Zwischen 1980 und 2016 setzten US-Unternehmen reales Kapital ein, um die Arbeitskräfte mit den höchsten Renten zu automatisieren — Koordinatoren, Prüfer, Analysten mittlerer Ebene, deren Bezahlung über ihrem Grenzprodukt lag — und verloren dabei 60 bis 90 Prozent der Produktivitätsgewinne, die Automatisierung andernfalls geliefert hätte. Das ist die zentrale Zahl in dem Paper von Daron Acemoglu und Pascual Restrepo im Quarterly Journal of Economics, Automation and Rent Dissipation: Implications for Wages, Inequality, and Productivity, erschienen in der Ausgabe Mai 2026 (vol. 141, iss. 2, p. 1521) (Acemoglu & Restrepo, QJE, 2026). Dasselbe Paper schreibt dieser Fehlallokation 52 Prozent des Anstiegs der US-Einkommensungleichheit im Zeitraum zu, davon etwa 10 Prozentpunkte gezielt aus dem Ersetzen der Lohnprämie (Acemoglu & Restrepo, NBER w32536, 2024).
Die Geschichte von vier Jahrzehnten ist endlich eine Zahl. Die Frage 2026 für einen Head of Operations in einem 200-FTE-Unternehmen lautet, ob die Agentic-AI-Roadmap auf dem Schreibtisch dieses Quartals derselbe Fehler in höherer Auflösung ist — und die Evidenz sagt: standardmäßig ja.
Der Acemoglu–Restrepo-Mechanismus: Rentenverschwendung, nicht Verdrängung
Das bekannteste Ergebnis aus der früheren Acemoglu-Literatur ist, dass Automatisierung Routine-Arbeitskräfte verdrängte und Löhne am unteren Ende komprimierte. Das QJE-Paper 2026 ist eine schärfere Aussage und lohnt sich, eigenständig gelesen zu werden. Die Autoren erweitern ihr Task-Displacement-Modell von 2022 um Arbeiter-Renten — die Lücke zwischen dem, was ein Arbeitnehmer bezahlt bekommt, und dem Grenzprodukt seiner Arbeit — und zeigen, dass Unternehmen beim Automatisieren bevorzugt jene Aufgaben anvisieren, in denen die Renten am höchsten sind, und nicht jene, in denen die Produktivitätsobergrenze am höchsten ist (Acemoglu & Restrepo, NBER w32536, 2024).
Der Mechanismus: Ein Koordinator, der 25 Prozent über seinem Grenzprodukt verdient, sieht in dem Moment, in dem der Automatisierungs-Pitch eintrifft, wie eine 25-Prozent-Ersparnis im Spreadsheet aus. Ein Frontline-Arbeiter, der hochhebelige Arbeit mit engerem Lohn-zu-Output-Verhältnis leistet, sieht wie eine kleinere Ersparnis aus. Kapital fließt zur größeren Ersparnis. Der Produktivitätsgewinn — der Unterschied zwischen dem, was die Automatisierung leisten kann, und dem, was getan wurde — ist im ersten Fall kleiner, denn rentenextrahierende Rollen sind per Definition jene, in denen die Bezahlung den Output überzeichnet. Das Nettoergebnis ist ein Deployment-Muster, das sichtbare Personalkostenentlastung maximiert und gleichzeitig den realen Produktivitäts-Uplift minimiert.
Acemoglu und Restrepo formalisieren dies als Rentenverschwendung: Kapital wird ausgegeben, um Bezahlung abzuziehen, die nicht hätte reduziert werden müssen, damit Produktivität steigt — und gleichzeitig bleiben die deutlich größeren Gewinne aus dem Automatisieren derjenigen Arbeit liegen, in der sich Output tatsächlich bewegt. Mit Quantifizierung über 49 Industrien und 500 demografische Gruppen unter Nutzung von BEA-, ONET- und Census-Daten von 1980 bis 2016 finden sie, dass zwei Drittel bis neun Zehntel der Produktivitätsdividende durch diese Dynamik verloren gingen (Working Paper Washington State University, 2024). Auf der Ungleichheits-Seite erklärt dieselbe Fehlallokation den Großteil der Lohnstrukturverschiebung: „Lohnrückgänge für Arbeitskräfte mit Spezialisierung auf Routineaufgaben und hoher Automatisierungs-Exposition erklären 50 bis 70 Prozent der Veränderungen in der US-Lohnstruktur zwischen 1980 und 2016" (WorkRise, 2021) — eine Zahl, die das QJE-Paper jetzt in Renten- und Produktivitätskomponenten zerlegt.
Die Schlussfolgerung, die die Autoren ins Paper, nicht in die Pressemitteilung schreiben: Wenn man Automatisierung auf Menschen statt auf Output ausrichtet, kann man Ungleichheit erfassen, ohne Produktivität zu erfassen. Das ist das empirische Muster der US-Automatisierung von 1980 bis 2016.
Warum der Agentic-AI-Rollout 2026 dieses Muster wiederholt
Die natürliche Reaktion in einem Ops-Review lautet, dass industrielle Automatisierung 1980–2016 nicht gleichbedeutend mit Agentic AI 2026 ist — andere Technologie, andere Stückkosten, anderer Zeithorizont. Die Stückkosten sind anders. Die Targeting-Logik nicht.
Gehen Sie in irgendein Mittelstand-Agenten-Deployment-Review in diesem Quartal, und die ROI-Mathematik wird fast immer auf dieselbe Weise präsentiert: Rolle X kostet $Y pro Jahr; der Agent kann 60 Prozent der Arbeit von Rolle X erledigen; also spart der Agent 0,6 × Y. Die in jenen Slides genannten Rollen werden nicht danach ausgewählt, wo der marginale Produktivitäts-Uplift der KI am größten ist. Sie werden danach ausgewählt, wo die Lohnlinie am größten und die Arbeit strukturiert genug ist, damit der Agent glaubhaft erscheint — was das Targeting Richtung Koordinatoren, Prüfer, Senior-Analysten und Customer-Success-Leads verschiebt. Das sind genau die Lohnprämien-Rollen im Acemoglu-Restrepo-Rahmen: Rollen, in denen Bezahlung das Grenzprodukt aufgrund unternehmensinterner Renten (Informationsasymmetrie, schwer messbares Urteilsvermögen, interne Verhandlungsmacht) übersteigt.
Der Agent wird dann gegen die Ersparnis auf jener Lohnlinie bewertet, nicht gegen die Produktivitätsobergrenze, die das Deployment hätte erreichen können, wäre es anderswohin gerichtet gewesen. Die zwei Fragen — was spart dieser Agent? und wo würde dieser Agent den meisten Output produzieren? — sind nicht dieselbe Frage, und fast kein Deployment-Review im Mittelstand trennt sie.
Die MIT Initiative on the Digital Economy vertritt seit zwei Jahren eine Version dieses Arguments: dass die Produktivitätsdividende der KI in Aufgaben konzentriert ist, in denen der aktuelle Output des Menschen durch kognitiven Durchsatz limitiert ist, nicht in Aufgaben, in denen die aktuelle Bezahlung des Menschen hoch ist (MIT IDE, 2024). Die zwei Verteilungen überlappen sich, sind aber nicht dieselbe Verteilung. Das Acemoglu–Restrepo-Paper ist die erste historische Evidenz mit der Größe der Lücke gemessen — und die Lücke ist groß.
Die 60–90-Prozent-Zahl, auf zwei Arten gelesen
Die 60–90-Prozent-Produktivitätssteuer hat zwei operative Lesarten, und eine 50–500-FTE-Ops-Funktion sollte beide halten.
Die konservative Lesart lautet, dass die Lohnprämien-Targeting-Strafe, die sich auf industrielle Automatisierung bezog, möglicherweise nicht eins zu eins auf Agentic AI übertragbar ist, weil die Grenzkosten, einen Agenten auf eine andere Aufgabe zu setzen — sobald der Agent gebaut ist — viel niedriger sind als die Grenzkosten der Umverteilung industrieller Maschinen. Prinzipiell kann ein falsch ausgerichteter Agent in einem Sprint neu ausgerichtet werden, während eine fehlallozierte Stanzpresse eine mehrjährige Kapitalabschreibung bedeutet. Das ist das Steel-Man der aktuellen Deployment-Praxis: Die Kosten falscher Zielsetzung sind erholbar.
Die aggressive Lesart lautet, dass die Lohnprämien-Targeting-Strafe im agentischen Fall schlimmer ist, nicht besser, weil die organisationale Politik zur Beseitigung des Targeting-Bias schwieriger ist. Wenn dem C-Suite das Deployment als Lohnersparnis gepitcht wurde und die Ersparnis in den Plan des nächsten Jahres eingebucht ist, ist die Umlenkung des Agenten zu einer anderen (geringere Lohnsumme, höhere Produktivität) Funktion keine Sprint-Entscheidung mehr — sie erfordert das Zurücknehmen einer finanziellen Verpflichtung, das Verteidigen des ursprünglichen Framings und das Erklären, warum eine zuvor genannte Rolle nicht mehr das Ziel ist. Die politischen Kosten des Re-Targetings sind das, was das Muster 1980–2016 vierzig Jahre lang fortbestehen lässt, statt in Jahr zwei korrigiert zu werden.
Beide Lesarten konvergieren in derselben operativen Implikation: Die Targeting-Entscheidung im ersten Quartal ist deutlich tragender als die technische Fähigkeit des Agenten. Ein korrekt anvisierter schwacher Agent übertrifft einen falsch anvisierten starken Agenten, weil die Gewinne des starken Agenten gegen eine Bezahlung verpuffen, die nicht hätte reduziert werden müssen.
Das Gegenargument: Lohnprämien-Rollen sind dort, wo das Urteilsvermögen lebt
Der stärkste Widerspruch eines Head of Operations lautet, dass die Lohnprämien-Rollen genau dort sind, wo die am stärksten gehebelte Arbeit stattfindet — dass der Grund, warum Koordinatoren und Senior-Analysten über ihrem Grenzprodukt bezahlt werden, der ist, dass sie den institutionellen Kontext halten, der ein 200-FTE-Unternehmen überhaupt funktionieren lässt. Einen Agenten auf jene Rollen zu richten, ist nicht Rentenverschwendung, sondern per Definition das am stärksten gehebelte Automatisierungsziel.
Das Gegenargument ist teilweise richtig und vollständig konsistent mit dem Acemoglu–Restrepo-Ergebnis. Der Grund, warum die Lohnprämie in jenen Rollen existiert, ist genau die Urteilslast — und Urteilslast ist auch dort, wo die meisten aktuellen agentischen Systeme noch in einer Weise versagen, die der Deployment-Pitch nicht markiert. Aktuelle randomisierte Evidenz zu KI, die urteilsintensive Aufgaben bearbeitet, zeigt, dass die Confidence im Agenten-Output unkorreliert mit der Genauigkeit ist, insbesondere wenn der menschliche Nutzer nicht mehr der Fachexperte ist (Bojinov et al., HBS working paper, 2024). Das Targeting, das in der Deployment-Slide am stärksten gehebelt aussieht, ist also auch das Targeting, das am wahrscheinlichsten stille Qualitätsregressionen erzeugt, die erst zwei Quartale später im Produktivitäts-Dashboard erscheinen.
Was das QJE-Paper dieser Debatte hinzufügt, ist die Vier-Jahrzehnte-Grundrate: Wenn Unternehmen die Lohnprämie anvisieren, schrumpft der Produktivitätsgewinn. Das Vorhandensein von Urteilslast in jenen Rollen ist der Grund, warum das Targeting verlockend ist — aber dieselbe Urteilslast ist auch der Grund, warum der marginale Produktivitäts-Uplift kleiner ist, als die Lohnersparnis suggeriert. Das richtige Framing lautet nicht „Lohnprämien-Rollen sind schlechte Ziele", sondern „die Ersparnis auf einer Lohnprämien-Rolle ist keine Produktivitätszahl, und sie als solche zu behandeln ist der Fehler aus vier Jahrzehnten."
Die Mittelstand-Spezifika: Was sich für eine 200-FTE-Ops-Funktion in diesem Quartal ändert
Für einen Head of Operations, der die Agenten-Ziele für 2026 finalisiert, übersetzt sich das QJE-Paper in drei konkrete Änderungen am Deployment-Review. Keine davon erfordert einen anderen Anbieter oder einen anderen Agenten.
