Künstliche Intelligenz und die Wirtschaft: Warum wir uns jetzt vorbereiten müssen
Lesezeit: 15 min
Künstliche Intelligenz ist nicht länger nur eine technologische Innovation, ein Schreibassistent oder ein neues Marketinginstrument. Sie entwickelt sich zunehmend zu einer wirtschaftlichen Infrastruktur, die die Art und Weise verändern kann, wie Unternehmen produzieren, Personal rekrutieren, Arbeit organisieren und Werte verteilen.
Am 13. Juli 2026 werden mehr als 200 Ökonomen, Forscher im Bereich der künstlichen Intelligenz und führende Technologieexperten haben eine gemeinsame Erklärung mit dem Titel „Wir müssen jetzt handeln“ veröffentlicht.Unter ihnen befanden sich 16 Nobelpreisträger sowie Vertreter von Unternehmen wie Google, OpenAI und Anthropic.
Der Text ist nur wenige Sätze lang. Doch seine Botschaft ist beträchtlich: Künstliche Intelligenz könnte in den nächsten zehn Jahren eine wirtschaftliche Transformation von einem Ausmaß bewirken, das mit der industriellen Revolution vergleichbar oder sogar größer ist, jedoch in einem wesentlich kürzeren Zeitraum.
Die Autoren erheben nicht den Anspruch, die Zukunft präzise zu kennen. Vielmehr rufen sie Ökonomen, politische Entscheidungsträger und Technologieführer dazu auf, Warten Sie nicht, bis die Folgen sichtbar werden, bevor Sie mit den Vorbereitungen beginnen..
Eine Warnung, aber keine katastrophale Prophezeiung.
Die Erklärung „Wir müssen jetzt handeln“ sagt weder das unausweichliche Verschwinden von Arbeitsplätzen noch den Zusammenbruch der modernen Volkswirtschaften voraus. Im Gegenteil, sie erkennt an, dass künstliche Intelligenz erhebliche Produktivitätssteigerungen ermöglichen, wissenschaftliche Innovationen fördern und den Lebensstandard verbessern kann.
Sie hebt aber auch das Risiko hervor, massive Arbeitsplatzversetzungen, eine zunehmende Konzentration des Reichtums und eine wachsende Kluft zwischen dem Tempo der technologischen Entwicklung und dem der Institutionen, die für deren Regulierung zuständig sind.
Die eigentliche Frage ist daher nicht einfach, was KI technisch leisten kann. Sie besteht vielmehr darin, zu bestimmen wie diese Fähigkeiten genutzt werden, von wem und zu welchem Zweck.
Dieselbe Technologie kann die Fähigkeiten von Arbeitnehmern verbessern oder sie nach und nach ersetzbar machen. Sie kann Wissen in einer Organisation verbreiten oder die Entscheidungsmacht in den Händen weniger konzentrieren. Sie kann weitreichenden Wohlstand schaffen oder die Kluft zwischen Unternehmen, Berufen und Regionen vergrößern.
Das Ergebnis wird nicht allein von der Leistungsfähigkeit von KI-Modellen abhängen. Es wird auch von Investitionsentscheidungen, der öffentlichen Politik, dem Arbeitsrecht, der Besteuerung, der Ausbildung und der Unternehmensführung abhängen.
Verbessert KI tatsächlich die Produktivität?
Die ersten empirischen Untersuchungen liefern ermutigende Ergebnisse.
In der Studie „Generative KI am Arbeitsplatz“ beobachteten Erik Brynjolfsson, Danielle Li und Lindsey Raymond über 5.000 Mitarbeiter im Kundenservice. Die Einführung eines KI-gestützten Chatbots führte zu einer durchschnittlichen Produktivitätssteigerung.
Das interessanteste Ergebnis liegt jedoch woanders: Die Vorteile waren insbesondere für die am wenigsten erfahrenen Mitarbeiter erheblich.Mithilfe dieses Tools konnten sie schnell von Formulierungen, Problemlösungsmethoden und bewährten Verfahren profitieren, die man normalerweise erst nach jahrelanger Erfahrung erwirbt.
KI fungierte somit weniger als Ersatz denn als Mechanismus zur Weitergabe des impliziten Wissens des Unternehmens. Sie erfasste bestimmte Praktiken der besten Mitarbeiter und machte sie anderen zugänglich.
Diese Beobachtung eröffnet eine positive Perspektive. Richtig eingesetzt, kann KI die Zeit für die Kompetenzentwicklung verkürzen, die Servicequalität verbessern und neuen Mitarbeitern helfen, schneller Expertenniveau zu erreichen.
Dies wirft jedoch eine Frage auf: Was geschieht mit dem menschlichen Lernprozess, wenn Anfänger die Antwort direkt erhalten, ohne ihre eigene Argumentation entwickeln zu müssen?
Sofortige Leistungsverbesserungen garantieren nicht zwangsläufig die Entwicklung dauerhafter Kompetenzen. Eine Organisation mag heute einige Minuten sparen, schafft damit aber eine technologische Abhängigkeit, die sie morgen schwächt.
Das Produktivitätsparadoxon
Das Vorhandensein leistungsstarker Technologie führt nicht automatisch zu einer sofortigen Steigerung der Gesamtproduktivität.
Erik Brynjolfsson, Daniel Rock und Chad Syverson beschrieben dieses Phänomen in ihrer Arbeit über das „moderne Produktivitätsparadoxon“. Trotz der rasanten Fortschritte der künstlichen Intelligenz spiegeln makroökonomische Statistiken nicht immer die spektakulären Gewinne wider, die vorhergesagt wurden.
Diese Verzögerung ist nicht zwangsläufig ein Beweis dafür, dass die Technologie nicht funktioniert. Sie könnte einer Anpassungsphase entsprechen.
Größere technologische Innovationen erfordern in der Regel zusätzliche Investitionen: Neugestaltung von Prozessen, Schulung von Teams, Weiterentwicklung von Informationssystemen, Reorganisation von Verantwortlichkeiten und Schaffung neuer Produkte oder Geschäftsmodelle.
Die bloße Installation eines Tools genügt nicht. Die Organisation muss sich im Hinblick auf die neuen Möglichkeiten neu erfinden.
Die Geschichte der Elektrizität bietet einen häufig herangezogenen Vergleich. Die ersten elektrifizierten Fabriken behielten mitunter eine für Dampfmaschinen konzipierte Organisation bei. Sie hatten die Energiequelle ersetzt, ohne die Anordnung der Werkstätten oder die Arbeitsabläufe zu verändern. Die bedeutendsten Fortschritte erzielten die Unternehmen, als sie ihr gesamtes Produktionssystem umgestalteten.
Künstliche Intelligenz könnte einen ähnlichen Weg einschlagen. Unternehmen, die einfach nur eine Chatbot Wer an alten Prozessen festhält, wird wahrscheinlich nur begrenzte Fortschritte erzielen. Wer Informationsfluss, Validierungsschritte und Aufgabenverteilung überdenkt, kann tiefgreifendere Veränderungen erreichen.
Den Menschen ergänzen oder ihn ersetzen?
In „Die Turing-Falle“ warnt Erik Brynjolfsson vor einer bestimmten Richtung der technologischen Entwicklung: dem Wunsch, Maschinen zu konstruieren, die den Menschen imitieren, um ihn zu ersetzen.
Dieses Ziel ist verständlich. Automatisierung ermöglicht Kostensenkungen und die großflächige Ausführung sich wiederholender Aufgaben. Sie kann jedoch dazu führen, dass Unternehmen den Fortschritt ausschließlich an der Anzahl der abgebauten Arbeitsplätze messen.
Eine weitere Strategie besteht darin, Systeme zu schaffen, die ergänzen die menschlichen FähigkeitenKI kann mehr Informationen analysieren, Anomalien erkennen, Szenarien vorschlagen oder eine erste Version erstellen. Der Mensch behält dabei das Verständnis für den Kontext, das Urteilsvermögen, die Verantwortung und die Fähigkeit, Entscheidungen zu treffen.
Diese Unterscheidung ist in Umgebungen unerlässlich MartechEine KI kann Segmente generieren, E-Mail-Betreffzeilen vorschlagen oder atypische Verhaltensweisen erkennen. Sie sollte jedoch nicht eigenmächtig über zulässigen Verkaufsdruck, die ethische Auslegung sensibler Daten oder die angemessene Reaktion auf einen schutzbedürftigen Kunden entscheiden.
ZITAT
Erik Brynjolfsson„Die Turing-Falle“, Stanford Digital Economy Lab, 2022.
« Wenn KI die menschlichen Fähigkeiten erweitert und es den Menschen ermöglicht, Dinge zu vollbringen, die sie vorher nicht tun konnten, ergänzen sich Mensch und Maschine. »
Die Debatte dreht sich daher nicht einfach nur um die Automatisierung eines Arbeitsplatzes. Sie betrifft die Aufgabenverteilung innerhalb der einzelnen Berufe.
Einige Aktivitäten werden automatisiert. Andere werden beschleunigt. Neue Verantwortlichkeiten werden sich in den Bereichen Kontrolle, Validierung, Datenqualität, Erklärbarkeit und Ausnahmebehandlung ergeben.
Warum weichen die Prognosen weiterhin so stark voneinander ab?
Ökonomen sind sich hinsichtlich des Ausmaßes der bevorstehenden Transformationen alles andere als einig.
Daron Acemoglu vertritt insbesondere eine vorsichtige Position. In „Die einfache Makroökonomie der KI“ argumentiert er, dass die makroökonomischen Auswirkungen zwar bedeutend, aber deutlich geringer ausfallen könnten, als manche technologischen Szenarien vermuten lassen. Seine zentrale Schätzung ergibt ein begrenztes Wachstum der Gesamtproduktivität über ein Jahrzehnt.
Seine Argumentation basiert auf einer grundlegenden Unterscheidung zwischen der technischen Fähigkeit, eine Aufgabe zu automatisieren, und ihrer tatsächlichen Rentabilität.
Eine erfolgreiche Demonstration in einer kontrollierten Umgebung bedeutet nicht, dass ein System großflächig eingesetzt werden kann. Manche Aufgaben lassen sich leicht messen und standardisieren. Andere erfordern Kontextverständnis, rechtliche Verantwortung, Vertrauensverhältnisse oder die Fähigkeit, seltene Situationen zu bewältigen.
Der wirtschaftliche Nutzen hängt auch von der Qualität der gewählten Anwendungen ab. Die Automatisierung eines Prozesses mit geringer Wertschöpfung generiert nicht zwangsläufig einen höheren Mehrwert. Die beschleunigte Produktion mittelmäßiger Inhalte kann sogar die Prüfkosten erhöhen, zu Informationsverwirrung führen und die Verbraucherermüdung verstärken.
Produktionssteigerung ist nicht immer gleichbedeutend mit Produktivitätssteigerung. Ein Unternehmen kann mehr Kampagnen versenden, mehr Varianten erstellen und mehr Berichte generieren, ohne dass sich seine wirtschaftlichen Ergebnisse verbessern.
Echte Produktivität bedeutet, mit vergleichbaren Ressourcen mehr Wert zu schaffen, nicht nur mehr messbare Produkte herzustellen.
KI als Mittel zur Senkung der Vorhersagekosten
Ajay Agrawal, Joshua Gans und Avi Goldfarb bieten in ihrem Buch „Prediction Machines“ eine weitere Interpretation an.
Ihnen zufolge kann KI als eine Technologie verstanden werden, die die Kosten erheblich reduziert VorbestellungEs geht nicht nur darum, das Wetter, Umsätze oder Kundenabwanderung vorherzusagen. Allgemeiner gesagt beinhaltet eine Vorhersage die Nutzung verfügbarer Daten, um unbekannte Informationen abzuschätzen.
Ein Empfehlungssystem sagt voraus, was einem Nutzer gefallen könnte. Ein Scoring-Tool schätzt die Kaufwahrscheinlichkeit eines potenziellen Kunden ein. Ein Betrugserkennungsmodell bewertet das Risiko einer unrechtmäßigen Transaktion. Generative KI prognostiziert die relevanteste Fortsetzung von Text, Code oder einem Bild.
Wenn die Kosten für Prognosen sinken, können Unternehmen sie in mehr Entscheidungen einbeziehen. Diese Entwicklung erhöht jedoch gleichzeitig den Wert anderer Ressourcen: Daten, Urteilsvermögen, Zielsetzung und Verantwortung.
Eine Prognose ist keine Entscheidung. Sie legt nicht fest, was das Unternehmen tun sollte, welche Risiken es eingeht oder welche Konsequenzen es für legitim hält.
Je zugänglicher Vorhersagen werden, desto wichtiger wird die Qualität des menschlichen und organisatorischen Urteilsvermögens.
Beschäftigung: Verschwinden von Arbeitsplätzen oder Umstrukturierung von Aufgaben?
In Debatten über Beschäftigung werden oft gegnerische Seiten gegeneinander ausgespielt. zwei vereinfachende SzenarienIm ersten Szenario würde künstliche Intelligenz massiv Arbeitsplätze vernichten. Im zweiten Szenario wäre sie lediglich ein weiteres Werkzeug, vergleichbar mit einer Tabellenkalkulation oder einer Suchmaschine.
Die Realität dürfte wahrscheinlich heterogener sein.
Ein Job besteht aus vielen Aufgaben. Einige sind wiederholend und lassen sich leicht automatisieren. Andere erfordern Verhandlungsgeschick, Einfühlungsvermögen, Erfahrung, Verantwortungsbewusstsein oder Kenntnisse über spezifische Situationen.
KI kann daher einen Arbeitsplatz verändern, ohne ihn zu vernichten. Sie kann auch die Anzahl der für eine Tätigkeit benötigten Arbeitskräfte reduzieren und gleichzeitig die Nachfrage nach neuen Qualifikationen erhöhen.
Einstiegspositionen und -rollen in Unternehmen verdienen besondere Aufmerksamkeit. Wenn eine Organisation selbst einfachste Aufgaben automatisiert, eliminiert sie mitunter genau die Tätigkeiten, durch die Anfänger ihren Job erlernt haben.
Ein Unternehmen, das alle ersten Arbeitsschritte automatisiert, muss sich die Frage stellen, wie es seine zukünftigen Experten ausbilden wird.
Dieses Thema betrifft unmittelbar Marketing, Kommunikation, IT-Entwicklung, Beratung und Kundenservice. Recherche, Texterstellung, Berichtserstellung und Vorbereitungsaufgaben können dabei weitgehend unterstützt werden. Gleichzeitig stellen sie aber auch wesentliche Schritte der beruflichen Weiterbildung dar.
Schulungen können daher nicht länger als bloße Unterstützung bei der Einführung betrachtet werden. Sie müssen in die Gestaltung der neuen Prozesse selbst integriert werden.
« Es ist unwahrscheinlich, dass die Löhne steigen, wenn die Arbeitnehmer ihren Anteil an den Produktivitätsgewinnen nicht beanspruchen können. »
Daron Acemoglu und Simon Johnson, zitiert vom MIT Department of Economics, 2024.
Die Auswirkungen variieren je nach Unternehmen.
Nicht alle Organisationen werden in gleicher Weise von künstlicher Intelligenz profitieren.
Große Unternehmen verfügen in der Regel über mehr Daten, Rechenleistung, juristische Ressourcen und spezialisierte Fachkräfte. Sie können Modelle trainieren oder anpassen, mit Lieferanten verhandeln und die mit Experimenten verbundenen Kosten leichter auffangen.
Auch kleine Unternehmen profitieren von KI-Diensten, die über die Cloud zugänglich sind. Allerdings laufen sie Gefahr, von wenigen Plattformen für ihre Tools, Daten und Entscheidungsprozesse abhängig zu werden.
Diese Konzentration könnte die Marktmacht von Infrastrukturanbietern und Unternehmen mit den leistungsstärksten Geschäftsmodellen stärken. Sie wirft Fragen hinsichtlich Wettbewerb, Souveränität, Datenportabilität und Wertverteilung auf.
