TOP
Basistechnologien (General Purpose Technologies, GPTs) steigern in der Regel die gemessene Produktivität erst mit einer zeitlichen Verzögerung. Die typische Sequenz lautet: Erfindung → Verbreitung → Aufbau von Komplementärsystemen (Daten, Prozesse, Fertigkeiten, Governance) → Umgestaltung der Produktion, die schließlich zu messbaren Produktivitätsgewinnen führt. In den mittleren Phasen dieser Sequenz wenden Unternehmen Mittel für immaterielle Vermögenswerte auf, die in der Rechnungslegung als Aufwand statt als Kapital erscheinen – mit der Folge, dass die Statistiken der zugrunde liegenden produktiven Kapazität den Investitionen zeitlich hinterherlaufen. Ökonomische Modelle beschreiben eine J‑Kurve in der gemessenen Produktivität: einen Rückgang während des Aufbaus der Komplementärsysteme, gefolgt von einer Steigerung, sobald die neu gestalteten Prozesse zu messbaren Erträgen führen.1
Die einflussreiche Studie von Bresnahan und Trajtenberg (1992) rückt GPTs in den Mittelpunkt der Wirtschaftsgeschichte. Sie argumentieren, dass ganze Epochen des technischen Fortschritts und des Wachstums im Kern von GPTs geprägt werden. Diese definieren sie als Technologien, die allgegenwärtig sind (also von vielen nachgelagerten Sektoren als Input genutzt werden), ein inhärentes Potenzial für technische Verbesserungen besitzen und „innovative Komplementaritäten“ aufweisen – sprich: Mit der Verbesserung der GPT steigt die Produktivität von Forschung und Entwicklung in den Anwendersektoren. Breiten sich GPTs aus und entwickeln sie sich weiter, durchdringen sie die gesamte Volkswirtschaft und führen zu allgemeinen Produktivitätsgewinnen.2 Diese Sichtweise macht sowohl die letztendliche Leistungsfähigkeit von GPTs sichtbar als auch den langen, komplementärintensiven Weg bis zu breit angelegten Produktivitätssteigerungen.
Dampf, Elektrizität und digitale Computerisierung passen alle in dieses Schema.3 Die gängige Kurzformel – Dampf 60 Jahre, Elektrizität 30 Jahre, Computerisierung 15 Jahre – beschreibt die Zeitspanne zwischen der grundlegenden Erfindung und dem Beginn klarer makroökonomischer Ertragswirkungen. Die Frage bei generativer KI lautet, ob sich diese Verzögerung erneut verkürzen lässt – vielleicht auf sieben oder acht Jahre – und was dafür erforderlich wäre.
Setzt man die Geschichte der Dampfkraft bei James Watts separatem Kondensator von 1769 an, lässt der wirtschaftliche Nutzen lange auf sich warten. Über Jahrzehnte diente Dampf vor allem als stationäre Energiequelle – zunächst für Pumpen, dann für Mühlen, die über Rotationsmaschinen angetrieben wurden –, bis Hochdruckkonstruktionen das Einsatzspektrum erweiterten. Wachstumsrechnungen zeigen, dass der gemessene Beitrag der Dampfkraft zur britischen Produktivität vor den 1830er-Jahren kaum ins Gewicht fiel; deutlichere Effekte traten erst Mitte bis Ende des 19. Jahrhunderts auf, als sich Dampfkraft in Industrie und Transportwesen verbreitete – insbesondere mit dem Aufkommen von Lokomotiven und Eisenbahnen sowie großen dampfbetriebenen Mühlen und Webereien. Flankiert wurde dies durch ergänzende Investitionen in Gleise und Depots, Signalanlagen und Fahrpläne, Wartungswerkstätten und neue Fertigkeiten. Kurz: Die Maschine ging der Wirtschaft um rund sechs Jahrzehnte voraus – eine klassische Zeitverzögerung bei der produktivitätssteigernden Wirkung einer GPT.4
