Unternehmen meldeten früh große Zuwächse bei Tätigkeiten mit hohem Aufkommen und vergleichsweise eindeutigen Antworten, darunter Kundenanfragen, Personalfragen und die Prüfung von Verträgen. Diese Aufgaben ließen sich leicht messen, sodass die Unternehmen die Ergebnisse beurteilen konnten, bevor sie weiter investierten.
Unternehmen begegneten Qualitätsrisiken, indem Mitarbeiter KI-Entwürfe prüften, bevor diese Kunden oder Patienten erreichten. Klarna baute Stellen im Kundenservice ab und setzte stattdessen auf seinen KI-Assistenten; wegen Bedenken zur Servicequalität holte das Unternehmen anschließend menschliche Mitarbeiter zurück.
Die Shinhan Bank ordnete ihr Bankwissen neu, bevor sie einen generativen KI-Assistenten einführte. Auch Walmart, POSCO und Kurly bereinigten, verknüpften und teilten ihre Daten, bevor sie ein Modell auswählten.
Ein kanadisches Tribunal machte Air Canada für Erstattungsbedingungen haftbar, die der Chatbot auf der Website falsch wiedergegeben hatte, und wies das Argument zurück, der Chatbot sei für seine Aussagen selbst verantwortlich. McDonald's beendete 2024 seinen Test der KI-Sprachbestellung an Drive-in-Schaltern, während die Genauigkeit der Bestellungen weiterhin ein Problem war.
Zillow kaufte Häuser zu Preisen, die sein Modell schätzte. Als sich der Markt wandelte, führten Prognosefehler zu Abschreibungen, und das Unternehmen schloss seine Sparte für den Hauskauf. MD Anderson gab einen zweistelligen Millionenbetrag in US-Dollar für ein KI-Projekt mit schwacher Aufsicht aus, das nie bei der Behandlung von Patienten eingesetzt wurde.
Amazon verwarf ein Modell zur Vorauswahl von Bewerbungen, das aus früheren Einstellungsdaten gelernt hatte und Bewerbungen, die mit Frauen in Verbindung standen, schlechter bewertete. Bei Einstellung und Beurteilung sahen sich Unternehmen Fragen zu Verzerrungen in den Trainingsdaten gegenüber und zu der Frage, ob sie Entscheidungen erklären konnten, die das Leben von Menschen betrafen.
JPMorgan überließ es den Mitarbeitern, ob sie seine KI-Plattform nutzen. Moderna baute zunächst mit einem internen Chatbot Gewohnheiten auf, bevor es KI im ganzen Unternehmen ausweitete und Personal- und Technologieabteilung zusammenlegte. Shopify machte die KI-Nutzung zum Teil der Leistungsbeurteilung, während Musinsa KI-Kompetenzen in der gesamten Belegschaft förderte.
Auf der Shopping-Plattform von Naver war der Umsatzeffekt der KI-Einkaufsfunktionen bei kleinen Händlern größer als bei großen. Kleine koreanische Hersteller nutzten staatliche Smart-Factory-Programme, um einen großen Teil der Anfangskosten für eine KI-gestützte Qualitätskontrolle zu decken.
Der von KI erzeugte Weihnachtsspot von Coca-Cola stieß auf breite Kritik, weil ihm Wärme fehle. Auch das öffentliche AI-first-Memo von Duolingo löste sofort Kritik aus. Marken, die auf Emotion und Vertrauen setzten, stießen an Grenzen, die ihnen die Reaktion des Publikums setzte.
Einige Unternehmen setzten KI zunächst im eigenen Betrieb ein, bevor sie sie an andere Firmen verkauften. Octopus Energy, Samsung SDS und Salesforce verkauften externen Kunden Werkzeuge, die sie im eigenen Kundenservice oder in der Büroarbeit erprobt hatten.
gelöste Anfragen pro Stunde bei Mitarbeitern mit KI-Unterstützung (Neulinge und gering qualifizierte Mitarbeiter: rund +30 %)
Ökonomen von Stanford und MIT untersuchten einen auf GPT basierenden Chat-Assistenten, der bei einem Fortune-500-Anbieter von Unternehmenssoftware für 5.172 Servicemitarbeiter eingeführt wurde, überwiegend zwischen Ende 2020 und Anfang 2021. Die gelösten Anfragen pro Stunde stiegen im Durchschnitt um 15 %, bei den am wenigsten erfahrenen und am geringsten qualifizierten Mitarbeitern um rund 30 %; bei ihnen verbesserten sich Tempo und Qualität. Die erfahrensten Mitarbeiter gewannen wenig an Tempo und verzeichneten einen leichten Qualitätsrückgang. Diese Ergebnisse stammen aus der 2025 erschienenen, begutachteten Studie, die auf ein Arbeitspapier von 2023 folgte, das Zuwächse von 14 % und 34 % bei 5.179 Mitarbeitern auswies.
