Zwanzigtausend britische Beamte erhielten eine Microsoft 365 Copilot-Lizenz, und der ressortübergreifende Ergebnisbericht bezifferte das Resultat auf 26 gesparte Minuten pro Person und Tag (Government Digital Service, 2025). Seither kursiert die Zahl in Beschaffungspräsentationen. Zwei Details aus demselben Bericht verändern, was sie tragen kann: Die Teilnehmenden haben sie erzeugt, indem sie ihre tägliche Zeitersparnis selbst aus einer Reihe von Intervallen schätzten, und der Schlussteil hält fest, dass „es aufgrund experimenteller Einschränkungen nicht möglich war zu bestimmen, wie die gesparte Zeit verwendet wurde".
Dann evaluierte das Department for Work and Pensions — eines der Ressorts innerhalb desselben Versuchs — seine eigene Kohorte gegen eine Vergleichsgruppe von Kolleginnen und Kollegen, die nie eine Lizenz erhielten. Die Schätzung lag bei 19 Minuten pro Tag über acht Routineaufgaben (DWP, 2026).
Zwei Messungen eines einzigen Rollouts, veröffentlicht von derselben Regierung. Der Abstand dazwischen ist genau der Abstand zwischen einer Schlagzeile über Zeitersparnis und einem Business Case für einen KI-Piloten.
Was 20.000 Lizenzen tatsächlich gemessen haben
Das ressortübergreifende Experiment lief vom 30. September bis zum 31. Dezember 2024, wobei jede teilnehmende Organisation mindestens 1.000 Lizenzen zusagte (Government Digital Service, 2025). Gemessen am üblichen Standard für Evidenz zur KI-Produktivität ist das ein gutes Dokument: groß, aus dem öffentlichen Sektor, mit beigelegter Methodik veröffentlicht — und keine Anbieter-Fallstudie mit drei schmeichelhaften Logos im Kopf.
Bei der Methode sollte eine Operations-Leitung langsamer werden. Die Teilnehmenden wurden gebeten, ihre durchschnittliche tägliche Zeitersparnis zu schätzen, indem sie aus Intervallen von „keine oder weniger als 5 Minuten" bis „mehr als eine Stunde" wählten. Der Durchschnitt von 26 Minuten wurde aus den Mittelpunkten dieser Intervalle berechnet, wobei das oberste Band als 60 Minuten behandelt wurde. Siebzehn Prozent bemerkten überhaupt keine klare Zeitersparnis. Mehr als 70 % stimmten zu, dass Copilot die Zeit für die Informationssuche reduzierte — jener Anwendungsfall, in dem das Werkzeug, wie spätere Evidenz nahelegt, am sichtbarsten nützlich und am wenigsten wirtschaftlich folgenreich ist.
Das Messinstrument ist also eine Erinnerungsfrage: Wie viel Zeit hat Ihnen das Ihrer Einschätzung nach gespart? Diese Frage lässt sich 20.000 Menschen günstig stellen, und deshalb wird sie gestellt. Die beiden Zahlen, auf denen ein Business Case tatsächlich läuft, kann sie nicht liefern.
Die zwei Zahlen, die eine Selbstauskunft nicht liefern kann
Die erste ist das Kontrafaktische: Was wäre mit diesen Aufgaben ohnehin passiert — gleiche Belegschaft, gleiches Quartal, keine Lizenz. Die zweite ist das Ziel: Wohin die zurückgewonnenen Minuten gegangen sind.
Ohne die erste messen Sie Begeisterung zusammen mit Wirkung. Ohne die zweite messen Sie einen Input und nennen ihn Rendite.
Derselbe Rollout, geprüft gegen jene, die ihn nicht hatten
Die DWP-Evaluation liefert die erste dieser Zahlen. Sie nutzte eine Seemingly Unrelated Regression gegen eine Vergleichsgruppe von Nichtnutzern, kontrollierte demografische, berufliche und KI-affine Variablen und schätzte 19 gesparte Minuten pro Tag über acht Routineaufgaben — statistisch signifikant in allen Spezifikationen. Die größten Reduktionen je Aufgabe lagen bei der Informationssuche (26 Minuten) und beim Schreiben von E-Mails (25 Minuten). Neunzig Prozent der Nutzenden sagten, Copilot habe ihnen Zeit gespart, und 65 % berichteten von größerer Erfüllung bei der Arbeit (DWP, 2026).