Die Autoren der vom Internationalen Währungsfonds veröffentlichten Studie „Die Makroökonomie der künstlichen Intelligenz“ betonen genau diesen möglichen Wendepunkt. KI kann zu inklusivem Wachstum oder zu einer weiteren Konzentration von Einkommen und wirtschaftlicher Macht führen. Institutionen und die öffentliche Politik werden den tatsächlichen Entwicklungsverlauf mitbestimmen.
Worauf sich Unternehmen jetzt vorbereiten sollten
Vorbereitung bedeutet nicht, genau vorherzusagen, was Modelle in fünf oder zehn Jahren leisten können. Es bedeutet, Organisationen aufzubauen, die sich an unterschiedliche Szenarien anpassen können.
Die erste Priorität ist die Aufgabenplanung. und nicht nur die Arbeitsabläufe selbst. Das Unternehmen muss ermitteln, welche Vorgänge unterstützt, welche automatisiert und welche einer menschlichen Überprüfung bedürfen.
Der zweite Schritt ist dann die Messung der Gewinne. Neben der Zeitersparnis müssen auch Qualität, Fehlerrate, Kundenzufriedenheit, Teamlernen, Resilienz und Kontrollkosten berücksichtigt werden.
Die dritte Priorität betrifft den Erhalt von Fachkenntnissen. Wenn ein System eine Aufgabe übernimmt, muss die Organisation sicherstellen, dass sie über ausreichend internes Wissen verfügt, um einen Fehler zu erkennen, die Kontrolle wiederzuerlangen oder den Lieferanten zu wechseln.
Schließlich muss die Regierungsführung den Ereignissen vorausgehen.Die Regeln in Bezug auf Daten, Validierungen, geistiges Eigentum, Rückverfolgbarkeit und Haftung können nach der Implementierung nicht improvisiert werden.
Im Martech-Umfeld beinhalten diese Prinzipien insbesondere das Wissen um Folgendes:
- welche Daten an ein Modell übertragen werden können;
- Welche Inhalte müssen von einem Menschen validiert werden?
- Wie werden die Segmente und Punktzahlen gesteuert?
- wer für eine automatisierte Entscheidung verantwortlich bleibt;
- wie man Fehler, Verzerrungen und falsch positive Ergebnisse misst;
- Welche Vorgehensweise ist anzuwenden, wenn ein System ein unerwartetes Ergebnis liefert?
Ziel ist es nicht, Innovationen systematisch zu verlangsamen, sondern um seine Einführung nachhaltig zu gestalten.
Bereiten Sie die Institutionen ebenso gut vor wie die Technologien.
Die Erklärung „Wir müssen jetzt handeln“ richtet sich auch an Regierungen und Institutionen.
Die Bildungssysteme müssen die Menschen im Umgang mit KI schulen.Aber auch kritisches Denken, Überprüfung und das Verständnis der Grenzen von Modellen sind erforderlich. Das Arbeitsrecht muss neue Formen der Überwachung, Bewertung und Verantwortungsverteilung berücksichtigen. Auch das Steuerwesen muss sich anpassen, wenn ein wachsender Anteil der Wertschöpfung durch technologisches Kapital und Plattformen generiert wird.
Die Wettbewerbspolitik muss sich auch mit der Konzentration von Infrastruktur, Geschäftsmodellen und Daten auseinandersetzen. Soziale Sicherungssysteme müssen in der Lage sein, potenziell schnellere und häufigere Berufswechsel zu ermöglichen.
Diese Maßnahmen gehen nicht davon aus, dass das extremste Szenario eintritt. Sie stellen eine Form des Risikomanagements dar.
Wenn eine Transformation zwar tiefgreifend sein mag, ihr Umfang aber ungewiss bleibt, ist Untätigkeit keine neutrale Position. Das läuft darauf hinaus, dass Marktentscheidungen und bestehende Machtverhältnisse allein den weiteren Verlauf bestimmen.
Wähle nicht zwischen Optimismus und Pessimismus.
Die Arbeiten von Brynjolfsson, Acemoglu, Korinek, Agrawal und vielen anderen Ökonomen laufen nicht auf eine einheitliche Position hinaus. Voraussicht einzigartig.
