Jede Technologie kommt zweimal an

These

Neue Technologien kommen zweimal an. Zuerst als Fähigkeit: Maschinen können etwas, das gestern unmöglich war, und die frühen Anwender führen es vor. Dann, oft Jahrzehnte später, als Wert in der Breite: Organisationen haben ihre Gebäude, Abläufe und Gewohnheiten so umgebaut, dass aus dem Können messbare Wirkung wird. Der Strom hat für diesen zweiten Weg rund vier Jahrzehnte gebraucht, der Computer gut zwei.

Generative KI steht mitten in der ersten Ankunft, und die Zahlen, die gerade Ernüchterung auslösen, beschreiben schlicht den Abstand zur zweiten: Rund sechs Prozent der Unternehmen ziehen messbaren Wert in der Fläche, während die Fähigkeitskurve steil weitersteigt und das Vertrauen der Anwender sogar sinkt. Gemessen am Hype ist das eine Enttäuschung. Gemessen daran, wie Basistechnologien historisch angekommen sind, liegt KI im Takt – eher sogar davor. Der Engpass der zweiten Ankunft war noch nie die Technik: Er liegt in Strukturen, Abläufen und im Vertrauen derer, die sich im Alltag auf das Neue verlassen sollen.

Zwei Kurven, die sich entkoppeln

Die übliche Erzählung misst eine einzige Kurve: was Modelle können. METR misst, wie lange die Aufgaben sind, die ein Modell zuverlässig allein löst, und findet eine Verdopplung dieser Zeitspanne etwa alle vier bis sieben Monate. Das ist die Kurve, über die Prognosen, Newsletter und Konferenzbühnen sprechen.

Wert entsteht aber auf einer zweiten Kurve: der Aufnahme dieser Fähigkeit in tatsächliche Arbeit. Und die verläuft anders. Eine Untersuchung des MIT (Project NANDA, State of AI in Business 2025) fand, dass rund 95 Prozent der untersuchten Generative-AI-Pilotprojekte in Unternehmen keinen messbaren Effekt auf das Ergebnis zeigten – bei einem Investitionsvolumen von 30 bis 40 Milliarden Dollar. Genauer gesagt: Etwa fünf Prozent der Initiativen beschleunigen messbar Umsatz, der Rest versandet. Die Zahl wird oft als „95 Prozent gescheitert” verkürzt; präzise ist die Aussage über den ausbleibenden Ergebnis-Effekt, nicht über ein gemessenes Scheitern.

Wie weit der Weg vom Können zur Wirkung tatsächlich ist, zeigt sich, wenn man die Stationen nebeneinanderlegt – vom Ausprobieren über die tägliche Nutzung und das Vertrauen bis zum messbaren Wert:

Eine Prognose korrigiert sich selbst

Das wird an der ehrlichsten Stelle deutlich, die das Feld zu bieten hat: bei den Prognostikern selbst. Das Szenario AI 2027 (AI Futures Project, April 2025) zeichnet eine Beschleunigung bis zur Superintelligenz Ende 2027 – die aggressivste ernstzunehmende Takeoff-Prognose. Im Februar 2026 benoteten die Autoren ihre eigenen Vorhersagen für 2025 und kamen auf etwa 65 Prozent des prognostizierten Tempos. Die reine Fähigkeit lief grob mit, der METR-Zeithorizont folgte ihrer Kurve nahezu eins zu eins. Was nicht mitkam, formulierten sie selbst – vermarktete KI-Agenten taten sich schwer, breite Nutzung zu finden. Ende 2025 verschoben sie ihren Median für Superintelligenz aus dem Jahr 2027 in die frühen 2030er.

Die Pointe steckt im Mechanismus dieser Korrektur: Die Modelle des Szenarios haben die Fähigkeitskurve fast richtig getroffen – verfehlt haben sie die Kurve, auf der diese Fähigkeit in tatsächliche Arbeit und Wertschöpfung übergeht.

Arvind Narayanan und Sayash Kapoor haben dieselbe Beobachtung 2025 zu einem Rahmen verdichtet (AI as Normal Technology, Knight First Amendment Institute): Wirkung entsteht durch die langsame Diffusion über Regulierung, Organisation und Gewohnheit, nicht durch den Fähigkeitssprung – auf der Zeitskala von Jahrzehnten, wie sie ausdrücklich schreiben. Ihr Bild dafür ist ein Sickern, kein Tsunami.

