Die Europäische Zentralbank hat rund 20.000 Beschäftigte pro Monat in 11 Ländern des Euroraums gefragt, wie viel Zeit ihnen KI spart. Der Median-Nutzer nannte drei Stunden pro Woche — etwa 7,7 % der medianen Arbeitszeit. Dann tat die EZB, was fast keine Anbieterpräsentation tut: Sie teilte durch alle. Weil nur 48,8 % der Beschäftigten KI nutzen und damit auch Zeit sparen, liegt der gesamtwirtschaftliche Effizienzgewinn eher bei 3,8 % (EZB, 2026).
Dieselbe Erhebung. Dieselben Befragten. Zwei Zahlen, rund um den Faktor zwei auseinander.
Ihr Business Case zur KI-Produktivität beruht mit ziemlicher Sicherheit auf der ersten. Das ist der Fehler, und er ist kein Rundungsfehler: Es ist ein Nennerfehler, und er entscheidet darüber, ob die dem CFO versprochenen Stunden je auftauchen.
Was die EZB tatsächlich gemessen hat
Die Daten stammen aus der Consumer Expectations Survey der EZB, einem monatlichen Panel von rund 20.000 Personen in 11 Ländern des Euroraums — ein Instrument zur Gesamtbevölkerung, keine Kundenliste eines Anbieters. Das ist entscheidend, denn es erfasst auch jene, die KI ausprobiert und wieder aufgegeben haben, und jene, die nie angefangen haben. Die meisten KI-Produktivitätsdaten, die Sie sehen, tun das nicht.
Der Adoptionstrend ist tatsächlich steil. Der Anteil der Beschäftigten, die KI im Job nutzen, stieg von 26 % im Jahr 2024 auf 41 % im Jahr 2025 und auf 52 % im Jahr 2026; Nutzer greifen im Schnitt an rund drei Tagen pro Woche darauf zurück. Die Verbreitung ist erwartbar ungleich: 61 % bei hoch gebildeten Beschäftigten gegenüber 37 % bei Personen mit niedrigerem Bildungsniveau, wobei jüngere Beschäftigte rund 20 Prozentpunkte vor älteren Kolleginnen und Kollegen liegen.
Sind die Menschen aber erst einmal eingestiegen, konvergiert die Intensität. Die Gruppenmittelwerte der wöchentlichen Nutzung liegen unabhängig von Alter oder Bildung zwischen 2,5 und 2,9 Tagen (EZB, 2026).
Merken Sie sich dieses Muster, denn es definiert Ihren Hebel. Die Varianz in Ihrer Organisation entsteht nicht primär daraus, wie stark Ihre Anwender das Werkzeug nutzen. Sie entsteht daraus, wie viele überhaupt Anwender sind.
Der Nenner ist das ganze Argument
Das ist die Rechnung, die Ihr Business Case implizit anstellt.
Anbieter nennen Einsparungen pro Nutzer — die drei Stunden, die 7,7 %. Finance multipliziert das mit der Belegschaft. Die daraus entstehende Zahl ist eine Aussage über eine Belegschaft, in der alle das Werkzeug nutzen und alle Zeit sparen. Die EZB-Daten sagen: Etwa die Hälfte der Belegschaft gehört zu dieser Gruppe.
Die EZB ist außerdem sorgfältig bei einem Punkt, den man jedem wiederholen sollte, der das Modell baut: Gesparte Zeit wird nur dann zu Produktivität, wenn die freigewordenen Stunden in Output umgewandelt werden — und diese Umwandlung hängt davon ab, ob der Arbeitgeber die zusätzliche Kapazität einsetzen kann. Gesparte Stunden, die in einem Kalender ohne dahinterliegende Nachfrage landen, sind kein Gewinn. Sie sind Leerlauf.
Zur Einordnung der Größenordnung: Die EZB weist darauf hin, dass aktuelle Schätzungen für zusätzliches jährliches Produktivitätswachstum durch KI über einen Zehnjahreshorizont zwischen 0,1 % und 3,4 % liegen; die eigene Schätzung der EZB für den Euroraum beträgt rund 0,35 Prozentpunkte pro Jahr. Wenn Ihr interner Case einen Sprung eine Größenordnung darüber impliziert, liegt die Beweislast bei Ihnen, nicht bei den Ökonomen.
Dieselbe Lücke, gemessen in den USA
Wäre es eine einzelne Erhebung in einer einzigen Währungsunion, könnten Sie sie abtun. Ist sie nicht.
