Die Debatte über KI landet fast immer bei derselben Streitfrage: Ist sie nach Dampfmaschine, Elektrizität und Computer die nächste industrielle Revolution – oder eine Technologie, die vor allem Menschen ersetzt, ohne die Produktivität wirklich zu steigern? Die erste Sichtweise stützt sich auf den drastischen Kostenrückgang bei den Fähigkeiten und auf die große Effizienzsteigerung einzelner Aufgaben. Die zweite stützt sich auf das Wachstum, das in den makroökonomischen Statistiken bislang nicht auftaucht, und auf die wachsende Zahl verdrängter Stellen.
Die beiden Sichtweisen sind weniger gegensätzlich, als es scheint: Jede industrielle Revolution der Geschichte hat mit „Ersetzung“ begonnen. Ob eine Technologie das Wort „Revolution“ verdient, hängt nicht davon ab, wie viele Menschen sie ersetzt, sondern davon, ob nach der Ersetzung genügend neue Aufgaben, neue Organisationsformen und neue Nachfrage entstehen – und wem die Gewinne am Ende zufließen.
Um zu beurteilen, welche Seite der Wirklichkeit näherkommt, muss man zunächst eine grundlegendere Frage klären: Nach welchen Kriterien wird in der Wirtschaftsgeschichte überhaupt eine „industrielle Revolution“ festgestellt?
Woran erkennt man eine industrielle Revolution?
„Industrielle Revolution“ ist kein Titel, den man im Moment der Erfindung verleihen kann, sondern ein Befund, der erst im Nachhinein aus den Daten abgeleitet wird. Ökonomen sprechen bei Technologien wie Dampfmaschine, Elektrizität und Computer von „Allzwecktechnologien“ (General Purpose Technology) und beurteilen anhand dieses Konzepts, ob eine Technologie tiefgreifenden Wandel auslösen kann. Solche Technologien haben in der Regel drei Merkmale:
- Durchdringung: Sie bleiben nicht auf eine Branche beschränkt, sondern halten in nahezu allen Produktionsschritten Einzug;
- Kontinuierliche Verbesserung: Die Leistung steigt, die Kosten sinken, und damit weitet sich das Einsatzspektrum aus;
- Komplementäre Innovationen: Rund um die Technologie entstehen neue Geräte, Organisationsformen, Geschäftsmodelle und sogar neue Berufe.
Diese drei Merkmale sind jedoch nur die notwendige Bedingung. Zur „Revolution“ wird eine Technologie in der Rückschau erst durch einen langfristigen, anhaltenden Produktivitätsanstieg, also dadurch, dass derselbe Input spürbar mehr Output hervorbringt.
Dabei wird ein historisches Detail oft übersehen. Die ersten Jahrzehnte der britischen industriellen Revolution waren keine Zeit, in der „alle profitierten“. Die Forschung des Wirtschaftshistorikers Robert Allen zeigt: In der ersten Hälfte des 19. Jahrhunderts wuchs die Pro-Kopf-Produktion in Großbritannien stetig, die Reallöhne stagnierten jedoch lange, die Gewinnrate verdoppelte sich, der Gewinnanteil am Volkseinkommen stieg, und die Anteile der Arbeitnehmer und der Grundbesitzer sanken entsprechend. Erst nach der Mitte des 19. Jahrhunderts begannen die Löhne, mit der Produktivität Schritt zu halten (Quelle). Dieses Phänomen wurde später als „Engels’ Pause“ bezeichnet.
Mit anderen Worten: Steigende Produktivität und die Ersetzung von Arbeitskräften ohne Beteiligung an den Gewinnen bestanden historisch zugleich. Nach der Verbreitung des mechanischen Webstuhls etwa brach das Einkommen der britischen Handweber stark ein, und der ganze Berufsstand verschwand, während die Gesamtproduktion der Baumwollindustrie rasant wuchs. Aus Sicht der damaligen Weber sah diese „Revolution“ nach nichts anderem aus als nach Ersetzung.
Daraus folgt: Die heutige KI-Debatte vermischt eigentlich zwei Fragen. Die erste ist die Effizienzfrage: Kann KI mit demselben Input mehr Output erzeugen? Die zweite ist die Verteilungsfrage: Wer profitiert, wenn der Output steigt? Viele scheinbar unvereinbare Positionen beantworten jeweils nur eine dieser beiden Fragen.
