Ein Working Paper der Atlanta Fed vom März 2026, gestützt auf eine Umfrage unter knapp 750 Führungskräften, hat soeben eine Zahl auf etwas gelegt, das die meisten Mid-Market-Operations-Verantwortlichen in ihren eigenen Piloten still beobachten: Die KI-Produktivitätsgewinne sind real, aber gemessen kleiner als wahrgenommen — und die Lücke ist breit genug, dass die Autoren das Phänomen ausdrücklich als Produktivitätsparadoxon bezeichneten (Atlanta Fed, 2026). Dieses Paradoxon ist kein Messartefakt. Es ist der empirische Fingerabdruck eines tieferen Deployment-Problems — eines, das auf einer Kurve, die der Ökonom Scott Cunningham am 27. März 2026 dem Federal Reserve Board präsentierte, einen konkreten Namen trägt: die Gefahrenzone, in der KI-augmentierter Output unter die Pre-AI-Baseline fällt (Forbes, 2026).
Für einen Head of Operations in einem Unternehmen mit 50 bis 500 FTE, der in diesem Quartal entscheiden muss, welche KI-Piloten skaliert werden sollen, verschiebt der Gefahrenzonen-Rahmen die Planungsfrage: weg von wie viel Zeit können wir sparen, hin zu wo komprimiert KI Zeit, ohne das Urteilsvermögen zu erodieren, das Genauigkeit produziert. Das Mid-Market-KI-Deployment, das 2027 sauber skaliert, ist dasjenige, das diese Kalibrierung ausdrücklich durchführt. Die meisten derzeit laufenden Piloten tun das nicht.
Das Produktivitätsparadoxon der Atlanta Fed, quantifiziert
Das Paper der Atlanta Fed (Working Paper 2026-4) ist die sauberste firmenübergreifende Lesart zur KI-Produktivitätswirkung, die derzeit öffentlich vorliegt. Hauptautorin Salomé Baslandze und Kolleg:innen haben die Erhebung Ende 2025 und Anfang 2026 durchgeführt, mit Antworten vor allem von CFOs über das Panel des Duke/Federal Reserve CFO Survey, ergänzt durch Mitglieder von Financial Executives International (Atlanta Fed, 2026). Drei Befunde sind für eine Operations-Funktion relevant.
Erstens: Adoption ist breit, aber ungleich. Mehr als die Hälfte der befragten Firmen hat in KI investiert; die größten gemessenen Produktivitätsgewinne konzentrieren sich auf hochqualifizierte Dienstleistungen und Finanzen. Das Mid-Market-Segment ist genau die Kohorte, die ihre Investitionen noch hochfährt — was bedeutet, dass die in diesem Quartal getroffenen Deployment-Entscheidungen die Produktivitätsbahn für den Rest von 2026 festlegen.
Zweitens: Die Gewinne sind positiv, aber moderat. Verbesserungen der Arbeitsproduktivität zeigen sich klar in den Daten, variieren aber stark zwischen Sektoren. Die Autoren erwarten eine Verstärkung der Gewinne im Verlauf von 2026, aber das Hauptniveau — zum Zeitpunkt der Feldarbeit — liegt deutlich unter den Zahlen, die in Vendor-Decks und Beratungsprognosen kursieren.
Drittens — und das ist der tragende Befund — wahrgenommene Gewinne laufen den gemessenen voraus. Führungskräfte berichten systematisch größere KI-getriebene Produktivitätsverbesserungen, als die zugrundeliegenden Daten bestätigen. Die Autoren interpretieren dies als Verzögerung in der Realisierung der Umsätze. Es ist außerdem, unangenehmer betrachtet, die empirische Signatur von Piloten, die sich von innen produktiv anfühlen, während sie Output produzieren, der sich von außen noch nicht als belastbarer, messbarer Gewinn zeigt.
Eine Wahrnehmungs-Mess-Lücke dieser Größenordnung ist die Vorbedingung der Gefahrenzone, die Cunningham benannt hat.
Cunninghams Kurve und der Mechanismus hinter dem Absturz
Am 27. März 2026 präsentierte Scott Cunningham — Ökonom an der Baylor University — dem Federal Reserve Board of Governors und tat etwas, das die meisten Ökonomen nicht tun: Er nutzte KI live während des Vortrags, um eine richtungsweisende Studie zu Immigrationssentiment zu replizieren — 305.000 Kongressreden über einen KI-Agenten heruntergeladen, für elf Dollar (Forbes, 2026). Die Substanz der Präsentation, jenseits der Demonstration, war eine Produktionsfunktion — eine formale Ökonomenkurve, die menschliche Zeitinvestition auf kognitiven Output abbildet, sowohl vor als auch nach KI geplottet.
