Die Produktivitätslücke

Dieser Beitrag bezeichnet diese Übersetzungslücke als Produktivitätslücke. Seine These lautet: Bei wissensintensiven Leistungen mit vielen Abhängigkeiten wird die Organisation der Zusammenarbeit zu einer entscheidenden Bedingung dafür, dass technische Fortschritte wirtschaftlich wirksam werden. Agentische KI erweitert die Möglichkeiten, auch diese Zusammenarbeit zu verändern. Zugleich kann sie neue Abstimmungs- und Prüfkosten erzeugen.

Die Konsequenz ist eine andere Betrachtungseinheit: die vollständige, verwendbare Leistung einschließlich Vorbereitung, Koordination, Prüfung und Nacharbeit. Ob eine agentische Organisation dafür günstiger, schneller oder zuverlässiger ist, muss gegenüber geeigneten Alternativen nachgewiesen werden.

Schlagwörter: Produktivität; agentische KI; Koordination; Betriebsmodell; Ergebnisverantwortung; Organisationsgestaltung.

Dieses konstruierte Beispiel beschreibt eine mögliche Grenze lokaler Beschleunigung. Mehrere Beteiligte können Zeit sparen, während der Kunde kaum früher eine belastbare Antwort erhält. Die Einsparung bleibt real. Ihr Beitrag zur Gesamtleistung hängt davon ab, was anschließend geschieht.

McKinsey richtet in „Produktivität. Neu gedacht.“ den Blick auf Portfolio, Innovation, Skalierung und Transformation. Für agentische KI empfiehlt der Beitrag, ganze Funktionen und das Zusammenspiel von Menschen und Agenten neu zu gestalten. Der wirtschaftliche Ergebnisbeitrag steht dabei im Mittelpunkt. Das ist ein strategischer Impuls zur Organisationsgestaltung; die historischen Unternehmensdaten der Publikation liefern keinen kausalen Nachweis für die Wirkung heutiger agentischer Betriebsmodelle. McKinsey, 2026

Die daran anschließende Frage lautet: Unter welchen Bedingungen wird aus schnellerer Arbeit eine leistungsfähigere Organisation?

Produktivität einer vollständigen Leistung berücksichtigt den gesamten Weg bis zu einem verwendbaren Ergebnis. Zum Kundenangebot gehören etwa fachliche Klärung, Kalkulation, eine tragfähige Lieferentscheidung und erforderliche Korrekturen. Ein schneller Entwurf kann diesen Weg verkürzen. Er kann aber auch zusätzliche Prüfungen auslösen.

Unternehmensproduktivität betrachtet die Wertschöpfung im Verhältnis zu den eingesetzten Ressourcen. Sie hängt zusätzlich davon ab, ob Ergebnisse nachgefragt werden, Kapazitäten nutzbar sind und freigesetzte Mittel sinnvoll eingesetzt werden. Eine freie Arbeitsstunde kann zusätzliche Leistung ermöglichen, Belastung reduzieren oder zunächst ungenutzt bleiben.

Die hier beschriebene Produktivitätslücke ist deshalb keine bereits vermessene gesamtwirtschaftliche Kennzahl. Sie bezeichnet einen möglichen Abstand zwischen lokaler Verbesserung und ihrem Beitrag zum übergeordneten Ergebnis. Auch kürzere Durchlaufzeit und geringerer Arbeitsaufwand sind getrennt zu betrachten: Ein Vorgang kann schneller fertig werden und dafür mehr Ressourcen beanspruchen.

