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.

Dampf – erst die Erfindung, dann – deutlich später – die Produktivität

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

Elektrizität – ein Motor in den 1890er-Jahren, Produktivitäts­gewinne erst nach der Neugestaltung der Fabrik

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

Computer – Produktivitäts­durchbruch Mitte der 1990er-Jahre nach der Umstellung der Prozess­plattformen

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

Warum sich die Zeit­verzögerung verkürzte – und warum vor allem im digitalen Zeitalter

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:

• Allgegenwärtigkeit und Modularität: Standardisierte Software-Stacks, interoperable Komponenten und Netzwerk­protokolle machten digitale Technologien zu einem universellen Input für eine Vielzahl nachgelagerter Aktivitäten.
• Inhärentes Verbesserungs­potenzial: Rasche, anhaltende Leistungs­zuwächse (und Preisrückgänge) bei Computer­hardware und ‑software eröffneten fortlaufend neue Anwendungsfelder.
• Innovative Komplementaritäten: Mit der Verbesserung der IKT stieg die Produktivität von Forschung und Entwicklung (FuE) sowie von Prozess­innovationen in den Anwender­branchen – insbesondere dort, wo Unternehmen mit neuen Arbeits- und Organisations­formen experimentierten.

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 im historischen Vergleich

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

Fazit

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.