Ersetzt künstliche Intelligenz menschliches Denken? KI kann vieles besser und schneller – doch bei diesen Aufgaben wird sie zum Risiko

Wenn Maschinen Ideen entwickeln: Wo ihr wirtschaftlicher Wert endet

Die neue Knappheit in der Arbeitswelt: Warum Urteilskraft durch KI wertvoller wird

Künstliche Intelligenz schreibt Texte, entwickelt Software, fasst Informationen zusammen und unterstützt Entscheidungen. Damit übernimmt sie Aufgaben, die lange als typisch menschliche Wissensarbeit galten. Doch was steckt hinter ihren überzeugenden Ergebnissen? Versteht eine KI tatsächlich, worüber sie spricht – oder erzeugt sie lediglich Antworten, die für Menschen verständlich und plausibel wirken?

Für Unternehmen ist diese Frage mehr als eine philosophische Debatte. KI kann Arbeitsprozesse beschleunigen und die Qualität von Ergebnissen verbessern. Studien zeigen jedoch auch, dass ihre Unterstützung bei bestimmten Aufgaben zu schlechteren Entscheidungen führen kann. Entscheidend ist daher nicht allein, wie schnell ein System arbeitet oder wie intelligent seine Antworten klingen. Wichtig ist, ob es im jeweiligen Anwendungsfall zuverlässig ist, welche Fehler es macht und wie sich diese Fehler auswirken.

Auch die Gegenüberstellung von einer „denkenden“ Maschine und einem ausschließlich verstehenden Menschen greift zu kurz. KI kann Muster erkennen, Informationen verknüpfen und neue Vorschläge hervorbringen, ohne dass damit menschliches Erleben oder Bewusstsein nachgewiesen wäre. Zugleich sind Menschen keineswegs unfehlbar: Auch sie urteilen nach Routinen, übersehen Zusammenhänge und lassen sich von überzeugenden Erklärungen blenden.

Die wirtschaftliche Frage lautet deshalb nicht, ob eine Maschine wie ein Mensch denkt. Sie lautet, welche Aufgaben sie verlässlich erledigen kann – und wo Fachwissen, kritische Prüfung und Verantwortung unverzichtbar bleiben. Denn je leichter KI Texte, Analysen und Ideen erzeugt, desto wichtiger wird die Fähigkeit, gute Vorschläge von plausibel klingenden, aber falschen zu unterscheiden.

Die KI berechnet, der Mensch begreift? Was künstliche Intelligenz tatsächlich kann und wo ihr wirtschaftlicher Wert Grenzen hat

Maschinen brauchen kein Bewusstsein, um Geschäftsmodelle zu erschüttern – aber Unternehmen brauchen mehr als perfekte Antworten

Künstliche Intelligenz verändert die Ökonomie geistiger Arbeit. Sie schreibt Texte, entwickelt Programmcode, strukturiert Informationen, entwirft Produkte und unterstützt Entscheidungen. Damit übernimmt sie Tätigkeiten, die lange als Ausdruck spezifisch menschlicher Fähigkeiten galten. Aus dieser Entwicklung entsteht eine grundlegende Frage: Wenn eine Maschine überzeugende Ergebnisse liefert, denkt und versteht sie dann auch – oder erzeugt sie lediglich etwas, das für Menschen wie Denken und Verstehen aussieht?

Die wirtschaftlich entscheidende Antwort liegt zwischen zwei Übertreibungen. Die eine erklärt künstliche Intelligenz vorschnell zu einem denkenden und empfindenden Gegenüber. Die andere reduziert sie auf eine bloße Kopiermaschine und unterschätzt damit ihre tatsächlichen Fähigkeiten. Beide Sichtweisen erschweren sachgerechte Investitionsentscheidungen. Unternehmen müssen weder an ein Maschinenbewusstsein glauben noch dessen grundsätzliche Unmöglichkeit beweisen, um KI sinnvoll einzusetzen. Sie müssen verstehen, welche Leistungen ein System zuverlässig erbringt, unter welchen Bedingungen es scheitert und welche menschlichen Fähigkeiten dadurch wertvoller oder entbehrlicher werden.

Dabei sind drei Begriffe besonders aufschlussreich: Abstraktion, Idee und Erkenntnis. Sie beschreiben unterschiedliche Ebenen geistiger Leistung. Abstraktion löst ein Prinzip aus einzelnen Beobachtungen. Eine Idee eröffnet eine neue Handlungsmöglichkeit. Erkenntnis verändert das Verständnis eines Sachverhalts. KI kann Ergebnisse hervorbringen, die alle drei Leistungen funktional nachbilden oder in bestimmten Aufgaben tatsächlich realisieren. Daraus folgt jedoch nicht automatisch, dass sie diese Leistungen als subjektiv erlebenden Vorgang vollzieht.

Gerade diese Trennung zwischen beobachtbarer Leistung und innerem Erleben ist ökonomisch bedeutsam. Märkte bezahlen zunächst für verwendbare Ergebnisse, nicht für philosophische Gewissheit über deren Entstehung. Verantwortung, Vertrauen, Zielsetzung und gesellschaftliche Legitimation lassen sich dagegen nicht allein aus der Qualität eines generierten Ergebnisses ableiten.

Zwischen Rechenverfahren und Verständnis liegt keine einfache Trennlinie

Moderne generative Sprachmodelle lernen aus großen Datenbeständen statistische Regelmäßigkeiten. Vereinfacht gesagt, werden ihre Parameter während des Trainings so angepasst, dass sie sprachliche Fortsetzungen und andere geforderte Ausgaben möglichst gut erzeugen können. Beim Einsatz verarbeiten sie den jeweiligen Kontext und berechnen daraus eine Ausgabe.

