Drei Ökonomen der St. Louis Fed ließen rund 490.000 Transkripte von Earnings Calls aus 5.198 börsennotierten US-Unternehmen durch ein Sprachmodell laufen, markierten 910.955 Sätze zur Produktivität und sortierten sie nach Zeitform. Rund 95 % der KI-bezogenen Produktivitätsaussagen bezogen sich auf Gewinne, die noch nicht eingetreten waren. Bei nicht KI-bezogenen Produktivitätsaussagen lag der Wert bei etwa 75 % (St. Louis Fed, 2026).
Im selben Zeitraum wuchs die auslastungsbereinigte totale Faktorproduktivität in den USA in den vier Quartalen bis zum ersten Quartal 2026 um 0,07 %.
Das ist das gesamte Problem in zwei Zahlen. Die öffentliche Datenlage zur KI-Produktivität besteht fast ausschließlich aus Erwartungen, und Ihr KI-Business-Case wird dagegen kalkuliert, als wäre sie eine Bilanz tatsächlicher Ergebnisse.
Der Benchmark, den Sie verwenden, ist eine Zeitform, keine Zahl
Beginnen wir mit dem, was die Studie tatsächlich getan hat, denn die Methode macht den Befund schwer abzutun.
Serdar Ozkan, Aakash Kalyani und Nicholas Sullivan zogen S&P-Global-Transkripte von 2000 bis 2025 heran, filterten Kandidatensätze über Schlagwörter und markierten dann jeden Satz mit einem Qwen3-3B-Klassifikator entlang dreier Achsen: Geht es um KI, wird Produktivität als steigend, fallend oder unverändert beschrieben, und steht die Aussage in Vergangenheit, Gegenwart oder Zukunft. Sätze ohne Produktivitätsbezug wurden verworfen. Übrig blieben 910.955 markierte Aussagen (St. Louis Fed, 2026).
Daraus ergaben sich zwei Verteilungen, beide in dieselbe Richtung schief.
Zur Zeitform: rund 95 % der Sätze zur KI-Produktivität sind zukunftsgerichtet, gegenüber etwa 75 % bei Produktivitätsaussagen allgemein. Zur Richtung: rund 95 % der KI-bezogenen Sätze beschreiben steigende Produktivität, gegenüber etwa 75 % ohne KI-Bezug. Der Anteil, der einen KI-bedingten Rückgang der Produktivität beschreibt, ist vernachlässigbar.
Der naheliegende Einwand lautet Hype-Verzögerung: Natürlich war 2023 aspirativ, die Werkzeuge waren neu. Die Daten stützen diese Lesart nicht. Der Zukunftsanteil ist 2023 wie 2025 stabil, obwohl der KI-Anteil an der gesamten Produktivitätsdiskussion von nahezu null vor ChatGPT auf rund 15 % Ende 2025 gestiegen ist (Fortune, 2026). Zwei volle Jahre Einsatz haben das Gespräch nicht von wir werden zu wir haben verschoben.
Wenn Sie also die KI-Produktivitätsaussage eines vergleichbaren Unternehmens erreicht — in einer Keynote, in einer Anbieter-Fallstudie, in der Investorenpräsentation eines Wettbewerbers —, sagt die Grundrate: Das ist eine Prognose. Keine Lüge, nicht zwangsläufig falsch. Eine Prognose im Gewand eines Benchmarks.
Dieselbe Lücke zeigt sich innerhalb des Unternehmens
Beträfe der Befund nur die an Investoren gerichtete Sprache, könnten Sie ihn als Kapitalmarkttheater abtun. Das ist er nicht. Der CFO Survey der Fed von Atlanta und Richmond fand dieselbe Lücke in privaten, nicht werblichen Antworten.
In einer Befragung von über 700 Führungskräften im März 2026 baten die Forscher die Unternehmen, den Effekt von KI auf die Ausbringung pro Beschäftigten selbst anzugeben: Die Antwort lautete 1,8 % für 2025, mit erwarteten 3,0 % für 2026. Anschließend berechnete das Team, was die eigenen Zahlen derselben Firmen implizierten — KI-zugeschriebener Umsatz gegen KI-bedingte Beschäftigungsveränderung — und kam auf 0,4 % bis 0,8 % in Industrie, Bau und gering qualifizierten Dienstleistungen, bis zu rund 2,2 % im Finanzsektor (Atlanta Fed, 2026).
Führungskräfte überschätzten ihre eigenen realisierten Gewinne um den Faktor zwei bis vier — mit ihren eigenen Daten, in einer vertraulichen Befragung, ohne Publikum, das zu beeindrucken wäre.
