Bringt KI etwas? Was die Studien wirklich zeigen.

Zwei Sätze hörst du gerade überall, oft im selben Atemzug.

Der eine: Mit KI hast du 6 bis 12 Monate Vorsprung auf die Konkurrenz.

Der andere: Studien würden zeigen, dass KI unterm Strich gar keine Produktivität bringt.

Beide Aussagen klingen wie gesicherte Fakten, werden fast nie mit einer Quelle unterlegt und sind, so wie sie meistens formuliert werden, schlicht falsch.

Die Zahlen, mit denen KI-Skeptiker gerade jeden Talk dominieren, sind echt. Nur belegen sie etwas völlig anderes, als die meisten glauben.

Es lohnt sich, das einmal sauber auseinanderzunehmen – und zwar nicht aus akademischer Neugier, sondern weil genau an dieser Frage hängt, wie du dein Budget für die nächsten zwölf Monate verteilst. Wer auf Basis eines Zitats entscheidet, das die eigenen Urheber längst zurückgezogen haben, verschenkt bares Geld. Wer dagegen versteht, wo der eigentliche Unterschied liegt, kann gezielt investieren statt planlos Lizenzen zu verteilen.

Was die Skeptiker-Studien tatsächlich gemessen haben

Drei Quellen tauchen in nahezu jeder Diskussion auf, wenn es um angebliche KI-Nullnummern geht.

Da ist zunächst METR, ein randomisiert kontrollierter Versuch aus dem Juli 2025 mit 16 erfahrenen Open-Source-Entwicklern und 246 realen Aufgaben aus Projekten, an denen im Schnitt schon fünf Jahre gearbeitet wurde. Die Entwickler rechneten mit 24 Prozent Zeitersparnis durch KI. Gemessen wurde das Gegenteil: 19 Prozent mehr Zeitbedarf. Danach schätzten dieselben Leute trotzdem, KI habe sie um 20 Prozent beschleunigt.

Dann gibt es die dänische Studie von Humlum und Vestergaard, eine repräsentative Befragung von rund 25.000 Beschäftigten in 7.000 Betrieben, verknüpft mit echten Lohn- und Arbeitszeitdaten. Ergebnis: praktisch kein Effekt auf Einkommen und Arbeitsstunden. Effekte über 2 Prozent lassen sich nach zwei Jahren statistisch ausschließen.

Und schließlich MIT NANDA mit dem Bericht "The GenAI Divide": 95 Prozent der untersuchten Unternehmens-Pilotprojekte zeigten trotz 30 bis 40 Milliarden Dollar Investment keinen messbaren Effekt auf die Gewinn- und Verlustrechnung.

Das sind keine Clickbait-Zahlen, sondern solide Empirie. Trotzdem sagt keine dieser drei Studien das, was ihr in Diskussionen ständig in den Mund gelegt wird.

Der Teil, der selten mitzitiert wird

Hier wird es interessant: METR hat die eigene Zahl inzwischen kassiert. Im Februar 2026 veröffentlichte das Team ein Update, weil in der Folgestudie 30 bis 50 Prozent der eingeladenen Entwickler die Teilnahme verweigerten, mit der Begründung, sie wollten nicht ohne KI arbeiten. Die Stichprobe verzerrte sich damit systematisch in Richtung derer, die am wenigsten profitieren. Für die ursprüngliche Gruppe schätzt METR inzwischen einen Zeitgewinn von 18 Prozent, nicht den ursprünglichen Verlust von 19 Prozent. Wer heute noch die alte Zahl zitiert, zitiert also eine Aussage, die die Autoren selbst widerrufen haben.

Gleichzeitig sind die positiven Studien deutlich größer angelegt. Brynjolfsson, Li und Raymond untersuchten 5.172 Kundenservice-Mitarbeiter und fanden 15 Prozent mehr gelöste Fälle pro Stunde. Noy und Zhang maßen in Science 40 Prozent weniger Zeitbedarf bei professionellen Schreibaufgaben. Und die aktuellste Feldstudie von Daniotti und Kollegen, veröffentlicht Anfang 2026 in Science, wertete über 30 Millionen GitHub-Commits von 160.000 Entwicklern aus. KI schreibt demnach geschätzt 29 Prozent der Python-Funktionen in den USA, der Quartalsoutput stieg dadurch um 3,6 Prozent. Profitiert haben vor allem erfahrene Senior-Entwickler, also genau die Gruppe, bei der METR ein Jahr zuvor eine Verlangsamung gemessen hatte.

Auch die 95-Prozent-Zahl vom MIT verdient einen zweiten Blick: Sie basiert auf 52 Executive-Interviews, Befragungen von 153 Führungskräften und der Auswertung von 300 öffentlichen Deployments, ganz ohne Kontrollgruppe oder Repräsentativität. Die Autoren führen das Scheitern übrigens selbst nicht auf schlechte Modelle zurück, sondern auf eine Lücke zwischen Werkzeug und Organisation.

Die eigentliche Trennlinie zwischen Erfolg und Nullbefund

Legst du die gesamte Literatur nebeneinander, ergibt sich ein erstaunlich konsistentes Bild. Es verläuft nicht zwischen "KI funktioniert" und "KI funktioniert nicht", sondern zwischen drei Ebenen.