Was sehen diejenigen, die von einer Revolution sprechen?
Die Befürworter der These einer „neuen industriellen Revolution“ stützen sich nicht bloß auf Technikoptimismus, sondern auf mehrere recht belastbare Fakten.
Erstens sinken die Kosten der Fähigkeiten in seltenem Tempo. Laut dem „AI Index Report 2025“ der Stanford University sanken die Inferenzkosten für Modelle auf dem Niveau von GPT-3.5 zwischen November 2022 und Oktober 2024 um das rund 280-Fache (Quelle). Die Verbreitung von Dampfkraft, Elektrizität und Rechenleistung setzte jeweils stark sinkende Stückkosten voraus. Wird eine Fähigkeit so günstig, dass sie überall einsetzbar ist, wird sie auch in Prozessschritte eingebettet, deren Automatisierung sich zuvor nicht gelohnt hätte – genau daraus speist sich die „Durchdringung“.
Zweitens lassen sich Effizienzgewinne in kontrollierten Experimenten messen. Erik Brynjolfsson und Kollegen begleiteten 5.179 Kundenservice-Mitarbeitende, die schrittweise einen generativen KI-Assistenten einführten: Die Zahl der pro Stunde gelösten Anfragen stieg im Durchschnitt um 14 %, bei Neulingen und geringer qualifizierten Beschäftigten um 34 %, bei erfahrenen Mitarbeitenden hingegen kaum. Auch Kundenzufriedenheit und Mitarbeiterbindung verbesserten sich (Quelle).
In diesen Daten steckt ein Detail, das sich genauer anzusehen lohnt. Dass KI Neulingen am meisten hilft, bedeutet im Grunde, dass sie das implizite Erfahrungswissen erfahrener Kräfte für die Neuen „verpackt“. Die Informationstechnik der vergangenen Jahrzehnte begünstigte überwiegend Hochqualifizierte; die generative KI wirkt in diesem Fall in die entgegengesetzte Richtung und verringert den Qualifikationsabstand. Die Befürworter sehen darin die konkrete Bedeutung von „Menschen befreien“: Normale Beschäftigte erreichen in kürzerer Zeit ein Niveau, für das früher jahrelange Erfahrung nötig war.
Drittens liegen makroökonomische Schätzungen in einer Größenordnung, die sich mit den großen Technologien der Geschichte messen lässt. Die Forschungsabteilung von Goldman Sachs schätzte 2023, dass generative KI das globale BIP innerhalb von zehn Jahren um rund 7 % (nahezu 7 Billionen US-Dollar) steigern und das jährliche Produktivitätswachstum um 1,5 Prozentpunkte erhöhen könnte. Rund zwei Drittel der Berufe in den USA seien in unterschiedlichem Maß der KI-Automatisierung ausgesetzt, wobei 25 % bis 50 % des Arbeitsaufkommens ersetzt werden könnten (Quelle).
Viertens dringt die Automatisierung erstmals in großem Maßstab in die kognitive Arbeit vor. Dampfmaschine und Elektrizität setzten vor allem körperliche Kraft frei, der Computer bewältigte hauptsächlich Informationsaufgaben mit klaren Regeln. Die generative KI berührt erstmals in großem Umfang Tätigkeiten wie Schreiben, Analysieren, Programmieren und Gestalten, die Kontextverständnis erfordern. Die Erstprüfung eines Vertrags, ein Entwurf für Marketingtexte oder ein Skript zur Datenbereinigung wurden früher in Personentagen abgerechnet; heute liegen die Grenzkosten nahe bei denen eines einzelnen Modellaufrufs. Die Logik der Befürworter: Wissensarbeit stellt in den entwickelten Volkswirtschaften den größten Anteil der Arbeit, und eine Technologie, die diesen Bereich verändert, kann in ihrer potenziellen Wirkung kaum kleiner ausfallen als frühere.
Warum halten andere KI des Begriffs „Revolution“ für nicht würdig?
Die Skeptiker bestreiten nicht, dass KI sehr viel Arbeit erledigen kann. Sie bezweifeln, dass die Erledigung dieser Arbeit bereits eine spürbare Produktivitätssteigerung bedeutet.