Produktivitätsgewinne durch Assistenz sind belegt

Brynjolfsson, Li und Raymond untersuchen in der 2025 veröffentlichten Journalfassung von „Generative AI at Work“ die gestaffelte Einführung eines KI-Assistenten bei 5.172 Beschäftigten im Kundenservice eines Unternehmens. Die Zahl gelöster Anliegen je Stunde steigt im Mittel um 15 Prozent. Weniger erfahrene und geringer qualifizierte Beschäftigte profitieren stärker. Die Effekte unterscheiden sich deutlich zwischen den Beschäftigtengruppen. Brynjolfsson, Li und Raymond, 2025

Damit ist gezeigt, dass Assistenz in einem konkreten Arbeitszusammenhang wirtschaftlich relevante Leistung verbessern kann. Die Studie untersucht weder ein vollständig autonomes Unternehmen noch einen flächendeckenden Umbau seiner Organisation. Sie widerspricht einer pauschalen Behauptung, KI könne erst nach einer umfassenden Reorganisation produktiv werden.

Ein leistungsfähiges Werkzeug kann im konkreten Einsatz auch bremsen

METR untersuchte 2025 in einem randomisierten Versuch 16 erfahrene Open-Source-Entwickler bei 246 Aufgaben in ihnen vertrauten Projekten. Mit den damals verfügbaren KI-Werkzeugen benötigten sie im Mittel 19 Prozent mehr Bearbeitungszeit. Das Ergebnis betrifft diese Aufgaben, Teilnehmer und Werkzeuge aus dem ersten Halbjahr 2025. Becker et al., 2025

Die zeitliche Einordnung ist wesentlich: Im Februar 2026 berichtete METR über eine Folgestudie mit Hinweisen auf Beschleunigung. Wegen erheblicher Auswahl- und Messprobleme bewerteten die Forschenden deren Daten jedoch als unzuverlässiges Signal für die aktuelle Effektgröße. Der ältere Gegenbefund ist daher keine allgemeine Aussage über heutige Entwicklerproduktivität. Becker et al., 2026

Kundenservice- und Entwicklerstudien betreffen unterschiedliche Tätigkeiten und Arbeitsumgebungen. Ihre Prozentwerte lassen sich deshalb nicht direkt vergleichen. Gemeinsam zeigen sie, weshalb die Bewertung am tatsächlichen Einsatz ansetzen muss.

Organisatorische Ergänzungen können zunächst Aufwand erzeugen

Brynjolfsson, Rock und Syverson beschreiben mit der „Productivity J-Curve“, wie neue Basistechnologien ergänzende immaterielle Investitionen benötigen und wie deren unvollständige Erfassung die gemessene Produktivitätsentwicklung verzerren kann. Prozesse, Wissen und organisatorische Fähigkeiten gehören zur Erklärung, warum technische Möglichkeiten und sichtbare wirtschaftliche Ergebnisse zeitlich auseinanderfallen können. Brynjolfsson, Rock und Syverson, 2021

Das liefert eine Erklärung für Übergangsaufwand. Es garantiert weder spätere Erträge eines bestimmten KI-Projekts noch die Überlegenheit eines bestimmten Betriebsmodells.

1. Abhängigkeiten bleiben bestehen, wenn ihre Beiträge schneller werden

Malone und Crowston beschreiben Koordination als den Umgang mit Abhängigkeiten zwischen Tätigkeiten. Dazu gehören gemeinsam genutzte Ressourcen, benötigte Vorleistungen und zeitliche Abstimmung. Diese Perspektive richtet den Blick darauf, wie Arbeit zusammenpasst. Malone und Crowston, 1994

Für unser Angebotsbeispiel bedeutet das: Eine schnellere Kalkulation bestätigt weder die Materialverfügbarkeit noch den Vorrang gegenüber einem anderen Auftrag. Solange diese Beziehungen ungeklärt sind, bleibt die Lieferzusage offen.

Beschleunigung kann den Abstimmungsbedarf sogar erhöhen. Produziert der Vertrieb mehr prüfbare Varianten, während die technische Freigabe dieselbe Kapazität behält, wächst möglicherweise der Rückstand. Die Organisation gewinnt erst dann mehr verwendbare Ergebnisse, wenn auch dieser Engpass bearbeitet wird. Ob dafür eine andere Priorisierung, mehr Kapazität oder eine vereinfachte Freigabe geeignet ist, folgt aus der konkreten Ursache.