Auf Aufgabenebene sind die Gewinne real und mehrfach repliziert, je nach Aufgabentyp zwischen 14 und 55 Prozent. Auf Unternehmensebene verpufft der Großteil davon, nicht weil die Modelle schlecht sind, sondern weil zwischen "ein Mitarbeiter spart 20 Minuten" und "die Firma verdient mehr Geld" ein Prozess liegt, der in den meisten Betrieben schlicht nicht existiert. Auf volkswirtschaftlicher Ebene ist bislang kaum etwas messbar, was aber niemanden überraschen sollte: Nur rund 5 Prozent der US-Unternehmen haben KI überhaupt nennenswert eingeführt. Ein Effekt aus 5 Prozent der Wirtschaft taucht in Aggregatstatistiken erst mit jahrelanger Verzögerung auf, genau wie einst bei der Elektrifizierung oder beim PC.

Der vielleicht robusteste Einzelbefund der ganzen Debatte betrifft übrigens nicht Produktivität, sondern Selbstwahrnehmung: Menschen können ihre eigene KI-Produktivität nicht verlässlich einschätzen. Bei METR lagen Selbsteinschätzung und Stoppuhr um rund 39 Prozentpunkte auseinander, und zwar in beide Richtungen falsch.

Und was ist jetzt mit dem angeblichen 6-bis-12-Monats-Vorsprung?

Dafür gibt es schlicht keine Studie, keine Messmethode, kein Paper. Die Zahl kursiert, weil sie griffig klingt. Schaut man sich die vorhandene Evidenz an, zeigt sie in zwei Richtungen gleichzeitig.

Geht es um reinen Zugang zu besseren Tools, ist das Zeitfenster deutlich kürzer als sechs Monate: Die Inferenzkosten sind in 18 Monaten um den Faktor 280 gefallen, kleine Modelle leisten heute, wofür vor zwei Jahren das 142-fache an Parametern nötig war. Jeder technische Fortschritt wird am Ende für alle gleichermaßen zugänglich, Modellzugang war nie ein echter Wettbewerbsvorteil.

Geht es dagegen um die Fähigkeit, Prozesse rund um KI neu aufzubauen, gibt es kein Ablaufdatum. Unternehmen, die tatsächlich umgebaut haben, verzeichnen laut McKinsey EBITDA-Verbesserungen von 10 bis 30 Prozent, und der Abstand zwischen Vorreitern und Nachzüglern hat sich in den letzten Jahren um etwa 60 Prozent vergrößert. Das ist kein schließendes Fenster, das ist ein sich öffnender Fächer.

Vier Schritte, die aus Ad-hoc-KI echte Ergebnisse machen

Alle Nullbefunde entstehen im selben Setting: Lizenzen fürs Team, ein paar Prompts im Umlauf, jeder macht sein eigenes Ding. Das nennt man Ad-hoc-KI. Die Zeitersparnis ist dabei durchaus real, verteilt sich aber in Zehn-Minuten-Häppchen über den Tag und landet nie in einer Kennzahl.

Infrastruktur-KI funktioniert grundlegend anders. Sie folgt vier Schritten, in genau dieser Reihenfolge:

In den meisten B2B-Unternehmen liegen die größten Engpässe im Onboarding, in der Angebots- und Copy-Erstellung, in der Lead-Qualifizierung, im Support oder in der internen Wissenssuche. Alles andere ist meistens nur Spielerei ohne echten Effekt.

So sieht das in der Praxis aus

Genau diese vier Schritte lassen sich in echten Projekten beobachten. Ein Medienunternehmen senkte seine Onboarding-Zeit von 30 auf 2 Minuten und verkürzte den Texterstellungsprozess von 60 auf 5 Minuten, innerhalb von nur zwei Monaten. Das ist Schritt zwei in Reinform: Der Prozess wurde nicht beschleunigt, er wurde komplett neu gebaut.

Eine digitale Bildungseinrichtung automatisierte Support, Social Media und Kommunikation und sparte dadurch über 200.000 Euro ein, eine Zahl, die direkt in der Gewinn- und Verlustrechnung auftaucht, nicht nur im Gefühl der Mitarbeiter. Ein Beratungsunternehmen automatisierte sechs Fulfillment-Prozesse in drei Monaten, von der Landingpage-Copy bis zur Drehplanung, und erzielte damit 50 Prozent mehr Effizienz im Fulfillment. Ein weiteres Unternehmen verdreifachte seine Content-Produktion, ohne zusätzliches Personal einzustellen. Und ein Kunde aus dem Dienstleistungssektor sparte über 16 Stunden pro Kunde ein und nutzte die gewonnene Kapazität, um 45 zusätzliche Kunden aufzunehmen.

Der gemeinsame Nenner all dieser Beispiele: Es gibt jeweils eine Zahl, die vorher und nachher gemessen wurde. Genau das fehlt in den 95 Prozent der Pilotprojekte, die beim MIT durchgefallen sind.

Fazit: Es geht nicht um KI, sondern um Architektur

Die ehrliche Version der These lautet nicht "KI bringt nichts". Sie lautet: Werkzeugzugang allein bringt keinen Vorsprung, Prozessumbau schon, und die meisten verwechseln bis heute das eine mit dem anderen. Die Studien, mit denen KI-Skeptiker gerne argumentieren, sind bei genauerem Hinsehen das beste Argument gegen planloses Ad-hoc-KI-Ausrollen, nicht gegen KI als solche.

Wenn du im letzten Jahr Lizenzen verteilt hast und dich fragst, warum sich das nirgends in deinen Zahlen zeigt, dann ist das kein Modellproblem. Es ist ein Architekturproblem, und die gute Nachricht ist: Es lässt sich lösen. Schau dir diese Woche einen einzigen Prozess in deinem Unternehmen an, der wirklich bremst, und frage dich ehrlich, ob dort schon eine Kennzahl existiert, an der du einen echten Vorher-Nachher-Effekt messen könntest.