Das DWP ist über seine eigene Grenze ebenso deutlich: Es war keine randomisierte kontrollierte Studie. Lizenzen wurden nach dem Prinzip „first come, first served" vergeben, weshalb Selbstselektion und Post-Treatment-Bias reale Risiken sind. Die Lizenzen gingen an die Begeistertsten.
Widerstehen Sie hier der Arithmetik. Die beiden Zahlen sind nicht vergleichbar — andere Populationen, anderer Aufgabenumfang, andere Methode — und die eine von der anderen abzuziehen erzeugt einen Wert, den keines der Dokumente stützt. Der Befund ist strukturell, nicht numerisch: Das Ressort, das eine Vergleichsgruppe hinzufügte, berichtete eine kleinere Zahl als die Selbstschätzung — und das in einem Programm, in dem sich die Begeisterten selbst in die Behandlung hineinselektiert hatten. In diese Richtung läuft die Korrektur, und diese Richtung zählt, wenn ein Anbieter Ihnen eine einzelne Zahl überreicht, in deren Nähe keine Kontrollgruppe existiert.
Der Satz, der die Budgetsitzung stoppen sollte
Von allem im ressortübergreifenden Bericht richtet eine Zeile im Schlussteil den größten Schaden an der Verwendung der 26 Minuten an: „es war aufgrund experimenteller Einschränkungen nicht möglich zu bestimmen, wie die gesparte Zeit verwendet wurde".
Eine zurückgewonnene Minute hat drei mögliche Schicksale. Sie wird zu Output. Sie wird von einer anderen Aufgabe aufgesaugt. Oder sie wird Leerlauf. Nur das erste erscheint in einem Business Case, und der Versuch konnte sie nicht unterscheiden.
Das ist keine Eigenheit des öffentlichen Sektors. Die erste bundesstaatliche, anbieterunabhängige Messung derselben Frage ergab: Unter US-Beschäftigten, die in der Vorwoche KI bei der Arbeit genutzt hatten, bezifferten 56 % die ohne KI zusätzlich benötigte Zeit auf zwei Stunden pro Woche oder weniger; 10 % berichteten keine Zeitersparnis, und 3 % sagten, KI habe mehr Zeit gekostet (US Census Bureau, 2026).
Zwei Stunden pro Woche, verteilt auf einzelne Minuten, verdichten sich nicht zu einem umverteilbaren Vollzeitäquivalent. Der operative Test ist schroff: Verlässt eine ganze Aufgabe den Schreibtisch einer Person? Lautet die Antwort nein, dann sind Stunden multipliziert mit einem Vollkostensatz ein rhetorisches Mittel, keine Prognose.
Warum Minuten pro Nutzer sich nicht zu einem KI-Business-Case addieren
Das Partizipationsproblem verschärft das Zielproblem. Die Consumer Expectations Survey der EZB berichtet dasselbe Ergebnis auf zwei Höhen: Der mediane KI-Nutzer spart rund drei Stunden pro Woche, etwa 7,7 % der medianen Arbeitszeit — aber nur 48,8 % der Beschäftigten nutzen KI und sparen damit Zeit, was den volkswirtschaftlichen Effizienzgewinn auf etwa 3,8 % bringt (EZB, 2026).
Gleiche Erhebung, gleiche Befragte — und die Zahl halbiert sich, sobald der Nenner nicht mehr „die Nutzenden" ist, sondern „alle, die Sie bezahlen".
Die EZB-Daten invertieren außerdem das Nutzungsmuster in einer Weise, die einen Piloten neu ordnen sollte. Codegenerierung und Debugging bringen knapp acht Stunden pro Woche — und etwa 8 % der Nutzenden setzen KI dort ein. Recherche, Informationsbeschaffung, Schreiben und Redigieren sind die häufigsten Anwendungen und sparen erheblich weniger. Der Spitzennutzen des ressortübergreifenden Versuchs, weniger Zeit für die Informationssuche, liegt genau im Band mit niedriger Rendite.
Das heißt: Der Business Case braucht drei Inputs, wo die meisten Präsentationen einen haben — Partizipationsrate, Ertrag je Aufgabe und einen expliziten Umwandlungsfaktor dafür, ob freigewordene Stunden zu Output oder zu Leerlauf werden. Jeder davon ist vor einer Verlängerung beobachtbar. Keiner steckt in einem Durchschnitt von 26 Minuten.
Der ehrliche Einwand
Drei Grenzen, klar benannt.