Vier Jahrzehnte Strom, zwei Jahrzehnte Computer

Dass zwischen Fähigkeit und breiter Wirkung Jahrzehnte liegen, ist keine KI-Besonderheit, sondern das wiederkehrende Muster von Basistechnologien – und es ist für Strom und Computer ungewöhnlich gut vermessen.

Die erste kommerzielle Zentralstation ging 1882 ans Netz (Edisons Pearl Street Station in New York). Siebzehn Jahre später, 1899, stammten erst 4,8 Prozent der mechanischen Antriebskraft in US-Fabriken aus Elektromotoren; die 50-Prozent-Marke fiel um 1919, also fast vier Jahrzehnte nach der Verfügbarkeit (Warren Devine, From Shafts to Wires, Journal of Economic History 1983). Der Wirtschaftshistoriker Paul David hat gezeigt, warum: Fabriken waren um Dampfmaschinen, zentrale Wellen und Lederriemen herum gebaut. Den Elektromotor in diese Architektur zu hängen brachte wenig – sein Wert entstand erst, als Fabriken neu gedacht wurden, mit einzelnen Motoren an einzelnen Maschinen, einstöckigen Hallen, neuen Abläufen. Der messbare Produktivitätsschub der US-Industrie kam in den frühen 1920er Jahren, „vier Jahrzehnte, nachdem die erste Zentralstation den Betrieb aufgenommen hatte” (Paul David, The Dynamo and the Computer, American Economic Review 1990).

Der Computer wiederholte das Muster in komprimierter Form. Der IBM PC erschien 1981; sechs Jahre später spottete Nobelpreisträger Robert Solow, das Computerzeitalter sei überall zu sehen, „außer in den Produktivitätsstatistiken” (New York Times Book Review, Juli 1987). Die Statistik gab ihm recht – bis Mitte der 1990er: Zwischen 1995 und 2004 verdoppelte sich das US-Produktivitätswachstum von rund 1,4 auf rund 3,1 Prozent pro Jahr, und etwa zwei Drittel dieser Beschleunigung gehen auf Informationstechnologie zurück (Oliner & Sichel, Journal of Economic Perspectives 2000). Vom PC bis zum Schub: 14 bis 23 Jahre. Die Cloud, als jüngerer Fall, brauchte von AWS (2006) bis zu dem Punkt, an dem Unternehmen erstmals mehr für Cloud als für eigene Rechenzentren ausgaben, rund 14 Jahre – und selbst 2024 lag erst etwa die Hälfte der Unternehmensdaten dort.

Der Mechanismus hinter diesem Takt hat einen Namen: Ökonomen sprechen bei Strom, Computer und KI von Basistechnologien (General Purpose Technologies), deren Wert erst durch Ko-Erfindung in den Anwendungsfeldern entsteht – neue Abläufe, neue Rollen, neue Gebäude (Bresnahan & Trajtenberg 1995). Erik Brynjolfsson und Kollegen haben das als Produktivitäts-J-Kurve formalisiert: Früh fließt die Investition in unsichtbare Komplemente wie Prozessumbau und Training, die in keiner Bilanz auftauchen, und erst danach erscheint der Wert in den Zahlen. Wie groß diese unsichtbare Schicht ist, zeigt ihre Schätzung, dass ein Dollar installierten Computerkapitals in den Marktbewertungen mit einem Vielfachen an begleitenden organisatorischen Vermögenswerten einhergeht (Brynjolfsson, Hitt & Yang, Brookings Papers 2002).

Wo die sechs Prozent in diesem Takt stehen

Vor diesem Hintergrund liest sich die Gegenwart anders. McKinsey zählt im dritten KI-Jahr rund sechs Prozent „High Performer” – Unternehmen mit deutlicher Ergebniswirkung – bei 88 Prozent Nutzung (State of AI 2025). Der Strom stand in seinem dritten Jahr praktisch bei null; selbst im siebzehnten waren es keine fünf Prozent der Fabrikantriebe. Nimmt man die Geschichte als Maßstab, ist KI nicht hinter dem Zeitplan, sondern davor.