Eins: trenne die Lohnersparnis-Linie von der Produktivitäts-Uplift-Linie. Jeder Agenten-Deployment-Vorschlag sollte zwei unterschiedliche Zahlen bewerten: die Brutto-Lohnentlastung, die das Deployment ermöglicht, und den gemessenen Produktivitäts-Uplift (Output pro Einheit Urteilszeit), den das Deployment voraussichtlich produziert. Die beiden Zahlen sind nicht austauschbar. Divergieren sie um mehr als das Doppelte, befindet sich das Deployment im Rentenverschwendungs-Territorium — der Agent wird durch die Ersparnis gerechtfertigt, nicht durch die Arbeit. Das ist der Moment, an dem zu fragen ist, ob ein anderes Ziel denselben Produktivitäts-Uplift ohne die Lohnprämien-Abhängigkeit produziert.
Zwei: bewerte Ziele danach, wo Output limitiert ist, nicht wo Lohn konzentriert ist. Ein wöchentlicher Abschluss, der vier Tage dauert, weil Abstimmungsabfragen sechs Stunden pro Zyklus dauern, ist ein Produktivitäts-Engpass. Ein Senior-Analyst, der $180K verdient, ist eine Lohnkonzentration. Ersteres ist ein hochuplift-trächtiges Agenten-Ziel; zweiteres nicht, auch wenn zweiteres eine größere nominale Ersparnis produziert. Mittelstand-Ops-Funktionen führen diese Bewertungsübung fast nie explizit durch; das Deployment-Review fällt standardmäßig auf die Lohnsicht zurück, weil die Lohnsicht jene ist, die der CFO im Meeting ausrechnen kann.
Drei: bindend vorab zum Re-Targeting-Protokoll committen. Das Ergebnis von Acemoglu und Restrepo dreht sich teilweise um Persistenz — die Fehlallokation hielt vier Jahrzehnte, weil niemand sie korrigierte. Das agentische Pendant hält an, weil der ursprüngliche Deployment-Pitch innerhalb eines Quartals zu einer finanziellen Verpflichtung erstarrt. Die Absicherung besteht darin, den Re-Targeting-Trigger in den Deployment-Vorschlag selbst zu schreiben: In Monat drei und Monat sechs wird der Produktivitäts-Uplift des Agenten gegen das ursprüngliche Ziel gemessen; liegt der gemessene Uplift unter 40 Prozent des prognostizierten Uplifts, wird der Agent auf eine andere Aufgabe umgelenkt, bevor die politischen Kosten des Re-Targetings prohibitiv werden. Das ist die einzige strukturelle Verteidigung gegen die Persistenz, die Acemoglu und Restrepo messen.
Diese drei Schritte sind nicht technisch; sie sind Review-Prozess-Schritte. Sie erfordern weder den Kauf eines anderen Agenten noch die Einstellung eines anderen Teams. Sie erfordern, das Deployment-Review in einer anderen Form durchzuführen — einer, die Produktivität und Lohn nicht in dieselbe Spalte kollabiert.
Der spezifische Schritt für dieses Quartal
Das Acemoglu–Restrepo-QJE-Paper ist die erste empirische Arbeit seit vierzig Jahren, die die Kosten dafür beziffert, gegen Bezahlung statt gegen Output zu automatisieren. Die Zahl — 60 bis 90 Prozent der Produktivitätsdividende verloren, 52 Prozent des Ungleichheits-Anstiegs derselben Dynamik zuschreibbar — ist groß genug, um die ROI-Mathematik der meisten aktuellen Mittelstand-Agenten-Deployments zu kippen, wenn die Mathematik richtig gemacht wird.
Die Entscheidung vor einem Head of Operations dieses Quartal ist eng. Bevor das nächste Agenten-Ziel abgezeichnet wird, schicken Sie den Deployment-Vorschlag durch einen Filter: Wird dieses Ziel gewählt, weil die Arbeit dort ist, wo Produktivität limitiert ist, oder weil die Lohnsumme dort ist, wo die Ersparnis am sichtbarsten ist? Wenn die ehrliche Antwort die zweite ist, sagt die historische Grundrate, dass das Deployment zwei Drittel bis neun Zehntel des Produktivitätsgewinns dissipieren wird, den es hätte einfangen können.
Bewerten Sie das Ziel neu. Trennen Sie die Spalten. Schreiben Sie den Re-Targeting-Trigger. Die Kosten dafür im ersten Quartal sind ein Meeting und eine überarbeitete Vorlage. Die Kosten, es nicht zu tun, sind jene, die Acemoglu und Restrepo nun in eine harte Zahl gefasst haben — und jene, über die Ihre Produktivitäts-Review 2027 geschrieben wird.