Diese Beschreibung ist technisch wichtig, erklärt aber noch nicht vollständig, welche Fähigkeiten aus dem Verfahren entstehen. Aus der Tatsache, dass ein System mathematisch arbeitet, folgt nicht, dass es ausschließlich oberflächliche Wortnachbarschaften verarbeitet. Auch komplexe Beziehungen, Kategorien und abstrahierte Strukturen können sich in gelernten Repräsentationen niederschlagen. Die Forschung diskutiert deshalb nicht nur die Grenzen solcher Systeme, sondern auch, in welchem Umfang sie interne Weltmodelle und funktional relevante Formen von Verständnis ausbilden.

Das Beispiel eines Apfels verdeutlicht die notwendige Unterscheidung. Ein Mensch verbindet einen Apfel mit Geschmack, Geruch, Gewicht, Erinnerungen, Hunger oder einer konkreten Handlung. Ein ausschließlich sprachbasiertes Modell besitzt diese persönliche Erfahrung nicht. Es kann dennoch Beziehungen zwischen Äpfeln, Reifeprozessen, Ernährung, Landwirtschaft und Schwerkraft verarbeiten. Ein multimodales System kann zusätzlich Bilder oder andere Sensordaten einbeziehen. Fehlende menschliche Erfahrung bedeutet deshalb nicht automatisch fehlende funktionale Kompetenz.

Umgekehrt beweist eine treffende Erklärung noch kein menschliches Verständnis. Ein System kann über Geschmack sprechen, ohne dass damit ein Geschmackserlebnis nachgewiesen wäre. Es kann Trauer beschreiben, ohne dass daraus ein eigenes Gefühl folgt. Die Sprache, in der Menschen innere Zustände ausdrücken, lässt sich erzeugen, ohne dass die entsprechenden Zustände damit wissenschaftlich belegt wären. Gegenwärtig gibt es keine allgemein akzeptierte Grundlage, aus überzeugender Sprachleistung unmittelbar auf subjektives Erleben zu schließen.

Für die Wirtschaft ergibt sich daraus eine nüchterne Perspektive: Ein Unternehmen sollte KI weder nach ihrer Menschenähnlichkeit noch nach ihrer sprachlichen Selbstbeschreibung beurteilen. Ausschlaggebend sind überprüfbare Fähigkeiten, Fehlerprofile und der konkrete Nutzen im jeweiligen Arbeitsprozess.

Warum die Formel von Syntax ohne Semantik zu kurz greift

Die Unterscheidung zwischen Syntax und Semantik beschreibt ein reales Problem. Syntax betrifft die Regeln, nach denen Zeichen angeordnet werden. Semantik betrifft ihre Bedeutung. Ein grammatikalisch korrekter Satz kann sachlich falsch sein. Eine überzeugend formulierte Handlungsempfehlung kann auf unzutreffenden Annahmen beruhen.

Daraus lässt sich allerdings nicht ohne Weiteres ableiten, dass KI grundsätzlich keinerlei Bedeutungsstrukturen verarbeitet. Die Aussage hängt davon ab, was unter Bedeutung verstanden wird. Wenn Bedeutung ausschließlich als subjektives Erleben aufgefasst wird, ist ihre Zuschreibung an heutige Systeme nicht gesichert. Wenn Bedeutung dagegen die Fähigkeit umfasst, Begriffe situationsgerecht zu unterscheiden und Beziehungen für Problemlösungen zu nutzen, können Systeme entsprechende funktionale Leistungen zeigen. Gerade deshalb bleibt die philosophische Einordnung umstritten.

Für betriebliche Anwendungen ist diese Unterscheidung praktischer, als sie zunächst erscheint. Ein Modell kann den Begriff Lieferverzug sprachlich korrekt verwenden. Ob es eine belastbare Empfehlung für einen konkreten Lieferengpass erstellt, hängt jedoch davon ab, ob es die relevanten Bestände, Vertragsbedingungen, Produktionsabhängigkeiten und Handlungsoptionen berücksichtigen kann.

Das Problem ist dann nicht nur fehlende Bedeutung im philosophischen Sinn, sondern möglicherweise ein unvollständiger Zugang zur betrieblichen Wirklichkeit. Ein sprachlich leistungsfähiges System ohne aktuelle Bestandsdaten bleibt für die operative Disposition begrenzt. Ein weniger ausdrucksstarkes System mit verlässlichen Daten und klaren Entscheidungsregeln kann wirtschaftlich nützlicher sein.

Die zentrale Managementfrage lautet daher nicht, ob eine Antwort intelligent klingt. Sie lautet, ob die zugrunde liegenden Informationen, Schlussfolgerungen und vorgeschlagenen Maßnahmen für die konkrete Entscheidung ausreichen.

Abstraktion heißt, das Wesentliche auch außerhalb des Beispiels zu erkennen

Menschen können aus einzelnen Erfahrungen allgemeine Begriffe bilden. Ein Stuhl ist nicht durch eine bestimmte Farbe, ein bestimmtes Material oder genau vier Beine definiert. Entscheidend ist seine Funktion in einem Handlungskontext. Deshalb kann auch ein umgedrehter Eimer als Sitzgelegenheit dienen.

Dieses Beispiel zeigt die Stärke menschlicher Begriffsbildung: Menschen verbinden Wahrnehmung, Körpererfahrung, soziale Hinweise und praktische Ziele. Allerdings wäre es irreführend, daraus eine allgemeine Regel abzuleiten, nach der Menschen stets mit wenigen Beispielen auskommen und Maschinen grundsätzlich sehr viele benötigen. Ein Kind begegnet Gegenständen nicht ohne Vorwissen. Seine Lernleistung beruht auf einer bereits umfangreichen Entwicklungsgeschichte.