Selbstauskunft kann in beide Richtungen irren — aber die gemessene Richtung war nicht gnädig. METRs randomisierte Studie mit erfahrenen Open-Source-Entwicklern fand, dass KI-Werkzeuge von Anfang 2025 sie um 19 % langsamer machten, während sie glaubten, schneller geworden zu sein; die anschließende Befragung von 349 technischen Fachkräften berichtet, dass die Teilnehmenden jener Studie den Effekt von KI auf die Aufgabendauer im Mittel um 40 Prozentpunkte überschätzten (METR, 2026). Das ist eine schmale Population, die an Repositories arbeitet, die sie genau kennt, und die Größenordnung lässt sich nicht auf ein Backoffice im Mittelstand übertragen. Sie belegt etwas Kleineres und dennoch Nützliches: Eine selbst geschätzte Ersparnis ist kein konservativer Input.
Diese Evaluationen waren keine Fehlschläge. Beide fanden reale, statistisch bedeutsame Zeitersparnisse, und das DWP fand Erfüllungswirkungen, die für sich genommen wertvoll sind. Die Kritik richtet sich nicht gegen die Versuche — sie sind transparenter als das meiste, was als Evidenz verkauft wird — sondern gegen die Arbeit, die der Spitzenzahl zugemutet wird, sobald sie den Bericht verlässt.
Der öffentliche Sektor ist nicht Ihr Sektor. Aufgabenmix im Staatsdienst, Beschaffungsrestriktionen und Basisausstattung sind spezifisch. Übertragbar ist das Evaluationsdesign, nicht die Minuten. Tragen Sie nicht 26 oder 19 in Ihr Modell; tragen Sie die Frage hinein, die die zweite Zahl erzeugt hat.
Was am Pilotdesign vor der nächsten Verlängerung zu ändern ist
Vier Schritte, von denen keiner eine neue Budgetzeile braucht.
- Halten Sie eine Vergleichsgruppe zurück — und lassen Sie die Begeisterten sich nicht selbst auswählen. Der günstigste Weg, die Zahl eines Piloten verteidigungsfähig zu machen, ist eine Kohorte innerhalb derselben Funktion, die in denselben 90 Tagen keine Lizenz erhält. Die vom DWP selbst genannte Grenze — Vergabe nach Eingang — ist der zu korrigierende Teil: Randomisieren Sie Lizenzen innerhalb eines Teams, statt sie denen zu geben, die zuerst fragen.
- Benennen Sie das Ziel, bevor der Pilot beginnt. Schreiben Sie je Stelle auf, welche konkrete Aufgabe wessen Schreibtisch verlassen soll und was den Raum füllen soll. Lautet die Antwort „die Leute haben mehr Zeit", dann misst der Pilot Zufriedenheit und sollte entsprechend budgetiert werden.
- Instrumentieren Sie eine Aufgabe, nicht den ganzen Rollout. Wählen Sie zwei Aufgaben mit systemseitig beobachtbarer Durchlaufzeit und messen Sie sie durchgängig. Ein verteidigungsfähiges Delta auf zwei Aufgaben schlägt einen Umfragedurchschnitt über vierzig.
- Bewerten Sie die Stelle, nicht den Personalbestand. Die Zielfrage muss auf Stellenebene entschieden werden, denn das ist die Ebene, auf der Arbeit sich tatsächlich bewegt. Scovais Augmentability-Scoring auf dem Organigramm ist eine konkrete Form dieses Ergebnisses — jede Stelle von 0 bis 100 % bewertet, wie augmentierbar sie ist, wobei unbesetzte Rollen und der Plan je Stelle aus derselben Darstellung fallen.
Die britische Regierung hat etwas Ungewöhnliches getan: Sie veröffentlichte sowohl die schmeichelhafte Zahl als auch die Methode, die sie relativiert, und ließ dann eines ihrer Ressorts die eigene Arbeit mit einer Vergleichsgruppe nachrechnen. Das ist ein höherer Evidenzstandard, als die meisten KI-Piloten in Privatunternehmen jemals erreichen.
Bevor Sie also in diesem Quartal einen Lizenzblock verlängern, verlangen Sie eine Seite: Welche Aufgaben haben welche Schreibtische verlassen, und was ist in den freien Raum gekommen. Kann niemand diese Seite schreiben, halten Sie keinen Business Case für einen KI-Piloten in der Hand. Sie halten eine Zufriedenheitsumfrage mit angehängter Lizenzgebühr.
