren ein Paradox, Computer waren überall sichtbar, nur nicht in der Produktivitätsstatistik. Der Grund lag in der Diffusionszeit neuer Basistechnologien. Die Elektrizität etwa, 1866 erfunden, zeigte sich erst in den 1920er-Jahren in den amerikanischen Produktivitätszahlen. Aus dieser Sicht sind heutige Deskilling-Befunde eine normale Übergangsphase, kein Beweis für dauerhaften Schaden.

Kollektive Verdummung ist die falsche Diagnose

Die Daten ergeben kein Bild pauschaler Verdummung, sondern eines wachsenden Gefälles. Den grössten Produktivitätsgewinn bringt KI dort, wo wenig Erfahrung vorhanden ist. Am meisten schaden kann sie dort, wo Fachleute bereits viel Wissen und Routine mitbringen. Ob sich das mit der Zeit ausgleicht, wie frühere Basistechnologien es taten, bleibt vorerst offen.

Quellen

Stanford HAI – Generative AI at Work (NBER Working Paper), Zusammenfassung

METR – Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity

Boston Consulting Group – When Everyone Uses AI, Companies Risk Losing Critical Skills