Alexander Bick, Adam Blandin und David Deming haben gemeinsam mit der Federal Reserve Bank of St. Louis national repräsentative US-Erhebungen zur Nutzung generativer KI durchgeführt. Ergebnis: eine durchschnittliche Zeitersparnis von 5,2 % der Arbeitsstunden unter den Nutzern — etwa 2,1 Stunden bei einer 40-Stunden-Woche — aber 1,4 % der Gesamtstunden, sobald Nicht-Nutzer einbezogen werden. Der modellierte aggregierte Produktivitätsgewinn bei aktueller Nutzung: 1,2 % (Bick, Blandin & Deming, 2024).
Zwei Kontinente, zwei Methoden, zwei Jahre Abstand. Beide finden eine Pro-Nutzer-Zahl, die transformativ wirkt, und eine beteiligungsbereinigte Zahl, die inkrementell wirkt. Das Verhältnis zwischen beiden ist kein Rauschen. Es ist die Form der Sache.
Der Ertrag liegt dort, wo die Nutzung fehlt
Der zweite Befund der EZB-Daten sollte ändern, was Sie am Montag tun — nicht nur, was Sie glauben.
Effizienzgewinne variieren stark nach Aufgabe, und die größten stammen nicht aus den häufigsten Anwendungen. Code erzeugen oder debuggen bringt fast acht Stunden pro Woche — aber nur rund 8 % der Beschäftigten nutzen KI dafür. Datenanalyse, Automatisierung von Routineaufgaben sowie Audio- und Bildinhalte folgen demselben Muster: hoher Ertrag, dünne Nutzung. Die am häufigsten genannten Anwendungen — Recherche, Informationsbeschaffung, Schreiben und Textbearbeitung — sparen dagegen deutlich weniger (EZB, 2026).
Ein Vorbehalt, den die EZB nennt und den ich wiederhole: Befragte mit hoher Zeitersparnis wählen tendenziell mehr Aufgaben aus, was die Mittelwerte pro Aufgabe mechanisch aufbläht. Behandeln Sie die Rangfolge als belastbar und die absoluten Stunden als großzügig.
Selbst abgeschlagen bleibt die Rangfolge handlungsleitend. Die meisten Organisationen haben zwei Jahre lang die Verbreitung der ertragsschwachen Anwendungen vorangetrieben, weil sie sich in einer Schulung am leichtesten vorführen lassen. Die ertragsstarken Anwendungen brauchen Zugriff auf Systeme, Daten und Code — das ist ein Berechtigungs- und Integrationsproblem, kein Begeisterungsproblem.
Warum die andere Hälfte nicht mitmacht
Die EZB hat die Nicht-Nutzer direkt gefragt, und die Antworten sind nicht die, die die meisten Rollout-Pläne unterstellen.
Ein Drittel sagt, KI sei für die aktuellen Aufgaben irrelevant. Andere bevorzugen bestehende Methoden, sind durch Bedenken zu Genauigkeit und Zuverlässigkeit abgeschreckt oder geben an, ihr Arbeitgeber habe die Werkzeuge nicht bereitgestellt. Und 41 % äußern schlicht kein Interesse an der Technologie — darunter 34 % der Führungskräfte. Gefragt, was sie umstimmen würde, nennt etwa die Hälfte bessere Schulungen und ein besseres Verständnis davon, wo KI tatsächlich nützt.
Auf der Angebotsseite plant laut der SAFE-Umfrage der EZB rund die Hälfte der Unternehmen, in den nächsten 12 Monaten in KI-Schulungen zu investieren — was bedeutet, dass es rund die Hälfte nicht tut.
Auch die Stimmung dreht in die falsche Richtung: Der Anteil der Beschäftigten mit positiver Sicht auf KI fiel im Jahresvergleich von 43 % auf 41 % (EZB, 2026).
Das ist Ihre Beteiligungsquote, mechanisch beschrieben. Sie ist kein Rätsel und kein Motivationsdefizit. Rund ein Drittel Ihrer Nicht-Nutzer erkennt völlig korrekt, dass KI bei ihren derzeitigen Aufgaben nicht hilft — und nur ein Redesign dieser Aufgaben ändert das, keine Lizenz.
Der ehrliche Einwand: Das sind Selbstauskünfte
Jetzt der Vorbehalt, der mein eigenes Argument schwächt — Sie sollten ihn von mir hören und nicht von Ihrem CFO.
Alle obigen Zahlen sind von Beschäftigten selbst berichtet. Niemand hat eine Stoppuhr laufen lassen. Und in dem einen Setting, in dem selbstberichtete KI-Gewinne direkt gegen gemessene geprüft wurden, haben die Selbstauskünfte deutlich verloren.
