Das Produktivitaetsparadoxon kehrt zurueck

1987 schrieb der Oekonom Robert Solow einen Satz, der zu einer der meistzitierten Beobachtungen in der Geschichte von Technologie und Wirtschaft wurde. Er erschien in einem Artikel der New York Times Book Review, fast beilaeufig: “You can see the computer age everywhere but in the productivity statistics.”

Der Personal Computer veraenderte Bueros in der gesamten entwickelten Welt. Tabellenkalkulationen ersetzten Hauptbuecher. Textverarbeitungsprogramme ersetzten Schreibmaschinen. Datenbanken ersetzten Aktenschraenke. Die Investitionen waren enorm, der Enthusiasmus grenzenlos und die Produktivitaetsstatistiken hartnaeackig flach. Die Computer waren ueberall. Die Gewinne nirgends.

Im Februar 2026 veroeffentlichte ein Forschungsteam ueber das National Bureau of Economic Research ein Papier, das dieselbe Beobachtung ueber eine andere Technologie machte. Ivan Yotzov, Jose Maria Barrero und ihre Kollegen befragten fast 6.000 CEOs und CFOs in den Vereinigten Staaten, dem Vereinigten Koenigreich, Deutschland und Australien. Die Erkenntnis war deutlich: Mehr als 80 Prozent der Unternehmen meldeten in den vergangenen drei Jahren keinen Einfluss von KI auf Beschaeftigung oder Produktivitaet. Neun von zehn Fuehrungskraeften sagten, KI habe nichts veraendert.

Die Parallele ist kein Zufall. Sie ist strukturell. Und zu verstehen, warum sie strukturell ist — statt sie als Timing-Problem oder Messfehler abzutun — ist der Unterschied zwischen Organisationen, die den Wert von KI schliesslich erfassen werden, und solchen, die ein weiteres Jahrzehnt raetseln werden, wohin die Renditen verschwunden sind.

Das Paradoxon hat ein Muster

Erik Brynjolfsson denkt ueber dieses Problem laenger nach als die meisten. 1993 praegte er den Begriff “Produktivitaetsparadoxon” in einem Aufsatz, der Solows Bonmot in ein Forschungsprogramm verwandelte. Drei Jahrzehnte spaeter bot er gemeinsam mit Daniel Rock und Chad Syverson ein Rahmenwerk an, das erklaert, warum Allzwecktechnologien — Technologien, die ganze Volkswirtschaften umgestalten — in der fruehen Adoptionsphase konsistent nicht in den Produktivitaetsstatistiken erscheinen.

Sie nannten es die Produktivitaets-J-Kurve.

Das Argument ist praezise. Wenn eine Allzwecktechnologie eintrifft, beginnen Organisationen mit erheblichen komplementaeren Investitionen — neue Prozesse, neue Geschaeftsmodelle, neue Schulungen, neue Organisationsstrukturen. Diese Investitionen sind groesstenteils immateriell. Sie erscheinen nicht in den Volkswirtschaftlichen Gesamtrechnungen als Kapitalbildung. Sie erscheinen als Kosten. Die Organisation gibt Geld, Zeit und kognitive Anstrengung fuer die Umstrukturierung aus, und die Umstrukturierung erzeugt keinen unmittelbaren Output. Die gemessene Produktivitaet sinkt. Die J-Kurve faellt.

Spaeter — manchmal viel spaeter — reifen die immateriellen Investitionen. Die neuen Prozesse werden zur Routine. Die neuen Strukturen werden zur zweiten Natur. