Am 1. Januar 1999 erschien Ray Kurzweils Buch The Age of Spiritual Machines. Seine Kernthese war für die Zeit bemerkenswert kühn: Rechenleistung und Informationssysteme würden auf exponentiellen Kurven weiterlaufen, Maschinen innerhalb weniger Jahrzehnte in menschliche Leistungsbereiche vorstoßen und bis 2029 den Turing-Test routinemäßig bestehen. In seinem späteren Rückblick How My Predictions Are Faring verteidigte Kurzweil genau diesen Prognoseansatz als Folge langfristig erstaunlich stabiler Preis-Leistungs-Kurven in der Informationstechnologie.

Die Zeitgenossen waren 1999 deutlich skeptischer, als es heutige Rückblicke manchmal erscheinen lassen. Kirkus nannte das Buch provokativ und hielt Kurzweils Extrapolation für eine Wette auf noch nicht sichtbare Durchbrüche. Vielen galt das damals als techno-utopisch, philosophisch zu kühn oder schlicht zu früh. Gerade das macht den Fall Kurzweil interessant: nicht weil er in jedem Detail recht behalten hätte, sondern weil er eine Richtung ernst nahm, die für andere noch wie Übertreibung aussah. Genau hier beginnt die Parallele zur Gegenwart.

Für diese Reaktion gibt es inzwischen sogar einen nüchternen Begriff: exponential growth bias. Studien zeigen, dass Menschen exponentielle Entwicklungen systematisch unterschätzen, besonders dann, wenn die Kurven anfangs flach wirken oder von Rauschen überlagert sind, wie etwa in Individual preferences and the exponential growth bias und Analyzing the misperception of exponential growth in graphs. Unser Alltag trainiert uns auf lineare Intuitionen: etwas mehr, etwas schneller, etwas billiger. Exponentielle Prozesse sind dagegen lange unspektakulär und dann plötzlich überwältigend.

Was bedeutet das für uns heute? Vor allem dies: Wir sollten aktuelle KI weder nach bloßer Gegenwartsstimmung noch nach ihrer heutigen Unvollkommenheit bewerten. Die wichtigere Frage ist, wie schnell Kosten sinken, Fähigkeiten sich stapeln, Werkzeuge zusammenwachsen und ganze Prozesse dadurch neu organisiert werden. Und genau daraus ergeben sich die Themen dieses Textes: wie sich Arbeit verändert, warum Geschäftsmodelle unter Druck geraten, wo Deutschland ein echtes Fenster hat und an welchen Stellen aus Chance sehr schnell Abhängigkeit werden kann.

Die eigentliche Rechnung beginnt erst jetzt

Viele aktuelle Debatten tun so, als sei der eigentliche Aufruhr schon vorbei. Als ginge es nur noch um etwas bessere Modelle, etwas mehr Agentik, etwas weniger Halluzination. Die Forschung zeichnet jedoch ein anderes Bild. Sie zeigt nicht das Ende eines Hypes, sondern den Beginn einer Kosten- und Produktivitätsverschiebung, die sich erst langsam im Alltag bemerkbar macht und dann plötzlich ganze Branchen neu sortiert.

Zwei Studien sind dafür besonders aufschlussreich. In Experimental evidence on the productivity effects of generative artificial intelligence zeigen Noy und Zhang, dass ChatGPT bei professionellen Schreibaufgaben die Bearbeitungszeit im Schnitt um 40 % senkte und die Qualität zugleich um 18 % erhöhte. In Generative AI at Work zeigen Brynjolfsson, Li und Raymond bei 5.179 Customer-Support-Mitarbeitern im realen Einsatz 14 % Produktivitätsgewinn im Durchschnitt und 34 % bei weniger erfahrenen Kräften. Das ist nicht bloß nützlich. Es ist der Beginn einer neuen Kostenkurve für kognitive Arbeit.

Sobald dieselbe Qualität schneller, billiger und in größerer Breite verfügbar wird, ändern sich nicht nur einzelne Werkzeuge. Dann verschieben sich Arbeitsabläufe, Lernpfade, Margen, Preise und am Ende auch Geschäftsmodelle. Genau dort wird die Sache spannend. Denn Technik ist selten deshalb revolutionär, weil sie neu aussieht. Sie ist revolutionär, wenn sie die Ökonomie des Gewohnten verändert.