2. Prüfung und Nacharbeit können an anderer Stelle anwachsen

Mit sinkendem Aufwand für erste Entwürfe kann deren Zahl steigen. Empfänger müssen beurteilen, welche Ergebnisse brauchbar sind, welche Voraussetzungen gelten und welche Fehler korrigiert werden müssen. Wird nur die Erstellung gemessen, bleibt diese Arbeit außerhalb der Erfolgsrechnung.

Auch mehrere Agenten lösen das Problem nicht automatisch. Cemri und Mitautoren identifizieren in ihrer Untersuchung ausgewählter Multi-Agenten-Systeme unter anderem Fehler in der Spezifikation, der Abstimmung zwischen Agenten sowie der Verifikation und Beendigung von Aufgaben. Verwendet wird hier die erste Preprint-Fassung vom März 2025. Sie zeigt mögliche Fehlermuster; sie quantifiziert keine allgemeinen betrieblichen Fehlerkosten. Cemri et al., 2025, v1

Für die Organisationsgestaltung folgt daraus eine Prüfaufgabe: Welche zusätzliche Kontrolle wird tatsächlich nötig, und verbessert sie die Verlässlichkeit ausreichend? Zwei Prüfer, die dieselbe unzutreffende Information verwenden, können denselben Fehler bestätigen. Entscheidend sind geeignete Nachweise und der Aufwand bis zur akzeptierten Leistung.

3. Lokale Ziele und Entscheidungsrechte können auseinanderlaufen

Eine Funktion kann ihre eigene Kennzahl verbessern und dabei zusätzliche Arbeit in einer anderen erzeugen. Eine hohe Zahl erstellter Angebote hilft wenig, wenn ihre Lieferbedingungen regelmäßig neu verhandelt werden müssen. Ein günstiger Einkauf kann Terminrisiken vergrößern. Solche Zielkonflikte müssen in der gemeinsamen Leistung bearbeitet werden.

Hier berührt Produktivität das Problem der Delegation. Ein Auftrag kann klar formuliert sein, während Wissen, Ressourcen und Entscheidungsrechte auf unterschiedliche Stellen verteilt bleiben. Wer das Ergebnis zusammenführen soll, benötigt entweder passende Befugnisse oder einen verlässlichen Zugang zu den erforderlichen Entscheidungen.

Agentische KI kann solche Konflikte erkennen, Alternativen vorbereiten und Entscheidungen innerhalb eines Mandats ausführen. Die Unternehmensorganisation muss festlegen, welche Prioritäten und Grenzen gelten. Auch leistungsfähigere Modelle schaffen diese Befugnisse nicht von selbst.

Damit wird die Gestaltung vollständiger Leistungen praktisch relevant. Die Organisation muss festlegen, welches Ergebnis gebraucht wird, wer seine Erbringung führt, welche Entscheidungen zulässig sind und woran die Erfüllung erkennbar ist. Diese Ordnung kann menschliche, agentische und gemeinsame Arbeit verbinden.

Ein Ergebnisvertrag ist eine mögliche Form dieser Gestaltung. Er hält den geschuldeten Beitrag und seine Bedingungen fest. Ob ein solcher Zuschnitt wirtschaftlich sinnvoll ist, hängt auch von seiner Wiederverwendung, seinem Pflegeaufwand und der Zahl zusätzlicher Übergaben ab. Die bloße Vermehrung von Agenten oder Services ist kein Fortschrittsmaß.

Einfache Automatisierung kann bereits ausreichen

Dieser Einwand ist berechtigt. Ist eine Aufgabe klar abgegrenzt, der Datenzugang verlässlich und das Ergebnis leicht prüfbar, können ein Assistent oder ein festgelegter Ablauf ausreichen. Die Kundenservice-Studie zeigt, dass lokale Unterstützung relevante Gewinne ermöglicht.