Die randomisierte kontrollierte Studie von METR mit erfahrenen Open-Source-Entwicklern ergab, dass sie mit KI-Werkzeugen von Anfang 2025 19 % länger brauchten — obwohl sie glaubten, schneller geworden zu sein. Die Folgebefragung von METR unter 349 technischen Fachkräften beziffert den Bias: In der Studie von Anfang 2025 überschätzten die Teilnehmenden den Effekt der KI auf ihre Bearbeitungszeit um durchschnittlich 40 Prozentpunkte (METR, 2026).
Die ehrliche Lesart lautet also: Die 3,8 % gesamtwirtschaftlich könnten das optimistische Ende der Spanne sein, nicht das pessimistische. Die Pro-Nutzer-Zahl ist nicht nur durch fehlende Beteiligung verdünnt — sie kann schon an der Quelle überhöht sein.
Es gibt eine Gegenprobe auf Unternehmensebene. Die McKinsey-Erhebung State of AI 2026 zeigt, dass der Anteil der Befragten, die der KI zumindest einen gewissen EBIT-Effekt zuschreiben, im Jahresvergleich praktisch unverändert bei 37 % liegt, während die AI High Performers bei rund 6 % stagnieren (McKinsey, 2026). Die Verbreitung wächst weiter. Die berichtete Finanzwirkung nicht. Genau diese Signatur würde man erwarten, wenn die Stunden pro Nutzer real, aber weder universell noch umgewandelt sind.
Nichts davon heißt, dass KI nichts spart. Es heißt, dass die Zahl in Ihrem Business Case gebaut und nicht zitiert werden sollte.
Den KI-Produktivitäts-Business-Case neu bauen: Beteiligung × Ertrag pro Aufgabe
Ersetzen Sie die Multiplikation pro Nutzer durch eine Schätzung aus drei Faktoren. Das kostet einen Nachmittag und hält dem Kontakt mit Finance stand.
- Messen Sie Beteiligung, nicht Lizenzen. Zählen Sie die Personen, die in der vergangenen Woche KI für die Arbeit genutzt haben und angeben, Zeit gespart zu haben — die 48,8-%-Konstruktion der EZB, angewandt auf Ihre Belegschaft. Lizenzplätze sind eine Beschaffungskennzahl; ein Nenner sind sie nicht.
- Gewichten Sie nach Aufgabe, nicht nach Abteilung. Schätzen Sie die gesparten Stunden getrennt für ertragsstarke Arbeit (Code-Erzeugung und Debugging, Datenanalyse, Automatisierung von Routineaufgaben) und für hochfrequente Arbeit (Recherche, Schreiben, Redigieren). Vermischen Sie beides nicht zu einem Mittelwert — die Vermischung verdeckt die Chance.
- Setzen Sie einen Umwandlungsfaktor an. Entscheiden Sie ausdrücklich, welcher Anteil der freigewordenen Stunden zu Output statt zu Leerlauf wird, und benennen Sie die Nachfrage, die diese Stunden aufnimmt. Wenn Sie sie nicht benennen können, ist der Umwandlungsfaktor null — und das sollten Sie sagen.
Treffen Sie dann die strategische Entscheidung, die die EZB-Daten tatsächlich aufwerfen, und treffen Sie sie einmal, statt sie treiben zu lassen: Beteiligung verbreitern oder Ertrag vertiefen. Verbreitern heißt, die desinteressierten 41 % zu gewinnen — langsam, kulturell, von Führungskräften gefiltert und durch jenes Drittel der Beschäftigten blockiert, für die die Werkzeuge heute wirklich nicht passen. Vertiefen heißt, KI auf die 8 % ertragsstarker Arbeit zu lenken — das erfordert Datenzugang und Systemintegration, stößt aber auf keinerlei motivationalen Widerstand.
Die meisten Operations-Teams im Mid-Market haben eine verdünnte Version von beidem gemacht und das Ergebnis Rollout genannt. Wählen Sie eines für die nächsten zwei Quartale. Instrumentieren Sie es. Berichten Sie dem Board die beteiligungsbereinigte Zahl neben der Pro-Nutzer-Zahl — und lassen Sie die Lücke zwischen beiden argumentieren.
Was in diesem Quartal zu entscheiden ist
Die EZB hat Ihnen denselben Befund zweimal geliefert, auf zwei Flughöhen: drei Stunden pro Woche für die Person, 3,8 % für die Volkswirtschaft. Beides stimmt. Nur eines davon wird Ihre GuV spüren.
Ziehen Sie vor Quartalsende Ihre echte Beteiligungsquote — hat vergangene Woche KI für die Arbeit genutzt und Zeit gespart — und stellen Sie sie auf dieselbe Folie wie die Stunden pro Nutzer, auf denen Ihr KI-Produktivitäts-Business-Case beruht. Liegen die beiden Zahlen weit auseinander, haben Sie kein Produktivitätsproblem. Sie haben einen Nenner, den Sie nie angesehen haben.
