Sechs Monate nach dem Start liegt im Controlling eine Tabelle. Die Lizenzkosten sind gestiegen. Zwei Leute aus der Qualität haben Wochen damit verbracht, alte Prüfberichte zu sichten und Beispiele zu sammeln. Die Zahl der Beschäftigten ist gleich geblieben. Unten rechts steht ein Wort, das jedes KI-Projekt fürchtet: kein messbarer Effekt.
An dieser Stelle hören viele auf. Das Projekt wird „neu bewertet“, das Budget im nächsten Jahr gekürzt, und im Lenkungskreis heißt es, KI sei für den Mittelstand wohl noch nicht reif. Das ist verständlich. Es ist aber oft genau falsch, und die Wirtschaftsforschung hat einen Namen dafür.
Die J-Kurve
Allzwecktechnologien wie KI verlangen große ergänzende Investitionen: neue Abläufe, neue Produkte und Geschäftsmodelle, neue Fähigkeiten der Beschäftigten. Diese Investitionen sind meist immateriell und werden in der volkswirtschaftlichen Gesamtrechnung schlecht gemessen, auch wenn sie für das Unternehmen echte Werte schaffen. Die Folge, wie sie die Ökonomen Brynjolfsson, Rock und Syverson modellieren: In den frühen Jahren einer neuen Allzwecktechnologie wird das Produktivitätswachstum unterschätzt, später, wenn die immateriellen Investitionen Früchte tragen, überschätzt (NBER). Trägt man die gemessene Produktivität über die Zeit auf, sieht sie aus wie ein J: erst nach unten, dann steil nach oben.
Das Modell beschreibt eine ganze Volkswirtschaft. Wir übertragen es auf den einzelnen Betrieb, und dort sieht es so aus: Die Wochen, in denen die Qualität alte Prüfberichte sichtet, sind keine verlorene Zeit. Sie bauen einen Wert auf, der in keiner Bilanz steht: Wissen, das jetzt auffindbar ist, und Abläufe, die jetzt beschrieben sind. Nur sieht die Tabelle im Controlling davon nichts.
Konkret sind das Dinge wie diese: Aufgaben so beschreiben, dass man sie prüfen kann. Gute und schlechte Beispiele aus echten Fällen sammeln. Stammdaten bereinigen, die seit Jahren niemand angefasst hat. Festlegen, wer was sehen darf. Kolleginnen und Kollegen zeigen, wie man eine Antwort prüft, statt ihr einfach zu glauben. Nichts davon ist ein Software-Kauf, und alles davon kostet Arbeitszeit, die in der Tabelle als Aufwand erscheint.
Warum die Geduld in Deutschland gerade knapp ist
Das Problem ist, dass die Geduld gerade jetzt besonders knapp ist. Die Arbeitsproduktivität je Erwerbstätigenstunde stieg 2025 in Deutschland nur um 0,4 Prozent, während die Lohnkosten je Stunde um 5,0 Prozent zulegten (Destatis). Wer unter diesem Druck steht, will Ergebnisse im nächsten Quartal, nicht im übernächsten Jahr.
Dazu kommt ein Größenunterschied. 2025 nutzten 26 Prozent der deutschen Unternehmen KI: 57 Prozent der großen, 36 Prozent der mittleren und 23 Prozent der kleinen (Destatis). Große Unternehmen nutzen KI also mehr als doppelt so oft wie kleine, und viele von ihnen dürften die Senke früher erreicht und schon hinter sich haben. Kleine und mittlere Unternehmen stehen häufiger noch am Anfang oder mittendrin, also genau dort, wo die Zahlen am schlechtesten aussehen.
In der EU insgesamt geht es schnell: Der Anteil der Unternehmen, die KI nutzen, stieg von 8,1 Prozent im Jahr 2023 auf 13,5 Prozent 2024 und 20,0 Prozent 2025 (Eurostat). Wer jetzt in der Senke aufgibt, fängt in zwei Jahren wieder von vorn an, während andere schon auf der steilen Seite des J stehen.
