Was ist das Gesamtbild?
Die robuste Evidenz sagt heute: Aufgaben- und Workflow-Effizienz steigt oft deutlich, besonders bei Textarbeit, Support, Coding, Dokumentation und tutor-/copilot-artigen Setups. Die größten Gewinne sieht man häufig bei Novizen, Generalisten und unteren Leistungsgruppen, während Experten weniger profitieren oder nur in klar passenden Aufgaben. Außerdem hängen die Ergebnisse stark von Training, Workflow-Integration und Aufgabentyp ab.
Cruces et al. (NBER, 2026)
Diese Studie zeigt in einem randomisierten Experiment, dass generative KI die Produktivität für alle Teilnehmer steigern kann, aber besonders stark für Personen mit niedrigerem Bildungsniveau. Dadurch wird der Abstand zwischen verschiedenen Leistungsgruppen deutlich kleiner. Das ist ein starkes Indiz dafür, dass KI kurzfristig als „Skill Leveler“ wirken kann.
Chen & Hong (arXiv, 2026)
Die Studie ist besonders interessant, weil sie nicht nur den Zugang zu einem LLM untersucht, sondern auch den Effekt einer kurzen Schulung. Das Ergebnis: Training erhöht die Nutzung deutlich und verbessert die Leistung, während reiner Zugang ohne Schulung keine klaren Produktivitätsvorteile bringt. Die Studie unterstreicht damit, wie wichtig Enablement und Onboarding sind.
Cui et al. (Management Science / Working Paper, 2025/2026)
In mehreren Feldexperimenten mit Tausenden Entwicklern bei großen Unternehmen zeigte sich, dass Coding Assistants die Zahl der erledigten Aufgaben pro Woche deutlich erhöhen. Die Effekte sind besonders relevant, weil sie in realen Unternehmensumgebungen gemessen wurden und nicht nur in Laborsituationen.https://demirermert.github.io/Papers/Demirer_AI_productivity.pdf
Dillon et al. (NBER, 2025)
Diese Studie über mehrere Unternehmen hinweg zeigt, dass aktive KI-Nutzer weniger Zeit mit E-Mails verbringen und seltener außerhalb der normalen Arbeitszeit arbeiten. Das ist weniger ein klassischer Output-Effekt, sondern eher ein Hinweis darauf, dass KI Arbeitsalltag und Kommunikationsaufwand spürbar entlasten kann.https://www.nber.org/papers/w33795
Huang et al. (JAMA Network Open, 2025)
Im medizinischen Bereich zeigt diese Studie, dass GenAI die Dokumentation in der Radiologie deutlich effizienter machen kann, ohne dass Qualität oder fachliche Genauigkeit leiden. Das ist besonders relevant, weil es sich um einen realen klinischen Workflow handelt und nicht nur um eine Simulation.https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2834943
Brynjolfsson, Li & Raymond (QJE / NBER)
Diese inzwischen sehr bekannte Studie zeigt, dass KI im Customer Support die Produktivität insgesamt deutlich steigern kann. Besonders stark profitieren weniger erfahrene Mitarbeiter, während Top-Performer nur begrenzte Zusatzgewinne sehen. Das Paper ist ein Schlüsselbeleg dafür, dass KI Wissen und Best Practices schnell skalieren kann.https://www.nber.org/papers/w31161
Dell’Acqua et al. (Harvard Business School)
Die Studie mit Beratern zeigt, dass KI Aufgaben in vielen Fällen schneller und qualitativ besser machen kann. Gleichzeitig betont sie aber auch eine wichtige Grenze: Wenn Aufgaben außerhalb der sogenannten „AI frontier“ liegen, kann KI auch in die falsche Richtung führen. Die Ergebnisse sind deshalb besonders wertvoll für die Frage, wann KI sinnvoll eingesetzt werden sollte.https://www.hbs.edu/ris/Publication%20Files/24-013_d9b45b68-9e74-42d6-a1c6-c72fb70c7282.pdf
Vendraminelli et al. (HBS / Stanford, 2025)
Diese Arbeit zeigt, dass KI Menschen mit angrenzendem Wissen stark helfen kann, Aufgaben von Experten zu übernehmen. Wer aber zu weit vom eigentlichen Fachgebiet entfernt ist, stößt trotz KI an klare Grenzen. Die Studie ist wichtig, weil sie erklärt, warum KI nicht jede Wissenslücke vollständig schließt.https://www.hbs.edu/ris/Publication%20Files/26-011_04dcb593-c32b-4e4e-80fc-b51030cf8a12.pdf
Tutor CoPilot (Stanford, 2025)
In dieser Studie unterstützt KI Tutoren während ihrer Arbeit und verbessert die Lernergebnisse der Schüler. Besonders schwächere Tutoren profitieren stark. Das zeigt ein wichtiges Muster: KI ersetzt nicht nur Arbeit, sondern kann auch Expertenwissen in Echtzeit verfügbar machen und so Qualität breiter skalieren.https://nssa.stanford.edu/studies/tutor-copilot-human-ai-approach-scaling-real-time-expertise
Fang et al. (Working Paper, 2025)
Diese neuere Studie geht einen Schritt weiter als viele andere Papers, weil sie nicht nur einzelne Aufgaben betrachtet, sondern Auswirkungen auf Unternehmenskennzahlen. In Online-Retail-Workflows wurden je nach Einsatzbereich deutliche Verbesserungen gemessen. Das macht die Studie besonders relevant für Manager, die KI nicht nur als Hilfstool, sondern als Hebel für operative Produktivität verstehen wollen.https://arxiv.org/abs/2510.12049
Schneller zur KI
Lassen Sie uns Ihren Use Case besprechen
Learn more