Ehrlich bleibt die Zahl trotzdem unbequem, in zwei Richtungen. Erstens bewegt sie sich kaum: McKinsey hat die Messlatte für „High Performer” über die Jahre von 20 über 10 auf 5 Prozent Ergebniswirkung gesenkt, und der Anteil blieb durchgehend einstellig (etwa 8 Prozent 2020 bis 2022, etwa 5 Prozent 2024, etwa 6 Prozent 2025) – auf konstanter Messlatte wäre die Reihe eher flach bis rückläufig. Zweitens bewegt sich darunter etwas: BCG zählt im selben Zeitraum 35 statt 22 Prozent Unternehmen in der Skalierungsphase. Die Spitze wächst nicht, aber das Mittelfeld rückt nach – genau das erwartet man kurz vor dem steilen Stück einer Diffusionskurve.

Für die Projektion ergeben sich daraus zwei Lesarten. Folgt KI dem Takt von Computer und Cloud, liegt die breite Wertrealisierung in den frühen bis mittleren 2030ern; Gartner taktet das Produktivitätsplateau inzwischen auf zwei bis fünf Jahre und erwartet bis 2028 GenAI im Produktivbetrieb von über 95 Prozent der Unternehmen – wohlgemerkt Nutzung, nicht Wert. Für eine Verkürzung spricht, dass Software ohne Fabrikneubau diffundiert und die individuelle Adoption alle historischen Rekorde bricht: 39 Prozent der US-Erwerbsbevölkerung nutzten generative KI schon zwei Jahre nach ChatGPT, nach drei Jahren rund 55 Prozent (Bick, Blandin & Deming, NBER). Für den alten Takt spricht, dass die eigentliche Komplementärinvestition dieselbe geblieben ist – Abläufe, Verantwortung, Vertrauen – und die Intensität noch dünn ist: Nur ein bis fünf Prozent der Arbeitsstunden werden bislang von generativer KI unterstützt.

Die Diffusionskurve für Europa und Deutschland

Für Europa lässt sich diese Projektion inzwischen amtlich beziffern. Die Eurostat-Reihe zur KI-Nutzung in Unternehmen (ab zehn Beschäftigten, mindestens eine KI-Technologie) zeigt die typische frühe S-Kurve: 7,7 Prozent (2021), 8,1 (2023), 13,5 (2024), 20,0 Prozent (2025) – zuletzt also eine Verdopplungsgeschwindigkeit von unter zwei Jahren. Deutschland liegt mit 26 Prozent (2025) über dem EU-Schnitt, und das Diffusionsgefälle nach Größe ist deutlich: 55 Prozent der großen EU-Unternehmen nutzen KI, aber nur 17 Prozent der kleinen. Befragt man deutsche Unternehmen dagegen offen nach „KI-Nutzung”, meldet die ifo-Konjunkturumfrage schon 54,5 Prozent (Mai 2026) – die Selbstauskunft hat die Mehrheitsschwelle gekreuzt, die amtliche Technologie-Checkliste noch lange nicht. Auch das ist die Lücke zwischen Ausprobieren und verlässlicher Integration, nur auf Unternehmensebene.

Die politische Erwartung steht dazu in offenem Widerspruch. Das EU-Programm der Digitalen Dekade setzt als Ziel, dass bis 2030 mindestens 75 Prozent der Unternehmen Cloud, Big Data oder KI einsetzen. Die Kommission selbst rechnet in ihrem Bericht zur Lage der Digitalen Dekade 2025 aber nur mit 35,9 Prozent KI-Nutzung bis 2030 – und mit dem Erreichen der 75-Prozent-Marke erst um 2042. Das verdient einen zweiten Blick: 2042 ist Jahr 20 der generativen KI. Die eigene Projektion der Kommission landet fast auf den Punkt in dem Takt, den der Computer von der Verfügbarkeit bis zur Breite brauchte.

Der Engpass ist organisatorisch, nicht technisch

Wenn die Adoption hinterherhängt, liegt das selten an der Bedienung. Die Boston Consulting Group fasst die Erfolgsbedingung von KI-Vorhaben in einer Faustregel: zehn Prozent Algorithmen, zwanzig Prozent Technologie und Daten, siebzig Prozent Menschen und Prozesse. Die meisten Organisationen investieren in umgekehrter Reihenfolge. McKinsey bestätigt das Muster von der anderen Seite: Am stärksten korreliert die Ergebniswirkung mit dem Neuzuschnitt von Arbeitsabläufen, und genau der bleibt selten – nur ein Prozent der Führungskräfte nennt den eigenen Rollout ausgereift.

Das erklärt, warum Einzelne und Organisationen unterschiedlich schnell sind. Eine Designerin oder ein Entwickler in der Early-Adopter-Schicht integriert ein Werkzeug in Tagen. Eine Organisation folgt nicht der Fähigkeitskurve, weil Struktur, Verantwortlichkeit und Gewohnheit nicht der Fähigkeitskurve folgen – Paul Davids Fabriken, die um die Dampfmaschine herum gebaut blieben, sind dafür das hundert Jahre alte Anschauungsstück.

Vertrauen sinkt, während die Nutzung steigt

Unter der Adoptionslücke liegt ein Befund, der zunächst widersprüchlich wirkt: Die Nutzung steigt, das Vertrauen fällt. Stack Overflows Entwicklerbefragung 2025 zeigt 84 Prozent, die KI-Werkzeuge nutzen oder nutzen wollen – aber das Vertrauen in die Korrektheit der Ergebnisse fiel binnen eines Jahres von rund 40 auf 29 Prozent, während 46 Prozent ihr aktiv misstrauen. Zwei Drittel berichten, mehr Zeit mit dem Korrigieren „fast richtiger” KI-Ausgaben zu verbringen. Bei Designern ist das Muster dasselbe: Im Figma 2025 AI Report sagen nur 32 Prozent, dass sie sich auf die Ausgabe verlassen können – der niedrigste gemessene Wert, bei gleichzeitig hoher Effizienzwahrnehmung.

Der Befund reicht über die Werkzeug-Ebene hinaus. Die globale Studie von KPMG und der University of Melbourne (2025) findet, dass nur 46 Prozent der Menschen bereit sind, KI zu vertrauen, und 70 Prozent Regulierung erwarten. Edelmans Trust Barometer (Flash Poll, November 2025) nennt Vertrauen das fehlende Element im KI-Boom: Adoption hängt am Vertrauen, nicht an der Technologie. Zwischen dem ersten Ausprobieren und dem täglichen Verlassen auf ein Werkzeug liegt damit eine Vertrauensfrage, keine Bequemlichkeitsfrage.

Wie Vertrauen in die Werkzeuge kommt

Wenn Vertrauen die zweite Ankunft taktet, liegt der Hebel in der Diffusionsschicht, nicht in mehr Fähigkeit. Vier Ansatzpunkte zeichnen sich ab, jeder belegt:

• Belegter Nutzen statt Versprechen. Edelman misst den stärksten Vertrauenssprung – rund 40 Punkte – dort, wo KI Menschen hilft, etwas zu verstehen. Vertrauen entsteht aus erlebtem, nachprüfbarem Ergebnis, nicht aus Marketing. Die praktische Konsequenz: kleine, verifizierte Erfolge sichtbar machen, statt Fähigkeit zu behaupten.
• Herkunft und Nachvollziehbarkeit. Stack Overflows eigene Diagnose der Entwickler-Vertrauenslücke endet bei einer simplen Regel: Quellen nennen. Wer nachvollziehen kann, woher eine Ausgabe kommt, kann ihr begründet vertrauen oder begründet widersprechen.
• Kalibrierte Verlässlichkeit. Die Forschung zu calibrated trust zeigt, dass nicht maximales, sondern passendes Vertrauen das Ziel ist: Die Verlässlichkeit der Ausgabe muss zu dem passen, was über sie behauptet wird. Sowohl Über- als auch Untervertrauen verschlechtern Entscheidungen. Menschliche Kontrolle an den richtigen Stellen ist hier Kalibrierung, kein Misstrauen.
• Governance als Signal. Das NIST AI Risk Management Framework, die zertifizierbare Norm ISO/IEC 42001 und der EU AI Act werden zu einem Vertrauenssignal in der Beschaffung. Sie sagen weniger über die Fähigkeit eines Systems als über die Überprüfbarkeit seines Einsatzes – und genau das fragen Organisationen, bevor sie in die Fläche gehen.