Die Organisationsthese betrifft vor allem Leistungen, deren Ergebnis von mehreren Beiträgen und Entscheidungen abhängt. Sie rechtfertigt keinen umfassenden Umbau für jede Aufgabe. Ein agentischer Ansatz muss sich am einfachsten geeigneten Verfahren messen lassen.

Bessere Modelle könnten die Lücke schließen

Modellfortschritt kann Fehler reduzieren und bisher aufwendige Aufgaben beherrschbar machen. Manche heute organisatorisch behandelte Schwierigkeit wird dadurch kleiner. Ein schwaches System sollte deshalb nicht durch immer mehr Koordination kompensiert werden, wenn ein geeigneteres Werkzeug das Problem einfacher löst.

Geteilte Ressourcen und widersprechende Prioritäten bleiben jedoch auch bei hoher fachlicher Leistungsfähigkeit bestehen. Die These wäre geschwächt, wenn Modellverbesserungen allein in vergleichbaren Fällen regelmäßig dieselbe Gesamtwirkung erzielen wie eine gezielte Veränderung dieser Abhängigkeiten.

Zusätzliche Agenten können neue Bürokratie erzeugen

Auch dieser Einwand trifft einen möglichen Gegenverlauf. Spezialisierung erzeugt Übergaben; Prüfrollen erzeugen Prüfaufwand; eine feine Zerlegung von Arbeit kann mehr Abstimmung verlangen als eine zusammenhängende Bearbeitung.

Die wirtschaftliche Frage lautet deshalb, ob der vermiedene Aufwand größer ist als der neu geschaffene. Für manche Leistungen wird eine zentrale Bearbeitung geeigneter sein. Für andere können wiederverwendbare Beiträge mehrerer Beteiligter tragen. Beide Möglichkeiten gehören in den Vergleich.

Die beobachtete Lücke könnte ein vorübergehender Einführungseffekt sein

Einführung und Lernen benötigen Zeit. Eine frühe Messung kann späteren Nutzen unterschätzen. Künftige Lerngewinne dürfen dauerhafte Mehrkosten jedoch nicht unbegrenzt rechtfertigen.

Der Vergleich muss Einführungsaufwand, laufenden Betrieb und beobachtete Verbesserung unterscheiden. Vorab festgelegte Prüftermine und Abbruchbedingungen helfen, eine Anlaufphase von einer dauerhaft ungünstigen Arbeitsteilung zu unterscheiden.

Einführungs- und Betriebskosten gehören in denselben wirtschaftlichen Betrachtungszeitraum. Schwierige oder abgewiesene Fälle dürfen nicht aus der Bewertung verschwinden. Auch Belastung und notwendige Kompetenzpflege müssen berücksichtigt werden, wenn sie sich durch die neue Arbeitsteilung verändern.

Die These wird gestützt, wenn bei vergleichbaren Bedingungen die gezielte Veränderung von Übergaben, Entscheidungswegen und Prüfung zusätzliche Gesamtgewinne gegenüber reiner Aufgabenbeschleunigung erzeugt.

Die These wird geschwächt, wenn sich diese Unterschiede nicht zeigen, wenn der neue Koordinationsaufwand den Nutzen aufzehrt oder wenn dieselben Ergebnisse mit einer einfacheren Lösung erreicht werden. Eine bloß wachsende Zahl automatisierter Schritte entscheidet diese Frage nicht.

Die hier entwickelte These richtet den Blick auf die Bedingungen dieser Übersetzung. Wo Arbeit von vielen Beiträgen abhängt, gehören Koordination, Entscheidungsrechte und Prüfung zur produktiven Leistung selbst. Agentische KI eröffnet Möglichkeiten, diese Arbeit anders zu verteilen. Ihr Nutzen entsteht unter den Bedingungen des jeweiligen Betriebs und muss dort beurteilt werden.

