Das KI-Produktivitätsparadox: Warum dein Team noch nicht schneller ist

Das KI-Produktivitätsparadox hat eine einfache betriebliche Ursache. Dein Team hat KI eingeführt und trotzdem wurde nichts schneller, weil KI den alten Engpass beseitigt hat, das Erstellen, und der Engpass sich einfach nach hinten verschoben hat: aufs Prüfen, Entscheiden und Abstimmen. Die meisten Unternehmen haben die Werkzeuge aufgerüstet und das Betriebsmodell so gelassen, wie es war. Also staut sich jetzt jedes neue Werkzeug vor einem Engpass, für den ihre Prozesse nie gemacht waren. Mehr KI löst das nicht. Die Lösung liegt woanders: Schreib die Handvoll Team-Regeln neu, die rund um einen Engpass entstanden sind, den es nicht mehr gibt.

Genau diese Lücke steckt hinter einem der meistzitierten Befunde des Jahres. McKinseys Umfrage State of AI 2025 hat ergeben: 78 % der Unternehmen setzen inzwischen KI ein, aber nur etwa 6 % sind „High Performer", die daraus 5 % oder mehr EBIT-Wirkung ziehen. Der Unterschied bei diesen wenigen: Sie bauen ihre Arbeitsabläufe um, statt nur die Werkzeuge auszurollen. Fast alle setzen KI ein. Wert holen daraus die wenigsten. Ich betreibe mein eigenes Unternehmen mit KI-Mitarbeitern und sehe diese Lücke jede Woche in Kundenteams aufreißen. Wenn du ein mittelständisches Team führst und es in deiner eigenen Woche spürst, dann liegt es genau daran.

Was ist das KI-Produktivitätsparadox?

Das KI-Produktivitätsparadox ist der wachsende Abstand zwischen dem, wie produktiv KI eine einzelne Person offensichtlich macht, und dem wenigen, was davon auf Unternehmensebene ankommt. Die Gewinne beim Einzelnen sind echt: KI-Power-User berichten von großen persönlichen Tempozuwächsen. Trotzdem hat eine Umfrage des US-amerikanischen National Bureau of Economic Research unter rund 6.000 Führungskräften in vier Ländern ergeben, dass über 80 % der Firmen keinerlei messbare Produktivitätsgewinne durch KI verzeichneten. Die NANDA-Initiative des MIT hat es in ihrem Bericht The GenAI Divide von 2025 noch deutlicher gesagt: Rund 95 % der Piloten mit generativer KI schlugen sich messbar nicht im Ergebnis nieder. Der Grund lag darin, wie die Unternehmen KI eingeführt haben. Die Technik selbst lief einwandfrei.

Ökonomen kennen dieses Muster. Erik Brynjolfsson von der Stanford University argumentiert seit Langem, dass Basistechnologien einer „J-Kurve" folgen: Der Output stagniert, während die Organisationen die langsame Arbeit erledigen, sich um die neue Fähigkeit herum neu aufzustellen, und erst danach steigt die Produktivität. Es ist dasselbe Muster, das Robert Solow 1987 zu Computern benannt hat: überall sichtbar, nur nicht in der Produktivitätsstatistik. Die Lehre ist beide Male dieselbe. Das Werkzeug ist schnell da. Der Umbau, der es zum Erfolg macht, kommt langsam, und nur, wenn du ihn bewusst angehst.

Ich komme zu diesem Thema aus der Werkshalle, nicht aus der Marketingabteilung. Mein Hintergrund ist Maschinenbau und Industrie-4.0-Automatisierung, und es gibt eine sauberere Art, es zu sagen, aus der Fertigung geliehen. In der Theory of Constraints hat jeder Prozess genau einen bindenden Engpass: den langsamsten Schritt, auf den alles andere wartet. Entlaste ihn, und der Engpass verschwindet nicht. Er wandert zum nächstlangsamsten Schritt. KI hat den teuersten Schritt in der Wissensarbeit fast über Nacht entlastet. Der Engpass ist gewandert. Und fast niemand hat seine Prozesse mitwandern lassen.

Wohin hat sich der Engpass verschoben, vom Erstellen zum Prüfen?

