Das Produktivitätsparadoxon der künstlichen Intelligenz

Drei Erklärungen für das Produktivitätsparadoxon

Die Arbeitsproduktivität ist das Verhältnis zwischen Gesamtoutput und Gesamtarbeitszeit und misst die Effizienz, mit der Arbeitsinput in tatsächlichen Output umgewandelt wird. Sie ist ein sehr wichtiger wirtschaftlicher Indikator. Langfristig gesehen ist die Produktivitätssteigerung der einzige Weg, um das Lebensniveau zu verbessern (Tim Sargent, 2024). Technologischer Fortschritt ist die Hauptquelle für die Produktivitätssteigerung (Brookings Institution, 2024). Dennoch gibt es oft die Situation, dass "der technologische Fortschritt rasant voranschreitet, während das Wachstum der Produktivität enttäuschend ist". Dies ist das Produktivitätsparadoxon (Productivity Paradox).

1987 schrieb der Nobelpreisträger für Ökonomie Robert Solow in einem Artikel über die Deindustrialisierung: "You can see the computer age everywhere but in the productivity statistics (Die Spuren des Computerzeitalters sind überall zu sehen, nur in den Produktivitätsstatistiken nicht)." Diese unvorsichtige Äußerung ist die klassischste Formulierung des "Produktivitätsparadoxons" oder "Solow-Paradoxons". Man nimmt allgemein an, dass Solow das Produktivitätsparadoxon zuerst formuliert hat, aber es könnte tatsächlich jemand anderes sein. Peng Geng und Lü Benfu (2003) meinen, dass es Stephen S. Roach war.

In den letzten vierzig Jahren haben Wissenschaftler kontinuierliche Forschungen über das Produktivitätsparadoxon durchgeführt. Die Amerikaner Paul David und Brynjolfsson sind die Pioniere und Anführer in diesem Bereich und haben drei Haupterklärungen entwickelt: Fehleinschätzung, Messfehler und Zeitverzögerung.

Erstens: Fehleinschätzung. Die optimistische Einschätzung der technologischen Potenziale ist falsch. Die Technologie ist in Wirklichkeit nicht so transformativ wie man sich vorstellt. In der Geschichte gab es viele aufregende Technologien, die ihre ursprünglichen Erwartungen nicht erfüllen konnten. Beispielsweise ist die Kernenergie noch lange nicht "zu billig, um gemessen zu werden (Too Cheap To Meter)"; die kontrollierte Kernfusion "braucht immer noch 30 Jahre, um realisiert zu werden (Always 30 Years Away)"; Marvin Minsky (1970) prophezeite, "dass wir in drei bis acht Jahren eine Maschine mit durchschnittlicher menschlicher Intelligenz haben werden", aber diese Maschine ist noch nicht erschienen.

Zweitens: Messfehler. In der Praxis ist es nicht einfach, die Produktivität zu messen (Tim Sargent, 2024). Die Produktivitätsgewinne, die durch neue Technologien entstehen, sind real, aber sie werden noch nicht genau erfasst. Die Instrumente, mit denen wir die empirische Realität messen, funktionieren nicht effektiv. Beispielsweise sind kostenlose Internetdienste und Technologieprodukte mit ständig verbesserter Leistung und sinkenden Preisen schwer in traditionellen Statistiken adäquat darzustellen.

Drittens: Zeitverzögerung. Die ersten beiden Erklärungen versuchen, den Widerspruch zwischen optimistischen Erwartungen und enttäuschenden statistischen Realitäten zu beseitigen, indem sie annehmen, dass eine der beiden Seiten in irgendeiner Weise falsch ist. Die Zeitverzögerungserklärung hingegen geht davon aus, dass die beiden scheinbar widersprüchlichen Aspekte gleichzeitig zutreffen können, nur dass die Zeit noch nicht reif ist. Das heißt, dass neue Technologien eine längere Zeit benötigen, um einen wesentlichen Einfluss auf die Produktivität zu haben, insbesondere generelle Technologien (GPTs).