Auch bei KI ist zwischen der aufwendigen Trainingsphase und der Anwendung eines bereits trainierten Modells zu unterscheiden. Ein vortrainiertes System kann neue Aufgaben anhand weniger Beispiele bearbeiten, weil es auf zuvor erworbene Strukturen zurückgreift. Entscheidend ist daher weniger die bloße Zahl der unmittelbar gezeigten Beispiele als die Frage, wie weit ein gelerntes Prinzip über vertraute Situationen hinaus trägt.

Hier liegt eine wesentliche Schwierigkeit. Gute Leistungen in einer Aufgabenklasse gewährleisten keine gleichmäßige Übertragbarkeit auf andere Aufgaben. Untersuchungen zu wissensintensiver Arbeit zeigen, dass KI bei manchen Anforderungen erheblich hilft, während sie bei anderen, äußerlich ähnlich anspruchsvollen Aufgaben die Ergebnisqualität verschlechtern kann.

Für Unternehmen bedeutet dies: Abstraktionsfähigkeit muss an realen Übertragungsproblemen geprüft werden. Ein System, das historische Reklamationen gut zusammenfasst, muss nicht zuverlässig erkennen, dass hinter neuen Beschwerden ein bislang unbekannter Konstruktionsfehler steckt. Ein Modell, das bestehende Geschäftsmodelle überzeugend beschreibt, muss nicht richtig beurteilen, welche ihrer Voraussetzungen gerade zusammenbrechen.

Wenn Analogien nützlich werden und wann sie in die Irre führen

Eine besondere Form der Abstraktion ist die Analogie. Menschen übertragen Strukturen von einem Bereich auf einen anderen. Sie sprechen von organisatorischen Engpässen, digitalen Ökosystemen oder dem Schwungrad eines Geschäftsmodells. Solche Begriffe können komplexe Beziehungen verständlicher machen.

Eine Analogie ist jedoch kein Beweis. Die Übertragung eines physikalischen Prinzips auf soziale Prozesse kann eine interessante Denkfigur sein, ohne eine belastbare Erklärung zu liefern. Unternehmen verhalten sich nicht wie Planeten, und Märkte folgen nicht einfach den Gesetzen mechanischer Bewegung.

Gerade bei KI-generierten Analysen sollte deshalb zwischen sprachlicher Anschaulichkeit und kausaler Tragfähigkeit unterschieden werden. Eine elegante Metapher kann verdecken, dass zentrale Annahmen ungeprüft bleiben. Das gilt insbesondere dann, wenn ein System aus bekannten Erzählmustern eine plausible Erklärung zusammensetzt.

Untersuchungen zu menschenähnlichen Schlussfolgerungen von Sprachmodellen benennen unter anderem heuristische Abkürzungen, Scheinkorrelationen und fehlerhafte Kausalannahmen als Einschränkungen. Solche Probleme können trotz hoher Trefferquoten in anderen Tests auftreten.

Wirtschaftlich wertvoll wird Abstraktion deshalb erst, wenn sie eine überprüfbare Verbesserung ermöglicht. Eine gute Analogie hilft, eine Hypothese zu formulieren. Danach müssen Daten, Experimente oder praktische Beobachtungen zeigen, ob die vermutete Beziehung tatsächlich besteht. Die Fähigkeit, aus einer ansprechenden Idee eine überprüfbare Aussage zu machen, bleibt eine zentrale Voraussetzung belastbarer Analyse.

Ideen entstehen nicht nur aus Daten, aber auch nicht aus dem Nichts

Menschliche Ideen können aus Neugier, Ärger, Mangel, Freude, Angst oder persönlicher Betroffenheit entstehen. Wer täglich unter einer umständlichen Arbeitsweise leidet, entdeckt möglicherweise eine Verbesserung, die in keiner formalen Aufgabenbeschreibung vorgesehen war. Ein Unternehmer erkennt ein Problem, weil er mit Kunden spricht. Ein Konstrukteur verändert ein Bauteil, weil er dessen Schwächen bei der Montage erlebt.

Diese Verbindung von Erfahrung, Motivation und Zielsetzung unterscheidet menschliche Kreativität von der Ausgabe eines heutigen generativen Systems. Allerdings sollte auch menschliche Kreativität nicht mystifiziert werden. Ideen entstehen häufig durch neue Kombinationen vorhandenen Wissens. Sie benötigen keine Entstehung außerhalb aller bisherigen Erfahrungen, um originell und wirtschaftlich wertvoll zu sein.

Deshalb ist auch die Behauptung zu stark, KI könne nur Vorhandenes wiederholen. Systeme können Kombinationen erzeugen, die in dieser Form neu sind und Menschen auf brauchbare Möglichkeiten aufmerksam machen. In experimentellen Beratungsaufgaben gehörten kreative Anforderungen ausdrücklich zu den Tätigkeiten, bei denen KI die Leistung verbessern konnte.

Die wichtigere Frage lautet, wer die Richtung vorgibt und wer den Wert der Ergebnisse beurteilt. Eine Maschine kann Varianten für ein Produkt entwickeln. Ob dieses Produkt ein relevantes Kundenproblem löst, zu einem Unternehmen passt oder gesellschaftlich erwünscht ist, bleibt eine weitergehende Bewertung.

Dabei ist Originalität nur ein Kriterium. Eine neue Idee kann unbrauchbar, unverkäuflich oder gefährlich sein. Umgekehrt kann eine wenig spektakuläre Verbesserung einen hohen wirtschaftlichen Nutzen erzeugen. Die Zahl produzierter Vorschläge ist deshalb kein zuverlässiger Maßstab für Innovationsleistung.

Eigenständiges Handeln ist noch kein Beleg für eigene Absichten

Die Vorstellung, KI reagiere ausschließlich auf einen einzelnen Prompt, beschreibt viele einfache Anwendungen, aber nicht jede Form ihres Einsatzes. Systeme können in Arbeitsabläufe eingebunden werden, die automatisch starten, Werkzeuge verwenden, Zwischenergebnisse auswerten und weitere Schritte auslösen. Die Forschung untersucht entsprechend auch KI-Agenten, die abgegrenzte Aufgaben über mehrere Arbeitsschritte bearbeiten.

