Begriffe vorab
- Empirisch: auf beobachteten Daten beruhend, nicht auf Modellannahmen.
- Kausaler Effekt: eine Wirkung, die tatsächlich durch einen bestimmten Faktor verursacht wurde.
- Randomisiertes Experiment: Teilnehmende werden zufällig Gruppen zugeteilt, um Wirkungen sauber zu messen.
Lernziele
- Den Unterschied zwischen Prognose-Modellen (Einheiten 2 bis 6) und beobachteten Ist-Effekten erklären.
- Reale Beschäftigungs- und Lohneffekte von Automatisierung anhand von Roboter-Daten benennen.
- Produktivitätseffekte generativer KI aus kontrollierten Experimenten einordnen.
Kerninhalt
Alle bisherigen Frameworks schätzen Potenzial. Acemoglu und Restrepo (Robots and Jobs: Evidence from US Labor Markets) untersuchen dagegen, was tatsächlich passiert ist: Regionen mit stärkerem Robotereinsatz zeigen messbar geringere Beschäftigung und niedrigere Löhne. Nach den Schätzungen der Studie senkt ein zusätzlicher Roboter je 1.000 Beschäftigte die Beschäftigungsquote um 0,2 Prozentpunkte und die Löhne um 0,42 Prozent.
AI, Automation, and Work liefert den theoretischen Rahmen, der verdrängende Aufgaben, neue Aufgaben, produktivitätssteigernde Anwendungen und komplementäre Tätigkeiten sauber trennt.
Noy und Zhang ließen in einem vorab registrierten Online-Experiment 444 Fachkräfte zufällig mit oder ohne ChatGPT berufstypische Schreibaufgaben bearbeiten; die Gruppe mit ChatGPT war im Schnitt etwa 40 % schneller und lieferte höhere Qualität. Sie zeigen damit experimentell, dass generative KI bei bestimmten Schreibaufgaben die Leistung schwächerer Performer überproportional steigert. Das ist ein Hinweis auf Ergänzung statt Ersatz, zumindest kurzfristig.
Merkhilfe: Prognose sagt „könnte“, Empirie sagt „ist passiert“. Roboter verdrängen messbar, generative KI ergänzt bei Schreibaufgaben. Die Wirkung hängt von Technologie und Tätigkeit ab.
Anwendung auf Betriebsratsarbeit
- Wichtigstes Korrektiv gegenüber optimistischen wie pessimistischen Prognosen: Es gibt keine pauschale Antwort.
- Fundierte Grundlage für Verhandlungen zur Beschäftigungssicherung: Wenn empirisch belegt ist, dass Automatisierung regional Lohndruck erzeugt, ist das ein sachliches Argument für Beschäftigungssicherungsklauseln in Betriebsvereinbarungen.
Anwendung auf Projektmanagement
- Nach Projektabschluss reale Effekte (Zeitersparnis, Qualität, Fehlerquote) messen und mit den ursprünglichen Prognosen aus den Einheiten 2 bis 6 abgleichen. Das schließt den Lernkreislauf und verbessert künftige Schätzungen.
- Noy & Zhangs Befund als Hinweis für Rollout-Strategien: KI-Tools zuerst dort einführen, wo der Produktivitätsgewinn am größten und am leichtesten messbar ist.
Warum Experiment und Beobachtung unterschiedlich aussagen
Die Roboterstudie wertet beobachtete Daten aus und muss Einflüsse wie Konjunktur herausrechnen. Das gelingt nie vollständig. Das Experiment von Noy und Zhang teilte dagegen zufällig Teilnehmende in Gruppen mit und ohne KI-Nutzung ein; dadurch lässt sich der Effekt sauberer messen, allerdings für eine bestimmte Aufgabe in einer künstlichen Versuchssituation.
Grenzen übertragbarer Aussagen
- Roboter und generative KI sind sehr unterschiedliche Technologien; Ergebnisse lassen sich nicht einfach übertragen.
- Kurzfristige Produktivitätsgewinne sagen nichts über langfristige Beschäftigungswirkungen.
- Durchschnitte verbergen, dass einzelne Gruppen stark betroffen sein können.
Lernen aus dem eigenen Projekt
Die stärkste Evidenz entsteht im eigenen Betrieb: Vorher Kennzahlen festlegen (Bearbeitungszeit, Fehlerquote, Zufriedenheit), nachher dieselben messen und mit der Prognose vergleichen. Das schließt den Lernkreislauf.
Prüfstatus: Belegt (Stand 1. Oktober 2026): Jahreszahlen, Zahlen, Namen und Quellenangaben dieser Lektion, soweit die Quellenliste sie nennt, wurden gegen Primärquellen geprüft. Nicht einzeln belegt: erklärende Darstellung nach Lehrbuchstand und Quellen, die in der Liste als „allgemeine Referenz“ markiert sind.
Leseliste
- Acemoglu & Restrepo – Robots and Jobs: Evidence from US Labor Markets (NBER)
- Acemoglu & Restrepo – AI, Automation, and Work
- Noy & Zhang – Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence (Science)
Reflexionsfragen
- Wo in deinem Betrieb gäbe es messbare Kennzahlen (Zeit, Fehlerquote, Durchsatz), um den tatsächlichen Effekt einer KI-Einführung später zu überprüfen?
- Welche Prognose aus den Einheiten 2 bis 6 würdest du am ehesten durch reale Messung bestätigt oder widerlegt sehen wollen?