Die makroökonomische Rechnung ergibt womöglich deutlich kleinere Zahlen. Der MIT-Ökonom Daron Acemoglu schloss aus Belegen auf Aufgabenebene auf die gesamtwirtschaftliche Wirkung und kam zu dem Ergebnis, dass KI die totale Faktorproduktivität in den nächsten zehn Jahren um höchstens 0,66 % steigern wird; berücksichtigt man schwer erlernbare Aufgaben, sinkt dieser Wert auf unter 0,53 % (Quelle). Das liegt um eine Größenordnung unter der Goldman-Schätzung von 1,5 Prozentpunkten zusätzlichem jährlichem Produktivitätswachstum.
Der Unterschied rührt vor allem von einer Annahme her. Acemoglu weist darauf hin, dass die bisherigen experimentellen Belege überwiegend aus „leicht erlernbaren“ Aufgaben stammen, bei denen sich gutes und schlechtes Ergebnis objektiv bestimmen lässt, etwa ob ein Kundenticket gelöst wurde. Viele hochwertige Tätigkeiten dagegen beruhen auf kontextabhängigem Urteilsvermögen und kennen keine „richtige Antwort“, mit der man direkt vergleichen könnte. Überträgt man die Zuwächse bei leicht erlernbaren Aufgaben unmittelbar auf die gesamte Wirtschaft, wird der Gesamteffekt sehr wahrscheinlich überschätzt.
„Mittelmäßige Automatisierung“ ersetzt nur, ohne die Effizienz zu steigern. Acemoglu und Pascual Restrepo haben das Konzept der „so-so automation“ geprägt: Manche Technologien sind gerade gut genug, um Arbeitskräfte zu ersetzen, aber nicht gut genug, um die Kosten deutlich zu senken und das Produktangebot auszuweiten. Die Folge ist ein sinkender Arbeitsanteil bei kaum verbesserter Produktivität (Quelle). Ein Beispiel sind Selbstbedienungskassen im Supermarkt: Die Kassierarbeit wird auf die Kunden verlagert, der Händler spart Personalkosten, der gesamte Einkaufsvorgang wird dadurch aber nicht schneller. Die Skeptiker befürchten, dass viele KI-Einsätze nach dem Muster „KI ersetzt eine Stelle“ von dieser Art sind.
Sich schneller zu fühlen, heißt nicht, tatsächlich schneller zu sein. Die gemeinnützige Forschungsorganisation METR führte 2025 eine randomisierte kontrollierte Studie durch: 16 erfahrene Open-Source-Entwickler bearbeiteten in großen, ihnen vertrauten Codebasen 246 reale Aufgaben und benötigten mit KI-Werkzeugen im Durchschnitt sogar 19 % mehr Zeit. Vorab hatten sie erwartet, dass KI sie um 24 % schneller machen würde, und nachher glaubten sie weiterhin, etwa 20 % schneller gewesen zu sein (Quelle). Die Stichprobe ist klein und das Szenario speziell, die Ergebnisse lassen sich nicht auf alle Tätigkeiten verallgemeinern. Sie machen aber ein wichtiges Messproblem sichtbar: Viele Aussagen von Unternehmen zur „Effizienzsteigerung durch KI“ beruhen auf Selbsteinschätzungen der Beschäftigten, und zwischen Selbsteinschätzung und objektivem Ergebnis kann eine systematische Verzerrung liegen.
Die Schaffung neuer Aufgaben verlangsamt sich. Studien des MIT-Ökonomen David Autor und weiterer Forschender kommen zu dem Ergebnis, dass heute rund 60 % der Arbeitsplätze in den USA aus Tätigkeitsfeldern stammen, die erst nach 1940 entstanden sind – ein starker Beleg dafür, dass Technologie Beschäftigung schafft. Dieselbe Untersuchung stellt jedoch fest, dass die negativen Beschäftigungseffekte der Automatisierung zwischen 1980 und 2018 mehr als doppelt so groß waren wie zwischen 1940 und 1980, während der „Augmentation“-Effekt, der neue Aufgaben schafft, langsamer wuchs (Quelle). Setzt sich dieser Trend im KI-Zeitalter fort, läuft die „Ersetzung“ der „Schaffung“ davon.