Das heißt nicht, dass jedes Projekt, das schlecht aussieht, in Wahrheit gut läuft. Manche Projekte scheitern wirklich. Der Unterschied liegt darin, ob sie in der Senke Wissen und Abläufe aufbauen oder nur Lizenzen bezahlen. Das lässt sich messen, wenn man die richtigen Größen wählt.
Wo der erste Gewinn wirklich auftaucht
Wenn die Einsparung im ersten Jahr nicht in der Kopfzahl auftaucht, wo dann? Eine Feldstudie mit 5.179 Beschäftigten im Kundensupport gibt einen deutlichen Hinweis. Ein KI-Assistent steigerte die gelösten Fälle pro Stunde im Schnitt um 14 Prozent, bei Neulingen aber um 34 Prozent, bei den Erfahrensten kaum (NBER).
Der Gewinn sitzt also dort, wo die Einarbeitung am teuersten ist. Für ein Industrieunternehmen heißt das: Der erste Effekt zeigt sich nicht in weniger Stellen, sondern darin, wie schnell eine neue Kollegin allein arbeiten kann und wie oft die erfahrenen Fachleute unterbrochen werden. Beides misst kaum ein Controlling. Beides ist teuer.
Was du stattdessen messen solltest
Wenn die üblichen Kennzahlen das erste Jahr systematisch schlecht aussehen lassen, braucht es andere. Drei davon lassen sich in jedem Betrieb erheben, ohne neues System:
Erstens die Zeit bis zur richtigen Antwort. Wie lange dauert es heute, eine technische Frage aus dem Vertrieb, dem Service oder der Fertigung belegt zu beantworten? Miss es vorher und nachher, an echten Fragen.
Zweitens die Einarbeitungszeit. Wie viele Wochen braucht eine neue Mitarbeiterin, bis sie eine typische Aufgabe ohne Hilfe erledigt? Wenn diese Zahl sinkt, wirkt das Projekt, auch wenn die Lizenzkosten gestiegen sind.
Drittens die Last auf den Fachleuten. Wie viele Fragen landen pro Woche bei den drei oder vier Menschen, die alles wissen? Wenn diese Zahl sinkt, gewinnt das Unternehmen genau die Zeit zurück, die es am dringendsten braucht.
Wichtig ist, die Ausgangswerte aufzuschreiben, bevor es losgeht. Wer erst nach sechs Monaten anfängt zu messen, hat nichts zum Vergleichen und landet wieder bei der Lizenzrechnung.
Die Gründe fürs Zögern sind lösbar
Die häufigsten Gründe fürs Zögern sind keine Haltung gegen KI. Von den deutschen Unternehmen ohne KI, die einen Einsatz schon erwogen hatten, nannten 72 Prozent fehlendes Wissen als Grund, 62 Prozent Unklarheit über die rechtlichen Folgen (Destatis). Beides sind Gründe, die mit der Zeit kleiner werden, wenn jemand anfängt. Keiner davon wird kleiner, wenn man nach sechs Monaten aufhört.
Unsere Einschätzung
Einschätzung, keine Tatsache: Die Mittelständler, die 2027 klare Gewinne durch KI melden, werden vor allem die sein, die im ersten Jahr Einarbeitungszeit und Expertenlast gemessen haben, nicht die, die Lizenzeinsparungen gemessen haben.
Der praktische Rat ist einfach: Plane die Senke ein. Schreib vor dem Start auf, wie lange du durchhältst und woran du merkst, dass es wirkt. Dann ist die Tabelle nach sechs Monaten kein Urteil, sondern ein Zwischenstand.
Quellen
- National Bureau of Economic Research (Brynjolfsson, Rock, Syverson), Okt. 2018: The Productivity J-Curve: How Intangibles Complement General Purpose Technologies (NBER Working Paper 25148)
- Statistisches Bundesamt (Destatis), 15.01.2026: Bruttoinlandsprodukt 2025 für Deutschland (Statement zur Pressekonferenz)
- Statistisches Bundesamt (Destatis), 2025: Nutzung von IKT in Unternehmen (Erhebung 2025)
- Eurostat, 11.12.2025: 20% of EU enterprises use AI technologies
- National Bureau of Economic Research (Brynjolfsson, Li, Raymond), Apr. 2023: Generative AI at Work (NBER Working Paper 31161)