Unternehmen werden sich anpassen müssen

KI ist nicht bloß ein weiteres Software-Feature. Sie greift die Preislogik wissensintensiver Arbeit an: Beratung, Agenturen, Softwareentwicklung, steuer- und rechtsnahe Dienstleistungen, Marktforschung, Produktmanagement. Überall dort wurde lange nicht nur Expertise verkauft, sondern auch Zeit, Sorgfalt, Recherche und die Fähigkeit, aus vielen Quellen ein brauchbares Dokument zu destillieren.

Genau diese Zone gerät nun unter Druck. Die MIT-Forscher von MIT CISR argumentieren, dass Geschäftsmodelle im KI-Zeitalter zunehmend outcome-orientiert und stärker durch autonome KI ermöglicht werden. Eine Studie in Technovation kommt zu einem ähnlichen Schluss: GenAI schafft neue Wertversprechen und verändert die Art, wie Wert überhaupt erzeugt wird.

Darum ist die Frage, ob Beratung künftig weiter nach Stunden oder Tagen bezahlt wird, keine Nebensache. Kurzfristig wird das natürlich oft so bleiben. Langfristig jedoch wird alles unter Rechtfertigungsdruck geraten, was sich mit KI-Unterstützung in einem Bruchteil der Zeit erledigen lässt: Standardanalysen, Recherchepakete, Foliensynthese, Benchmarking ohne Umsetzung. Gewinnen werden eher jene Anbieter, die Verantwortung für Resultate übernehmen, Produktbausteine sauber schneiden, kontinuierliche Verbesserung verkaufen und Wirkung glaubhafter bepreisen als bloßen Aufwand. Die Stoppuhr wird nicht verschwinden. Aber sie verliert ihren alten Nimbus.

Arbeit verschwindet nicht einfach, sie wird neu verteilt

Auch am Arbeitsmarkt spricht die Forschung eher für eine Umverteilung als für eine schlichte Auslöschung. Die ILO kommt 2025 zu dem Ergebnis, dass weltweit etwa jeder vierte Arbeitsplatz in irgendeiner Form GenAI-exponiert ist, mit deutlich höherer Betroffenheit in Hochlohnländern. Zugleich betont die ILO, dass Transformation wahrscheinlicher ist als vollständige Ersetzung.

Das ist ein wichtiger Unterschied. Wenn KI nicht primär verschwindende Arbeit erzeugt, sondern neu geschnittene Arbeit, dann verschiebt sich der Wert. Weniger Anfängerarbeit wird manuell erledigt, mittlere Wissensarbeit wird schneller, gute Fachkräfte werden produktiver, und Bedeutung gewinnt, wer steuert, prüft, integriert und Verantwortung trägt. Für Deutschland ist das von besonderer Relevanz, weil unsere Wirtschaftsstruktur stark auf qualifizierter Facharbeit, Mittelstand und industrieller Spezialisierung beruht. Wir sind also auf eine Weise verwundbar, die zugleich eine Chance sein kann.

Deutschland hat ein Fenster, aber keinen Freifahrtschein

Die deutsche Debatte schwankt oft zwischen Jammer und Beruhigung. Entweder heißt es, Deutschland verschlafe alles, oder die Industrie werde es schon richten. Beides ist zu bequem.

Die Daten erzählen eine interessantere Geschichte. Laut Destatis nutzte im Jahr 2024 jedes fünfte Unternehmen in Deutschland KI-Technologien; bei Großunternehmen waren es 48 %. Laut ifo Institut verwendeten im Juni 2025 bereits 40,9 % der Unternehmen KI in Geschäftsprozessen, weitere 18,9 % planten den Einstieg. Die Werte sind methodisch nicht direkt identisch, aber die Richtung ist eindeutig: Die Nutzung steigt kräftig.

