Im Frühjahr 2025 hat eine Forschungsgruppe sechzehn erfahrene Open-Source-Entwickler an ihren eigenen Projekten arbeiten lassen — an Projekten, an denen sie im Schnitt fünf Jahre gebaut hatten. 246 Aufgaben wurden per Zufall auf zwei Bedingungen verteilt: mit KI-Werkzeug und ohne. Vorher schätzten die Teilnehmer, KI werde ihre Bearbeitungszeit um 24 Prozent senken. Hinterher sagten dieselben Menschen, es seien etwa 20 Prozent gewesen. Gemessen wurde eine Zunahme der Bearbeitungszeit um 19 Prozent.
Der interessante Wert dieser Untersuchung ist nicht die Verlangsamung. Es ist der Abstand: rund vierzig Prozentpunkte zwischen dem, was Menschen über ihre eigene Arbeit sagen, und dem, was die Stoppuhr festhält. Und dieser Abstand ist kein Ausrutscher einer einzelnen Studie. Er ist das eigentliche Thema.
Ich schreibe das als jemand, der KI in Organisationen einführt und dabei regelmäßig gefragt wird, wie viel sie bringt. Die ehrliche Antwort lautet: Das hängt davon ab, wen Sie fragen und was Sie messen — und die beiden Antworten fallen verlässlich auseinander.
Der Befund, der nicht hielt
Ein Beitrag, der die 19 Prozent zitiert und dort aufhört, wäre 2026 unvollständig. Im Februar 2026 hat dieselbe Forschungsgruppe ihr Studiendesign verworfen. Der Grund ist so banal wie aufschlussreich: Es fanden sich kaum noch Teilnehmer. Wörtlich heißt es, man habe „einen deutlichen Anstieg von Entwicklern beobachtet, die sich gegen eine Teilnahme entscheiden, weil sie nicht ohne KI arbeiten wollen". Dreißig bis fünfzig Prozent der Entwickler gaben an, bestimmte Aufgaben gar nicht erst einzureichen, weil sie sie nicht ohne KI erledigen wollten.
Wer aus einer Stichprobe genau jene Aufgaben verliert, bei denen KI am meisten hilft, unterschätzt ihren Effekt systematisch. Die neuen, vorläufigen Schätzungen der Gruppe liegen bei minus achtzehn Prozent für wiederkehrende und minus vier Prozent für neu geworbene Teilnehmer — beide mit Konfidenzintervallen, die die Null einschließen. Die Forscher selbst nennen ihre Daten „nur sehr schwache Evidenz".
Das ist die Art von Selbstkorrektur, die man sich in Unternehmenspräsentationen häufiger wünschen würde. Und es verschiebt die Frage: Wenn schon die sorgfältigste Messung ins Rutschen gerät, sobald die Beteiligten das Werkzeug nicht mehr hergeben wollen — was bedeutet das für eine Zahl, die in einem Lenkungsausschuss auf einer Folie steht?
Die Lücke ist keine Einbahnstraße
Es wäre bequem, daraus die Gegenthese zu bauen: Menschen überschätzen den Nutzen von KI. Auch das stimmt nicht. In einem kontrollierten Experiment mit Entwicklern, die einen HTTP-Server in JavaScript bauen sollten, brauchte die Gruppe mit Assistenzwerkzeug im Mittel 71 Minuten, die Kontrollgruppe 161 — eine Ersparnis von 55,8 Prozent. Gefragt, wie stark sie sich beschleunigt fühlten, nannten die Teilnehmer im Mittel 35 Prozent. Hier lag die Selbsteinschätzung also unter dem gemessenen Wert.
Bemerkenswert ist auch die Breite des Vertrauensintervalls in dieser Arbeit: 21 bis 89 Prozent. Ein Punktwert von „55,8 Prozent schneller" klingt präziser, als er ist. Wer solche Zahlen weitergibt, sollte die Spanne mitliefern.
Die Lücke zwischen Empfinden und Messung geht also in beide Richtungen. Was sie verlässlich macht, ist nicht ihr Vorzeichen, sondern ihre Existenz. Selbstauskunft ist kein Ersatz für Messung — und Messung kein Ersatz für das Gespräch darüber, warum sich etwas anders anfühlt, als es ist.
Wo die Gewinne belastbar sind
Die methodisch stärkste Arbeit zum Thema stammt von Erik Brynjolfsson, Danielle Li und Lindsey Raymond und ist 2025 im Quarterly Journal of Economics erschienen. Untersucht wurde die gestaffelte Einführung eines generativen Assistenzsystems bei 5.172 Beschäftigten im Kundenservice. Ergebnis: Die Zahl gelöster Vorgänge pro Stunde stieg im Mittel um 15 Prozent — mit erheblicher Streuung.
