Automatisierung & KI

14 %, 26 %, 50 % – und manchmal langsamer: Der richtige Prozess entscheidet

26. August 2026 · 6 Minuten

Drei geradlinige blaue Datenpfade und ein komplexer gewundener Pfad auf dunklem Grund

Künstliche Intelligenz macht Arbeit nicht automatisch schneller. Der Stanford AI Index Report 2026 fasst mehrere Studien zusammen, in denen die gemessene Wirkung stark von der Aufgabe, der Erfahrung der Beschäftigten und der gewählten Messgröße abhängt. Bei klar strukturierten Tätigkeiten zeigen sich deutliche Gewinne. In einem anspruchsvollen Entwicklungskontext fiel das Ergebnis dagegen negativ aus.

Vier Ergebnisse aus vier unterschiedlichen Kontexten

Gemessene Wirkung von KI-Unterstützung

Jede Karte zeigt das Ergebnis einer anderen Untersuchung. Die Prozentwerte bilden keine gemeinsame Skala.

+14 %

Customer Support

mehr gelöste Kundenanfragen pro Stunde

Brynjolfsson, Li & Raymond

+26 %

Softwareentwicklung

mehr abgeschlossene Aufgaben beziehungsweise Pull Requests

Cui et al.

+50 %

bestimmte Marketing-Aufgaben

mehr Output pro Person bei multimodaler Anzeigenerstellung

Ju & Aral, zusammengefasst im Stanford AI Index 2026

−19 %

komplexere Entwicklungsaufgaben

Produktivität: 19 Prozent mehr Bearbeitungszeit mit KI

METR, frühe KI-Werkzeuge aus 2025

Die vier Werte stammen aus unterschiedlichen Studien, Stichproben, Aufgaben und Messgrößen. Sie dürfen deshalb weder addiert noch direkt gleichgesetzt werden. Sie sagen nicht, dass Marketing grundsätzlich stärker von KI profitiert als Softwareentwicklung oder dass KI erfahrene Entwickler generell verlangsamt. Gemeinsam zeigen sie etwas anderes: Der konkrete Arbeitskontext entscheidet über die Wirkung.

Customer Support: klarer Ablauf, messbares Ergebnis

Brynjolfsson, Li und Raymond untersuchten die schrittweise Einführung eines generativen KI-Assistenten bei 5.179 Beschäftigten im Customer Support. Gemessen wurde, wie viele Anliegen pro Stunde gelöst wurden. Im Durchschnitt stieg diese Produktivität um 14 Prozent. Weniger erfahrene und zuvor schwächere Beschäftigte profitierten besonders stark, während der Effekt bei sehr erfahrenen Beschäftigten klein blieb.

Der Assistent arbeitete innerhalb eines eng umrissenen Prozesses: Ein Kundenanliegen lag vor, das System machte auf Basis früherer erfolgreicher Gespräche Vorschläge und ein Mensch entschied, was davon verwendet wurde. Aufgabe, Qualitätskontrolle und Ergebnis waren vergleichsweise klar definiert.

Softwareentwicklung und Marketing: Output ist nicht gleich Qualität

In drei Feldexperimenten mit insgesamt 4.867 Softwareentwicklern erhöhte ein KI-Coding-Assistent die Zahl abgeschlossener Aufgaben im Durchschnitt um rund 26 Prozent. Die Stanford-Zusammenfassung beschreibt den Effekt als mehr abgeschlossene Pull Requests. Auch hier profitierten weniger erfahrene Beschäftigte stärker. Die Kennzahl misst erledigten Output; sie setzt nicht automatisch höhere Codequalität oder einen größeren wirtschaftlichen Nutzen voraus.

Für Marketing-Teams berichtet der Stanford AI Index einen um 50 Prozent höheren Output pro Person bei einer konkreten multimodalen Anzeigenerstellung. Die zugrunde liegende Untersuchung von Ju und Aral vergleicht Mensch-Mensch-Teams mit Mensch-KI-Teams in einem abgegrenzten Kampagnenexperiment. Auch dieser Wert gilt für den untersuchten Workflow und ist keine pauschale Aussage über sämtliche Marketingarbeit.

Das Gegenbeispiel: vertraute, komplexe Codebasen

METR ließ 16 erfahrene Open-Source-Entwickler 246 reale Aufgaben in großen Projekten bearbeiten, mit denen sie im Durchschnitt seit fünf Jahren vertraut waren. Wurden frühe KI-Werkzeuge aus dem Jahr 2025 zugelassen, benötigten sie im Mittel 19 Prozent mehr Zeit. Bemerkenswert war die Wahrnehmung: Die Teilnehmer glaubten selbst, durch KI schneller geworden zu sein.

Auch dieses Resultat darf nicht verallgemeinert werden. Die Stichprobe war klein und bewusst auf erfahrene Entwickler in ihnen sehr vertrauten, komplexen Repositories begrenzt. METR weist außerdem darauf hin, dass spätere Werkzeuge wahrscheinlich bessere Effekte erzielen; eine Folgestudie ließ sich wegen Auswahl- und Messproblemen jedoch nicht zuverlässig auswerten. Die −19 Prozent sind daher eine Momentaufnahme für einen klar beschriebenen Aufgabenkontext, kein Urteil über KI-gestützte Softwareentwicklung insgesamt.

Woran sich ein geeigneter Prozess erkennen lässt

Die stärksten Ergebnisse treten dort auf, wo Arbeit strukturiert, wiederholbar und überprüfbar ist. Je klarer Eingabe, gewünschtes Ergebnis und Qualitätskontrolle beschrieben sind, desto besser lässt sich auch feststellen, ob KI tatsächlich hilft.

Der Vorgang tritt regelmäßig auf und bindet heute messbar Zeit.
Eingaben und gewünschtes Ergebnis lassen sich eindeutig beschreiben.
Das Ergebnis kann anhand klarer Kriterien geprüft werden.
Ein Mensch bleibt dort verantwortlich, wo Urteil, Freigabe oder Haftung entscheidend sind.
Bearbeitungszeit, Fehlerquote oder Durchlaufzeit werden vor und nach der Einführung verglichen.

Der Prozess kommt vor dem Werkzeug

Nicht jeder Prozess braucht KI; der richtige Prozess entscheidet. Manchmal ist ein klarer regelbasierter Ablauf verlässlicher und günstiger. Manchmal ist eine Kombination aus klassischer Automatisierung, KI-Vorbereitung und menschlicher Freigabe sinnvoll. Erst wenn Aufgabe, Daten und Qualitätskontrolle feststehen, lässt sich die Technik seriös auswählen.

Bei Build AI Tech beginnen wir deshalb mit dem bestehenden Ablauf: Wo entsteht wiederkehrender Aufwand, welche Informationen liegen vor, wer prüft das Ergebnis und woran lässt sich der Nutzen messen? Im kostenlosen 30-minütigen Erstgespräch ordnen wir ein, ob sich eine Automatisierung lohnt. Wenn ein Prozess keine KI braucht, sagen wir das ebenfalls.