KI-Produktivität: Was Studien wirklich messen und wer davon profitiert

KI-Produktivität im Faktencheck: was Studien mit Programmierern und Beamten messen, warum die Zahlen so weit auseinandergehen und wie du deinen Nutzen prüfst.

KI & Automation · · 8 Min.

Titelbild zum Artikel „KI-Produktivität: Was Studien wirklich messen und wer davon profitiert“ von Felix Schmitz (KI & Automation)

Kurz gesagt

  • KI-Produktivität beschreibt, wie viel mehr oder besseres Ergebnis Menschen pro Zeit mit KI-Werkzeugen erzielen, und die Antwort hängt stark davon ab, was gemessen wird.
  • In einem Quasi-Experiment bei Ant Group stieg die Code-Menge um über 50 %, die Zahl erledigter Aufgaben um 22 %.
  • Eine Analyse von über 30 Millionen GitHub-Beiträgen in Science fand 3,6 % mehr Beiträge pro Quartal, aber nur bei erfahrenen Entwicklern.
  • Eine Übersicht über 15 Studien zeigt positive Effekte beim Sammeln von Informationen und negative beim eigentlichen Entscheiden.
  • Wer nach Festpreis arbeitet, behält den Zeitgewinn durch KI, wer nach Stunden abrechnet, gibt ihn an den Kunden weiter.
Mit ChatGPT, Claude oder Perplexity weiterdenken
Inhalt7 Abschnitte

KI-Produktivität beschreibt, wie viel mehr oder besseres Ergebnis Menschen pro Zeiteinheit mit KI-Werkzeugen erreichen. Studien finden je nach Aufgabe und Messgröße Zuwächse von wenigen Prozent bis über 50 %, bei manchen Entscheidungsaufgaben sogar Verschlechterungen. Ob du produktiver wirst, hängt davon ab, wofür du KI einsetzt, wie erfahren du in der Aufgabe bist und was du überhaupt als Ergebnis zählst.

Ich verkaufe Websites, die in 24–48 h live sind, und arbeite jeden Tag mit KI. Trotzdem werde ich skeptisch, wenn jemand pauschal von doppelter oder zehnfacher Produktivität spricht. In der Business Intelligence habe ich gelernt, zuerst zu fragen, was eine Kennzahl eigentlich misst. Bei KI-Produktivität lohnt sich diese Frage besonders.

Für diesen Artikel habe ich vier Studien aus begutachteten Fachzeitschriften ausgewählt, eine davon aus Science. Zwei messen Programmierer, eine Verwaltungsangestellte, eine fasst 15 Studien zu Entscheidungen zusammen. Zusammen ergeben sie ein Bild, das widersprüchlicher und gerade dadurch nützlicher ist als die üblichen Schlagzeilen.

Was KI-Produktivität bedeutet und warum die Messgröße entscheidet

Produktivität ist Ergebnis geteilt durch Aufwand. Das klingt eindeutig, bis du festlegen musst, was das Ergebnis ist. Bei Programmierern kann es die Menge an Code sein, die Zahl erledigter Aufgaben oder die Zahl der Beiträge zu einem Projekt. Bei einer Agentur kann es die Zahl der Texte sein, die Zeit pro Angebot oder der Umsatz pro Monat.

Wie stark die Wahl der Messgröße das Ergebnis prägt, zeigt eine einzige Studie besonders deutlich. Gambacorta, Qiu, Shan und Rees (2026) haben im Journal of Financial Stability einen natürlichen Versuch bei Ant Group ausgewertet. Im September 2023 führte das Unternehmen den Programmierassistenten CodeFuse ein. Einige Teams nutzten ihn, andere erfuhren zunächst nichts davon. Daraus ließen sich vergleichbare Gruppen bilden.

Gemessen an der Menge des Codes stieg die Produktivität um über 50 %. Die Autoren wissen, dass KI Code aufblähen kann, und haben deshalb auch die erledigten Aufgaben gezählt. Dort lag der Zuwachs bei 22 %. Dieselbe Einführung, zwei sehr unterschiedliche Zahlen.

Ein zweites Detail aus dieser Studie finde ich noch wichtiger. Der größte Teil des Gewinns kam laut den Autoren gar nicht daher, dass Programmierer KI-Code direkt übernahmen. Er kam aus Zeitersparnis, die ihnen half, insgesamt effizienter zu arbeiten. Eine nachträgliche Befragung der Programmierer stützt diese Ergebnisse. Für mich heißt das: Der Nutzen von KI steckt oft in den kleinen Handgriffen drumherum: im Nachschlagen, Erklären und Vorbereiten.