Für die meiste Wissensarbeit war der alte Engpass das Erstellen selbst: der erste Entwurf, die Recherche, die erste Fassung der Analyse oder des Angebots. Das war langsam und brauchte einen erfahrenen Menschen, also haben Teams alles darum herum gebaut, die Zeit dieser Person zu schützen: mit langen Planungszyklen, engem Scoping und klar gezogenen Rollengrenzen. Dann hat KI das Erstellen billig und schnell gemacht. Nicht perfekt. Billig und schnell. Und der Engpass ist einen Schritt weitergerutscht, auf die Arbeit, die KI nicht für dich erledigt: den Output kritisch lesen, die Stellen erwischen, an denen die KI selbstbewusst danebenliegt, entscheiden, welche Fassung für diesen Kunden die richtige ist, und mit dem eigenen Namen dafür geradestehen.

Die klarsten Zahlen dazu kommen aus der Softwareentwicklung, wo die KI-Einführung allen anderen vorausgeeilt ist. Der AI Productivity Paradox Report 2025 von Faros AI, der über 10.000 Entwickler ausgewertet hat, ergab: KI-gestützte Teams erledigten 21 % mehr Aufgaben und mergten 98 % mehr Pull Requests. Doch die Prüfzeit für Pull Requests stieg um 91 %, weil die menschliche Freigabe zum neuen Engpass geworden war. Auf Unternehmensebene fand Faros keinen Zusammenhang zwischen KI-Einführung und besseren Lieferergebnissen. Es wurde mehr produziert; die Warteschlange hat sich nur ans Prüfen verlagert.

Das ist das ganze Paradox in einem einzigen Datenpunkt. Du beschleunigst den Schritt, der ohnehin schon schneller wurde, und kippst mehr Volumen auf den Schritt, der ohnehin schon der Engpass war. Deshalb stimmt „alle nutzen KI" und „nichts wurde schneller" gleichzeitig. Woran du es erkennst, ist einfach. Wenn dein Team mehr erste Entwürfe produziert als früher, aber im gleichen Tempo liefert, hat sich dein Engpass auf den Schritt Prüfen-und-Entscheiden verschoben, und der geht gerade unter. Es wird schlimmer, wenn der Output plausibel, aber falsch ist, denn genau dann muss ein Mensch jede Zeile lesen. Ich habe an anderer Stelle darüber geschrieben, warum KI selbstsicher falschliegt und was das den Prüfer kostet.

Welche Team-Regeln hören still auf zu funktionieren?

Sobald du akzeptierst, dass der Engpass gewandert ist, entpuppt sich eine ganze Reihe alltäglicher Regeln als veraltet. Keine davon war falsch. Sie waren die richtigen Antworten auf die alte Frage, wie schützen wir unsere knappen Ersteller?, und bei der neuen Frage gehen sie ins Leere. Das entscheidende Wort ist still. Nichts meldet sich als kaputt. Es wird einfach langsamer, bis der Notbehelf zur Dauerbelastung wird. Hier sind die sechs, die ich am häufigsten scheitern sehe.

Planung. Lange Roadmaps waren sinnvoll, als es teuer war, deine Ersteller festzulegen. Jetzt ist eine erste Fassung billig, also ist der schnellste Weg zu einer Antwort oft, das Ding einfach zu bauen und anzuschauen. Plane auf kürzere Sicht, immer nur so weit, wie du es gerade brauchst; halte eine Richtung, aber hör auf, die Details von Monat fünf durchzuplanen.
Entscheidungen. Der alte Reflex war, einen Raum zu buchen und zu diskutieren. Jetzt geht es oft schneller, beide Optionen gleich zu bauen, als das Meeting abzuhalten, in dem man sich zwischen ihnen entscheidet. Bring zwei echte Fassungen mit, dann entscheide. Und halt fest, dass die Entscheidung steht, sonst wird „wer zuletzt liefert, gewinnt" zum stillen Fehlermodus.
Prüfung. Eine Person, die alles prüft, geht in der neuen Menge unter. Teil die Prüfung auf: Automatisiere die mechanischen Checks, auf die es eine richtige Antwort gibt (Format, Vollständigkeit, fehlerhafte Zahlen), und behalt das menschliche Urteil für das, was es wirklich braucht, etwa Rechts- und Risikofreigaben, Sicherheit, Geschmack und die Frage, ob das für diesen Kunden das Richtige ist.
Verantwortung. „Wer hat das gemacht?" bringt nichts mehr, wenn alles KI-gestützt ist. Ersetz die Frage durch die eigentliche dahinter: Wer kann es beheben, wer hat den Kontext, und automatisiere die Antwort, wo du kannst.
Rollen. Die klaren Grenzen zwischen Spezialisten verwischen, wenn Nicht-Spezialisten Output auf Spezialistenniveau liefern. Stemm dich nicht dagegen. Stell weniger für reinen Durchsatz ein, den liefern jetzt die Werkzeuge, und mehr für die zwei Dinge, die sie nicht liefern: tiefe Expertise dort, wo das Problem wirklich schwer ist, und das Urteilsvermögen, um zu erkennen, ob schneller, billiger Output überhaupt etwas taugt.
Führung. Diese Regel bricht am leisesten und kostet am meisten. Eine Führungskraft, die nie selbst versucht hat, mit diesen Werkzeugen echte Arbeit zu erledigen, entscheidet über Einführung, Einstellungen und Prozesse auf Basis eines Denkmodells, das schon veraltet ist. Ich setze mich bei unseren eigenen Agenten selbst auf den Prüferstuhl, gerade damit ich keine Vorgaben aus einem Modell mache, das ich nie getestet habe.