Was das für die Praxis heißt

Die Geschichte gibt eine präzisere Handlungsanweisung, als es der Hype tut. Der Wert der Elektrifizierung entstand nicht in den Kraftwerken, sondern in den neu gedachten Fabriken; der Wert der IT nicht in den Rechnern, sondern in den umgebauten Abläufen. Ökonomen nennen das Ko-Erfindung, und sie ist der Grund, warum sich die zweite Ankunft nicht abwarten lässt – sie wird gebaut. Die Arbeit, die jetzt Wert schafft, sitzt auf der zweiten Kurve: Integration in echte Abläufe, Nachvollziehbarkeit der Ergebnisse, ein Vertrauensaufbau, der schneller sein muss als die Skepsis. Wer diese Schicht gestaltet, verkürzt den historischen Takt. Wer auf das nächste Modell wartet, wiederholt die Fabrik, die ihre Dampfarchitektur behielt und sich wunderte, dass der Elektromotor nichts brachte.

Einordnung

Diese Einordnung kommt aus der Produkt- und Design-Praxis – Design Leadership, Design Ops, KI im Produktalltag, mit Schwerpunkt auf KMUs und mittelgroßen Organisationen im deutschsprachigen Raum. Was diese Perspektive sieht: die operative Verschiebung in Teams, das Vertrauensverhalten von Praktikern, die Ökonomie kleiner und mittelgroßer Engagements. Was sie nicht sieht: die Innenseite der Fähigkeitsforschung, an der sich entscheidet, wie präzise Fähigkeits-Prognosen wirklich sind; die mehrjährigen Adoptionszyklen globaler Konzerne; und die volle Tiefe der Wirtschaftsgeschichte – ein Wirtschaftshistoriker würde die Strom- und IT-Analogien strenger auf ihre Grenzen prüfen, ein Ökonom die Diffusionsmechanik anders gewichten. Die historischen Zahlen selbst sind den Primärquellen entnommen, ihre Übertragung auf KI bleibt eine Analogie mit Annahmen.

Kritische Einordnung

Was hält stand

• Die historischen Reihen sind primärverifiziert: Devines Elektrifizierungs-Tabelle (4,8 → 25 → 53 → 78 Prozent), Davids „vier Jahrzehnte”, die Produktivitätsverdopplung 1995–2004 aus den offiziellen BLS-Reihen
• Die Selbstabwertung von AI 2027 ist dokumentiert: die eigene Benotung der Autoren (Februar 2026) und die Verschiebung des Superintelligenz-Medians in die frühen 2030er
• Die Skalierungslücke ist über vier unabhängige Quellen von 2025 konvergent belegt (MIT, McKinsey, BCG, Gartner), der Vertrauensrückgang auf Praktiker- wie Öffentlichkeits-Ebene gemessen
• Das Rekordtempo der individuellen Adoption ist solide vermessen (Bick, Blandin & Deming: schneller als PC und Internet in vergleichbaren Zeitfenstern)

Was man einordnen muss

• Die McKinsey-Reihe ist wegen Definitionswechseln (20 → 10 → 5 Prozent Ergebniswirkung) streng genommen nicht vergleichbar – sie zeigt kein Klettern, aber ein präziser Trend lässt sich daraus nicht lesen
• Die Analogie hat Grenzen: Devines Prozente messen Antriebskapazität, McKinseys Prozente messen Umfrage-Selbstauskünfte – gleicher Takt heißt nicht gleiche Messung
• Software diffundiert ohne Fabrikneubau; die Cloud brauchte eher 14 als 40 Jahre. Eine deutliche Verkürzung des Takts ist plausibel, die Projektion eine Spanne, kein Datum
• Vertrauen ist ein Engpass unter mehreren: Kosten, Latenz, reifende Fähigkeit und schlichte Trägheit takten die Adoption mit
• Praktiker in der Early-Adopter-Schicht überschätzen das Tempo der Mehrheit, weil sie das eigene Umfeld für die Kurve halten – diese Einordnung selbst ist aus dieser Schicht geschrieben

Diskussionsfragen

01 Takt-Verkürzung: Strom brauchte vierzig Jahre, der Computer zwanzig, die Cloud vierzehn – welche Eigenschaften von generativer KI rechtfertigen die Annahme einer weiteren Verkürzung, und welche sprechen dagegen?