Balkendiagramm zur KI-Produktivität in zwei Studien: über 50 % mehr Code und 22 % mehr erledigte Aufgaben bei Ant Group sowie 3,6 % mehr GitHub-Beiträge pro Quartal in einer Science-Studie
Dieselbe Technik liefert sehr unterschiedliche Zahlen, je nachdem, was gemessen wird.

Die dritte Zahl stammt aus einer anderen Studie und ist nicht direkt vergleichbar. Ich stelle sie trotzdem daneben, weil sie dieselbe Lektion verstärkt. Für dein eigenes Geschäft heißt das: Miss die Sache, für die dein Kunde bezahlt. Wörter, Folien oder Codezeilen sind ein schlechter Ersatz.

Was die große GitHub-Studie zeigt

Die umfangreichste Studie in meiner Auswahl haben Daniotti, Wachs, Feng und Neffke (2026) in Science veröffentlicht. Sie haben ein neuronales Netz trainiert, das KI-generierte Python-Funktionen erkennt, und es auf über 30 Millionen Beiträge von 160.097 Entwicklern auf GitHub angewendet. Die Daten stammen aus sechs Ländern, darunter Deutschland, und reichen von 2019 bis 2024.

Die wichtigsten Ergebnisse laut Abstract:

  • Ende 2024 entstanden in den USA geschätzt 29 % der Python-Funktionen mit erheblicher KI-Unterstützung, in Deutschland 24 %, in Frankreich 23 %.
  • Auf dem damaligen Nutzungsniveau stieg die Zahl der Beiträge pro Quartal um geschätzt 3,6 %.
  • KI hing außerdem damit zusammen, dass Entwickler häufiger neue Software-Bibliotheken ausprobierten, also in unbekannte Gebiete vorstießen.
  • Diese Zuwächse fanden sich nur bei erfahrenen Entwicklern. Berufseinsteiger nutzten KI sogar häufiger, zeigten aber keinen messbaren Nutzen.

Der letzte Punkt hat mich überrascht, weil er der Ant-Group-Studie widerspricht. Dort waren die Zuwächse nur bei Junioren und Einsteigern statistisch eindeutig, bei erfahrenen Entwicklern fiel der Effekt begrenzter aus.

Zwei Einschränkungen gehören dazu. Die Studie misst nur Python und nur Code, der auf GitHub sichtbar ist, und der Anteil der KI-Funktionen ist eine Schätzung ihres Erkennungsmodells. Die Richtung halte ich trotzdem für belastbar, weil die Datenmenge so groß ist und dieselben Entwickler über die Zeit verglichen werden.

Am spannendsten finde ich den Befund zu neuen Bibliotheken. KI scheint erfahrenen Leuten zu helfen, in Nachbargebiete vorzustoßen. Das deckt sich mit meiner eigenen Erfahrung. Ich habe ohne Entwicklerteam eine iOS-App gebaut, was ich ohne KI-Werkzeuge nicht in zwei Wochen geschafft hätte. Was ich dabei mitgebracht habe, war aber Erfahrung mit digitalen Produkten und ein klares Bild davon, was die App können soll.

Einsteiger oder Profis: Wer gewinnt durch KI

Eine dritte Studie fällt in dieselbe Richtung wie Ant Group, aus einem ganz anderen Umfeld. Kim (2026) hat in Government Information Quarterly ein Pilotprojekt in einer zentralen Regierungsbehörde untersucht. 80 Beamte wurden in eine Gruppe mit KI-gestütztem Entwerfen von Antworten auf Bürgeranfragen und eine Vergleichsgruppe geteilt. Mit KI ging das Entwerfen laut der bereinigten Schätzung 4,05 Minuten schneller als in der Vergleichsgruppe. Am stärksten profitierten neu eingestellte Mitarbeitende. Der Autor betont, dass breitere Folgen für die Organisation oder die Qualität der Antworten nicht gemessen wurden.

Für kleine Teams steckt darin eine praktische Idee. Wenn du deine erste Mitarbeiterin einarbeitest, kann KI mit deinen Vorlagen, Beispielen und Regeln die Einarbeitung verkürzen. Sie liefert der neuen Person einen Entwurf nach deinem Muster, den sie prüft und anpasst. Voraussetzung ist, dass dein Muster aufgeschrieben ist.