Der Einfluss neuer Technologien auf die Produktivität ist zeitverzögert

Brynjolfsson meint (2017), dass die Zeitverzögerungserklärung am überzeugendsten ist und der Hauptgrund für das Produktivitätsparadoxon ist. Paul David weist darauf hin (2000): "In der frühen Phase eines Paradigmenwechsels sollte man nicht erwarten, dass die höchsten Produktivitätsrenditen erzielt werden, obwohl die Verbreitungsgeschwindigkeit der neuen Technologie möglicherweise am schnellsten ist." Generelle Technologien müssen mehrere sekundäre Innovationen, komplementäre Innovationen und organisatorische Veränderungen durchlaufen, bevor sie einen wesentlichen Einfluss auf die Produktivität haben können. Brynjolfsson (2020) fasst die zeitverzögerte Wirkung von generellen Technologien auf die Produktivität als "J-Kurve" zusammen. Helpman und Trajtenberg (1994) haben ähnliche Ansichten. Sie teilen den Einfluss von generellen Technologien auf das Wirtschaftswachstum in zwei Phasen auf: die Saatphase und die Erntephase. In der Saatphase wächst die Produktivität langsam oder sinkt sogar, und erst in der Erntephase beginnt das echte Wachstum.

Langfristig gesehen ist das Produktivitätsparadoxon also kein Paradoxon, sondern nur ein Phänomen einer bestimmten Phase, wie beispielsweise die 1980er Jahre, in denen Solow lebte. Ab Mitte der 1990er Jahre war die Kapitalakkumulation in der Informationstechnologie erst ausreichend, um die Produktivität zu beeinflussen (Stephen Oliner & Daniel Sichel, 2000). Laut einer Studie der Europäischen Zentralbank (2020) ist der Beitrag von Elektrizität und ICT zur amerikanischen Arbeitsproduktivität in der historischen Entwicklung sehr ähnlich. Beide zeigten zunächst eine flache Entwicklung und beschleunigten später. Die Wendepunkte lagen 1915 und 1995. Historisch gesehen begannen die Dampfmaschine, der Generator und der Computer erst 118, 91 bzw. 49 Jahre nach ihrer Erfindung und 54, 40 bzw. 21 Jahre nach ihrer Kommerzialisierung, die Produktivität deutlich zu steigern. Wie in der folgenden Abbildung gezeigt.

Abbildung: Die Anzahl der Jahre von der Erfindung und Kommerzialisierung von generellen Technologien bis zur deutlichen Steigerung der Produktivität. Datenquelle: Zusammenstellung aus Daten von Nicholas Crafts (2018), Paul David (1990), Stephen Oliner & Daniel Sichel (2000) und der Europäischen Zentralbank (2020).

Künstliche Intelligenz kann die Produktivität noch nicht deutlich steigern

Künstliche Intelligenz ist eine neue generelle Technologie (Nicholas Crafts, 2021; OECD, 2024; NBER, 2026). Sie zeichnet sich durch universelle Anwendbarkeit, kontinuierliche Verbesserung und die Fähigkeit, Innovationen zu fördern, aus und ist der Motor für zukünftiges Wirtschaftswachstum. Die Begriffe der künstlichen Intelligenz wurden vor 70 Jahren eingeführt, und die Machine-Learning-Revolution hat schon 14 Jahre zurückliegend. Der aktuelle AI-Welle ist in vollem Gange, von Large Language Models, Multimodalität bis hin zu Weltmodellen, Agenten und Physikalischer AI, es gibt immer wieder neue Entwicklungen. Dennoch hat die Produktivitätswachstumsrate nicht deutlich zugenommen, und es besteht sogar eine Produktivitätskrise (Rogers, 2024).

Seit der Veröffentlichung von ChatGPT im November 2022 ist die Arbeitsproduktivität in Kanada und der EU im Wesentlichen stabil geblieben, und die Wachstumsrate schwankt um 0%. Die EU erreichte zwischen 1999 und 2008 eine durchschnittliche Wachstumsrate der Arbeitsproduktivität pro Stunde von 1,5% und zwischen 2010 und 2019 von 1%. Wie in der folgenden Abbildung gezeigt. Die USA weisen ein starkes Wachstum auf. Die Wachstumsrate der Arbeitsproduktivität im nicht-landwirtschaftlichen Sektor betrug 2,2% im Jahr 2025, was in den westlichen Ländern heraussticht. Dies entspricht jedoch nur dem langfristigen Durchschnitt seit 1947 (Quelle: Bureau of Labor Statistics).

Abbildung: Die Wachstumsrate der Arbeitsproduktivität in der EU in den letzten Jahren (Quelle: Statistische Amt der Europäischen Union).

Die Medien lieben es, Begriffe wie "iPhone-Moment" oder "ChatGPT-Moment" zu verwenden, um wichtige technologische Veränderungen zu beschreiben. Dies vermittelt das Gefühl, dass diese Veränderungen plötzlich und abrupt sind. Der Einfluss von Technologie auf die Wirtschaft und Gesellschaft ist jedoch ein langfristiger Prozess. Der Nobelpreisträger für Ökonomie Daron Acemoglu weist darauf hin (2024): "Viele Menschen glauben, dass KI die Wirtschaft in allen Aspekten schnell und grundlegend verändern und die Produktivität stark steigern kann, bis wir fast an den Singularitätspunkt herankommen. Obwohl diese Möglichkeit nicht völlig ausgeschlossen werden kann, gibt es bisher keine Beweise dafür, dass eine revolutionäre Wirkung eingetreten ist."

