KI und Produktivität: Fluch oder Segen?

Das Thema Künstliche Intelligenz (KI) beeinflusst die Markttrends bereits seit mehreren Jahren. Von Herstellern von Mikrokomponenten bis hin zu Softwareentwicklern – die fortschreitende Transformation der Volkswirtschaften ist ein Narrativ, das gleichermaßen von Hoffnung und Angst geprägt ist. Die Auswirkungen auf die Belegschaft, das Potenzial der Automatisierung, menschliche Arbeit zu ersetzen, und der Bedarf an erheblichen Investitionen in Rechen- und Energieinfrastrukturen sind Faktoren, die die technologische und digitale Revolution allmählich sicht- und messbar machen. Die Geschwindigkeit, mit der diese neue Technologie eingeführt wird, kombiniert mit scheinbaren Produktivitätsgewinnen, wirft Fragen über das Ausmaß der Transformation bei der Produktion von Gütern und Dienstleistungen auf. Über diesen ersten Kanal, über den der technologische Schock übertragen wird, hinaus, bleibt ein zweiter Anwendungsbereich zu erforschen: die Fähigkeit von Innovationen, neue Ideen zu generieren. Dies macht die Skaleneffekte, die mit der Produktion und dem Teilen von Wissen verbunden sind, praktisch unendlich. Dieser Beitrag bietet einen Überblick über den aktuellen Stand der Wirtschaftsforschung zu den Auswirkungen dieser Innovation auf das Wachstum, den Stellenwert des Humankapitals innerhalb der Produktionsstruktur von Volkswirtschaften und die Produktionskapazität von Akteuren, die diese neue Innovationswelle nutzen.

Die Auswirkungen von Innovationen auf die Produktivität: Der Grundstein der wirtschaftlichen Entwicklung

Technologische und organisatorische Innovationen haben die Entwicklung der modernen Wirtschaft von jeher geprägt. Vom industriellen Einsatz der Dampfmaschine und der Standardisierung des internationalen Handels über die Elektrifizierung und Digitalisierung bis hin zur Einführung des Taylorismus und des Kanban-Systems – die Entwicklung der Weltwirtschaft hat die Effizienz des Produktionsprozesses kontinuierlich gesteigert.

Abbildung 1 veranschaulicht die Produktivitätsgewinne in den USA, der Eurozone und Japan seit dem späten 19. Jahrhundert. Deep Learning bzw. KI reiht sich somit in eine lange Kette technischer Innovationen ein. Diese werden die Schaffung von Mehrwert durch ihre Nutzung und Integration in bestehende Produktionsprozesse oder durch die Gestaltung zukünftiger Produktionsweisen und -beziehungen prägen. Abbildung 1 zeigt jedoch auch, dass die Wachstumsrate der Arbeitsproduktivität zwischen den einzelnen Wirtschaftsregionen variiert. Dies deutet darauf hin, dass die Effizienz von Produktionsmethoden aus einer Kombination von Investitionen, Forschung, rechtlichen und regulatorischen Rahmenbedingungen sowie der Vielfalt der Produktionsökosysteme in den USA, Japan und der Eurozone resultiert.

Wie Aghion und Bunel (2024) betonen, wird der durch KI ausgelöste Innovationsschock wahrscheinlich einer Übertragungsverzögerung unterliegen, ähnlich wie sie bei der Einführung der Elektrizität oder der Digitalisierung zu beobachten war. Diese Verzögerung ist auf die inhärente Trägheit der physischen und intellektuellen Strukturen zurückzuführen, die für die Assimilation der Innovation erforderlich sind – wie etwa inkompatible Maschinen und Ressourcen, die angepasst werden müssen, um die Einführung zu erleichtern.

Abbildung 1: Arbeitsproduktivität seit 1890 (links) und jüngste Trends (1999 = 100), Bergeaud, A., Cette, G. und Lecat, R. (2016)

Quelle: LSEG Eikon und NIM Solutions. Datenstand: 15.03.2026

Die Auswirkungen von KI auf die künftige Wertschöpfung hängen von aktuellen und zukünftigen Investitionen, den Adoptionsraten dieser Technologien und der Reorganisation der Produktionsstrukturen ab. Volkswirtschaften, die effektiv auf diese Herausforderungen reagieren, dürften erhebliche Produktivitätsgewinne verzeichnen und damit ihre marktbeherrschende Stellung stärken.

Massive Investitionen sind erforderlich, auch wenn deren zukünftige Rentabilität eine unbewiesene Frage bleibt

Die Anpassung bestehender Produktionsstrukturen an die durch KI verkörperte technologische Revolution basiert daher in erster Linie auf Investitionen. Dazu gehören Investitionen in Rechenkapazitäten, die effiziente Nutzung von Energieressourcen zum Betrieb dieser Kapazitäten sowie die Forschung und Entwicklung neuer Anwendungen, die in der Lage sind, diese Kapazitäten zur Erzielung von Effizienzgewinnen in Produktionsprozessen (z. B. Automatisierung und Robotik in Industrie oder Dienstleistungen) zu nutzen. Abbildung 2 veranschaulicht die relativ heterogenen Investitionstrends in Informations- und Kommunikationstechnologien (IKT) oder Produkte des geistigen Eigentums in verschiedenen Volkswirtschaften seit Mitte der 1990er Jahre. Darüber hinaus deuten die Daten auf eine Beschleunigung der US-Investitionen in Informations- und Kommunikationstechnologie (IKT) im Jahr 2025 hin, bei einem gleichzeitigen relativen Rückgang der Investitionen in immaterielles Kapital in der Eurozone.