Brynjolfsson hebt das Potenzial von KI hervor, die Arbeitskräfte zu ergänzen und bewährte Verfahren zu verbreiten. Acemoglu warnt davor, makroökonomische Vorteile zu überschätzen und betont, dass nicht alle Formen der Automatisierung denselben Wert schaffen. Korinek untersucht die potenziellen Folgen für Arbeit, Ungleichheit, Wettbewerb und Regierungsführung. Agrawal analysiert KI als eine Reduzierung der Prognosekosten, die schrittweise das gesamte Spektrum wirtschaftlicher Entscheidungsfindung verändert.
Diese Ansätze sind weniger widersprüchlich, als es zunächst scheint.
Sie zeigen, dass KI ein erhebliches Potenzial besitzt, dieses Potenzial sich aber nicht von selbst in kollektiven Fortschritt umsetzen lässt. Zwischen den Fähigkeiten eines Modells und einer tatsächlichen Verbesserung des Lebensstandards liegen Unternehmen, Bildungssysteme, Institutionen, Gesetze und politische Entscheidungen.
Zusammenfassend lässt sich sagen: ein Wandel, der gelenkt und nicht erduldet werden muss.
Die wichtigste Lehre aus der Erklärung „Wir müssen jetzt handeln“ ist vielleicht nicht, dass künstliche Intelligenz zwangsläufig Millionen von Arbeitsplätzen vernichten wird. Sie ist vielmehr, dass Entscheidungen, die getroffen werden, bevor der Wandel vollständig sichtbar ist, werden einen entscheidenden Einfluss auf seine Folgen haben..
Absolute Gewissheit zu erwarten, wäre eine Illusion. Wenn Statistiken eindeutig bestätigen, dass … Bruch Wenn es um den Arbeitsmarkt geht, könnte es zu spät sein, die notwendigen Fähigkeiten, Ausbildungssysteme und Umverteilungsmechanismen schnell wieder aufzubauen.
Künstliche Intelligenz ist keine äußere Kraft, die mechanisch eine einheitliche Zukunft vorgibt. Ihre Auswirkungen hängen davon ab, wie Organisationen Automatisierungsprozesse gestalten, Produktivitätsgewinne teilen und menschliche Fähigkeiten erhalten.
Die Frage lautet daher nicht mehr einfach: „Was wird KI leisten können?“
Es wird zu: „Welche Art von Wirtschaft wollen wir damit aufbauen?“
Einige Referenzen
- „Wir müssen jetzt handeln: Eine Erklärung zur Transformation der Wirtschaft durch KI“ – Stanford Digital Economy Lab und Unterzeichner – Stanford Digital Economy Lab – Juli 2026.
- „Generative KI in der Praxis“ – Erik Brynjolfsson, Danielle Li und Lindsey R. Raymond – The Quarterly Journal of Economics – Mai 2025.
- „Künstliche Intelligenz und das moderne Produktivitätsparadoxon: Ein Zusammenprall von Erwartungen und Statistiken“ – Erik Brynjolfsson, Daniel Rock und Chad Syverson – National Bureau of Economic Research – November 2017.
- „Die einfache Makroökonomie der KI“ – Daron Acemoglu – National Bureau of Economic Research – Mai 2024.
- „Die Turing-Falle: Versprechen und Gefahren menschenähnlicher künstlicher Intelligenz“ – Erik Brynjolfsson – Dædalus, American Academy of Arts and Sciences – Frühjahr 2022.
- „Vorhersagemaschinen: Die einfache Ökonomie der künstlichen Intelligenz“ – Ajay Agrawal, Joshua Gans und Avi Goldfarb – Harvard Business Review Press – April 2018.
- „Die Makroökonomie der künstlichen Intelligenz“ – Erik Brynjolfsson und Gabriel Unger – Finanzen & Entwicklung, Internationaler Währungsfonds – Dezember 2023.
- „Eine Forschungsagenda für die Ökonomie transformativer KI“ – Erik Brynjolfsson, Anton Korinek und Ajay Agrawal – National Bureau of Economic Research – September 2025.