Die Kurve hat zwei wichtige Merkmale. Erstens: Die Post-AI-Kurve liegt auf jedem Niveau menschlichen Engagements über der Pre-AI-Kurve — KI hebt den potenziellen Output überall. Zweitens: Wenn die menschliche Zeitinvestition unter eine kritische Schwelle fällt, kreuzt die Post-AI-Outputkurve unter die Pre-AI-Baseline. Cunningham nennt das die Gefahrenzone: jene Region, in der die Technologie, die den Arbeitenden produktiver machen sollte, ihn in der Praxis weniger produktiv gemacht hat, als er ohne KI gewesen wäre.
Der Mechanismus ist direkt. Vor KI waren menschliche Zeit und Maschinenzeit Komplemente — beide waren erforderlich, um kognitive Arbeit zu produzieren, so wie eine Küche sowohl Koch als auch Ofen braucht. Mit steigender Maschinenfähigkeit werden die Inputs zunehmend zu Substituten. Die Ökonomie drängt zu einer Ecklösung: alles Maschine, kein Mensch. Doch kognitiver Output verlangt Urteilsvermögen — jene stille, schwer instrumentierbare Schicht, die den plausibel klingenden KI-Fehler fängt, die weiß, welcher von drei Entwürfen derjenige ist, auf den ein Kunde tatsächlich reagieren wird, die ein Problem präzise genug rahmt, damit die KI überhaupt nützlich wird. Schneidet man diese Schicht zu aggressiv heraus, hört der Output auf, brauchbar zu sein. Der Pilot produziert weiter Deliverables; die Deliverables tun nur nicht mehr die Arbeit, die sie vorher taten.
Die Gefahrenzone ist nicht hypothetisch. Sie ist die operative Erklärung für die Wahrnehmungs-Mess-Lücke der Atlanta Fed. Piloten in der Gefahrenzone produzieren Output, der sich schneller anfühlt — weil er es ist — und sich schlechter misst, weil die Urteilsschicht über den Punkt hinaus ausgedünnt wurde, an dem der Output noch hält.
Die 13-%-Mauer: Wenn Außenstehende über KI fremde Domänen betreten
Ein separates Working Paper der Harvard Business School vom September 2025 von Iavor Bojinov, Edward McFowland III und Mitarbeitenden setzt eine Zahl auf eine spezifische Version dieses Absturzes. In einer kontrollierten Studie bei IG Group, einem globalen Derivate-Trader, ließen die Forschenden drei Gruppen — 12 Web-Analysten (die berufsmäßigen Insider, die normalerweise die Investment-Inhalte des Unternehmens schreiben), 26 Marketing-Spezialisten (angrenzende Außenstehende) und 40 Software-Entwickler (entfernte Außenstehende) — Investment-Artikel produzieren, mit über alle Gruppen standardisiertem KI-Zugang (HBS, 2025).
Die Marketing-Spezialisten produzierten mit KI Artikel, die fast so gut waren wie die der Web-Analysten. Die Software-Entwickler — gleich befähigt, das KI-Tool zu bedienen — produzierten Artikel, die in Klarheit und Kompetenz um 13 % hinter den Web-Analysten zurückblieben, selbst mit voller KI-Unterstützung. Die Forschenden nannten den Effekt die GenAI Wall: eine Obergrenze für horizontalen Expertise-Transfer, die KI nicht auflöst.
Für eine Operations-Funktion ist der Befund unangenehmer, als die Überschrift nahelegt. Das implizite Versprechen der meisten Workflow-Level-KI-Deployments lautet, dass KI den Unterschied zwischen Spezialisten und Generalisten einebnet — dass ein Generalist mit einem guten Modell Spezialistenarbeit leisten kann. Die HBS-Daten sagen, das Einebnen ist nur teilweise. KI verkleinert die Lücke zwischen Insidern und angrenzenden Außenstehenden. Sie schließt nicht die Lücke zwischen Insidern und entfernten Außenstehenden. Das Präzisions-Delta von 13 % ist das, was im Endprodukt erscheint, wenn ein Team KI einsetzt, um Arbeit außerhalb seiner eigentlichen Domäne abzudecken.
In Atlanta-Fed-Begriffen ist die 13-%-Lücke ein spezifischer Kanal, durch den wahrgenommene und gemessene Gewinne auseinanderdriften. Der Pilot-Deck zeigt, dass das Deployment den effektiven Scope des Teams erweitert hat. Der Output, auf Kompetenz bewertet, zeigt, dass die Scope-Erweiterung zu einem messbaren Genauigkeitspreis kam.
