Ein Whitepaper der Beratung Business Insight vom März 2026 wertet die Studienlage zu KI und betrieblicher Effizienz aus. Der Befund: Gewinne bei einzelnen Aufgaben sind gut belegt, in den Unternehmenszahlen zeigen sie sich selten. Für Asset Manager und Banken ist das relevant, weil ihre KI-Budgets inzwischen an Ergebnissen gemessen werden.
Was auf Prozessebene belegt ist
Die belastbarste Evidenz stammt aus Feldstudien. Erik Brynjolfsson, Danielle Li und Lindsey Raymond untersuchten einen KI-Assistenten im Kundenservice eines Softwarekonzerns. Die Produktivität stieg laut ihrem NBER-Arbeitspapier im Schnitt um 14 Prozent (Stand April 2023). Unerfahrene Mitarbeiter profitierten am stärksten, erfahrene kaum.
Die Forscher deuten das als Wissenstransfer: Das System verbreitet die Arbeitsweise der besten Kräfte. Das Whitepaper sieht die stabilsten Gewinne bei Prozessen mit hohem Volumen, klaren Regeln und guten Daten. Dazu zählt es die Transaktionsverarbeitung in Banken, die vorausschauende Wartung und Nachfrageprognosen. Bei wissensintensiver Arbeit mit unscharfen Aufgaben ist die Evidenz schwächer.
Warum sich die Gewinne nicht aufsummieren
Gesamtwirtschaftlich bleibt der Effekt bisher klein. Der Ökonom Daron Acemoglu erwartet höchstens 0,66 Prozent mehr totale Faktorproduktivität über zehn Jahre. So steht es in seinem NBER-Arbeitspapier (Stand Mai 2024). Auch die OECD bleibt nüchtern: Der Makroeffekt hängt an der Verbreitung und an der Einbindung in die Abläufe.
Die Autoren des Whitepapers verorten den Engpass in der Organisation, selten in der Technik. Sie nennen Datenqualität, Altsysteme, fehlende Qualifizierung und unklare Zuständigkeiten. Ein Erfolg in einer Funktion übertrage sich deshalb nicht von selbst auf das ganze Haus. Große, digital reife Unternehmen profitieren überproportional, kleinere fallen zurück.
Eine Einschränkung gehört dazu: Das Papier ist die Sekundärauswertung eines Beratungshauses mit Sitz in Erbil. Viele Quoten stammen aus Umfragen anderer Beratungen und sind nicht einzeln belegt. Als Überblick ist es brauchbar, als Datenquelle nur nach Prüfung der Originale.
Was Finanzhäuser daraus ableiten können
Beim Regulierungsrisiko ist das Papier ungenau. Es nennt Bußgelder von bis zu 7 Prozent des Jahresumsatzes für Hochrisiko-KI. Nach Artikel 99 der KI-Verordnung gilt dieser Rahmen für verbotene Praktiken. Für Pflichtverstöße von Anbietern und Betreibern liegt die Obergrenze bei 3 Prozent (konsolidierte Fassung, Stand 27. Juli 2026).
Das Whitepaper empfiehlt, mit einem Horizont von fünf bis zehn Jahren zu planen. Es verweist auf das Solow-Paradox: Computer zeigten sich erst spät in der Produktivitätsstatistik. Daraus folgt nach unserer Einschätzung eine Reihenfolge: erst Datenbasis und Governance, dann Skalierung.
Für Investoren ergibt sich daraus, ebenfalls als Einschätzung, ein Prüfkriterium. Wer KI-Versprechen von Portfoliounternehmen bewertet, sollte nach Datenlage und Prozessumbau fragen. Kennzahlen je Funktion, etwa Durchlaufzeit oder Fehlerquote, lassen sich vor der Einführung erheben. Ob sie später in der Ergebnisrechnung sichtbar werden, entscheidet über die nächsten KI-Budgets.
* DE: Die ergänzenden Inhalte können KI-generiert sein. EN: The additional content may be AI-generated.