Zehn Prozent der Mid-Market-Unternehmen haben sämtliche KI-Initiativen über das Pilotstadium hinaus skaliert (IT Brief UK, 2026). Die übrigen neunzig Prozent kaufen dieselben Werkzeuge, bei denselben Anbietern, zu annähernd demselben Preis.
Genau hier lohnt das Innehalten. Würde das Werkzeug die Rendite erzeugen, würden die Renditen nicht so auseinanderlaufen.
Ein neues NBER-Arbeitspapier gibt dieser Streuung einen Namen. Babina, He und Jiang führen die frühen KI-Produktivitätsgewinne nicht auf die Technologie zurück, sondern auf Organisationskapital: das dauerhafte, firmenspezifische Wissen, das ein Unternehmen durch Learning-by-Doing ansammelt (NBER, 2026). Das Werkzeug ist der Anlass des Gewinns. Es ist nicht der Vermögenswert.
Dieselbe Investition, zwei verschiedene Jahrzehnte
„Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital" erschien im August 2026, verfasst von Tania Babina, Alex Xi He und Renhao Jiang (NBER, 2026).
Das Messinstrument ist der interessante Teil. Statt Lizenzen, Anbieterausgaben oder selbstberichtete Adoption zu zählen — allesamt Maße der Verteilung —, konstruieren die Autoren ein firmenspezifisches Maß für KI-Investitionen aus der KI-qualifizierten Beschäftigung, von Machine Learning bis zu generativer und agentischer KI. Wen ein Unternehmen einstellt, lässt sich schwerer frisieren als das, was es über sich behauptet.
Gegen dieses Maß gerechnet, ist das Hauptergebnis ein Kontrast und kein Koeffizient:
KI-Investitionen sind in den letzten Jahren mit Produktivitätswachstum assoziiert, im vorangegangenen Jahrzehnt jedoch nicht.
Dasselbe Maß. Dieselbe Technologieklasse. Zwei verschiedene Antworten.
Danach leisten die Autoren die Arbeit, die die meiste Adoptionsforschung auslässt: Sie fragen, was sich geändert hat. Ihre Antwort ist die Akkumulation von Organisationskapital — und zur Prüfung konstruieren sie ein zweites neuartiges Maß, gewonnen aus Stellenbeschreibungen von Beschäftigten, um zu identifizieren, welche Rollen dieses Kapital tatsächlich aufbauen. Die Produktivitätsgewinne, so ihr Befund, werden von KI-qualifizierten Stellen getragen, die Organisationskapital aufbauen. Nicht von KI-Personalbestand im Allgemeinen. Nicht von Tooling im Allgemeinen.
Eine Einschränkung, bevor jemand daraus eine Folie baut: Der Textkörper des Arbeitspapiers ist zugangsbeschränkt, und ich habe das Studiendesign und die Richtung der Befunde verifiziert, nicht die Effektstärken. Niemand sollte dieser Studie bislang eine Prozentzahl anheften — ich eingeschlossen.
Warum das vorangegangene Jahrzehnt nichts einbrachte, klärt das Papier nicht, und ich kennzeichne meine Lesart ausdrücklich als Schlussfolgerung, nicht als Befund: Die Machine-Learning-Welle kaufte überwiegend Prognose, die neben dem Arbeitsablauf saß — ein Score, eine Vorhersage, ein Dashboard, das jemand konsultiert. Die aktuelle Welle sitzt im Arbeitsablauf, und das ist die einzige Position, aus der ein Werkzeug Lernen darüber erzeugen kann, wie die Arbeit tatsächlich läuft. Eine Prognose neben einem Prozess lehrt Sie den Prozess nicht.
Was „Organisationskapital" tatsächlich bedeutet
Der Begriff ist weder neu noch weich. Eisfeldt und Papanikolaou haben ihn im Journal of Finance formalisiert: Organisationskapital ist ein Produktionsfaktor, der in den Schlüsselkräften eines Unternehmens verkörpert ist, firmenspezifische Effizienz trägt und einen Anspruch auf die Zahlungsströme des Unternehmens hat. Firmen mit mehr davon erzielten durchschnittliche Renditen, die rund 4,6 % höher lagen als bei Firmen mit weniger (Eisfeldt und Papanikolaou, 2013).
In operativer Sprache: Es ist das angesammelte Wissen darüber, wie Ihre Arbeit läuft. Welche Ausnahmen zählen. Welche Kundensignale Abwanderung vorhersagen. Welcher Schritt in Ihrem Abschlussprozess derjenige ist, der wirklich bricht.
Eine Lizenz verschafft Ihnen eine Allzweckfähigkeit. Organisationskapital entsteht, wenn diese Fähigkeit wiederholt auf Ihre spezifische Arbeit gerichtet wird und das Ergebnis anderswo gespeichert wird als im Kopf einer einzelnen Person.