Das Werkzeug gab das Wissen erfahrener Mitarbeiter an neuere weiter, sodass Teams mit mehr unerfahrenen Mitarbeitern stärker profitierten.
Erik Brynjolfsson, Danielle Li und Lindsey Raymond untersuchten 5.172 Servicemitarbeiter und veröffentlichten ihre begutachteten Ergebnisse in Band 140(2) des Quarterly Journal of Economics. Die gelösten Anfragen pro Stunde stiegen im Durchschnitt um 15 % und bei den am wenigsten erfahrenen und am geringsten qualifizierten Mitarbeitern um rund 30 %, während die Qualität bei den am höchsten qualifizierten leicht sank. Neuere Mitarbeiter kündigten seltener, und die Kunden waren höflicher.
Die Forscher veröffentlichten ihr Arbeitspapier erstmals im April 2023 und überarbeiteten es im November 2023. Sie berichteten von einem durchschnittlichen Produktivitätszuwachs von 14 % bei 5.179 Mitarbeitern und einem Zuwachs von 34 % bei Neulingen und gering qualifizierten Mitarbeitern, bei geringer Wirkung auf erfahrene, hoch qualifizierte Mitarbeiter. Auch die Kundenstimmung und die Mitarbeiterbindung verbesserten sich.
Stanford HAI berichtete von einem Produktivitätszuwachs von 14 % in der Callcenter-Studie, der sich auf weniger erfahrene Mitarbeiter konzentrierte. Mitarbeiter mit 2 Monaten Betriebszugehörigkeit, die den Assistenten nutzten, erreichten die Leistung von Mitarbeitern mit 6 Monaten, die ihn nicht nutzten. Erfahrene Mitarbeiter profitierten kaum.
schnellere Erledigung von Aufgaben innerhalb der KI-Fähigkeiten (richtige Antworten sanken bei einer Aufgabe außerhalb davon um 19 Punkte)
In einem vorab registrierten Experiment teilten Forscher der Harvard Business School, weiterer Universitäten und von BCG 758 BCG-Berater nach dem Zufallsprinzip auf: ohne KI, mit GPT-4 oder mit GPT-4 und einer kurzen Einführung in das Prompting. Bei 18 Beratungsaufgaben innerhalb der Fähigkeiten des Modells erledigten die KI-Nutzer 12,2 % mehr Aufgaben, arbeiteten 25,1 % schneller und erhielten im Durchschnitt um etwa 32 % höhere Qualitätsbewertungen. Bei einer Aufgabe zur Geschäftsanalyse außerhalb dieser Fähigkeiten antworteten KI-Nutzer mit einer um 19 Prozentpunkte geringeren Wahrscheinlichkeit richtig, nämlich zu etwa 60–71 % gegenüber 84,5 % ohne KI. Das Arbeitspapier von 2023 wies einen Qualitätszuwachs von mehr als 40 % aus, die begutachtete Studie von 2026 etwa 32 %.
Dasselbe KI-Werkzeug verbesserte einige Beratungsaufgaben und verringerte bei einer anderen die Genauigkeit. Qualifizierten Fachkräften fiel es schwer zu erkennen, welche Aufgaben seine Fähigkeiten überstiegen.
Fabrizio Dell’Acqua und Kollegen veröffentlichten ihre begutachtete Studie im März 2026 online. Bei Aufgaben innerhalb der Fähigkeiten des Modells erledigten KI-Nutzer 12,2 % mehr Aufgaben, arbeiteten 25,1 % schneller und verbesserten die Qualität im Durchschnitt um etwa 32 %. Bei der Aufgabe außerhalb dieser Fähigkeiten sank der Anteil richtiger Antworten um 19 Prozentpunkte. Weniger qualifizierte Teilnehmer profitierten am meisten.