Damit ist operative Eigenständigkeit möglich, ohne dass eigene Bedürfnisse nachgewiesen wären. Ein System kann auf ein Ziel hinarbeiten, weil dieses Ziel technisch vorgegeben wurde. Es muss dafür weder Ehrgeiz empfinden noch den Erfolg persönlich wünschen.

Auch der Begriff Intentionalität verlangt Genauigkeit. In der Philosophie bezeichnet er häufig die Gerichtetheit geistiger Zustände auf etwas. Im alltäglichen Sprachgebrauch meint er dagegen oft Absicht oder inneren Antrieb. Diese Bedeutungen dürfen nicht einfach gleichgesetzt werden. Für Unternehmen reicht zunächst eine praktischere Unterscheidung: Wer setzt das Ziel, welche Handlungsspielräume erhält das System und wer trägt die Folgen?

Ein automatisch arbeitender Vertriebsagent könnte beispielsweise auf möglichst viele qualifizierte Kontakte optimiert werden. Ob dabei Kundenbeziehungen beschädigt, unerwünschte Anreize gesetzt oder sensible Informationen unpassend verwendet werden, hängt von den gesetzten Regeln und Kontrollen ab.

Die ökonomische Herausforderung besteht somit nicht darin, einer Maschine menschliche Motivation zuzuschreiben. Sie besteht darin, technische Zielverfolgung mit unternehmerischen Interessen und gesellschaftlichen Anforderungen in Einklang zu bringen. Je größer der Handlungsspielraum, desto wichtiger werden überprüfbare Grenzen.

Erkenntnis ist mehr als ein überzeugender Satz

Ein menschlicher Erkenntnismoment verändert häufig mehr als eine einzelne Antwort. Wer einen Zusammenhang versteht, kann bisherige Überzeugungen korrigieren, Handlungen anpassen und die eigene Rolle neu bewerten. Ein Aha-Erlebnis besitzt deshalb sowohl eine kognitive als auch eine persönliche Dimension.

Bei KI müssen diese Ebenen getrennt werden. Ein System kann eine zutreffende Erklärung erzeugen oder eine bisher unbeachtete Verbindung sichtbar machen. Daraus kann für einen Menschen echte Erkenntnis entstehen. Damit ist jedoch noch nicht gezeigt, dass das System selbst einen subjektiv erlebten Erkenntnismoment hatte.

Ebenso wenig lässt sich die Bewusstseinsfrage durch eine kategorische Behauptung abschließen. Es gibt keine allgemein akzeptierte operationale Definition, mit der subjektives Erleben bei beliebigen Systemen zweifelsfrei festgestellt werden könnte. Wissenschaftlich angemessen ist deshalb, zwischen fehlendem belastbarem Nachweis und einem Beweis grundsätzlicher Unmöglichkeit zu unterscheiden.

Forschung zu begrenzten Formen der Selbstbeobachtung in Sprachmodellen illustriert diese Vorsicht. In Experimenten konnten Modelle unter bestimmten Bedingungen Informationen über beeinflusste interne Zustände erkennen. Die Ergebnisse waren jedoch unzuverlässig und wurden ausdrücklich nicht als Nachweis phänomenalen Bewusstseins eingeordnet.

Für wirtschaftliche Entscheidungen ist diese Ungewissheit weniger lähmend, als sie wirkt. Unternehmen können die Güte einer Diagnoseunterstützung, eines Entwurfs oder einer Prognose prüfen, ohne zuvor das Bewusstseinsproblem zu lösen. Sie dürfen nur nicht aus überzeugender Leistung zusätzliche Eigenschaften ableiten, die nicht belegt sind.

Hier erfahren Sie, wie Ihr Unternehmen maßgeschneiderte KI-Lösungen schnell, sicher und ohne hohe Einstiegshürden realisieren kann.

Eine Managed AI Platform ist Ihr Rundum-Sorglos-Paket für künstliche Intelligenz. Anstatt sich mit komplexer Technik, teurer Infrastruktur und langwierigen Entwicklungsprozessen zu befassen, erhalten Sie von einem spezialisierten Partner eine fertige, auf Ihre Bedürfnisse zugeschnittene Lösung – oft innerhalb weniger Tage.

Die zentralen Vorteile auf einen Blick:

⚡ Schnelle Umsetzung: Von der Idee zur einsatzbereiten Anwendung in Tagen, nicht Monaten. Wir liefern praxisnahe Lösungen, die sofort Mehrwert schaffen.

🔒 Maximale Datensicherheit: Ihre sensiblen Daten bleiben bei Ihnen. Wir garantieren eine sichere und konforme Verarbeitung ohne Datenweitergabe an Dritte.

💸 Kein finanzielles Risiko: Sie zahlen nur für Ergebnisse. Hohe Vorabinvestitionen in Hardware, Software oder Personal entfallen komplett.

🎯 Fokus auf Ihr Kerngeschäft: Konzentrieren Sie sich auf das, was Sie am besten können. Wir übernehmen die gesamte technische Umsetzung, den Betrieb und die Wartung Ihrer KI-Lösung.

📈 Zukunftssicher & Skalierbar: Ihre KI wächst mit Ihnen. Wir sorgen für die laufende Optimierung, Skalierbarkeit und passen die Modelle flexibel an neue Anforderungen an.