Das Erste ist käuflich. Das Zweite nicht.
Warum Ihr Wettbewerber denselben Stack kaufte und kein Organisationskapital aufbaute
Halten Sie den NBER-Befund gegen die Mid-Market-Evidenz, und das Muster hört auf, abstrakt zu sein.
Klarus befragte 500 leitende Entscheider in britischen und irischen Unternehmen mit 200 Mio. bis 2 Mrd. Pfund Umsatz und 300 bis 3.000 Beschäftigten. Dreiundsiebzig Prozent hatten KI teilweise oder vollständig eingeführt. Zehn Prozent hatten alle Initiativen über den Pilot hinaus skaliert. Neunzig Prozent steckten fest oder befanden sich noch in frühen Phasen (IT Brief UK, 2026).
Dieselbe Erhebung enthält eine Umkehrung, die man zweimal lesen sollte: 91 % gaben an, ihrer internen KI-Expertise zu vertrauen — während 48 % fehlende KI-Expertise als Hauptgrund dafür nannten, dass ihre Projekte nicht vorankamen. Dieselbe Population ist gleichzeitig sicher, die Fähigkeit zu haben, und sicher, dass die Fähigkeit fehlt.
Unter beidem liegt: 83 % berichteten von schlechter Datenqualität, und 69 % sagten, mangelhafte Daten hätten KI-Aktivitäten verhindert oder verzögert.
Der Heartbeat Index von CLA fand dieselbe Form auf der anderen Seite des Atlantiks. Unter 722 kleinen und mittelständischen Organisationen glaubten 69,9 %, ihre Belegschaft verfüge über die für die Zukunft nötigen Fähigkeiten. Nur 49,5 % berichteten überhaupt von einer Effizienzverbesserung aus jüngsten Technologie- oder KI-Investitionen, und lediglich 20,2 % von stark positiven Auswirkungen (CLA, 2026).
Zwei unabhängige Mid-Market-Stichproben. Beide berichten vorhandene Fähigkeit und fehlende Ergebnisse.
Diese Kombination schließt die Diagnose aus, die die meisten Unternehmen finanzieren. Wären Fähigkeiten die bindende Restriktion, würde die untersuchte Population ein Fähigkeitsdefizit berichten. Sie berichtet das Gegenteil. Was fehlt, ist nicht Anwendungsroutine — es ist der Mechanismus, der Routine in etwas verwandelt, das dem Unternehmen gehört.
Pilotprojekte scheitern nicht. Sie zahlen nichts ein.
Valliance befragte 1.000 Führungskräfte großer europäischer Unternehmen und fand, dass 40 % der KI-Initiativen per Design Pilotprojekte bleiben — nie beendet, nie skaliert. In Organisationen mit reifen, etablierten KI-Programmen steigt dieser Wert auf 48 % (Consultancy.uk, 2026).
Mehr Reife, mehr Dauerpiloten. So sieht keine Lernkurve aus.
Die Kosten stecken im selben Datensatz. Unternehmen, die im Pilotstadium feststecken, berichten in 20 % der Fälle von starkem ROI. Unternehmen, die skalieren, in 76 %. Die feststeckende Kohorte wartet zudem länger auf Wertbeiträge: 6,6 Monate gegenüber 5,9 (Consultancy.uk, 2026).
Durch die NBER-Linie gelesen wird die Lücke lesbar. Ein Pilot, der endet, ohne einen dokumentierten Prozess, eine Rollendefinition oder eine Entscheidungsregel zu verändern, hat ein Ergebnis erzeugt und nichts eingezahlt. Das Team hat gelernt. Das Unternehmen nicht. Zwölfmal wiederholt ergibt das zwölf Erfahrungen und null Organisationskapital — genau die Konstellation, die KI-Investitionen ohne zugehöriges Produktivitätswachstum zeigt.
Der Einzahlungstest
Rechnen wir es durch. Ein Dienstleistungsunternehmen mit 200 FTE startet sechs KI-Piloten im Jahr, je rund zwei Monate Teilzeitaufwand — praktisch ein Personenjahr an Senior-Aufmerksamkeit, vor Lizenzen. Das Standard-Reporting fragt, was jeder Pilot eingespart hat. Fragen Sie stattdessen, wie viele ein dauerhaftes Artefakt hervorgebracht haben: eine neu geschriebene Arbeitsanweisung, ein gepflegtes Prompt- und Evaluationsset, eine Entscheidungsregel, die nun von Leuten genutzt wird, die den Piloten nie angefasst haben.
Lautet die Antwort eins, haben Sie etwa zwei Monate dieses Jahres in Organisationskapital umgewandelt und den Rest als Lehrgeld ausgegeben. Die Piloten waren keine Fehlschläge — fünf von ihnen wurden schlicht nicht aktiviert. Diese Unterscheidung taucht in keinem Standard-ROI-Deck auf, und genau deshalb wird sie immer wieder neu finanziert.