Studie Umfeld Wer profitierte am meisten
Gambacorta et al. (2026) Programmierer bei Ant Group Junioren und Einsteiger
Kim (2026) Beamte, Antworten auf Bürgeranfragen Neu eingestellte Mitarbeitende
Daniotti et al. (2026) 160.097 Entwickler auf GitHub Nur erfahrene Entwickler

Warum die Ergebnisse so auseinandergehen, beantworten die Studien nicht, und sicher weiß ich es auch nicht. Meine Vermutung: Bei klar umrissenen Aufgaben innerhalb einer Organisation, etwa einer Antwort nach festem Muster, hilft KI vor allem denen, die das Muster noch nicht kennen. Bei offener Arbeit, wo du selbst entscheiden musst, was gut ist und welche Richtung stimmt, hilft sie denen, die das schon beurteilen können.

Für Selbstständige ist das eine wichtige Unterscheidung. In deinem Kerngebiet bist du die erfahrene Person. Dort kann KI dein Urteil verlängern. In fremden Gebieten, etwa beim ersten Steuerthema oder beim ersten eigenen Code, gibt sie dir Tempo, aber kein Urteil. Wie sich dieser Unterschied in der Wissensarbeit zeigt, habe ich im Artikel über KI in der Beratung beschrieben. Was Programmierassistenten speziell leisten, steht im Artikel über KI-Programmierassistenten.

Wo KI-Produktivität kippt: das Entscheiden

Die vierte Studie hat meinen Blick auf das Thema am stärksten verändert. Nassiri und El Mzabi (2026) fassen in Procedia Computer Science 15 Studien mit zusammen 15.752 Teilnehmenden zusammen. Sie wollten verstehen, warum dieselbe Technik manchen Menschen hilft und anderen schadet.

Ihre Erklärung: KI-Ausgaben wirken immer gleich selbstsicher, egal wie verlässlich sie im Einzelfall sind. Das stört die Fähigkeit von Menschen einzuschätzen, wann sie eine Aufgabe an die KI abgeben sollten. Je nach Phase einer Entscheidung fällt der Effekt deshalb unterschiedlich aus.

Grafik mit drei Phasen einer Entscheidung und der KI-Produktivität laut Übersichtsarbeit: positiv beim Sammeln von Informationen, gemischt beim Entwerfen von Optionen und negativ beim Auswählen
Beim Sammeln hilft KI, beim eigentlichen Auswählen schadet sie im Schnitt.

Eine Effektstärke von +0,41 gilt in der Forschung als kleiner bis mittlerer Effekt, −0,28 als kleiner negativer. Das ist keine Katastrophe, aber ein klares Signal. Die Übersicht ist eine Konferenzpublikation mit nur 15 Studien, und die Autoren formulieren ihre Ergebnisse als prüfbare Thesen. Ich nehme sie trotzdem ernst, weil sie zu dem passt, was ich im Alltag sehe. KI ist stark darin, mir Material und Varianten zu liefern. Die Wahl, welche Variante ich nehme, ist meine Aufgabe.

KI bringt mich schneller bis zur Entscheidung. Treffen muss ich sie weiterhin selbst, mit meinem eigenen Urteil.

Wie leicht man einer selbstsicheren Maschine folgt, beschreibe ich im Artikel über Automation Bias.

So misst du deine eigene KI-Produktivität

Keine dieser Studien sagt dir, wie viel du selbst gewinnst. Das kannst du aber mit wenig Aufwand herausfinden. So würde ich vorgehen:

  1. Eine wiederkehrende Aufgabe wählen. Etwas, das jede Woche anfällt, etwa Angebote, Antworten auf Anfragen oder Social-Media-Beiträge.
  2. Das echte Ergebnis festlegen. Was zählt für deinen Kunden: ein verschicktes Angebot, eine beantwortete Anfrage, ein veröffentlichter Beitrag. Keine Zwischenmengen.
  3. Drei Werte notieren. Zeit bis zum fertigen Ergebnis, Zahl der Korrekturschleifen und eine kurze Qualitätsnote von 1 bis 5.
  4. Zwei Wochen ohne, zwei Wochen mit KI. Oder, wenn du schon mit KI arbeitest, zwei Wochen mit deinem jetzigen und zwei mit einem verbesserten Ablauf.
  5. Ehrlich vergleichen. Wenn die Zeit sinkt, aber die Korrekturschleifen steigen, hast du Arbeit nur verschoben.

Den größten Hebel finde ich meist in Schritt 4, beim besseren Ablauf. Ein gut gepflegter Prompt mit Kontext und Beispiel spart oft mehr als ein neues Werkzeug. Wie ich solche Vorlagen aufbaue, steht im Artikel über Prompt Engineering.

Achte außerdem darauf, was die gewonnene Zeit frisst. Viele Menschen füllen sie mit mehr kleinen Aufgaben. Wenn du die Zeit für konzentrierte Arbeit an den wichtigen Dingen nutzen willst, musst du sie bewusst dafür blocken. Wie ich das angehe, beschreibe ich im Artikel über Deep Work.

