Productivity: Die Produktivitäts-Blase – Warum wir effizienter werden, um mehr Müll zu produzieren
Die Tech-Branche feiert sich gerade selbst. Jede Woche ein neues Tool, das uns "10x produktiver" macht. Jeder Benchmark ein neuer Rekord. Jede Keynote ein Versprechen: Mehr Output, schneller, billiger. Aber niemand stellt die eine Frage, die das gesamte Narrativ zum Einsturz bringt: Mehr Output – wofür eigentlich?
Der PwC Global CEO Survey 2026 liefert die ernüchternde Antwort: 56 Prozent der CEOs berichten, dass sie aus ihren KI-Investitionen "nichts herausbekommen". Nur 12 Prozent sehen sowohl Umsatzsteigerung als auch Kostensenkung. [1] Gleichzeitig übersteigen die KI-bezogenen Kapitalausgaben allein in den USA 400 Milliarden Dollar – bei geschätzten 12 Milliarden Dollar tatsächlichem KI-Umsatz. [2] Das ist kein Produktivitäts-Boom. Das ist eine Produktivitäts-Blase.
Das Solow-Paradox 2.0: Die Geschichte wiederholt sich
Robert Solow formulierte 1987 seinen berühmten Satz: "You can see the computer age everywhere but in the productivity statistics." Fast 40 Jahre später stehen wir an exakt derselben Stelle – nur dass es diesmal nicht um Computer geht, sondern um KI. [3]
Die Zahlen sind brutal. Eine NBER-Studie zeigt: 89 Prozent der Manager sehen keine Veränderung der Produktivität – gemessen als Verkaufsvolumen pro Mitarbeiter – über die letzten drei Jahre, obwohl die KI-Adoption von 61 auf 71 Prozent der Unternehmen gestiegen ist. [4] Mehr KI, mehr Tools, mehr Lizenzen – null messbarer Effekt auf Organisationsebene.
Dabei funktioniert KI nachweislich auf Task-Ebene. Kontrollierte Studien zeigen: Berater mit GPT-4 erledigen 12,2 Prozent mehr Aufgaben, 25,1 Prozent schneller, bei 40 Prozent höherer Qualität. Individuelle Produktivitätsgewinne von 14 bis 55 Prozent bei spezifischen Aufgaben sind belegt. [3] Aber nichts davon kommt auf Organisationsebene an. Warum?
Weil die Frage nicht lautet, ob wir einzelne Tasks schneller erledigen können. Die Frage lautet, ob diese Tasks überhaupt erledigt werden sollten.
Workslop: Der neue digitale Sondermüll
Stanford's Digital Economy Lab hat einen Begriff geprägt, der das Problem auf den Punkt bringt: "Workslop" – KI-generierter Content, der poliert aussieht, aber substanzlos ist. [5] Dieser Workslop erzeugt nicht nur keinen Wert – er vernichtet ihn aktiv. Die geschätzten Kosten: 186 Dollar pro Mitarbeiter pro Monat an verschwendeter Zeit, weil Kolleginnen und Kollegen den maschinell erzeugten Output sichten, korrigieren und einordnen müssen.
Noch bezeichnender: Wissensarbeiter verbringen mittlerweile 23 Prozent mehr Zeit mit "Choice Architecture" – der Entscheidung zwischen KI-generierten Optionen – als sie vor zwei Jahren für die originale Erstellung aufgewendet haben. [5] Die KI produziert schneller. Der Mensch evaluiert langsamer. In Summe: Nullspiel. Im schlimmsten Fall: Negativspiel.
Das ist die Ironie der Effizienz-Revolution. Wir haben Maschinen gebaut, die Output mit nahezu null Grenzkosten erzeugen. Und genau das ist das Problem. Wenn Produktion nichts kostet, produziert man alles – auch das, was niemand braucht. Vor allem das, was niemand braucht. Denn die schwierige, teure Arbeit war nie die Produktion. Sie war die Entscheidung, was produziert werden soll.
Die Effizienz-Falle: Schneller in die Sackgasse
Die Diskussion um KI-Produktivität leidet unter einem fundamentalen Kategorienfehler. Effizienz und Produktivität werden als Synonyme behandelt. Sind sie nicht. Effizienz bedeutet, etwas mit weniger Aufwand zu tun. Produktivität bedeutet, etwas Wertvolles hervorzubringen. Ein Agent, der in drei Sekunden zehn Blogposts generiert, ist effizient. Aber er ist nur dann produktiv, wenn diese Blogposts irgendjemanden weiterbringen.