Und doch liegt gerade hier die deutsche Spannung. Das ifo zeigt zugleich eine deutliche Spreizung: 56 % der Großunternehmen nutzen KI, aber nur 38 % der KMU und 31 % der Kleinstunternehmen. Der Germany 2025 Digital Decade Country Report verweist auf deutsche Stärken bei Halbleitern und Edge Nodes, nennt aber ebenso klar die Schwächen: digitale Kompetenzen, digitale öffentliche Dienste und Netze mit hoher Kapazität, insbesondere Glasfaser. Deutschlands Problem ist also nicht bloß Erfindung. Es ist Diffusion. Zu oft schafft es eine neue Fähigkeit bis zum Pilot, aber nicht bis zur Routine.

Gerade weil Deutschland nicht das Zentrum der großen Foundation-Model-Plattformen ist, sollten wir unsere Chance nicht in der Kopie amerikanischer Cloud-Strategien suchen. Interessanter ist ein anderer Pfad: industrielle KI, lokale und hybride Systeme, vertrauenswürdige Integration, dokumenten- und prozessnahe Agentensysteme. Deutschland ist stark in Maschinenbau, Automotive, Chemie, industrieller Software, technischer Dokumentation und komplexen B2B-Prozessen. Das sind keine romantischen Restbestände der alten Wirtschaft, sondern ideale Felder für KI, die funktionieren muss statt nur zu beeindrucken.

Hinzu kommt etwas, das in vielen Technologiedebatten unterschätzt wird: In Europa und besonders in Deutschland zählen Datenschutz, Nachvollziehbarkeit, Zertifizierbarkeit und betriebliche Einsetzbarkeit. Was in schnelleren Märkten oft wie Bremse aussieht, kann in reiferen Märkten zum Wettbewerbsvorteil werden. Besonders stark ist hier der Mittelstand. Er verfügt über tiefes Prozesswissen, enge Kundenbeziehungen und sehr spezifische Datenbestände. Gerade dort können kleine, lokale, hochspezialisierte Systeme oft mehr ökonomischen Wert schaffen als generische Allzweckmodelle. Deutschlands Chance liegt deshalb womöglich nicht darin, das lauteste KI-Land zu werden, sondern eines der nützlichsten.

Das eigentliche Risiko heißt Abhängigkeit

So offen das Fenster ist, so real sind die Risiken. Wenn KI in Deutschland vor allem in Strategiepapieren, Pilotprojekten und PowerPoint-Folien bleibt, werden die Produktivitätsgewinne anderswo realisiert. Wenn Unternehmen nur fertige KI-Funktionalität einkaufen, ohne eigene Integrations- und Systemkompetenz aufzubauen, verschiebt sich Wertschöpfung dauerhaft zu ausländischen Plattformanbietern. Und wenn Einstiegsarbeit schneller automatisiert wird, als neue Lernpfade entstehen, gerät der Arbeitsmarkt an einer empfindlichen Stelle unter Druck: bei den Junior-Rollen, aus denen bisher Erfahrung wuchs.

Die eigentliche Kompetenzlücke liegt dabei nicht nur in der Modellforschung. Knapp ist vor allem die Verbindung aus Prozessverständnis, Produktdenken, Softwarekompetenz, Datenarbeit und Change Management. Wer diese Mischung beherrscht, wird die Produktivität der Modelle in Organisationen übersetzen. Wer sie nicht beherrscht, kauft Werkzeuge ein und wundert sich über ausbleibende Wirkung.

Zwei mögliche Geschichten für Deutschland

Im ersten Szenario nutzt Deutschland KI nicht bloß für Chatbots und Präsentationen, sondern für produktive Kerne: Konstruktion, Service, Dokumentation, Wartung, Compliance und wissensintensive Arbeit in Industrie und Verwaltung. Beratung und Dienstleistung werden schlanker, wirksamer und stärker produktisiert. Die Gewinner sind dann nicht die Anbieter mit den größten Modellen, sondern jene mit Domänenexpertise, sauberer Integration, lokalem oder hybridem KI-Betrieb und vertrauenswürdigen, messbaren Ergebnissen. Deutschland wäre in diesem Bild nicht Silicon Valley 2.0, aber ein sehr starker Markt für angewandte, industrielle und vertrauenswürdige KI.