Was das für eine Mid-Market-Operations-Funktion bedeutet
Die Mid-Market-KI-Deployment-Muster, die in die Gefahrenzone abdriften, teilen eine wiedererkennbare Struktur. Es gibt meist einen Workflow, der für ein erfahrenes, domänenkundiges Teammitglied zeitaufwendig war. Der Pilot ersetzt die Zeit des Seniors durch ein jüngeres Teammitglied plus ein KI-Tool. Cycle Time sinkt. Headcount auf dem Workflow sinkt. Der Pilot meldet einen sauberen Effizienzgewinn.
Zwei Dinge sind geschehen, die die Instrumentierung des Piloten nicht erfasst. Erstens: Die Urteilsschicht des Seniors — der Teil, der die kleinen, aber folgenreichen Fehler fing — wurde ausgedünnt. Zweitens: Das Junior-Teammitglied wurde in Arbeit gedrängt, für die es ein berufsmäßig entfernter Außenstehender ist, kein angrenzender. Das Atlanta-Fed-Paradoxon und Bojinovs 13-%-Mauer sind beide im selben Piloten aktiv. Der Board-Pack zeigt eine grüne Kennzahl. Die Arbeit ist still in die Gefahrenzone gewandert.
Die Diagnostik, die das einfängt, ist keine Produktivitätskennzahl. Throughput wird gut aussehen. Cycle Time wird gut aussehen. Die Diagnostik, die es einfängt, ist ein Qualitätsaudit, durchgeführt am Output des KI-augmentierten Workflows, durch den Senior, der die Arbeit früher gemacht hat, auf Stichprobenbasis. Wenn der Senior konsistent Fehler markiert, die eine Pre-AI-Version des Workflows nicht produziert hätte, ist der Pilot in der Gefahrenzone — unabhängig davon, was das Throughput-Dashboard sagt.
Die meisten Mid-Market-Piloten führen dieses Audit nicht durch. Der Senior, dessen Urteil instrumentell entscheidend war, ist durch das Pilot-Design nicht mehr im Loop über den täglichen Output. Die Fehlerrate ist daher von innerhalb des Workflows nicht sichtbar. Sie ist nur von außen sichtbar — über Kunden-Eskalationen, nachgelagerte Nacharbeiten oder ein verzögertes Qualitätssignal, das dem Produktivitätsbericht um ein bis drei Quartale hinterherhinkt.
Das Gegenargument: „Unsere Piloten zeigen Gewinne, keine Verluste"
Der natürliche Einwand einer Operations-Verantwortlichen, die erfolgreiche KI-Piloten betreibt, lautet, dass dieser Gefahrenzonen-Rahmen überzogen sei. Die Pilot-Metriken sind positiv. Das Team berichtet Zufriedenheit. Der Kunde hat sich nicht beschwert.
Die Atlanta-Fed-Daten sind genau der Konter zu diesem Einwand. Über knapp 750 Firmen ist das typische berichtete Muster: positive wahrgenommene Produktivitätsgewinne und ein gemessener Gewinn kleiner als der wahrgenommene. Das Zufriedenheitssignal des Piloten steht nicht in Frage. Die Lücke zwischen dem, was Teams berichten, und dem, was die Produktivitätsstatistik bestätigt, ist das, was die Daten ein Paradoxon nennen. Ein Pilot mit positiven wahrgenommenen Gewinnen ist mit dem Inneren der Gefahrenzone vereinbar — keine Evidenz dagegen.
Das zweite Gegenargument ist substantieller: Die Gefahrenzone sei Funktion des Pilot-Designs, nicht der KI selbst, und reife Piloten könnten sie vermeiden. Das ist die richtige Lesart. Cunninghams Kurve ist kein Urteil über KI. Sie ist eine Karte, wo der Produktivitätsgewinn lebt — und wo auf derselben Kurve der Gewinn sich umkehrt. Die Instrumentierungsfrage für eine Operations-Funktion ist, ob jeder Pilot so designt wurde, dass er in der Produktivitätsregion der Kurve landet und außerhalb der Gefahrenregion bleibt — nicht, ob der Pilot in Monat zwei positive Zahlen meldet.
Ein Pilot, der kein Kompetenz-Audit durchgeführt hat, kann nicht sagen, in welcher Region der Kurve er operiert. Ein Produktivitätsbericht ist notwendig, aber nicht hinreichend.