Das rahmt den Earnings-Call-Befund neu. Es ist in erster Linie kein Offenlegungs- oder IR-Disziplinproblem. Es ist ein Messproblem, und es existiert auf Ebene der einzelnen operativen Führungskraft. Die Autoren greifen auf Solows Satz von 1987 zurück, wonach das Computerzeitalter überall sichtbar sei, nur nicht in den Produktivitätsstatistiken, und der Vergleich ist verdient: zwei unabhängige Fed-Messungen — eine textbasiert über 5.198 Unternehmen, eine befragungsbasiert über mehr als 700 Führungskräfte — laufen aus methodisch entgegengesetzten Richtungen auf dasselbe Ergebnis zu.
Warum Prognose-Kontamination im Mittelstand schwerer wiegt
Eine Operations-Funktion mit 50 bis 500 Mitarbeitenden ist dieser Asymmetrie stärker ausgesetzt als ein Großunternehmen — aus einem strukturellen Grund, der nichts mit Reifegrad zu tun hat.
Die Größenaufteilung im CFO Survey ist deutlich. Rund 60 % der Unternehmen investierten 2025 in KI — etwa 80 % der großen, ungefähr die Hälfte der kleinen — und über 80 % planen Investitionen für 2026. Die Beträge unterscheiden sich jedoch um Größenordnungen: Rund 60 % der kleineren Unternehmen planen 2026 weniger als 20.000 Dollar KI-Ausgaben, gegenüber 14 % der großen, während etwa 30 % der großen mehr als 1 Million Dollar einplanen, gegenüber 1 % der kleineren (Richmond Fed, 2026).
Ein Unternehmen, das 700.000 Dollar ausgibt, kann sich Messinstrumentierung leisten: Prozess-Baseline, Kontrollgruppe, Durchlaufzeit vorher und nachher. Ein Unternehmen mit 18.000 Dollar kann das nicht und tut es nicht. Es kauft die Lizenzen und leitet das Ergebnis daraus ab, wie das Team das Werkzeug empfindet.
Das heißt: Der Mittelstand ist überproportional auf externe Benchmarks angewiesen, gerade weil er keine internen erzeugen kann. Und der Pool externer Benchmarks besteht zu 95 % aus Prognosen. Je weniger Messkapazität Sie haben, desto mehr Gewicht geben Sie der unzuverlässigsten verfügbaren Evidenzklasse. Das ist die Falle, und sie zieht sich zu, je kleiner die Budgets werden.
Ein Effekt zweiter Ordnung verdient einen Namen. Wenn die Aussagen der Vergleichsgruppe optimistisch sind und Ihre eigene Messung dünn ist, liest sich die Lücke zwischen Ihrem beobachteten Ergebnis und dem Benchmark als Ihr Umsetzungsversagen. Operations-Verantwortliche reagieren dann mit weiteren Tools oder einem Umbau des Rollouts, während die ehrliche Diagnose lautet: Der Vergleich war nie gültig. Sie sind nicht im Rückstand. Sie sind gemessen, die anderen sind prognostiziert.
Die Personalprognose hat dieselbe Form
Die Beschäftigungszahlen aus dem CFO Survey verdienen gesonderte Aufmerksamkeit, denn sie stehen am ehesten in Ihrem Plan, als wären sie gesichert.
Die aggregierten Beschäftigungseffekte von KI lagen nahe null. Große Unternehmen erwarten für 2026 einen Personalrückgang von 0,8 %; die kleinsten erwarten ein Plus von rund 1 %. Zur Zusammensetzung projizieren Führungskräfte, dass der Anteil routinemäßiger Sachbearbeitung bis 2026 um 0,76 % und bis 2028 um 2,19 % sinkt, teilweise ausgeglichen durch Wachstum bei qualifizierten technischen Rollen — und kleinere Unternehmen bauen technisches Personal eher aus, als irgendwo zu kürzen (Richmond Fed, 2026).
Achten Sie erneut auf die Zeitform. Jede dieser Zahlen ist eine Erwartung über 2026 und 2028, erzeugt von denselben Führungskräften, die ihre realisierten Produktivitätsgewinne 2025 um den Faktor zwei bis vier überschätzt haben. Die Verzerrung beschränkt sich nicht höflich auf die Produktivitätsfrage. Wenn Ihr Betriebsplan 2027 einen Abbau in der Sachbearbeitung unterstellt, weil die Umfragedaten das zeigen, haben Sie eine Prognose aus einer Population mit dokumentiertem, gemessenem Optimismusproblem importiert — und als Planungsannahme verbucht.
Wo die Evidenz endet
Drei Grenzen, denn ein Business Case, der auf einer Fehllesart dieser Studie beruht, scheitert genauso wie einer, der auf dem Hype beruht.