Diese Streuung ist der eigentliche Befund. Unerfahrene und geringer qualifizierte Beschäftigte legten um rund 30 Prozent zu, im untersten Leistungsfünftel sogar um 36 Prozent. Die erfahrensten Beschäftigten gewannen dagegen kaum an Geschwindigkeit — und verloren leicht an Qualität. Neue Mitarbeiter erreichten mit KI nach zwei Monaten ein Niveau, für das ohne KI mehr als ein halbes Jahr nötig war.
Ein ähnliches Muster zeigt eine präregistrierte Untersuchung von Shakked Noy und Whitney Zhang, 2023 in Science erschienen: 453 berufstätige Hochschulabsolventen bearbeiteten berufstypische Schreibaufgaben, die Hälfte mit Zugang zu einem Sprachmodell. Die Bearbeitungszeit sank um 40 Prozent, die bewertete Qualität stieg um 18 Prozent — und die Leistungsunterschiede zwischen den Beteiligten wurden kleiner, nicht größer.
Beide Arbeiten deuten in dieselbe Richtung: KI hebt vor allem das untere Ende. Für Organisationen ist das eine unbequeme Nachricht, weil es die verbreitete Erwartung umkehrt. Der Nutzen entsteht seltener dort, wo die stärksten Leute noch stärker werden, und häufiger dort, wo Einarbeitung, Standardfälle und Routine liegen.
Der gezackte Rand
Warum fallen die Ergebnisse so unterschiedlich aus? Eine Antwort liefert ein präregistriertes Feldexperiment mit 758 Wissensarbeitern, das Fabrizio Dell'Acqua und Kollegen 2023 vorgelegt haben. Die Teilnehmer bearbeiteten achtzehn realistische Aufgaben, teils mit, teils ohne Sprachmodell.
Innerhalb dessen, was die Autoren die jagged technological frontier nennen — den gezackten Rand des Könnens —, erledigten die Teilnehmer mit KI 12,2 Prozent mehr Aufgaben, waren 25,1 Prozent schneller und lieferten signifikant bessere Qualität. Bei einer bewusst außerhalb dieses Randes gewählten Managementaufgabe kehrte sich das Bild um: Wer KI nutzte, kam seltener zur richtigen Lösung.
Die Formulierung dieses Effekts hat sich zwischen Arbeitspapier und Veröffentlichung verschoben — das Arbeitspapier nennt 19 Prozentpunkte, die publizierte Fassung „19 Prozent weniger wahrscheinlich". Das ist statistisch nicht dasselbe, und beide Zahlen werden in der Debatte munter vermischt. Für die Praxis zählt ohnehin nicht der Punktwert, sondern die Form des Befundes: Der Rand ist gezackt, und man sieht ihm nicht an, wo er verläuft. Aufgaben, die für einen Menschen ähnlich schwer wirken, liegen für ein Modell auf verschiedenen Seiten der Grenze.
Was Organisationen fühlen — und was sie messen
Auf Unternehmensebene wiederholt sich das Muster in größerem Maßstab. In der jüngsten Erhebung von McKinsey unter 1.719 Befragten aus 97 Ländern sagen acht von zehn, KI habe ihre persönliche Produktivität verbessert. Im selben Datensatz führen nur 37 Prozent überhaupt eine Wirkung auf das Betriebsergebnis auf KI zurück — etwa derselbe Anteil wie im Jahr davor. Sechs Prozent gelten als Spitzengruppe mit belegbarer Ergebniswirkung.
Der DORA-Report 2025, für den knapp fünftausend IT-Fachkräfte befragt wurden, kommt zu einem verwandten Bild: Neunzig Prozent nutzen KI bei der Arbeit, über achtzig Prozent berichten von gestiegener individueller Produktivität — und zugleich haben nur 24 Prozent viel Vertrauen in das, was die Systeme ausgeben. Die Instabilität der Auslieferung, also die Rate fehlerhafter Änderungen, bleibt hartnäckig hoch.
Man kann das für einen Widerspruch halten. Wahrscheinlicher ist es keiner. Individuelle Beschleunigung und Systemleistung sind verschiedene Größen. Wenn jeder Einzelne schneller Vorschläge produziert, die anschließend geprüft, korrigiert und integriert werden müssen, kann die Summe langsamer werden, während sich jeder Einzelne schneller fühlt. Genau das ist die Erfahrung, die in Organisationen ohne klare Übergabepunkte entsteht.