Eine Kalibrierung, die die meisten Piloten nie durchführen
Die einzige Kalibrierung, die einen Gefahrenzonen-Piloten von einem Produktivitätszonen-Piloten trennt, ist strukturell einfach und operativ selten. Sie besteht aus drei Komponenten, keine erfordert zusätzlichen Headcount oder Vendor-Ausgaben.
Den KI-augmentierten Output mit definierter Frequenz stichproben und gegen Pre-AI-Baseline-Output bewerten, durch denselben Senior-Reviewer, der die Pre-AI-Version produziert hätte. Die Bewertung ist kein Daumen hoch/runter. Sie ist eine dimensionsweise Kompetenzbewertung der Elemente, die für die nachgelagerte Nutzung des Workflows zählen — Genauigkeit, Vollständigkeit, Urteilsentscheidungen, Behandlung von Edge Cases.
Die Wahrnehmungs-Mess-Lücke ausdrücklich tracken, nicht als Produktivitätszahl, sondern als Qualitätsdelta. Atlanta-Fed-Sprache: Wie viel des berichteten Pilot-Gewinns ist belastbare gemessene Verbesserung, und wie viel ist wahrgenommene Verbesserung, die sich noch nicht als messbares Ergebnis zeigt (Atlanta Fed, 2026)?
Vor dem Skalieren eine Stop-Loss-Schwelle definieren. Wenn die Kompetenz auf dem gestichprobten Output unter einen definierten Boden fällt — die HBS-Daten legen nahe, dass 13 % ungefähr der untere Rand dessen sind, was sich bei sorgfältiger Bewertung von KI-Arbeit entfernter Außenstehender zeigt (HBS, 2025) — die Skalierung pausieren und die menschliche Zeitinvestition wieder aufbauen, bis der Score sich erholt. Das ist der Teil der Kalibrierung, den die meisten Piloten nicht leisten können, weil das Team die Headcount-Ersparnis bereits im Plan des nächsten Quartals verbucht hat.
Die unspektakuläre Realität ist: Die Kalibrierung kostet vielleicht 2–5 % der Senior-Zeit des Workflows pro Quartal. Die Kosten des Nicht-Durchführens bestehen darin, dass die Operations-Funktion die Gefahrenzone über die Kunden-Eskalationsschlange oder den nachgelagerten Nacharbeits-Backlog entdeckt — mit ein bis drei Quartalen Verzögerung.
Die Entscheidung dieses Quartals
Die PwC- und BCG-Daten, die 2026 die KI-Strategie-Gespräche dominierten, etablierten die Bedeutung der Geschäftsmodell-Haltung im KI-Deployment. Die Befunde der Atlanta Fed, von Cunningham und Bojinov etablieren nun den parallelen Punkt auf der operativen Seite: Deployment-Haltung betrifft nicht nur, wohin KI gerichtet wird. Sie betrifft, wie dünn die menschliche Urteilsschicht werden kann, bevor der KI-augmentierte Output unter die Pre-AI-Baseline fällt.
Ein Head of Operations muss in diesem Quartal nicht das KI-Portfolio neu zeichnen, um daran zu handeln. Die Entscheidung ist enger. Für jeden derzeit laufenden KI-Piloten eine Frage stellen: Läuft ein Kompetenz-Audit auf dem Output dieses Workflows, durchgeführt vom Senior, der die Arbeit früher machte, auf Stichprobenbasis, mit definiertem Stop-Loss? Lautet die Antwort nein, läuft der Pilot — in der zusammengesetzten Atlanta-Fed/Cunningham/Bojinov-Lesart — ohne das einzige Instrument, das ein Produktivitätszonen-Deployment von einem Gefahrenzonen-Deployment unterscheidet.
Das Produktivitätsparadoxon der Atlanta Fed ist das derzeit disziplinierteste empirische Marktsignal dafür, dass wahrgenommene KI-Gewinne und gemessene KI-Gewinne nicht dasselbe sind. Die Mid-Market-Operations-Funktion, die in diesem Quartal die Differenz auditiert, ist diejenige, die das KI-Portfolio 2027 skaliert, ohne über Eskalationen und Nacharbeiten herauszufinden, dass die Gewinne die Baseline bereits erodierten.
Das Kompetenz-Audit der nächsten Pilot-Review hinzufügen. Das Instrument kostet nichts, was die Operations-Funktion nicht ohnehin hat. Die Kosten, ohne es zu operieren, sind die eine Zahl, die das Produktivitäts-Dashboard nicht zeigen kann.