Zukunftsgerichtet heißt nicht falsch. Ein Satz im Futur ist eine Aussage über Absicht und Erwartung, keine Erfindung. Manche dieser Prognosen werden eintreten. Der Befund betrifft die Evidenzklasse der Aussage, nicht ihren Wahrheitswert — und die richtige Reaktion ist Neugewichtung, nicht Verwerfen.
Aggregierte TFP ist ein grobes Instrument. Die 0,07 % sind gesamtwirtschaftlich und träge; gemessene Produktivität hinkt Allzwecktechnologien historisch um Jahre hinterher, und Gewinne auf Unternehmensebene können real sein, während die nationale Statistik flach bleibt. Die TFP-Zahl ist Kontext für die Prognose-Asymmetrie, kein Beweis, dass niemand etwas erzielt.
Die Klassifikation ist fehlerbehaftet. Zeitform-Markierung durch ein kleines Sprachmodell über fast eine Million Sätze bringt Fehler mit sich, und die Sprache in Earnings Calls ist konstruktionsbedingt vorsichtig: Die juristische Prüfung drängt Führungskräfte bei jedem unsicheren Thema zu zukunftsgerichteten Formulierungen. Ein Teil der 95 % ist ein Offenlegungsartefakt, keine Abwesenheit von Ergebnissen.
Nichts davon rettet die Benchmarking-Praxis. Im Gegenteil, der CFO Survey verschärft den Befund: Nimmt man Anwälte, Analysten und den Anreiz zu beeindrucken heraus, überschätzen Führungskräfte ihre realisierten Gewinne gegenüber den eigenen Zahlen immer noch um das Zwei- bis Vierfache. Die Asymmetrie übersteht jeden vernünftigen Abschlag.
Die drei Felder, die Ihren KI-Business-Case reparieren
Das ist eine Änderung der Dokumentation, keine Strategieänderung, und sie kostet einen Nachmittag.
Nehmen Sie jede KI-Initiative, die derzeit in Ihrem Budget oder in der Pipeline steht. Verlangen Sie für jede drei Felder, bevor sie weitergeht:
Eine realisierte Kennzahl. Keine prognostizierte Einsparung, keine Zeitschätzung pro Arbeitsplatz vom Anbieter. Eine konkrete operative Zahl: durchschnittliche Bearbeitungszeit, Erstdurchlaufquote, Tage bis zum Abschluss, gelöste Tickets pro Mitarbeiter. Kann niemand eine nennen, ist die Initiative eine Hypothese und sollte als Experiment finanziert und geprüft werden, nicht als Rendite.
Ihre Baseline vor KI. Der Wert dieser Kennzahl, bevor das Werkzeug kam, mit angegebenem Messzeitraum. Fehlende Baselines sind der mit Abstand häufigste Fehler — Teams beginnen am Tag des Pilotstarts zu messen, was jede spätere Zahl uninterpretierbar macht. Ist die Baseline verloren, rekonstruieren Sie sie aus historischen Daten, bevor Sie ein weiteres Quartal ausgeben.
Das Datum der Messung. Realisierte Ergebnisse tragen ein Messdatum. Prognosen nicht. Dieses eine Feld sortiert Ihr Portfolio schneller als jedes Framework, denn eine Aussage, die kein Datum liefern kann, ist kein Ergebnis.
Wenden Sie denselben Test dann auf jede externe Zahl an, gegen die Sie benchmarken. Anbieter-Fallstudie, Keynote eines Wettbewerbers, fremde Präsentation: Nennt sie eine realisierte Kennzahl, eine Baseline und ein Datum? Der Befund der St. Louis Fed sagt voraus, dass etwa neunzehn von zwanzig an mindestens einem Punkt scheitern. Die kommen in einen Ordner mit der Aufschrift Erwartungen und beeinflussen das Budget nicht mehr.
Die Disziplin ist unspektakulär, und sie wird Ihr KI-Programm in diesem Quartal auf dem Papier schlechter aussehen lassen. Genau darum geht es. Derzeit vergleichen Sie Ihre gemessenen Ergebnisse mit den Projektionen aller anderen und nennen die Differenz Minderleistung. Korrigieren Sie den Vergleich, und Sie werden feststellen: Sie sind nicht im Rückstand — Sie gehören schlicht zu den wenigen im Raum, die tatsächlich zählen.
Stellen Sie vor Ihrer nächsten KI-Investitionsentscheidung jeder Zahl im Raum, ob intern oder extern, eine Frage: Wann wurde das gemessen? Alles, was darauf keine Antwort hat, ist eine Prognose — und Prognosen gehören nicht in die Evidenzspalte eines Business Case.