Im zweiten Szenario bleibt KI in Deutschland breit diskutiert, aber ungleich eingeführt. Großunternehmen und wenige Technologieführer ziehen davon, viele KMU bleiben in Experimenten hängen, Teile der Beratung und Wissensarbeit werden commoditisiert, Juniorrollen verschwinden schneller als neue Lernpfade entstehen, und die Wertschöpfung konzentriert sich bei Plattformanbietern und wenigen Integratoren. In diesem Bild bleiben deutsche Stärken real, aber ihre Monetarisierung findet zunehmend anderswo statt.

Die Richtung ist noch offen, aber nicht mehr lange

Die vielleicht wichtigste Frage lautet deshalb nicht, ob KI kommt. Sie ist längst da. Die wichtigere Frage lautet, ob wir als Gesellschaft ihre Richtung noch mitbestimmen oder uns damit begnügen, nachträglich auf die Folgen zu reagieren.

Ich halte die Antwort noch für vorsichtig optimistisch: Ja, wir können die Richtung noch beeinflussen. Aber nur unter Bedingungen, die weniger glamourös sind als die üblichen Zukunftsbilder. Weltweit bräuchte es vor allem drei Dinge: erstens eine sehr viel breitere technische und ökonomische Bildung darüber, was diese Systeme können und was nicht; zweitens offene, überprüfbare Infrastrukturen statt einer fast vollständigen Abhängigkeit von wenigen Plattformen; drittens Institutionen, die mit der Geschwindigkeit technologischer Veränderung wenigstens halbwegs Schritt halten, also Regulierung, Forschung, Bildung und Arbeitsmarktpolitik, die nicht immer zwei Jahre zu spät eintreffen.

Deutschland hat dabei seine eigene Zusatzaufgabe. Wir werden die Richtung nicht bestimmen, indem wir die großen Plattformen imitieren. Wir werden sie nur mitbestimmen, wenn wir unsere eigentlichen Stärken ernst nehmen: industrielle Praxis, Mittelstand, Prozesswissen, lokale und hybride Systeme, technische Bildung, vertrauenswürdige Infrastruktur. Dafür braucht es bessere digitale Kompetenzen, schnellere Übersetzung von Forschung in Anwendung, mehr Mut zu produktiven Pilotprojekten und einen Arbeitsmarkt, der nicht nur Effizienzgewinne verbucht, sondern auch neue Lernpfade für jene schafft, deren Einstiegsarbeit zuerst verschwindet.

Mit anderen Worten: Die Richtung bleibt gestaltbar, solange wir KI nicht als Wetter behandeln. Wetter nimmt man hin. Technik kann man bauen, begrenzen, verteilen, besteuern, öffnen oder monopolisieren. Gerade darin liegt die politische und wirtschaftliche Zumutung der nächsten Jahre. Die Maschine ist nicht unser Schicksal. Gleichgültigkeit wäre es eher.

Am Ende entscheidet nicht die Prognose, sondern die Übersetzung

Wenn Kurzweil eine Lehre hinterlässt, dann vielleicht diese: Die eigentliche Schwierigkeit liegt nicht darin, jede technische Einzelheit richtig vorherzusagen. Die eigentliche Schwierigkeit liegt darin, rechtzeitig zu begreifen, wann eine langsame Kurve beginnt, ökonomisch gefährlich schnell zu werden.

Wir stehen deshalb nicht am Ende der KI-Revolution, sondern erst am Anfang ihrer wirtschaftlichen Konsequenzen. Für Deutschland ist das weder ein automatischer Niedergang noch ein automatischer Erfolg. Es ist ein offenes Fenster. Die entscheidende Frage lautet nun, ob wir KI bloß konsumieren oder sie in produktive, lokale, vertrauenswürdige und domänenspezifische Systeme übersetzen. Genau dort könnte Deutschlands eigentliche Stärke liegen.

Weiterführende Quellen

Wenn Sie darüber nachdenken, wie KI Produktivität, Beratung, Geschäftsmodelle und lokale Wertschöpfung in Ihrem Unternehmen verändert, sprechen Sie uns gerne an: info@geisten.com