In den 1890er-Jahren waren die zentralen elektrotechnischen Bausteine – Generatoren, Stromverteilung und der Wechselstrom-Induktionsmotor – im Prinzip verfügbar. Die großen Produktivitätszuwächse folgten jedoch erst in den 1920er- und 1930er-Jahren, als Fabriken das aus der Dampfära übernommene Layout mit Wellenantrieb aufgaben. Der bloße Austausch einer zentralen Dampfmaschine durch einen einzelnen großen Elektromotor veränderte wenig; die Erträge entstanden erst, als die Anlagen um Einzelantriebe – kleine Motoren an jeder Maschine – herum neu strukturiert wurden. Das ermöglichte einstöckige Fabriken, flexiblere Abläufe und eine engere Steuerung. Die Früchte der Elektrifizierung wurden also durch die organisatorische Neugestaltung bestimmt – und ließen sich erst über Jahrzehnte realisieren.5
Der Personal Computer von 1981 gilt als Symbol für die Verbreitung der Technologie, doch der eigentliche Produktivitätsdurchbruch setzte erst nach 1995 ein. Branchenstudien und Wachstumsrechnungen führen einen Großteil dieser Beschleunigung sowohl auf die Produktion als auch auf den Einsatz von Informations- und Kommunikationstechnologie zurück – mit besonders starken Zuwächsen in jenen Branchen, die Arbeitsabläufe, Lieferketten und Vertriebsformate konsequent auf digitale Systeme umstellten. Die Anschaffung von Hardware allein war wirkungslos; ausschlaggebend war ihre Nutzung, sprich die Neugestaltung von Prozessen und entsprechenden Kompetenzen.6
In einer Studie zu 1.216 börsennotierten US‑Unternehmen für den Zeitraum 1987–1997 versuchten Brynjolfsson, Hitt und Yang (2002), das organisatorische Kapital zu quantifizieren, das die bilanzierten Computervermögenswerte ergänzte. Sie behandelten dieses organisatorische Kapital als immaterielles, nicht bilanziertes Vermögen, das sich näherungsweise im Verhältnis von Marktwert zu Buchwert (Tobins q) widerspiegelt – und damit Investitionen in Humankapital und organisatorisches Design einfängt. Unternehmen, die nicht nur in Rechenkapazität, sondern gleichzeitig in organisatorische Innovationen – Rekrutierung, Schulung, neue Prozesse – investierten, bauten Schätzungen zufolge rund 10 US‑Dollar organisatorisches Kapital pro Dollar bilanzierten Computervermögens auf. Mit anderen Worten: Die Wertsteigerung ließ sich nicht allein durch Technologie erklären; eng gekoppelt war sie an die Ausrichtung organisatorischer Abläufe auf die IT‑Investitionen.7
Genau das würde das GPT-Framework vorhersagen: Digitale Technologien fungierten als allgegenwärtige, sich ständig verbessernde Plattform, und Unternehmen, die die richtigen Komplementärsysteme schufen, erzielten den größten Ertrag.
Die Kurzformel „Dampf 60 Jahre, Elektrizität 30 Jahre, Computer 15 Jahre“ beschreibt ein reales Muster, doch die dahinterliegenden Ursachen unterscheiden sich. Die Differenz zwischen Dampf und Elektrizität spiegelt eher historischen Kontext und Datierungskonventionen wider als einen grundlegenden Strukturbruch: In beiden Fällen wurde die Einführung der Technologie durch die notwendige organisatorische Neugestaltung und den Ausbau der Infrastruktur verzögert; die Elektrizität hat diese Reibungsverluste nicht beseitigt.8
Die wirklich mechanismusgetriebene Verkürzung findet sich bei der Informations- und Kommunikationstechnologie (IKT). Hier treten die von Bresnahan und Trajtenberg herausgearbeiteten Merkmale einer GPT besonders klar hervor:
Hinzu kamen bessere statistische Methoden zur Erfassung von Qualitätsveränderungen und schnelle Preisrückgänge bei digitalen Gütern, sodass Produktivitätsgewinne schneller in den makroökonomischen Daten sichtbar wurden.9