Wie finde ich meinen neuen Engpass, indem ich einen Arbeitsablauf durchleuchte?

Du reparierst nicht alle sechs Regeln in diesem Quartal, und du solltest es auch nicht versuchen. Fang damit an, herauszufinden, wohin dein Engpass tatsächlich gewandert ist, und der günstigste Weg dahin ist, einen einzigen Arbeitsablauf von Anfang bis Ende zu durchleuchten. Lass den größten weg und nimm deinen lautesten: den teuersten, den am häufigsten wiederholten oder den, vor dem sich alle still fürchten. Dann geh ihn mit einer einzigen ehrlichen Frage durch. Erledigt das noch die Aufgabe, für die es geschaffen wurde?

Nimm das wöchentliche Status-Meeting, das fast jedes Team hat. Es wurde geschaffen, damit die Leute voneinander mitbekommen, woran sie arbeiten. Mit der Zeit wuchs es: mehr Leute, längeres Meeting, alle halb da, bis sie selbst dran sind. Frag, wofür es eigentlich da ist, und die Antwort lautet: geteiltes Wissen darüber, was läuft. Das Meeting ist nur ein Weg dorthin. Die Updates stehen ohnehin schon geschrieben; eine kurze, automatisierte Zusammenfassung kann das Wissen liefern, ohne die Stunde zu kosten. So kommst du an eine Weggabelung. Wenn die Aufgabe noch zählt, das Ritual aber ein plumper Weg ist, sie zu erledigen, automatisiere die Aufgabe und schaff das Ritual ab. Wenn die Aufgabe nicht mehr zählt, schaff es einfach ab.

Das ist nicht hypothetisch. In dem Vortrag zur Engineering-Führung, der diesen Artikel ausgelöst hat, berichtete der Verantwortliche hinter Anthropics Claude-Code-Team, dass er ein wöchentliches Review mit 50 Personen kurzerhand gestrichen hat, in dem Moment, als jemand fragte, wofür es da sei, und nur ein ehrliches Achselzucken kam. An anderer Stelle ersetzte dasselbe Team ein tägliches Standup, das ohnehin schon zu einer gemeinsamen Tabelle verkümmert war, durch ein kurzes Skript, das dasselbe Update automatisch zusammenstellt. Jedes Mal derselbe Instinkt: Finde die Aufgabe, dann frag, ob das Ritual noch der beste Weg ist, sie zu erledigen. Genau das haben wir intern gemacht. Aus unserem eigenen Standup wurde ein Skript, und aus unserer morgendlichen Triage wurde eine Routine, die ein KI-Mitarbeiter abarbeitet, bevor sich irgendwer einloggt.

Es gibt eine Regel, die das absichert. Automatisiere keinen Arbeitsablauf, den du nicht hinterfragt hast. Ein kaputtes Ritual zu automatisieren lässt es nur schneller laufen und macht es billiger im Unterhalt, also stirbt es nie. Halte zuerst fest, wofür der Prozess da ist, entscheide als Zweites, was deterministisch bleibt, wo KI assistieren kann und was in Menschenhand bleibt, und automatisiere als Drittes. Erst festhalten, bevor ich baue, das ist der Unterschied zwischen einem umgebauten Betriebsmodell und einfach mehr gekaufter Software.

Wie messe ich, ob es funktioniert?

Du kannst nicht steuern, was du nicht misst, aber die naheliegende Kennzahl ist eine Falle. Drei Signale sagen dir, dass das Betriebsmodell aufholt: Die Einarbeitungszeit sinkt (neue Leute werden schneller nützlich), die Durchlaufzeit sinkt (Arbeit läuft von Anfang bis Ende schneller durch), und der Anteil der Arbeit, die standardmäßig KI-gestützt ist, steigt. Das zweite Signal leistet doppelte Arbeit. Wo die Durchlaufzeit nicht sinkt, obwohl alle schneller produzieren, hast du deinen neuen Engpass gefunden, klar sichtbar in den Daten.