Wer den Zeitgewinn behält

Ein Punkt fehlt in allen Studien, weil sie Angestellte messen. Für Selbstständige ist er der wichtigste. Wenn du nach Stunden abrechnest und KI dich doppelt so schnell macht, halbiert sich deine Rechnung. Der Produktivitätsgewinn landet beim Kunden.

Ich arbeite bei quik deshalb mit Festpreisen. Festes Ergebnis statt Stundenzettel. Wenn ich eine Website schneller baue, bleibt die gewonnene Zeit bei mir, und ich kann sie in das nächste Projekt oder in bessere Qualität stecken. Der Kunde bekommt dafür ein festes Ergebnis zu einem festen Preis und muss meine Stunden nicht kontrollieren. Warum ich das Modell für fairer halte, beschreibe ich im Artikel Festpreis statt Stundensatz.

Eine zweite Grenze kenne ich aus eigener Erfahrung. Bei quik connect habe ich App, Website und Werbegrafiken in zwei Wochen mit Claude Code gebaut. Eines meiner Learnings: Die letzten 20 % fressen mehr Energie als die ersten 80 %. KI beschleunigt vor allem den Anfang. Das Feinschleifen, das Testen und die Entscheidungen am Ende bleiben bei dir. Wer KI-Produktivität nur am ersten Entwurf misst, überschätzt sie.

Fazit

KI-Produktivität ist real, aber ihre Größe hängt an der Messgröße, an der Aufgabe und an deiner Erfahrung. Die Studien zeigen Zuwächse zwischen 3,6 % und über 50 %, widersprechen sich bei der Frage, ob Einsteiger oder Profis mehr profitieren, und finden beim eigentlichen Entscheiden sogar Verluste.

Mein Vorschlag für die nächsten zwei Wochen: Wähle eine Aufgabe, die du jede Woche erledigst, und miss Zeit, Korrekturschleifen und Qualität. Danach weißt du mehr über deinen eigenen Nutzen als aus jeder Studie. Was ich bei meinen eigenen Messungen herausfinde, teile ich in den Unternehmer Thoughts.

Mit KI weiterdenken

Frag deine KI zu diesem Artikel

Öffnet den Dienst in einem neuen Tab. Erst mit dem Klick geht der Prompt an den Anbieter, vorher wird nichts übertragen.

Häufige Fragen

Steigert KI die Produktivität wirklich?

In vielen Studien ja, aber sehr unterschiedlich stark. Die gemessenen Zuwächse reichen von wenigen Prozent bis über 50 %, je nach Aufgabe, Messgröße und Erfahrung der Nutzer. Bei Entscheidungen kann KI die Leistung laut einer Übersichtsarbeit sogar verschlechtern.

Wer profitiert am meisten von KI, Einsteiger oder Erfahrene?

Die Studien widersprechen sich. Bei Ant Group und in einer Behörde profitierten Neue und Einsteiger am stärksten, in einer großen GitHub-Analyse dagegen nur erfahrene Entwickler. Vermutlich hängt es davon ab, ob die Aufgabe klar umrissen ist oder eigenes Urteil verlangt.

Wie misst man KI-Produktivität im eigenen Unternehmen?

Miss eine Aufgabe, die regelmäßig vorkommt, vorher und nachher: benötigte Zeit, Zahl der Korrekturschleifen und Qualität des Ergebnisses. Reine Mengen wie Wörter oder Codezeilen täuschen, weil KI die Menge leicht aufbläht.

Bei welchen Aufgaben bringt KI am wenigsten?

Laut der Übersichtsarbeit von Nassiri und El Mzabi (2026) schneidet KI bei der eigentlichen Auswahl zwischen Optionen am schlechtesten ab. Ein Grund ist, dass KI-Antworten immer gleich selbstsicher wirken, egal wie verlässlich sie sind.

Quellen4 Quellen
  1. Daniotti, Wachs, Feng et al. (2026): Who is using AI to code? Global diffusion and impact of generative AI. Science (öffnet in neuem Tab)
  2. Gambacorta, Qiu, Shan et al. (2026): Generative AI and labour productivity: A quasi experiment on coding. Journal of Financial Stability (öffnet in neuem Tab)
  3. Nassiri, El Mzabi (2026): Generative AI and Organizational Decision-Making: A Systematic Review of Performance Effects. Procedia Computer Science (öffnet in neuem Tab)
  4. Kim (2026): Generative AI in public administration: A quasi-experimental analysis of bureaucratic productivity. Government Information Quarterly (öffnet in neuem Tab)

Passt dazu

Alle Artikel