Für die Unternehmensführung folgt daraus ein klarer Prüfauftrag: Wird eine vollständige, benötigte Leistung mit weniger Gesamtaufwand oder höherem Wert erbracht – und welche organisatorische Veränderung trägt dazu bei?

Jadeys serviceorientiertes Organisationsmodell macht vollständige Leistungen und ihre Beziehungen zum Ausgangspunkt. Ein Service beschreibt das vereinbarte Ergebnis. Ein verantwortlicher Service-Agent führt die Erbringung einschließlich der benötigten Beiträge, ihrer Prüfung und erforderlicher Nacharbeit. Die Zuständigkeit für das eigene Ergebnis bleibt bei weiterer Delegation bestehen. Das Modell formuliert damit einen konkreten Gestaltungsansatz für die hier untersuchte Produktivitätslücke.

Dabei besteht eine bewusste Abweichung zum älteren Insight „Management ohne Eigeninteresse“. Dort verbleibt Ergebnisverantwortung ausdrücklich bei Menschen; Agenten übernehmen Koordination. Das hier anschließende Organisationsmodell geht weiter: Es ordnet Service-Agenten die operative Verpflichtung zu, übernommene Leistungen bis zum überprüfbaren Ergebnis zu führen. Auch Steuerungsleistungen können innerhalb entsprechender Mandate dazugehören.

Diese operative Zuordnung begründet keine Übertragung rechtlicher Haftung oder menschlich vorbehaltener Entscheidungsrechte. Sie ist eine weitergehende Organisationsannahme, deren praktische Tragfähigkeit eigene Nachweise verlangt. Die in diesem Insight zitierten Untersuchungen belegen weder die Überlegenheit dieses Modells noch eine bestimmte Wirtschaftlichkeit von Jadey.

Geprüft wurden die verwendeten Aussagen in Abstracts, Einleitungen, Methoden- und Ergebniszusammenfassungen der verlinkten Primärveröffentlichungen. Eine eigenständige Replikation wurde nicht durchgeführt. Die Übertragung auf vollständige Unternehmensleistungen ist als eigene These gekennzeichnet. Die Studienergebnisse werden weder addiert noch auf ein agentisches Unternehmen hochgerechnet. Das Quellenverzeichnis benennt die jeweils verwendete Fassung.

1. McKinsey & Company (2026): Produktivität. Neu gedacht., 10. Juni 2026. Verwendet: Methodik sowie Abschnitt zur Transformation mit agentischer KI.
2. Brynjolfsson, E.; Li, D.; Raymond, L. R. (2025): Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. Verwendet: Abstract und Einleitung der Journalfassung.
3. Becker, J.; Rush, N.; Barnes, B.; Rein, D. (2025): Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, 10. Juli 2025. Verwendet: Forschungsbericht mit Versuchsdesign, Ergebnis und Übertragungsgrenzen.
4. Becker, J.; Rush, N.; Cunningham, T.; Rein, D.; Mahamud, K. (2026): We are Changing our Developer Productivity Experiment Design. METR, 24. Februar 2026. Verwendet: Folgebefunde und ausdrücklich benannte Auswahl- und Messprobleme.
5. Brynjolfsson, E.; Rock, D.; Syverson, C. (2021): The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. Verwendet: Abstract der Journalfassung; ergänzend die Zusammenfassung der Autoreninstitution.
6. Malone, T. W.; Crowston, K. (1994): The Interdisciplinary Study of Coordination. ACM Computing Surveys, 26(1), 87–119. Verwendet: Abstract und Einleitung zur Koordination von Abhängigkeiten.
7. Cemri, M. et al. (2025): Why Do Multi-Agent LLM Systems Fail?. arXiv:2503.13657, Version 1 vom 17. März 2025. Verwendet: Abstract und Einleitung zur Fehlertaxonomie; Preprint, kein betrieblicher Wirtschaftlichkeitsnachweis.