Phys.org hat es im März 2026 treffend formuliert: KI mag die Produktivität steigern, aber Arbeit dreht sich um mehr als die Maximierung von Output. [6] Sicherheit, Fairness, sozialer Wert – das sind Dimensionen, die in keinem Effizienz-Dashboard auftauchen. Und genau deshalb werden sie systematisch ignoriert.
Das Problem ist nicht neu. Taylor'sches Scientific Management, Lean Production, Six Sigma – jede Generation hat ihre Effizienz-Doktrin. Aber KI potenziert den Effekt exponentiell. Wenn ein schlecht kalibriertes Fließband zehn fehlerhafte Teile pro Stunde produziert, ist das ein lokales Problem. Wenn ein schlecht kalibrierter KI-Workflow tausend substanzlose Reports, Features oder Codezeilen pro Stunde generiert, ist das ein systemisches.
Ein YouTube-Creator, der die aktuelle Anthropic-Debatte analysiert, bringt den Kern der Sache auf den Punkt: Der effektivste Arbeitsansatz ist ein kooperativer – das Modell erstellt Entwürfe, der Mensch überprüft und korrigiert. [7] Aber dieser kooperative Ansatz skaliert nicht wie ein "10x-Produktivitäts"-Versprechen. Er erfordert menschliches Urteilsvermögen. Und Urteilsvermögen lässt sich nicht automatisieren.
Die ökologische Dimension: Rechenzentren für Müll
Die Produktivitäts-Blase hat eine physische Seite, die gerne übersehen wird. Jeder generierte Token kostet Strom. Jedes KI-generierte Bild, jeder automatisierte Report, jede vom Agent erzeugte Codezeile verbraucht Rechenkapazität in Rechenzentren, die mit realer Energie betrieben werden.
OpenAI hat gerade eine Finanzierungsrunde über 122 Milliarden Dollar abgeschlossen – ein erheblicher Teil davon fließt in "Next-Generation-Compute". [8] Das Anthropic Institute wurde gegründet, weil selbst die KI-Entwickler erkennen, dass die gesellschaftlichen Herausforderungen schneller wachsen als die Lösungen. [9] Dario Amodei warnt: Die Entwicklung beschleunigt sich exponentiell, und dramatische Fortschritte werden in den nächsten zwei Jahren erwartet.
Wenn diese exponentiell wachsende Rechenkapazität primär dazu verwendet wird, mehr Workslop zu erzeugen – mehr Content, der niemand liest, mehr Features, die niemand nutzt, mehr Code, der niemand wartet – dann bauen wir die größte Müllverbrennungsanlage der Geschichte. Nur dass der Müll digital ist und die Verbrennung real.
Das ist keine Öko-Polemik. Das ist eine ökonomische Realität. Jeder Dollar, der in die Produktion von digitalem Schrott fließt, ist ein Dollar, der nicht in sinnvolle Innovation investiert wird. Und bei 400 Milliarden Dollar Kapitalausgaben ist die Fehlallokation nicht trivial.
Das fehlende Ethos: Was nicht produziert werden sollte
Die aktuelle Diskussion kreist obsessiv um das "Wie" – wie wir Agents orchestrieren, wie wir Prompts optimieren, wie wir Context Windows maximieren. Die Meta-Harness-Forschung von Stanford und MIT zeigt, dass der Harness-Code um ein KI-Modell für dessen Leistung genauso wichtig ist wie die Modellgewichte selbst. [10] Faszinierend. Aber irrelevant, wenn der gesamte Stack darauf ausgerichtet ist, mehr von dem zu produzieren, was niemand braucht.
Was fehlt, ist ein Ethos der Nicht-Produktion. Die radikale Idee, dass die höchste Form von Produktivität darin besteht, bewusst zu entscheiden, was nicht gemacht werden soll. Nicht aus Faulheit. Aus Verantwortung.