Die Studie der Harvard Business School vom September 2023 teilte 758 Wissensarbeiter in 3 Gruppen ein. KI-Nutzer arbeiteten schneller und erledigten mehr Aufgaben innerhalb der Fähigkeiten des Modells, lösten aber eine Aufgabe außerhalb davon seltener. Die Untersuchung erschien später in Organization Science.
BCG berichtete, seine Berater hätten bei kreativen Produktaufgaben mit GPT-4 rund 40 % höhere Bewertungen erzielt. Bei Aufgaben zur Lösung von Geschäftsproblemen lagen die Bewertungen um 23 % niedriger, weil viele fehlerhafte Ergebnisse übernahmen. Die Ideen der GPT-4-Nutzer waren um 41 % weniger vielfältig.
kürzere Zeit für eine Programmieraufgabe mit einem KI-Coding-Assistenten
Forscher von Microsoft Research, GitHub und MIT Sloan warben im Mai und Juni 2022 über Upwork 95 freiberufliche Entwickler an und teilten sie nach dem Zufallsprinzip in eine Copilot-Gruppe (45) und eine Kontrollgruppe (50) auf; in beiden Gruppen schlossen je 35 die Aufgabe ab. Bei der Aufgabe, einen HTTP-Server in JavaScript zu schreiben, brauchte die Copilot-Gruppe im Durchschnitt 71 Minuten gegenüber 161 Minuten, eine Verkürzung um 55,8 % (95-%-Konfidenzintervall 21–89 %). Weniger erfahrene Entwickler profitierten stärker. Copilot wird von GitHub hergestellt, einer Tochter von Microsoft, und 3 der 4 Autoren arbeiteten bei Microsoft oder GitHub.
Die Entwickler sparten bei einer klar umrissenen Programmieraufgabe erheblich Zeit. Spätere Studien an großen bestehenden Codebasen fanden in diesem anderen Umfeld deutlich geringere Zuwächse oder Verlangsamungen.
Sida Peng, Eirini Kalliamvakou, Peter Cihon und Mert Demirer warben über Upwork 95 Entwickler an und teilten 45 Copilot und 50 einer Kontrollgruppe zu. In beiden Gruppen schlossen 35 die Aufgabe mit dem HTTP-Server ab, wobei die Copilot-Gruppe 55,8 % weniger Zeit brauchte. Ihre Erfolgsquote lag um 7 Prozentpunkte höher, ein Unterschied, der statistisch nicht signifikant war.
GitHub berichtete, dass 78 % der Copilot-Gruppe und 70 % der Kontrollgruppe die Aufgabe abschlossen. Die Copilot-Gruppe war etwa 55 % schneller fertig und brauchte 1 Stunde 11 Minuten statt 2 Stunden 41 Minuten. In einer separaten Befragung von mehr als 2.000 Copilot-Nutzern gaben die meisten an, das Werkzeug helfe ihnen, schneller zu arbeiten und konzentriert zu bleiben.
Anteil der Industrie-KMU, die die Anfangskosten als größtes Hindernis für den KI-Einsatz nannten
Das Ministerium für KMU und Start-ups berief sich auf eine Umfrage der Korea Federation of SMEs, als es am 24. Oktober 2025 seine KI-basierte Strategie „Smart Manufacturing Innovation 3.0“ vorstellte. Industrie-KMU nannten die Anfangskosten (44,2 %) als größtes Hindernis, gefolgt von Personalmangel (20,5 %) und fehlender Strategie (14,9 %); 72,3 % wünschten sich direkte finanzielle Unterstützung. Die Regierung bezifferte den KI-Einsatz auf rund 1 % und setzte sich bis 2030 das Ziel von 10 % Einsatz und 12.000 KI-zentrierten Smart Factories. Zeitpunkt und Stichprobengröße der Umfrage wurden nicht mitgeteilt.
Die Hersteller nannten die Anfangskosten häufiger als Personalmangel oder fehlende Strategie. Zu den Maßnahmen der Regierung zählten Zuschüsse und abonnementbasierte Smart Factories, um diese anfängliche Belastung zu verringern.
Money Today berichtete, Industrie-KMU nannten als Hindernisse für KI die Anfangskosten (44,2 %), Personalmangel (20,5 %) und fehlende Strategie (14,9 %), während 72,3 % direkte finanzielle Hilfe wünschten. Zu den Maßnahmen der Regierung zählten abonnementbasierte Smart Factories und eine zentrale Anlaufstelle für Unterstützung. Die Regierung wollte den KI-Einsatz von rund 1 % auf 10 % steigern.