Unter Verteilungsgesichtspunkten vertritt Acemoglu zudem die Auffassung, dass KI die verschiedenen Bevölkerungsgruppen gleichmäßiger trifft als frühere Automatisierung und die Einkommensunterschiede innerhalb der Arbeitnehmerschaft nicht unbedingt stark vergrößert, wohl aber sehr wahrscheinlich die Kluft zwischen Kapital- und Arbeitseinkommen. Das ist die präzisere ökonomische Fassung der Intuition „KI ersetzt Menschen“: Die Produktivität mag gestiegen sein, der zusätzliche Output wird aber vor allem zu Kapitalrendite.
Warum ist die Effizienz auf Aufgabenebene so deutlich, in den Makrodaten aber nicht zu sehen?
Dieses Rätsel ist nicht auf KI beschränkt. 1987 hinterließ der Nobelpreisträger Robert Solow einen oft zitierten Satz: „Das Computerzeitalter sieht man überall, nur nicht in den Produktivitätsstatistiken.“ Das ist das später so genannte „Produktivitätsparadoxon“. Erst Mitte bis Ende der 1990er-Jahre zeigte sich die durch Informationstechnik ausgelöste Produktivitätsbeschleunigung in den US-Daten deutlich.
Der Wirtschaftshistoriker Paul David erklärte diese Verzögerung 1990 anhand der Geschichte der Elektrizität. Die Glühlampe gab es bereits 1879, und um 1881 hatten New York und London Kraftwerke, doch bis 1900 war an der Effizienz der Unternehmen kaum eine Veränderung zu erkennen. Der Grund: Die Fabriken ersetzten zunächst nur die Dampfmaschinen durch Elektromotoren, während Fabrikhallenlayout, Transmissionswellen und Arbeitsabläufe unverändert blieben – die Produktivität stieg kaum. Die eigentliche Veränderung kam durch die spätere Neugestaltung: eingeschossige Fabrikhallen, am Materialfluss ausgerichtete Fertigungslinien, ein eigener kleiner Elektromotor für jede Maschine sowie die dazu passende Schulung der Arbeiter und neue Arbeitsverträge. Der Produktivitätssprung in den USA kam erst in den 1920er-Jahren, rund vierzig Jahre nach der Kommerzialisierung der Elektrizität (Quelle).
Brynjolfsson und Mitautoren fassten dieses Phänomen später als „Produktivitäts-J-Kurve“ zusammen: Damit eine Allzwecktechnologie ihre Wirkung entfaltet, sind umfangreiche komplementäre immaterielle Investitionen nötig, darunter die Neugestaltung von Prozessen, die Aufbereitung von Daten, die Schulung der Beschäftigten und neue Managementmethoden. Diese Aufwendungen lassen sich statistisch kaum als Kapital erfassen und drücken daher anfangs die gemessene Produktivität; erst wenn die Begleitmaßnahmen abgeschlossen sind, werden die Erträge gebündelt freigesetzt (Quelle).
Überträgt man diese Geschichte auf die heutige Debatte, ergibt sich eine wichtige Schlussfolgerung: Die Skeptiker beschreiben sehr wahrscheinlich die Phase „Elektromotor statt Dampfmaschine“, die Revolutionsbefürworter setzen auf die Phase „Fabrik neu bauen“. Die derzeit vorherrschende Art, wie Unternehmen KI einsetzen, besteht darin, den bestehenden Stellen und Prozessen einen Assistenten hinzuzufügen. Das ähnelt stark dem damaligen Einbau von Elektromotoren in Fabrikhallen aus dem Dampfzeitalter: Lokal steigt die Effizienz, das System bleibt dasselbe.
Doch auch dieser Vergleich hat Grenzen. Die Verbreitung der Elektrizität war an die Erneuerungszyklen physischer Anlagen wie Stromnetze und Fabrikgebäude gebunden, KI hingegen verbreitet sich vor allem über Software und Cloud-Dienste und kann sich theoretisch schneller ausbreiten. Andererseits beschleunigt sich die Anpassung von Organisationsstrukturen, Stellenzuschnitten und Regulierung nicht automatisch dadurch, dass die Technologie Software ist. Ob KI die J-Kurve schneller durchläuft als die Elektrizität, hängt davon ab, ob der Engpass auf der technischen oder auf der organisatorischen Seite liegt – und genau das ist die Wurzel der unterschiedlichen Zeithorizonte beider Lager.