Mehr dazu hier:

• Die Managed-AI Lösung - Industrielle KI-Services: Der Schlüssel zur Wettbewerbsfähigkeit im Bereich Dienstleistungen, Industrie und Maschinenbau

Der Markt bewertet Ergebnisse, nicht das innere Erleben ihres Urhebers

Der ökonomische Wert einer Leistung hängt wesentlich davon ab, welches Problem sie löst, welche Kosten sie vermeidet und welche Risiken sie erzeugt. Ein Unternehmen benötigt für die automatische Zuordnung von Dokumenten kein System mit menschlichem Selbstverständnis. Es benötigt verlässliche Zuordnung, vertretbare Kosten und eine klare Behandlung von Ausnahmen.

Das erklärt, weshalb fehlendes nachgewiesenes Bewusstsein keine wirtschaftliche Schutzmauer für menschliche Arbeit bildet. Eine Maschine muss eine Tätigkeit nicht auf menschliche Weise erleben, um einen Teil ihrer marktfähigen Ergebnisse bereitzustellen. Entscheidend ist, ob Käufer die Leistung akzeptieren und ob die Gesamtkosten niedriger oder die Ergebnisse besser sind.

Gleichzeitig ist nicht jede äußerlich ähnliche Ausgabe wirtschaftlich gleichwertig. Ein automatisch erzeugter Strategieentwurf ersetzt nicht zwingend eine verantwortete Strategieentscheidung. Ein juristisch klingender Text ist nicht automatisch eine belastbare rechtliche Prüfung. Eine Prognose ersetzt nicht die Entscheidung darüber, welches Risiko ein Unternehmen tragen will.

In wissensintensiven Berufen verschiebt sich dadurch der Schwerpunkt. Die reine Erstellung eines ersten Entwurfs kann leichter verfügbar werden. Wertvoller werden möglicherweise die präzise Problemdefinition, der Zugang zu relevanten Informationen, die Überprüfung von Annahmen und die Umsetzung unter realen Bedingungen.

Die entscheidende Differenz verläuft dann nicht schlicht zwischen Mensch und Maschine. Sie verläuft zwischen austauschbarer Ergebnisproduktion und einer Leistung, die zuverlässig in einen konkreten wirtschaftlichen Zusammenhang eingebettet ist.

Was Produktivitätsstudien zeigen und was sie offenlassen

Die wirtschaftliche Debatte sollte nicht bei grundsätzlichen Überlegungen stehen bleiben. Empirische Untersuchungen zeigen, dass generative KI unter bestimmten Bedingungen die Arbeitsleistung deutlich verbessern kann.

Eine Untersuchung von Erik Brynjolfsson, Danielle Li und Lindsey Raymond betrachtete in ihrer frühen Arbeitspapierfassung 5.179 Beschäftigte im Kundendienst. Der Zugang zu einem KI-Assistenten erhöhte die Produktivität, gemessen an gelösten Kundenanliegen pro Stunde, im Durchschnitt um rund 14 Prozent. Bei unerfahrenen und geringer qualifizierten Beschäftigten lag der gemessene Zuwachs bei etwa 34 Prozent, während erfahrene und besonders leistungsfähige Beschäftigte deutlich weniger profitierten.

Die Zahlen sind aus mehreren Gründen wichtig. Erstens betrifft der Effekt eine konkrete betriebliche Tätigkeit und nicht die gesamte Wirtschaft. Zweitens ist der Durchschnitt kein verlässlicher Maßstab für jeden einzelnen Beschäftigten. Drittens kann KI besonders dort helfen, wo vorhandenes Erfahrungswissen leichter zugänglich und während der Arbeit unmittelbar nutzbar wird.

Daraus ergibt sich eine plausible wirtschaftliche Funktion: KI kann einen Teil organisatorischen Wissens verbreiten, das zuvor an einzelne erfahrene Personen gebunden war. Neue Beschäftigte müssen dann nicht jede geeignete Formulierung oder jeden Lösungsweg selbst entdecken.

Die Untersuchung belegt jedoch keine allgemeine Ersetzbarkeit von Fachkräften. Ebenso wenig beweist sie, dass gleiche Effekte in jeder Branche entstehen. Ein standardisierter Kundendienst unterscheidet sich erheblich von einer Investitionsentscheidung, einer komplexen Verhandlung oder der Entwicklung eines sicherheitskritischen Systems. Produktivitätszahlen benötigen deshalb immer eine Beschreibung der untersuchten Tätigkeit.

Mehr Geschwindigkeit kann mit schlechteren Entscheidungen einhergehen

Besonders aufschlussreich ist ein Experiment mit 758 Beratern der Boston Consulting Group. Bei Aufgaben innerhalb der untersuchten Leistungsfähigkeit des eingesetzten Systems bearbeiteten Teilnehmende mit KI-Unterstützung durchschnittlich 12,2 Prozent mehr Aufgaben und erledigten sie 25,1 Prozent schneller. Auch die bewertete Qualität ihrer Ergebnisse lag deutlich höher.

Bei einer gezielt anders gelagerten komplexen Aufgabe kehrte sich der Vorteil jedoch um. Die KI-Unterstützung verringerte die Wahrscheinlichkeit einer richtigen Lösung. Die begleitende Darstellung der Harvard Business School beziffert den durchschnittlichen Unterschied auf rund 19 Prozentpunkte.

Darin liegt eine zentrale wirtschaftliche Warnung. Die Leistungsgrenze von KI ist nicht gleichmäßig. Ein System kann bei einer Aufgabe hervorragend und bei einer ähnlich wirkenden Aufgabe unzuverlässig sein. Für Anwender ist diese Grenze nicht immer unmittelbar sichtbar.

Gerade sprachliche Qualität kann die Lage erschweren. Eine gut strukturierte Antwort erzeugt leicht Vertrauen, auch wenn ihre entscheidende Annahme falsch ist. Wenn Menschen den Vorschlag übernehmen, ohne die zugrunde liegende Logik zu prüfen, wird die technische Schwäche zur organisatorischen Schwäche.