Herald Business berichtete, eine Umfrage der Korea Federation of SMEs habe ergeben, dass die Anfangskosten das größte Hindernis der Hersteller für KI seien und etwa 7 von 10 direkte Förderung wünschten. Die Ziele der Regierung umfassten 12.000 KI-Smart-Factories, 10 % KI-Einsatz, 500 Spezialunternehmen und 1.000 gemeinsam genutzte Datensätze.
Financial News berichtete von Regierungszielen von 12.000 KI-zentrierten Smart Factories und einer Steigerung des KI-Einsatzes von 1 % auf 10 % bis 2030. Zudem beschrieb die Zeitung die Unterstützung einzelner Unternehmen im Rahmen des KI-Programms für Smart Factories.
längere Bearbeitungszeit bei erlaubter KI-Nutzung (die Entwickler hatten 24 % schnelleres Arbeiten erwartet)
Von Februar bis Juni 2025 erlaubte oder untersagte die gemeinnützige Organisation METR nach dem Zufallsprinzip den Einsatz von KI bei 246 realen Aufgaben, die 16 erfahrene Entwickler in großen Open-Source-Projekten bearbeiteten, die sie seit Jahren betreuten. Bei erlaubter KI nutzten die Entwickler meist Cursor Pro mit Claude 3.5/3.7 Sonnet und brauchten 19 % länger, bei einem 95-%-Konfidenzintervall von +2 % bis +39 %. Sie hatten erwartet, 24 % schneller zu arbeiten, und glaubten hinterher weiterhin, 20 % schneller gewesen zu sein. Eine im August 2025 begonnene Folgestudie mit 57 Entwicklern lieferte Schätzungen, deren Konfidenzintervalle 0 einschlossen; METR erklärte im Februar 2026, Selektionseffekte machten die Daten unzuverlässig.
Erfahrene Entwickler, die in vertrauten Codebasen arbeiteten, fühlten sich mit KI schneller, obwohl die gemessene Bearbeitungszeit stieg. Die Ergebnisse der Werkzeuge von Anfang 2025 können sich von denen späterer Werkzeuge unterscheiden.
Joel Becker, Nate Rush, Elizabeth Barnes und David Rein stellten in einem Versuch mit 16 Entwicklern und 246 Aufgaben eine um 19 % längere Bearbeitungszeit fest. Die Entwickler hatten eine Beschleunigung um 24 % erwartet und nahmen hinterher eine um 20 % wahr, während Experten für maschinelles Lernen und Ökonomie Zuwächse von 38–39 % prognostiziert hatten. Die Forscher prüften 20 mögliche Erklärungen und hielten es für unwahrscheinlich, dass die Verlangsamung hauptsächlich auf das Studiendesign zurückgeht.
METR untersuchte Projekte mit durchschnittlich mehr als 22.000 Sternen und mehr als einer Million Codezeilen anhand von Aufgaben, die etwa zwei Stunden dauerten. Die Organisation wies auf die kleine Zahl an Entwicklern, die Konzentration auf ein einziges Gebiet und mögliche Lerneffekte hin. Später bezeichnete METR diese Ergebnisse als veraltet und veröffentlichte Daten einer Folgestudie.
METR begann im August 2025 eine Folgestudie mit 57 Entwicklern und mehr als 800 Aufgaben. Sie schätzte die Beschleunigung auf 18 % bei erneut teilnehmenden Entwicklern und 4 % bei neuen Teilnehmern, wobei beide Konfidenzintervalle 0 einschlossen. Da sich Entwickler zunehmend weigerten, ohne KI zu arbeiten, hielt METR die Daten für unzuverlässig und kündigte ein neues Studiendesign an.