02 Ko-Erfindung als Aufgabe: Wenn der Wert in den Anwendungsfeldern ko-erfunden wird – welche Rollen und Disziplinen besetzen diese Schicht: Design, Engineering, eine neue Funktion?

03 Vertrauens-Tempo: Lässt sich Vertrauen schneller aufbauen, als eine Organisation ihre Strukturen ändern kann – oder ist Vertrauensaufbau selbst der Strukturwandel?

04 Messlatten-Frage: Wenn McKinsey die Schwelle für „High Performer” senken muss, damit die Zahl stabil bleibt – was wäre eine ehrliche, dauerhafte Messgröße für die zweite Ankunft?

05 Öffentliche Hand: Verwaltung und öffentliche Institutionen tragen besonders schwere Strukturen und besonders hohe Vertrauensanforderungen – folgt daraus ein noch längerer Takt, oder springt der Sektor mit fertigen Mustern später direkt auf?

Quellen

• Warren D. Devine Jr. – From Shafts to Wires: Historical Perspective on Electrification (Journal of Economic History, 1983; Volltext der ORAU-Studie 1982)
• Paul A. David – The Dynamo and the Computer (American Economic Review, 1990)
• Robert Solow – „We’d better watch out” (New York Times Book Review, 12. Juli 1987; Zitatnachweis)
• Oliner & Sichel – The Resurgence of Growth in the Late 1990s (Journal of Economic Perspectives, 2000)
• Brynjolfsson, Rock & Syverson – The Productivity J-Curve (AEJ: Macroeconomics, 2021)
• Brynjolfsson, Hitt & Yang – Intangible Assets: Computers and Organizational Capital (Brookings Papers, 2002)
• Bresnahan & Trajtenberg – General Purpose Technologies: Engines of Growth? (Journal of Econometrics, 1995)
• Bick, Blandin & Deming – The Rapid Adoption of Generative AI (NBER Working Paper 32966)
• Bick, Blandin & Deming – The State of Generative AI Adoption in 2025 (St. Louis Fed, November 2025)
• AI 2027 – A Scenario (AI Futures Project)
• AI Futures Project – Grading AI 2027’s 2025 Predictions (Februar 2026)
• MIT Project NANDA – State of AI in Business 2025 (Fortune-Berichterstattung)
• McKinsey – The State of AI 2025
• McKinsey – The State of AI in 2022 and a Half Decade in Review (High-Performer-Reihe)
• BCG – The Widening AI Value Gap (2025)
• Gartner – Pressemitteilung zur GenAI-Abbruchquote (Juli 2024)
• Synergy Research / TechCrunch – Cloud-Ausgaben überholen Rechenzentren (2021)
• Eurostat – 20% of EU enterprises use AI technologies (Dezember 2025)
• Europäische Kommission – State of the Digital Decade 2025 (COM(2025) 290 final)
• Beschluss (EU) 2022/2481 – Path to the Digital Decade (75%-Ziel)
• ifo Institut – Mehr als die Hälfte der Unternehmen nutzt Künstliche Intelligenz (Juni 2026)
• Stack Overflow – 2025 Developer Survey (AI)
• Figma – 2025 AI Report
• KPMG & University of Melbourne – Trust, Attitudes and Use of AI (2025)
• Edelman – Trust Barometer Flash Poll: Trust and AI (November 2025)
• Narayanan & Kapoor – AI as Normal Technology (Knight First Amendment Institute, 2025)
• METR – Measuring AI Ability to Complete Long Tasks
• NIST – AI Risk Management Framework
• AI 2027: Ein Szenario – frühere Field Note zur Einordnung

Glossar

Basistechnologie (General Purpose Technology) Eine Technologie, die in fast allen Branchen einsetzbar ist und sich laufend weiter verbessert – wie Dampfkraft, Elektrizität, Computer. Ihr Wert entsteht erst durch Anpassungs-Erfindungen in den Anwendungsfeldern, weshalb ihre Wirkung der Verfügbarkeit um Jahre bis Jahrzehnte hinterherläuft.

Solow-Paradox Benannt nach dem Ökonomen Robert Solow, der 1987 feststellte, das Computerzeitalter sei überall sichtbar, nur nicht in den Produktivitätsstatistiken. Der scheinbare Widerspruch löste sich Mitte der 1990er auf, als die IT-Investitionen der Vorjahre messbar wurden.