Valliance' eigene Rahmung lautet: Nicht das Experimentieren ist das Problem, sondern was danach passiert. Das NBER-Papier erklärt, warum dieser Satz eine buchhalterische Aussage ist und kein Slogan. Learning-by-Doing verzinst sich nur, wenn das Gelernte in etwas Dauerhaftem festgehalten wird.
Der ehrliche Einwand
Vier Grenzen, klar benannt.
Assoziation ist keine Kausalität. Der NBER-Befund ist eine Assoziation zwischen KI-Investition und Produktivitätswachstum, vermittelt über ein konstruiertes Maß für Organisationskapital. Unternehmen, die Organisationskapital gut aufbauen, sind plausibel auch anderweitig besser geführt, was sie zugleich zu besseren KI-Anwendern macht. Das Design des Papiers ist sorgfältig; ein randomisiertes Experiment ist es nicht.
Beide neuartigen Maße sind Proxys. KI-Investition, abgeleitet aus KI-qualifizierten Einstellungen, unterschätzt Firmen, die Fähigkeit einkaufen statt einstellen. Organisationskapital, abgeleitet aus Stellenbeschreibungen, unterschätzt Firmen, deren Wissen in Systemen statt in Rollentexten liegt. Proxys dieser Art treffen die Richtung zuverlässiger als die Größenordnung.
Die Mid-Market-Bestätigung ist regional und selbstberichtet. Klarus erfasst Großbritannien und Irland; CLA ist ein US-Kundenpanel. Beide beruhen auf Selbstauskunft. Sie stimmen miteinander überein, was aussagekräftig ist, und keines ist eine nationale Zufallsstichprobe, was zählt.
Organisationskapital hat eine Ausgangstür. Das ist der schärfste Einwand, und Eisfeldt und Papanikolaou haben ihn vor dreizehn Jahren erhoben: Organisationskapital ist in Schlüsselkräften verkörpert, und diese Kräfte haben einen Anspruch auf seine Erträge. Wissen, das in drei erfahrenen Personen lebt, ist firmenspezifisch — bis zu der Woche, in der eine davon kündigt. Kodifizierung ist hier kein bürokratischer Ballast, sondern der Unterschied zwischen einem Vermögenswert und einem Retention-Risiko.
Was in diesem Quartal zu entscheiden ist
Vier Schritte. Keiner erfordert einen neuen Anbieter.
- Bewerten Sie jeden laufenden Piloten danach, was er hinterlassen hat, nicht danach, was er beschleunigt hat. Eine Frage pro Pilot: Nennen Sie das Prozessdokument, die Entscheidungsregel oder die Rollendefinition, die sich dadurch geändert hat. Lautet die ehrliche Antwort „das Team wurde schneller", haben Sie eine Erfahrung finanziert. Die 40 % von Valliance bestehen vollständig aus Erfahrungen.
- Schreiben Sie eine KI-Stellenbeschreibung um Kodifizierung herum neu. Der NBER-Befund läuft über Rollen, die firmenspezifisches Wissen aufbauen. Die meisten KI-nahen Stellenbeschreibungen im Mid-Market spezifizieren Werkzeuge. Spezifizieren Sie stattdessen das Ergebnis: dokumentierte Workflows, gepflegte Evaluationssets, Entscheidungsregeln, die andere ausführen können.
- Reparieren Sie das Datenfundament vor dem nächsten Arbeitsplatz. 83 % schlechte Datenqualität sind keine Randnotiz, sondern der Grund, warum Learning-by-Doing sich nicht ansammeln kann — ein Agent, der Ihre Historie nicht erreicht, kann Ihr Unternehmen nicht lernen. Das ist ein Q4-Budgetposten in direkter Konkurrenz zur Lizenzausweitung, und er sollte gewinnen.
- Prüfen Sie, wo Ihr Organisationskapital verkörpert ist. Listen Sie die fünf Prozesse auf, die KI dieses Jahr messbar verbessert hat, und benennen Sie dann, wo jede Verbesserung gespeichert ist. Jede, die sich auf eine Person statt auf ein Artefakt zurückführen lässt, ist ein Produktivitätsgewinn mit angeheftetem Kündigungsschreiben.
Ihr Wettbewerber kann Ihren Stack heute Nachmittag kaufen. Er kann nicht die achtzehn Monate kaufen, die Ihr Team damit verbracht hat zu lernen, welche Ausnahmen zählen — es sei denn, Sie haben sie undokumentiert gelassen, dann kann er sie schlicht einstellen.
Organisationskapital ist der einzige Teil Ihrer KI-Investition, der wirklich Ihnen gehört. Entscheiden Sie in diesem Quartal, ob Sie es aufbauen — oder nur den Anlass dazu mieten.