Der "AI+"-Index muss 50% erreichen

Die Penetrationsrate ist ein Vorindikator, der den Beitrag zur Produktivität bestimmt. Der Einfluss von KI auf die Arbeitsproduktivität kann anhand der Penetrationsrate direkt erfasst werden. Paul David weist darauf hin (2000): "Die Penetrationsrate von kostensenkenden Technologien muss erst den Schwellenwert von 50% erreichen, um den größten Einfluss auf die Wachstumsrate der gesamten Faktorproduktivität zu haben." Das heißt, dass der "AI+"-Index 50% erreichen muss, damit die Produktivitätswachstumsrate deutlich zunimmt.

Dennoch zeigen offizielle Daten, dass die Unternehmensanwendung von KI noch in der frühen Phase ist und auf Unternehmensbarrieren stößt. Die Unternehmenspenetrationsrate von KI in den USA und Kanada liegt bei etwa 10%, in der EU und Großbritannien bei etwa 20%. In China beträgt die Anwendungsrate von KI-Technologien in den oberen Industriebetrieben über 30%. Hierbei handelt es sich bei der Penetrationsrate um ein Maß für "ob vorhanden", d. h., es reicht aus, wenn ein Unternehmen eine KI-Technologie anwendet. Es geht noch nicht um die "Güte" der Anwendung, und Tiefe, Breite und Effekt der Anwendung werden noch nicht berücksichtigt. Aufgrund unterschiedlicher statistischer Kriterien können diese Zahlen nicht direkt miteinander verglichen werden, aber alle zeigen, dass KI noch in der frühen Phase der Technologiediffusion ist und die Penetrationsrate noch weit vom Schwellenwert von 50% entfernt ist. Wie in der folgenden Abbildung gezeigt.

Abbildung: Die Unternehmenspenetrationsrate von KI in den wichtigsten Ländern und Regionen. Anmerkung: In China bezieht sich dies auf die oberen Industriebetriebe; in der EU, Deutschland und Frankreich auf Unternehmen mit 10 oder mehr Mitarbeitern; die Umfragen in Großbritannien und den USA erfolgten im September des jeweiligen Jahres, in Kanada im zweiten Quartal des jeweiligen Jahres.

China ist in der Künstlichen-Intelligenz-Branche mit den USA auf Augenhöhe (Zhong Caiwen, 2025), hat jedoch einen anderen Weg eingeschlagen. Die USA setzen auf große Investitionen, hohe Leistung und streben die AGI an. China hingegen öffnet die Gewichte, stärkt die Anwendungen und fördert die tiefe Integration von KI in alle Branchen. "AI+" wird als Mittel zur Förderung technologischer Veränderungen und zur Stärkung der hochwertigen Entwicklung der Branchen eingesetzt. Die Essenz von "AI+" besteht darin, die Adoptionsrate zu erhöhen und damit die Arbeitsproduktivität zu steigern. Mit der fortschreitenden Umsetzung von "AI+" wird die Arbeitsproduktivität sicherlich einen schnellen Anstieg erleben.

Literaturverzeichnis:

【1】Erik Brynjolfsson, Daniel Rock, and Chad Syverson, "Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics," NBER Working Paper 24001 (2017), https://doi.org/10.3386/w24001.

【2】Paul A. David，2000. “Understanding Digital Technology's Evolution and the Path of Measured Productivity Growth: Present and Future in the Mirror of the Past,” https://doi.org/10.7551/mitpress/6986.003.0005

【3】S. S. Roach, “America’s Technology Dilemma: A Profile of the Information Economy,” Morgan Stanley, 1987.

【4】Daron Acemoglu, 2024. "The Simple Macroeconomics of AI," NBER Working Papers 32487, National Bureau of Economic Research, Inc.

【5】Filippucci, F, P Gal and M Schief (2024), "Miracle or Myth? Assessing the macroeconomic productivity gains from Artificial Intelligence", OECD Artificial Intelligence Papers, No. 29.

Dieser Artikel stammt aus dem WeChat-Account "Tencent Research Institute" (ID: cyberlawrc), Autor: Yan Deli. Veröffentlicht von 36Kr mit Genehmigung.