Fortune berichtet, dass KI-Arbeiter mittlerweile mehr arbeiten, nicht weniger. [11] Die Effizienz-Dividende wird nicht in Freizeit oder Qualität umgesetzt, sondern in zusätzlichen Output gepumpt. Mehr Meetings, weil die Zusammenfassungen ja automatisch erstellt werden. Mehr Iterationen, weil der Agent ja unbegrenzt Varianten liefert. Mehr Features, weil die Implementation ja "nur noch einen Prompt" kostet.
Das ist das Hamsterrad 2.0. Angetrieben von KI. Schneller drehend als je zuvor. Aber immer noch ein Hamsterrad.
Die nächste Revolution: Mut zur Lücke
Die echte Produktivitäts-Revolution liegt nicht in der Geschwindigkeit. Sie liegt in der Entscheidung. In dem Moment, in dem ein Team sagt: "Dieses Feature bauen wir nicht, obwohl wir es könnten." In dem Moment, in dem eine Organisation erkennt, dass der wertschöpfendste Akt nicht die Erstellung des nächsten Reports ist, sondern die Abschaffung der letzten fünf.
Oxford Economics zeigt in ihrem Report vom Januar 2026: Trotz massiver KI-Adoption keine dramatischen Arbeitsmarkteffekte. [7] Vielleicht liegt das daran, dass die "Produktivitätsgewinne" bisher nur auf dem Papier existieren – oder, schlimmer, dass sie in einer endlosen Feedback-Schleife versickern, in der KI mehr Arbeit für Menschen erzeugt, die wiederum KI brauchen, um diese Arbeit zu bewältigen.
Die Alternative ist ein Paradigmenwechsel: von Output-Maximierung zu Impact-Maximierung. Nicht "Wie viele Features können wir shippen?" sondern "Welche eine Sache verändert wirklich etwas?" Nicht "Wie schnell können wir Content produzieren?" sondern "Was ist der eine Satz, der tausend Worte ersetzt?"
Das ist schwerer. Es erfordert strategisches Denken statt taktischer Optimierung. Es erfordert den Mut, Nein zu sagen – zu Stakeholdern, zu KPIs, zu der verführerischen Leichtigkeit der maschinellen Produktion. Aber es ist der einzige Weg aus der Blase. Denn wenn wir weiterhin nur besser darin werden, die Welt mit digitalem und physischem Schrott zu überfluten, dann sind wir nicht produktiv. Dann sind wir nur effizient gescheitert.
Referenzen
- PwC 2026 Global CEO Survey: 56% der CEOs sehen keinen Nutzen aus KI-Investitionen, Februar 2026
https://fortune.com/2026/02/17/ai-productivity-paradox-ceo-study-robert-solow-information-technology-age/ - AI Bubble Analyse: $400 Mrd. Kapitalausgaben vs. $12 Mrd. KI-Umsatz, 2026
https://en.wikipedia.org/wiki/AI_bubble - Fortune: Thousands of CEOs admitted AI had no impact – Solow Paradox revisited, Februar 2026
https://fortune.com/2026/02/17/ai-productivity-paradox-ceo-study-robert-solow-information-technology-age/ - NBER Working Paper: Artificial Intelligence and the Modern Productivity Paradox, 2026
https://www.nber.org/papers/w24001 - Stanford Digital Economy Lab / Fortune: AI Productivity Paradox – Workslop und Choice Architecture, März 2026
https://fortune.com/2026/03/10/ai-productivity-workers-workday-efficiency/ - Phys.org: AI could boost productivity, but work is about more than maximizing output, März 2026
https://phys.org/news/2026-03-ai-boost-productivity-maximizing-output.html - AI-Produktivität: Hype vs. Realität – Oxford Economics Report und Anthropic-Analyse, 2026
https://www.youtube.com/watch?v=wYs6HWZ2FdM - OpenAI 122 Milliarden Dollar Finanzierungsrunde für Next-Generation-Compute, März 2026
https://openai.com/news/rss.xml - Gründung des Anthropic Institute zur Bewältigung gesellschaftlicher KI-Herausforderungen, 2026
https://www.anthropic.com/news/the-anthropic-institute - Meta-Harness: Automatische Optimierung von Agenten-Harnesses – Stanford, MIT, Crafted, 2026
https://www.youtube.com/watch?v=61JUHDK-em8 - Fortune: The AI productivity paradox – More work, not less, März 2026
https://fortune.com/2026/03/10/ai-productivity-workers-workday-efficiency/