Dann gibt es die Zahl, die man ignorieren sollte, die, die jeder Beirat zu wollen scheint: „Welcher Prozentsatz unserer Arbeit wird jetzt von KI erledigt?" Diese Zahl lässt sich mühelos groß und bedeutungslos machen. Reiner Durchsatz beeindruckt auf der Folie und zählt für den Kunden wenig. Was zählt, ist das Ergebnis, das beim Kunden ankommt. Genau dieser Fehler steckt hinter den viel zitierten Fehlerquoten. Wie die UC Berkeley und andere in ihrer Antwort auf die MIT-Studie anmerkten, übersieht ein Sechs-Monats-Test auf „messbaren ROI" den Wert, der sich als vermiedene Einstellungen, kürzere Durchlaufzeiten und höhere Qualität zeigt. Miss das Endziel, also Wert, Tempo und Verlässlichkeit, und behandle den KI-Anteil als Zutat und nicht als Ergebnis. Wenn du willst, dass dieser Anteil sicher steigt, ist der begrenzende Faktor Vertrauen. Du delegierst nur Arbeit, die du nicht mehr kontrollieren würdest, und deshalb behandle ich es als den eigentlichen Produktivitätshebel, Agenten von deiner Aufsicht zu lösen.

Was bedeutet das fürs Einstellen, wachsen ohne neu einzustellen?

Das ist der Teil, den die meisten Führungskräfte übersehen, und der, der mir am wichtigsten ist. Als der Engpass das Erstellen war, konntest du Kapazität nur aufbauen, indem du Ersteller dazuholtest, sie also suchtest, bezahltest, einarbeitetest und führtest. An dieser Decke bleiben die meisten Dienstleister hängen. Doch sobald das Erstellen billig ist und der Engpass Prüfen-und-Entscheiden heißt, ändert sich der Hebel. Du baust Kapazität auf, indem du ganze wiederkehrende Aufgaben von deinem Team wegnimmst, ohne noch mehr Leute auf ein überlastetes Betriebsmodell draufzusetzen. Das meine ich mit wachsen ohne neu einzustellen: die nächste Output-Stufe erreichen, indem du echte Aufgaben an einen KI-Mitarbeiter gibst, der in den Werkzeugen arbeitet, die du ohnehin schon nutzt, während sich deine wenigen, teuren Fachkräfte aufs Urteilen konzentrieren.

Entscheidend ist dabei ein Unterschied, auf dem ich alles aufbaue. Ein weiteres KI-Abo bringt dich hier nicht weiter. Was zählt, ist KI, die die Aufgabe eigenständig erledigt. Ein Chatbot wartet auf deinen Prompt und reicht dir einen Entwurf, den du immer noch prüfen und liefern musst, also sitzt er mit dir gemeinsam im Prüf-Engpass. Ein KI-Mitarbeiter übernimmt die Aufgabe: Er zieht die Daten, entwirft die Zusammenfassung, postet sie in Slack oder Teams und eskaliert nur die Fälle, die einen Menschen brauchen. Das ist der Unterschied zwischen einem schnelleren Ersteller und dem, was den neuen Engpass wirklich entlastet, und wenn es von Grund auf DSGVO- und GoBD-konform gebaut ist, ist es die Art zu arbeiten, für die ein regulierter Dienstleister auch geradestehen kann.

Häufige Fragen

Warum verbessert KI die Produktivität meines Unternehmens nicht?

Weil KI den alten Engpass beseitigt hat, das Erstellen erster Entwürfe und erster Fassungen, und der Engpass sich nach hinten verschoben hat, aufs Prüfen, Entscheiden und Abstimmen, was KI nicht für dich erledigt. Wenn deine Prozesse, Meetings und Rollen um den alten Engpass herum gebaut waren, sitzen sie jetzt vor dem neuen und bremsen dich. McKinsey fand heraus, dass 78 % der Unternehmen KI einsetzen, aber nur etwa 6 % daraus spürbare EBIT-Wirkung ziehen, und der Unterschied liegt im Umbau der Arbeitsabläufe, nicht in den Werkzeugen selbst.

Was ist das KI-Produktivitätsparadox?