Der relevante Maßstab ist deshalb nicht allein die Geschwindigkeit der Bearbeitung. Er ist die Geschwindigkeit bis zu einem belastbaren, verwendbaren und verantwortbaren Ergebnis. Eine schnelle falsche Entscheidung kann wirtschaftlich erheblich teurer sein als eine langsamere richtige.

Billigere Rechenleistung verschiebt die Knappheit in der Wissensarbeit

Die sinkenden Kosten leistungsfähiger KI verstärken diesen Veränderungsdruck. Der Stanford AI Index 2025 berichtet, dass die Abfragekosten für ein System auf einem mit GPT-3.5 vergleichbaren Leistungsniveau zwischen November 2022 und Oktober 2024 um mehr als den Faktor 280 sanken. Gemeint ist ein bestimmtes Leistungsniveau, nicht eine allgemeine Verbilligung sämtlicher KI-Anwendungen im gleichen Umfang.

Ökonomisch bedeutet eine solche Entwicklung, dass bestimmte Formen geistiger Vorarbeit leichter verfügbar werden können. Zusammenfassungen, Textvarianten, erste Analysen und einfache Entwürfe verlieren einen Teil ihrer früheren Knappheit. Das erhöht den Wettbewerbsdruck auf Leistungen, deren Wert vor allem aus ihrer aufwendigen Erstellung entstand.

Allerdings sind niedrige Modellkosten nicht mit niedrigen Gesamtkosten gleichzusetzen. Ein Unternehmen muss gegebenenfalls Daten aufbereiten, Schnittstellen entwickeln, Zugriffsrechte organisieren, Ergebnisse prüfen und Mitarbeitende schulen. Hinzu kommen mögliche Kosten fehlerhafter Ausgaben.

Die Knappheit verschiebt sich deshalb. Wenn Entwürfe billig werden, kann ihre Prüfung zum Engpass werden. Wenn Ideen in großer Zahl entstehen, wird die Auswahl wertvoller. Wenn Informationen schnell zusammengefasst werden, gewinnt die Frage an Bedeutung, welche Informationen überhaupt vertrauenswürdig und entscheidungsrelevant sind.

Diese Verschiebung erklärt, weshalb KI gleichzeitig Leistungen entwerten und neue Nachfrage erzeugen kann. Nicht jede bisher bezahlte Tätigkeit verschwindet. Aber der Teil ihrer Wertschöpfung, der auf routinemäßiger Informationsverarbeitung beruht, muss neu begründet werden.

Vom scheinbaren Zeitgewinn zum tatsächlichen Geschäftsergebnis

Ein Unternehmen sollte den Nutzen von KI nicht allein daran messen, wie viel schneller ein einzelner Arbeitsschritt abläuft. Entscheidend ist, ob sich der gesamte Prozess verbessert.

Angenommen, ein Analyseentwurf benötigt ohne KI zehn Stunden und mit KI sechs Stunden. Auf der Ebene der Erstellung entsteht ein deutlicher Zeitgewinn. Wenn jedoch anschließend mehrere zusätzliche Stunden für Quellenkontrolle, Datenkorrektur und die Bereinigung unzutreffender Schlussfolgerungen erforderlich werden, fällt der tatsächliche Vorteil kleiner aus. Dieses Beispiel ist eine Modellrechnung, keine Aussage über eine bestimmte Studie.

Noch wichtiger ist die Frage, was mit der gewonnenen Zeit geschieht. Sie kann für zusätzliche Aufträge, bessere Kundenbetreuung oder eine gründlichere Prüfung genutzt werden. Sie kann aber auch ungenutzt bleiben, wenn andere Prozessschritte die Kapazität begrenzen.

Bei wirtschaftlichen Bewertungen sollten daher Erstellungskosten, Kontrollaufwand, Fehlerfolgen und tatsächliche Nutzung gemeinsam betrachtet werden. Für eine unverbindliche Ideensammlung ist ein anderes Risikoniveau vertretbar als für eine Entscheidung mit hohen finanziellen oder sicherheitsbezogenen Folgen.

Damit verändert sich auch die Investitionslogik. Ein günstiges System ist nicht automatisch wirtschaftlich. Ein teureres System kann sich rechnen, wenn es erheblich weniger Nacharbeit verursacht oder einen kritischen Engpass zuverlässig beseitigt. Ausschlaggebend sind die Gesamtkosten eines brauchbaren Ergebnisses.

Warum bessere Einzelleistungen noch keinen gesamtwirtschaftlichen Sprung garantieren

Produktivitätsgewinne auf Aufgabenebene lassen sich nicht einfach auf Unternehmen oder Volkswirtschaften hochrechnen. Wenn eine Tätigkeit nur einen kleinen Teil der gesamten Arbeitszeit beansprucht, bleibt ihr Beitrag zur Gesamtleistung begrenzt. Außerdem bestehen Betriebe aus miteinander verbundenen Abläufen.

Wird die Erstellung von Angeboten schneller, hilft das wenig, wenn die technische Freigabe weiterhin stockt. Beschleunigt KI die Softwareentwicklung, kann der Engpass bei Tests, Integration oder Kundenanforderungen liegen. Verbessert sie die Informationssuche, entsteht noch kein zusätzlicher Umsatz, solange Entscheidungen und Umsetzung unverändert bleiben.

Auch hohe Nutzungsquoten sollten vorsichtig interpretiert werden. Der Stanford AI Index 2025 nennt für 2024 einen Anteil von 78 Prozent befragter Organisationen mit KI-Nutzung, nach 55 Prozent im Vorjahr. Gemeint ist die berichtete Nutzung in mindestens einer Geschäftsfunktion, nicht der Nachweis einer durchgängigen produktiven Transformation.