Eine Zahl, die Märkte bewegte
Im Sommer 2025 ging eine Zahl um die Welt: 95 Prozent der KI-Projekte scheiterten. Sie stammt aus einem Bericht einer Initiative am MIT Media Lab. Wer nachliest, findet einen anderen Satz: Von den befragten Organisationen erzielten 95 Prozent keine Rendite — was etwas anderes ist als ein gescheitertes Projekt. Die Grundlage waren 52 Interviews, 153 Fragebögen von Führungskräften und die Auswertung öffentlich dokumentierter Initiativen über sechs Monate. Kein Peer Review. Die Erfolgsschwelle war eine „deutliche und anhaltende" Wirkung binnen sechs Monaten — ein Maßstab, an dem auch ein ERP-System scheitern würde.
Innerhalb eines Tages fielen Technologiewerte spürbar. Eine nicht begutachtete Kennzahl mit einer Stichprobe von 153 hatte mehr Wirkung entfaltet als sämtliche kontrollierten Studien dieses Feldes zusammen.
Ich zitiere das nicht, um den Bericht zu erledigen. Sondern weil es die Frage dieses Beitrags auf den Punkt bringt: In der Debatte über KI-Produktivität setzt sich nicht die belastbarste Zahl durch, sondern die griffigste. Wer in einer Organisation Verantwortung trägt, muss diesen Unterschied selbst herstellen — niemand sonst tut es.
Was daraus für Führung folgt
Erstens: Fragen Sie nicht, ob KI produktiver macht. Die Frage ist nicht beantwortbar. Fragen Sie, bei welcher Aufgabe, für wen und woran erkennbar. Die Studienlage ist bei Standardfällen und bei Einarbeitung deutlich, bei Expertenarbeit an vertrautem Material ist sie es nicht.
Zweitens: Trennen Sie Empfinden und Messung — und erheben Sie beides. Zufriedenheit ist eine echte Größe; sie hält Menschen bei der Sache. Sie ist nur kein Beleg für Ergebnisse. Wer nur nach dem Gefühl fragt, bekommt zuverlässig gute Nachrichten.
Drittens: Messen Sie auf Systemebene. Individuelle Beschleunigung ist leicht zu erzeugen und leicht zu berichten. Ob Durchlaufzeit, Fehlerrate und Nacharbeit sich verändert haben, sieht man erst am Ende der Kette.
Viertens: Legen Sie vorher fest, was Sie sehen müssten, um zu glauben, dass es wirkt. Wer diese Frage erst nach dem Piloten stellt, findet immer eine Zahl, die passt.
Es geht nicht darum, dem Nutzen von KI zu misstrauen. Er ist in mehreren sauberen Untersuchungen belegt. Es geht darum, dass die Größe dieses Nutzens eine empirische Frage ist — und dass Organisationen sie derzeit überwiegend mit Selbstauskünften beantworten. Wer sie anders beantwortet, hat einen Vorteil, den kein Werkzeug liefert.
Hinweis zur KI-Nutzung: Recherche und Textfassung dieses Beitrags sind KI-gestützt entstanden. Alle Zahlen wurden gegen die Primärquellen geprüft; wo Arbeitspapier und Veröffentlichung voneinander abweichen, ist das im Text vermerkt. Die Auswahl, die Einordnung und die Schlussfolgerungen verantworte ich.
Quellen
- Becker, J. / Rush, N. / Barnes, E. / Rein, D.: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, arXiv:2507.09089, Juli 2025. arxiv.org/abs/2507.09089
- METR: We are Changing our Developer Productivity Experiment Design, 24. Februar 2026 — Selektionseffekte und revidierte Schätzungen. metr.org
- Brynjolfsson, E. / Li, D. / Raymond, L.: Generative AI at Work. In: The Quarterly Journal of Economics, Bd. 140 (2025), H. 2, S. 889–942. doi.org/10.1093/qje/qjae044
- Noy, S. / Zhang, W.: Experimental evidence on the productivity effects of generative artificial intelligence. In: Science, Bd. 381 (2023). doi.org/10.1126/science.adh2586
- Dell'Acqua, F. / McFowland III, E. / Mollick, E. u. a.: Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013, September 2023; publiziert in Organization Science, DOI 10.1287/orsc.2025.21838. ssrn.com
- Peng, S. / Kalliamvakou, E. / Cihon, P. / Demirer, M.: The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590, Februar 2023. arxiv.org/abs/2302.06590
- DORA / Google Cloud: State of AI-assisted Software Development 2025. Erhebung Juni/Juli 2025, knapp 5.000 Befragte. dora.dev
- McKinsey & Company: The State of AI in 2026: On the Road to ROI, August 2026. 1.719 Befragte aus 97 Ländern. mckinsey.com
- Challapally, A. / Pease, C. / Raskar, R. / Chari, P.: The GenAI Divide: State of AI in Business 2025. MIT NANDA, Juli 2025 — nicht begutachtet; 52 Interviews, 153 Fragebögen.
Dieser Beitrag gibt eine fachliche Einschätzung wieder und ersetzt keine Beratung im Einzelfall.