Worin besteht der Dissens der beiden Lager tatsächlich?
Zerlegt man die Argumente beider Seiten, stoßen sie auf der Ebene der Fakten erstaunlich selten aufeinander. Der eigentliche Dissens verteilt sich auf folgende Dimensionen.
| Dimension | Einschätzung der Revolutionsbefürworter | Einschätzung der Skeptiker | Was die vorliegenden Belege nahelegen |
|---|---|---|---|
| Maßeinheit | Effizienz auf Aufgaben- und Unternehmensebene | Gesamtwirtschaftliche totale Faktorproduktivität, Löhne und Arbeitsanteil | Verbesserungen auf Aufgabenebene sind belegt, auf makroökonomischer Ebene noch nicht sichtbar |
| Zeithorizont | Orientierung an den Jahrzehnten der Verbreitung von Allzwecktechnologien | Blick auf die nächsten fünf bis zehn Jahre | Die Erträge der Elektrizität zeigten sich erst nach rund vierzig Jahren |
| Ersetzung und neue Aufgaben | Nach der Ersetzung entstehen viele neue Aufgaben | Die Schaffung neuer Aufgaben hält mit der Ersetzung nicht Schritt | Nach 1980 beschleunigte sich die Automatisierung, die Augmentation verlangsamte sich |
| Extrapolation | Zuwächse bei leicht erlernbaren Aufgaben greifen schrittweise auf schwer erlernbare über | Bei schwer erlernbaren Aufgaben fallen die Gewinne deutlich kleiner aus | Kundenservice plus 14 %, erfahrene Entwickler dagegen 19 % langsamer |
| Verbleib der Gewinne | Neulinge und geringer Qualifizierte profitieren am meisten | Das Kapitaleinkommen wächst relativ zum Arbeitseinkommen | Beide Effekte können gleichzeitig auftreten |
| Leicht unterschätzte Faktoren | Schwierigkeit und Dauer organisatorischer Neugestaltung | Tempo des Kostenrückgangs bei den Fähigkeiten | Beide verändern sich rasant |
Die Tabelle zeigt: Der grundlegendste Dissens betrifft die Einschätzung der „neuen Aufgaben“. Wird KI hauptsächlich dazu genutzt, bestehende Arbeit billiger zu erledigen, entspricht sie eher der von den Skeptikern beschriebenen „mittelmäßigen Automatisierung“. Bringt sie Produkte, Dienstleistungen und Berufe hervor, die es früher nicht geben konnte, entspricht sie eher jener industriellen Revolution, die das Revolutionslager beschreibt.
Das heißt: Ob es um „Ersetzung oder Effizienzgewinn“ geht, entscheidet nicht allein die Technologie selbst. Dasselbe große Sprachmodell kann dazu dienen, ein Kundenserviceteam abzubauen, oder dazu, dass dasselbe Team einen personalisierten Service bietet, der früher nicht möglich war. Acemoglu und Autor betonen beide, dass die Entwicklungsrichtung einer Technologie von unternehmerischen Anreizen, vom Steuersystem und von institutionellen Regelungen beeinflusst wird. Wenn etwa Kapitalinvestitionen steuerlich günstiger sind als die Beschäftigung von Mitarbeitenden, setzen Unternehmen KI eher zum „Personalsparen“ ein als zur „Leistungssteigerung“.
Welche Signale zeigen, in welche Richtung sich die Waage neigt?
Da der Streit im Kern von der Zukunft und nicht von der Gegenwart handelt, lautet die wertvollere Frage nicht „Wer hat recht?“, sondern „Welche Belege würden eine Seite überzeugender machen?“. Die folgenden fünf Arten von Signalen helfen, den Trend einzuschätzen.
- Ein anhaltender Wendepunkt bei der gesamtwirtschaftlichen Produktivität. Das Wachstum eines einzelnen Jahres kann vom Konjunkturzyklus herrühren; nur mehrere Jahre in Folge mit überdurchschnittlichem Wachstum der Arbeitsproduktivität lassen sich mit den 1920er-Jahren und dem Ende der 1990er-Jahre vergleichen.