Produktivitäts-J-Kurve Modell von Brynjolfsson, Rock und Syverson: Bei neuen Basistechnologien fließt die Investition zunächst in unsichtbare Komplemente (Prozessumbau, Training, neue Strukturen), die die gemessene Produktivität erst drücken und später heben – der Verlauf gleicht einem J.

Ko-Erfindung Begriff aus der Forschung zu Basistechnologien: Die Anwender erfinden die Nutzung mit – neue Abläufe, Rollen und Strukturen, ohne die die Technologie ihren Wert nicht entfaltet. Bei der Elektrifizierung war die Ko-Erfindung die neu gedachte Fabrik.

High Performer (McKinsey) Unternehmen, die in McKinseys State-of-AI-Befragungen eine erhebliche Ergebniswirkung aus KI berichten. Die Schwelle wurde über die Jahre gesenkt (von 20 über 10 auf 5 Prozent EBIT-Wirkung), der Anteil blieb durchgehend einstellig.

EBIT Earnings Before Interest and Taxes – das Betriebsergebnis vor Zinsen und Steuern. In den zitierten Studien die Bezugsgröße dafür, ob KI messbar zum Geschäftsergebnis beiträgt.

Digitale Dekade Das digitalpolitische Zielprogramm der EU bis 2030 (Beschluss (EU) 2022/2481). Eines der Ziele: Mindestens 75 Prozent der Unternehmen setzen Cloud, Big Data oder KI ein. Der jährliche Bericht „State of the Digital Decade” misst den Fortschritt gegen diese Ziele.

GenAI Divide Begriff aus der MIT-Untersuchung 2025 für die Kluft zwischen Unternehmen, die aus Generativer KI messbaren Wert ziehen (wenige), und der Mehrheit, deren Pilotprojekte ohne Ergebnis-Effekt bleiben.

Diffusion (von Innovationen) Der Prozess, über den sich eine Neuerung in einer Bevölkerung oder Organisation ausbreitet – typischerweise langsamer und ungleichmäßiger als die technische Reife der Neuerung selbst. Der Übergang von der frühen Anwenderschicht zur Mehrheit gilt als die schwierigste Stelle.

Early Adopter Die frühe Anwenderschicht in der Diffusionsforschung: Personen und Organisationen, die eine Neuerung übernehmen, bevor die Mehrheit ihr vertraut. Ihr Tempo sagt wenig über das Tempo der Mehrheit aus.

Takeoff-Prognose Vorhersage, dass KI-Fähigkeit sich selbst beschleunigt – etwa indem KI die KI-Forschung übernimmt – und dadurch in kurzer Zeit übermenschliches Niveau erreicht. AI 2027 ist die bekannteste ausformulierte Prognose dieser Art.

Calibrated Trust Forschungsbegriff für passendes statt maximales Vertrauen: Die Verlässlichkeit, die man einem System zuschreibt, sollte seiner tatsächlichen Verlässlichkeit entsprechen. Sowohl Über- als auch Untervertrauen führen zu schlechteren Entscheidungen.

NIST AI RMF Das AI Risk Management Framework des US-amerikanischen National Institute of Standards and Technology – ein Referenzrahmen, der definiert, was ein vertrauenswürdiges KI-System ausmacht (Verlässlichkeit, Sicherheit, Transparenz, Erklärbarkeit, Datenschutz, Fairness).

ISO/IEC 42001 Die erste zertifizierbare internationale Norm für KI-Managementsysteme (2023). Organisationen können sich den geregelten Umgang mit KI extern bestätigen lassen – zunehmend ein Vertrauenssignal in der Beschaffung.

EU AI Act Die KI-Verordnung der Europäischen Union – der erste umfassende Rechtsrahmen für KI-Systeme, mit risikobasierten Pflichten für Anbieter und Betreiber. Die Durchsetzung läuft gestaffelt bis 2026/2027 an.

METR Forschungsorganisation, die die Fähigkeit von KI-Modellen misst, lange, eigenständige Aufgaben zu erledigen. Ihre Kennzahl der „Zeithorizonte” dient als eine der robusteren Messungen der reinen Fähigkeitskurve.