Es ist die Lücke zwischen großen, offensichtlichen individuellen Produktivitätsgewinnen durch KI und dem fast völligen Fehlen dieser Gewinne auf Unternehmensebene. Eine Umfrage des National Bureau of Economic Research unter rund 6.000 Führungskräften ergab, dass über 80 % der Firmen keinerlei messbare Produktivitätsgewinne durch KI verzeichneten, und die NANDA-Initiative des MIT stellte fest, dass 95 % der Piloten mit generativer KI keine messbare Gewinnwirkung brachten. Ökonomen erklären es mit der „J-Kurve": Eine Basistechnologie braucht organisatorischen Umbau, bevor sich ihr Nutzen zeigt.

Macht ein Team automatisch schneller, wenn man ihm KI-Werkzeuge gibt?

Nein. Werkzeuge verändern den Output des Einzelnen; sie verändern nicht das Betriebsmodell. Faros AI stellte fest, dass KI-gestützte Softwareteams 98 % mehr Pull Requests mergten, die Prüfzeit aber um 91 % stieg, weil die menschliche Freigabe zum neuen Engpass wurde, ohne Zusammenhang zwischen KI-Einführung und besseren Ergebnissen auf Firmenebene. Tempo auf Teamebene entsteht dadurch, dass du die Regeln rund um den neuen Engpass neu schreibst, und die Werkzeuge allein bringen dich nicht dahin.

Was sollten wir messen, um zu wissen, ob KI funktioniert?

Verfolge die Einarbeitungszeit und die Durchlaufzeit (beide sollten sinken) sowie den Anteil der Arbeit, die KI-gestützt ist (sollte steigen). Meide die Eitelkeitskennzahl „Prozentsatz der von KI erledigten Arbeit"; die lässt sich leicht aufblähen und sagt nichts über den Wert. Miss das Endziel: Kundennutzen, Tempo und Verlässlichkeit. Behandle die KI-Nutzung als Zutat und nicht als Ergebnis.

Wie fangen wir an, unsere Prozesse für KI neu zu schreiben?

Durchleuchte zuerst einen Arbeitsablauf, deinen teuersten, am häufigsten wiederholten oder am meisten gefürchteten. Frag, welche Aufgabe er erfüllen sollte, finde heraus, wo sich die Arbeit jetzt staut (Erstellen gegenüber Prüfen), entscheide, was mechanisch genug zum Automatisieren ist und was menschliches Urteil braucht, und automatisiere dann entweder die Aufgabe oder beende das Ritual. Halte fest, bevor du baust; einen unhinterfragten Prozess zu automatisieren macht einen kaputten nur billiger im Unterhalt.

Wie kann ich damit wachsen, ohne neu einzustellen?

Sobald das Erstellen billig ist, ist mehr Ersteller einzustellen der falsche Hebel. Du baust Kapazität auf, indem du ganze wiederkehrende Aufgaben an einen KI-Mitarbeiter gibst, der in deinen bestehenden Werkzeugen läuft, während sich deine Leute auf das Urteil konzentrieren, das KI nicht liefern kann. Das hebt den Output, ohne dass du neue Leute suchen, bezahlen und einarbeiten musst, und gibt dir Kapazität an der Einstellungsdecke, gesteuert und von Grund auf regelkonform.

Quellen und weiterführende Literatur

McKinsey & Company, The State of AI 2025 (Umfrage unter 1.993 Befragten, Juni bis Juli 2025).
MIT NANDA-Initiative, The GenAI Divide: State of AI in Business 2025 (berichtet von Fortune, August 2025).
Faros AI, AI Productivity Paradox Report 2025 (Auswertung von über 10.000 Entwicklern, Juni 2025).
National Bureau of Economic Research, Umfrage unter rund 6.000 Führungskräften in vier Ländern (berichtet von Fortune, 2025).
Erik Brynjolfsson (Stanford), die Produktivitäts-J-Kurve und das Solow-Paradox.
Eliyahu Goldratt, Das Ziel (Theory of Constraints).

Ich baue das beruflich und betreibe mein eigenes Unternehmen damit: Rund neun KI-Mitarbeiter erledigen die wiederkehrende Arbeit, damit mein Team seine Stunden aufs Urteilen verwendet. Wenn du herausfinden willst, wohin dein Engpass tatsächlich gewandert ist und welche Aufgaben ein KI-Mitarbeiter als Nächstes übernehmen könnte, ist genau das mein Job. Sieh dir an, wie ein von uns betriebener KI-Mitarbeiter arbeitet, oder erzähl mir von deinem lautesten Arbeitsablauf.