- Die Entwicklung des Arbeitseinkommensanteils. Sinkt der Arbeitsanteil dauerhaft, während die Produktivität steigt, fließt der zusätzliche Output vor allem ans Kapital – eine Lage, die der „Engels’ Pause“ ähnelt.
- Das Tempo, mit dem neue Berufe entstehen. Autors Forschungsmethode besteht darin, neu hinzugekommene Berufsbezeichnungen in den Volkszählungen nachzuverfolgen. Ob die in den nächsten zehn Jahren rund um KI entstehenden neuen Berufe tatsächlich eine nennenswerte Größenordnung erreichen und nicht nur einige wenige hochbezahlte Technikstellen sind, wird die Befürchtung, die „Ersetzung laufe der Schaffung davon“, unmittelbar auf die Probe stellen.
- Ob Unternehmen die „Energiequelle wechseln“ oder die „Fabrik neu bauen“. Behandeln Unternehmen KI hauptsächlich als Plug-in für bestehende Stellen, bleibt der makroökonomische Ertrag sehr wahrscheinlich begrenzt; entstehen dagegen um KI herum neu gestaltete Organisationsstrukturen, Produkte und Geschäftsmodelle, kann der aufsteigende Ast der J-Kurve beginnen.
- Experimentelle Belege bei schwer erlernbaren Aufgaben. Die verlässlichsten Daten stammen bisher überwiegend aus Szenarien wie Kundenservice, Schreiben und Programmieren, bei denen sich das Ergebnis klar messen lässt. Sobald randomisierte kontrollierte Belege für Aufgaben wie medizinische Diagnose, wissenschaftliche Entdeckung und komplexe Entscheidungen vorliegen, wird sich der Unterschied in der Größenordnung zwischen Acemoglu und Goldman Sachs allmählich verringern.
Unter diesen Signalen sind die ersten beiden Ergebnisse, die letzten drei Ursachen. Ergebnisindikatoren hinken in der Regel um mehrere Jahre hinterher, während sich ursachenbezogene Indikatoren auf Unternehmens- und Branchenebene bereits beobachten lassen. Wer sein Urteil bilden will, bevor die Statistiken vorliegen, sollte die letzten drei besonders im Blick behalten.
Fazit
Wer KI für eine neue industrielle Revolution hält, und wer sie für bloße Ersetzung von Menschen hält, beschreibt sehr wahrscheinlich verschiedene Phasen desselben Prozesses. Dampfmaschine und Elektrizität traten beide zunächst als „Ersetzung“ auf; der Produktivitätsanstieg und die Gewinne der Arbeitnehmer kamen erst sehr viel später, und keineswegs von selbst.
So gesehen ist „Ist KI eine industrielle Revolution?“ eher eine Frage, die der Zukunft überlassen bleibt, als eine Tatsache, über die sich heute schon entscheiden ließe. Diskussionswürdiger ist eine andere Frage: In der Zeit, in der die Ersetzung bereits stattfindet, die neuen Aufgaben aber noch keine Gestalt angenommen haben, in welche Richtung wird die Technologie gelenkt, und wie werden die Gewinne verteilt? Der Titel „industrielle Revolution“ wird erst von der Nachwelt verliehen, und was darüber entscheidet, wie die Nachwelt diese Epoche beurteilt, sind gerade die Entscheidungen in dieser Übergangsphase.
Quellen
- Allen, R. C. Engels' pause: Technical change, capital accumulation, and inequality in the British industrial revolution. Explorations in Economic History, 2009
- Stanford HAI. The 2025 AI Index Report
- Brynjolfsson, E., Li, D., Raymond, L. Generative AI at Work. NBER Working Paper 31161
- Goldman Sachs. Generative AI could raise global GDP by 7%, 2023
- Acemoglu, D. The Simple Macroeconomics of AI. NBER Working Paper 32487
- Acemoglu, D., Restrepo, P. Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 2019
- The Decoder. AI coding can make developers slower even if they feel faster, 2025
- MIT News. Does technology help or hurt employment? 2024
- History News Network. Paul David: It took decades for the economic impact of electricity to be felt
- Brynjolfsson, E., Rock, D., Syverson, C. The Productivity J-Curve. American Economic Journal: Macroeconomics, 2021