Generative KI fügt sich in dieses Schema ein: Die Erfindung und frühe Verbreitung verlaufen rasant, doch der Engpass liegt in den Komplementaritäten. Die heutigen Entsprechungen von Eisenbahngleisen und Einzelantriebseinheiten heißen Datenqualität und ‑herkunft, Abruf- und Kontextgestaltung, Bewertung und Überwachung, Sicherheit und Governance – sowie eine Belegschaft, die darin geschult ist, diese Fähigkeiten in durchgängige Abläufe einzubetten.10 Aus historischer Perspektive erscheint KI ebenfalls als GPT mit komplementärintensiver Diffusion und spürbaren Verzögerungen, bis sich Produktivitätsgewinne voll niederschlagen.11
Die ersten Befunde auf Aufgabenebene sind gleichwohl beeindruckend. In einer vorab registrierten Studie mit Berufstätigen in der Mitte ihrer beruflichen Laufbahn verkürzte der Einsatz eines generativen Assistenten die Bearbeitungszeit von Schreibaufgaben um rund 40% und erhöhte die Qualität um etwa 18%.12 In einer groß angelegten, realen Einführung bei mehr als 5.000 Kundendienstmitarbeitenden steigerte ein dialogorientierter Assistent die Zahl der pro Stunde gelösten Fälle im Durchschnitt um rund 14% – vor allem bei weniger erfahrenen Beschäftigten –, im Einklang mit der Idee, dass Best Practices kodifiziert und verbreitet werden.13 Das sind Produktivitätsgewinne auf Mikroebene, keine Makroeffekte – aber genau aus solchem Rohmaterial speisen sich spätere Sprünge in der gesamtwirtschaftlichen Produktivität.14
Könnte sich der Rückstand auf sieben oder acht Jahre verkürzen? Möglich – aber nur, wenn Unternehmen den Aufbau von Komplementaritäten als zentrale Aufgabe begreifen: erhebliche Vorabinvestitionen, eine zügige Umgestaltung von Prozessen und eine sorgfältige Messung, die die Leistung von KI‑Systemen eng mit Geschäftsergebnissen verknüpft. Die Lehre aus den 1990er-Jahren ist eindeutig: Die Produktivität zog dort an, wo Unternehmen ganze Prozesse neu aufsetzten – nicht dort, wo sie lediglich weitere Tools hinzufügten.15
|
BASISTECHNOLOGIE |
KERN-TECHNOLOGIE ETABLIERT |
PRODUKTIVITÄTSGEWINN |
ZEITVERZÖGERUNG (JAHRE) |
WARUM DIE ZEITVERZÖGERUNG? |
|---|---|---|---|---|
|
Dampf |
1769 (Watt’s Kondensator) |
1830er-Jahre+ |
~60 |
Erforderte eine grundlegende Neugestaltung der Fabriken, eine neue Eisenbahninfrastruktur und neue Fertigkeiten |
|
Elektrizität |
1890er-Jahre (Wechselstrom-Induktionsmotor, Stromnetze) |
1920er- bis 1930er-Jahre |
~30 |
Erträge ergaben sich durch Einzelantriebe, einstöckige Fabriklayouts und flexiblere Abläufe |
|
Computer |
1981 (Personal Computer als Symbol für die Verbreitung der IKT) |
nach 1995 |
~15 |
Voraussetzung waren digitale Arbeitsabläufe, neu konfigurierte Lieferketten und ergänzende Fertigkeiten |
|
Generative KI |
Nov. 2022 (Veröffentlichung von ChatGPT) |
2030? |
~7.5 |
Erfordert belastbare Datenbasis, Neugestaltung von Arbeitsabläufen und organisatorische Transformation |
Der lange Weg zur Produktivität ist kein Defekt, sondern der Preis tiefgreifender Transformation. Dampf, Elektrizität und digitale Datenverarbeitung lehren dieselbe Lektion, die Bresnahan und Trajtenberg für GPTs allgemein formuliert haben: Allgegenwärtige, sich stetig verbessernde Technologien mit starken komplementären Innovationspotenzialen prägen ganze Wachstumsphasen – allerdings nur, wenn Organisationen lernen, die passenden Komplementärtechnologien zu entwickeln und einzusetzen. Generative KI wird hier keine Ausnahme bilden. Die Herausforderung – und zugleich die Chance – besteht darin, die Kurve schneller zu biegen, als es die Geschichte bislang vermuten lässt.