Abbildung 2: Nominale Investitionen in Produkte des geistigen Eigentums (IPP) und Informations- und Kommunikationstechnologie (IKT), 1995 = 100, lokale Währung

Quelle: LSEG Eikon und NIM Solutions. Datenstand: 15.03.2026

Einige befürchten, dass sowohl in materielles als auch in immaterielles Kapital übermäßig investiert wird, insbesondere bei den sogenannten „Hyperscalern“. Im Jahr 2025 investierten US-Technologieunternehmen insgesamt 380 Milliarden US-Dollar, und die Prognosen für 2026 liegen derzeit bei über 700 Milliarden US-Dollar. Diese Zahlen werfen unweigerlich zwei Fragen auf: die nach der optimalen Kapitalallokation und letztlich die nach der Dynamik der Kapitalrendite (ROI), die unter Abwärtsdruck geraten könnte. Diese Fragen bringen die Zweifel auf den Punkt, die die Marktkapitalisierungen und Gewinnwachstumsprognosen für Unternehmen des Sektors umgeben. Zum jetzigen Zeitpunkt betrachten wir diese Investitionsbedarfe als inhärent für eine „klassische“, kapitalintensive technologische Revolution. Unternehmen, die sich diesen substanziellen Transformationen unterziehen, dürften die Früchte ihrer künftigen oligopolistischen Stellung ernten.

Um die Auswirkungen auf die gesamtwirtschaftliche Produktionsfunktion zu verstehen, muss man nachvollziehen, wie Arbeit und Kapital im Falle einer schnellen und flächendeckenden Einführung von Innovationen auf sektoraler Ebene neu allokiert würden. Aghion, Jones und Jones (2017) analysieren die vermutete Verbindung zwischen zunehmender Automatisierung und der Kapitalintensität der Wertschöpfung. Während es sicher ist, dass die Automatisierung in bestimmten Sektoren zu steigenden Kapitalerträgen auf Kosten der Arbeit führt, berufen sich die Autoren auf Baumols Gesetz (oder die „Kostenkrankheit“), um zu argumentieren, dass auf gesamtwirtschaftlicher Ebene trotz nahezu vollständiger Automatisierung der Anteil der Kapitalerträge an der Wertschöpfung weit davon entfernt wäre, die Arbeitserträge auszulöschen. Sektoren mit geringer Anfälligkeit für Produktivitätsgewinne (z. B. das Gesundheitswesen, das Bildungswesen, Kunst und Kultur) ziehen Arbeitskräfte an, die durch Produktivitätsgewinne in anderen Sektoren, insbesondere in der Industrie, freigesetzt werden. Abhängig von der Kreuzpreiselastizität der Nachfrage steigen die Löhne dieser Arbeitskräfte im Allgemeinen im gleichen Maße wie in Sektoren mit hohen Produktivitätsgewinnen. Die Frage ist also, welche Sektoren und Aufgaben am ehesten von KI betroffen sein werden. Obwohl dies schwer zu bestimmen ist, haben mehrere akademische Studien versucht, anhand von Umfragedaten zu bewerten, inwieweit verschiedene Sektoren KI ausgesetzt sind, und daraus Rückschlüsse auf die Zukunft der Arbeit zu ziehen.

Wird die Bedeutung der Arbeit allmählich sinken?

Acemoglu (2024) argumentiert, dass die Automatisierung von Aufgaben, insbesondere in arbeitsintensiven Sektoren wie Dienstleistungen mit geringer Wertschöpfung, die Kluft zwischen Kapital- und Arbeitserträgen zugunsten des Kapitals vergrößern wird. Daher ist es von entscheidender Bedeutung zu bestimmen, wie stark Unternehmen und ihre Sektoren KI ausgesetzt sind, um zu verstehen, wo sich Produktivitätsgewinne materialisieren könnten. Diese Zahlen sind Gegenstand legitimer Debatten in der aktuellen Literatur. Abbildung 3 stammt aus einem jüngsten Versuch, dieses Expositionsrisiko zu messen. Sie zeigt den Anteil der betroffenen Unternehmen und eine negative Expositionsrate. Diese Variable ist durch eine wesentliche Unterscheidung gekennzeichnet, die sich aus der Nutzung von KI ergibt: Bestimmte Aufgaben können durch KI ersetzt werden, während andere „erweitert“ bzw. verbessert werden können. Die negative Expositionsrate wird errechnet, indem die Anzahl der Antworten in der Umfrage, die die Autoren an 750 Unternehmensleiter zu den durch KI „ersetzten Aufgaben“ geschickt haben, durch die Anzahl der Antworten zu den durch KI „verbesserten Aufgaben“ geteilt wird.

Abbildung 3: Sektorale Exposition und Ersetzungsraten (Baslandze et al., 2026)