Zwischen Experimentieren und wirtschaftlich wirksamer Integration liegt ein erheblicher Unterschied. Ein einzelner Assistent für Texte verändert noch nicht das Geschäftsmodell. Erst wenn Datenzugang, Zuständigkeiten, Arbeitsabläufe und Qualitätssicherung zusammenpassen, kann aus technischer Leistungsfähigkeit ein dauerhafter Wettbewerbsvorteil entstehen.

Eine realistische Perspektive verbindet deshalb technologische Dynamik mit organisatorischer Geduld. Die Möglichkeiten können schnell wachsen, während ihre betriebliche Umsetzung Zeit und komplementäre Investitionen benötigt.

Standardwissen wird leichter verfügbar, Urteilskraft nicht automatisch überflüssig

Die Kundendienststudie zeigt, dass KI Leistungsunterschiede verringern kann, wenn weniger erfahrene Beschäftigte besonders stark profitieren. Daraus lässt sich ableiten, dass bestimmte Formen von Erfahrungswissen leichter verbreitet werden können. Das ist jedoch nicht mit einer allgemeinen Angleichung sämtlicher Fähigkeiten gleichzusetzen.

In vielen Berufen besteht Expertise nicht nur darin, eine typische Frage richtig zu beantworten. Sie umfasst auch die Fähigkeit, ungewöhnliche Situationen zu erkennen, unvollständige Informationen einzuordnen und den eigenen Wissensstand realistisch einzuschätzen.

Wenn KI Standardwissen leichter zugänglich macht, kann sich der Wert professioneller Arbeit entsprechend verschieben. Weniger wichtig wird möglicherweise, eine geläufige Erklärung ohne Hilfsmittel wiederzugeben. Wichtiger wird, die passende Frage zu stellen, widersprüchliche Hinweise zu erkennen und zu entscheiden, wann eine scheinbar plausible Antwort nicht genügt.

Für Bildung und Weiterbildung entsteht daraus eine anspruchsvolle Aufgabe. Reine Werkzeugbedienung reicht nicht aus. Wer Ergebnisse prüfen soll, benötigt weiterhin fachliche Grundlagen. Wer nie selbst eine Kalkulation durchdrungen hat, kann eine automatisch erzeugte Kalkulation nur eingeschränkt bewerten.

Eine sinnvolle Qualifizierungsstrategie sollte deshalb beides verbinden: die effiziente Nutzung technischer Unterstützung und den Aufbau jener Kenntnisse, die unabhängiges Urteil ermöglichen. Kurzfristige Beschleunigung darf nicht mit dauerhaftem Kompetenzaufbau verwechselt werden.

Mehr Ideen schaffen nur dann mehr Innovation, wenn Auswahl und Erprobung mithalten

Generative KI erleichtert die Produktion von Varianten. Unternehmen können mehr Produktkonzepte, Kommunikationsansätze oder Problemlösungsvorschläge in kürzerer Zeit untersuchen. Daraus kann ein Innovationsvorteil entstehen.

Gleichzeitig wächst die Gefahr, Ideenmenge mit Erkenntnisgewinn zu verwechseln. Hundert Vorschläge sind nicht automatisch wertvoller als zehn. Wenn sie auf ähnlichen Annahmen beruhen, vergrößern sie vor allem den Auswahlaufwand.

Die Harvard-Darstellung des Beratungsexperiments verweist neben den Leistungsgewinnen auch auf die Möglichkeit, dass KI die Vielfalt der Ideen einschränkt. Das ist für Innovationsprozesse bedeutsam: Ein Werkzeug kann individuelle Ergebnisse verbessern und zugleich dazu beitragen, dass mehrere Personen zu ähnlicheren Lösungen gelangen.

Unternehmen sollten KI deshalb nicht nur zur Produktion verwenden, sondern auch zur gezielten Gegenprüfung. Unterschiedliche Annahmen, alternative Zielgruppen oder bewusst widersprechende Perspektiven können helfen, die Bandbreite einer Untersuchung zu erweitern. Ob dies gelingt, muss allerdings an den tatsächlichen Ergebnissen gemessen werden.

Der entscheidende Schritt bleibt die Erprobung. Kundenreaktionen, technische Versuche und belastbare Wirtschaftlichkeitsrechnungen unterscheiden eine interessante Möglichkeit von einer tragfähigen Innovation. KI kann diesen Prozess unterstützen, aber nicht durch die bloße Überzeugungskraft ihrer Formulierungen ersetzen.

Menschliche Verantwortung lässt sich nicht durch eine flüssige Antwort delegieren

In Unternehmen müssen Entscheidungen nicht nur getroffen, sondern begründet und verantwortet werden. Wer investiert, Personal einsetzt oder Produkte freigibt, entscheidet über Folgen für andere Menschen. Eine überzeugende Systemausgabe beseitigt diese Verantwortung nicht.

Dabei ist menschliche Kontrolle allein noch keine Garantie. Die Ergebnisse des Beratungsexperiments zeigen gerade, dass Menschen durch KI-Unterstützung bei bestimmten Aufgaben schlechter abschneiden können. Eine Person am Ende des Prozesses macht ein fehlerhaftes System nicht automatisch zuverlässig.

Wirksame Kontrolle benötigt daher geeignete Bedingungen. Die prüfende Person muss genügend Fachwissen, Zeit und Informationszugang besitzen. Außerdem muss sie tatsächlich befugt sein, die Empfehlung zurückzuweisen oder zusätzliche Untersuchungen zu verlangen.

Für wichtige Entscheidungen sollte erkennbar bleiben, welche Daten verwendet wurden, welche Annahmen ausschlaggebend sind und wo Unsicherheit besteht. Das Ziel ist nicht, jede technische Einzelheit verständlich zu machen. Es geht darum, die für die Entscheidung relevanten Grundlagen prüfen zu können.

Hier liegt ein wesentlicher Unterschied zwischen bloßer Automatisierung und verantwortbarer Automatisierung. Die erste erzeugt Ergebnisse. Die zweite verbindet Ergebnisse mit nachvollziehbaren Zuständigkeiten, kontrollierten Risiken und einer angemessenen Behandlung von Ausnahmen.