gemessene Wirkung auf Einkommen und erfasste Arbeitszeiten 2 Jahre nach dem Start von ChatGPT (Effekte über 2 % ausgeschlossen)
Anders Humlum von der University of Chicago und Emilie Vestergaard von der Universität Kopenhagen werteten gemeinsam mit Statistics Denmark repräsentative Befragungen in 11 Berufen aus, die KI-Chatbots stark ausgesetzt sind. Ihre Befragung von Ende 2024 umfasste 25.000 Beschäftigte an 7.000 Arbeitsstätten und wurde mit amtlichen Daten zu Einkommen, Arbeitszeiten und Berufen bis Dezember 2024 verknüpft. Wo Arbeitgeber die Nutzung förderten und Chatbots für Unternehmen sowie Schulungen bereitstellten, hatten 93 % Chatbots genutzt, 28 % nutzten sie täglich und 19 % gaben an, mehr als 1 Stunde pro Tag zu sparen. Beim Vergleich von Nutzern und Nichtnutzern vor und nach der Einführung der Chatbots fanden die Forscher keine Wirkung auf Einkommen oder erfasste Arbeitszeiten, obwohl sich die Arbeit veränderte, da Beschäftigte Inhalte erzeugten, KI-Ergebnisse prüften und KI einbanden.
Die von den Beschäftigten angegebenen Zeitersparnisse änderten innerhalb von 2 Jahren weder Gehalt noch Arbeitszeit. Die meisten Nutzer gaben an, die gewonnene Zeit für andere Aufgaben zu verwenden, was die Organisation der Arbeit veränderte.
Die Forscher veröffentlichten ihr Arbeitspapier erstmals im Mai 2025 und überarbeiteten es im März 2026. Anhand verknüpfter Befragungs- und Verwaltungsdaten verglichen sie die Veränderungen bei Nutzern und Nichtnutzern und schlossen durchschnittliche Effekte auf Einkommen und Arbeitszeiten von mehr als 2 % aus. Rund 85 % der Nutzer gaben an, die gesparte Zeit für andere Aufgaben zu verwenden, und einige wechselten in besser bezahlte Berufe.
Das Becker Friedman Institute berichtete, 2 Jahre nach dem Start von ChatGPT gebe es keine Wirkung auf Einkommen oder erfasste Arbeitszeiten. Der Befund galt auch für intensive Nutzer, frühe Anwender und Arbeitsstätten mit hohen Investitionen. Die Chatbot-Nutzung ging mit Veränderungen bei Aufgaben und Berufen einher, ohne dass sich Gehalt oder Arbeitszeit insgesamt änderten.
wöchentlich erledigte Aufgaben von Entwicklern, die den KI-Coding-Assistenten nutzten (gepoolte Schätzung, Standardfehler rund 10 Punkte)
Ökonomen von Princeton, MIT, Wharton und Microsoft werteten 3 randomisierte Experimente bei Microsoft, Accenture und einem nicht genannten Elektronikhersteller aus dem Fortune-100-Kreis von September 2022 bis Mai 2023 aus. Eine zufällige Teilgruppe von 4.867 Entwicklern erhielt im normalen Arbeitsalltag Zugang zu GitHub Copilot; die Nutzer erledigten pro Woche 26,08 % mehr Aufgaben (Standardfehler 10,3 %), führten 13,55 % mehr Commits aus und starteten in den Experimenten 38,38 % mehr Builds. Neu eingestellte Entwickler und Junior-Entwickler nutzten das Werkzeug häufiger und gewannen mehr, während erfahrene Entwickler keinen statistisch signifikanten Zuwachs verzeichneten. 2 der 6 Autoren arbeiteten bei Microsoft, dem GitHub gehört.
Entwickler in Unternehmen gewannen weniger als im Laborversuch mit einer einzelnen Aufgabe, bei größerer Unsicherheit der Ergebnisse. Weniger erfahrene Entwickler gewannen am meisten.
Kevin Zheyuan Cui, Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng und Tobias Salz berichteten im Februar 2025 über die Experimente. Die Versuche dauerten 2 bis 8 Monate, bevor alle Gruppen Zugang erhielten. Über die 3 Versuche hinweg stiegen die erledigten Aufgaben um 26,08 %, die Commits um 13,55 % und die Builds um 38,38 %. Die Forscher erklärten, jeder Versuch für sich weise erhebliche statistische Unsicherheit auf, und die anfängliche Nutzung sei gering gewesen.
Die Forscher registrierten die Experimente in den 3 Unternehmen bei der American Economic Association, nachdem sie durchgeführt worden waren. Die Experimente fanden von September 2022 bis Mai 2023 statt und wiesen den Zugang in jedem Unternehmen zufällig nach Team oder Einzelperson zu. Zu den wichtigsten Messgrößen zählten Pull Requests, Commits und Builds.