Eine neue Arbeitsteilung braucht weder Maschinenkult noch menschliche Selbstüberschätzung

Die Gegenüberstellung von einer bloßen Mustermaschine und einem ausschließlich schöpferischen Menschen ist als Bild anschaulich, als vollständige Erklärung aber zu grob. Menschen arbeiten ebenfalls mit Mustern, übernehmen Routinen und irren sich. KI kann wiederum Leistungen erbringen, die über einfaches Wiederholen hinausgehen.

Die tragfähige Unterscheidung liegt deshalb nicht in der Behauptung, auf einer Seite werde ausschließlich gerechnet und auf der anderen ausschließlich verstanden. Sie liegt in den unterschiedlichen Voraussetzungen, Fähigkeiten und Verantwortungszusammenhängen.

Menschen besitzen gelebte Erfahrungen, soziale Beziehungen und eigene Interessen. Sie sind von den Folgen wirtschaftlicher Entscheidungen betroffen. KI-Systeme können Informationen verarbeiten und Ergebnisse erzeugen, ohne dass damit entsprechende subjektive Erfahrungen nachgewiesen wären. Die offene Bewusstseinsfrage verändert diese gegenwärtige Nachweislage nicht.

Eine produktive Arbeitsteilung sollte diese Unterschiede nutzen, statt sie sprachlich einzuebnen. Maschinen können bei Suche, Strukturierung, Variantenbildung und abgegrenzter Problembearbeitung unterstützen. Menschen müssen nicht jeden Zwischenschritt selbst erledigen. Sie sollten aber dort urteilsfähig bleiben, wo Ziele, wesentliche Annahmen und folgenreiche Entscheidungen zur Debatte stehen.

Auch diese Aufteilung ist kein unveränderliches Naturgesetz. Sie muss mit dem technischen Fortschritt und den Ergebnissen praktischer Tests weiterentwickelt werden. Eine heute schwierige Aufgabe kann künftig automatisierbar werden. Verantwortung und Zweckbestimmung bleiben dennoch eigenständige Fragen.

Der entscheidende Wettbewerbsvorteil liegt in überprüfbarer Urteilskraft

Die wirtschaftliche Bedeutung künstlicher Intelligenz hängt nicht davon ab, ob Maschinen eines Tages ein menschliches Aha-Erlebnis besitzen. Bereits heute können Systeme bestimmte Wissensarbeiten beschleunigen und verbessern. Ebenso zeigen Untersuchungen, dass ihre Unterstützung bei anderen Aufgaben zu schlechteren Ergebnissen führen kann. Leistungsfähigkeit und Verlässlichkeit müssen deshalb immer zusammen betrachtet werden.

Die ursprüngliche Formel, der Mensch begreife und die KI berechne, benennt eine wichtige Intuition: Menschliches Denken ist mit Erfahrung, Bedeutung und persönlicher Betroffenheit verbunden. Als allgemeine wissenschaftliche Grenzziehung bleibt sie jedoch zu kategorisch. Aus Berechnung folgt weder automatisch Verständnis noch automatisch dessen Unmöglichkeit. Aus überzeugender Sprache folgt kein nachgewiesenes Bewusstsein.

Für Unternehmen ist eine andere Schlussfolgerung belastbarer. Sie sollten KI dort einsetzen, wo ihr Nutzen überprüfbar ist, und ihre Grenzen dort ernst nehmen, wo Fehler hohe Folgen haben. Sie sollten menschliche Fähigkeiten nicht romantisieren, sondern gezielt entwickeln: Fachwissen, kritische Prüfung, Problemverständnis, experimentelles Denken und die Bereitschaft, eine attraktive Erklärung zu verwerfen.

Der eigentliche Engpass einer KI-geprägten Wirtschaft könnte damit weniger die Produktion von Antworten sein als die Fähigkeit, gute von schlechten Antworten zu unterscheiden. Wenn Vorschläge, Analysen und Entwürfe immer leichter verfügbar werden, gewinnt nicht automatisch derjenige, der am meisten erzeugt. Im Vorteil ist, wer die richtigen Probleme auswählt, Ergebnisse an der Wirklichkeit prüft und aus technischer Leistung verlässliche Wertschöpfung macht.

Xpert.Digital ist ein von Konrad Wolfenstein geführter, datengetriebener B2B-Industry-Hub. Das Unternehmen agiert als externe Quasi-Inhouse-Lösung für Industriepartner und schließt operative Lücken in Marketing, Content und Vertrieb – ohne zusätzlichen Ressourcenaufbau auf Kundenseite.

Mehr dazu hier:

• Die Quasi-Inhouse-Lösung: Wie Xpert.Digital operative Lücken in B2B-Marketing und Vertrieb schließt – Smart Content-Driven Business

☑️ Unsere Geschäftssprache ist Englisch oder Deutsch

☑️ NEU: Schriftverkehr in Ihrer Landessprache!

 

Gerne stehe ich Ihnen und mein Team als persönlicher Berater zur Verfügung.

Sie können mit mir Kontakt aufnehmen, indem Sie hier das Kontaktformular ausfüllen oder rufen Sie mich einfach unter +49 7348 4088 965 an. Meine E-Mail Adresse lautet: wolfenstein∂xpert.digital

Ich freue mich auf unser gemeinsames Projekt.

 

 

☑️ KMU Support in der Strategie, Beratung, Planung und Umsetzung

☑️ Erstellung oder Neuausrichtung der Digitalstrategie und Digitalisierung

☑️ Ausbau und Optimierung der internationalen Vertriebsprozesse

☑️ Globale & Digitale B2B-Handelsplattformen

☑️ Pioneer Business Development / Marketing / PR / Messen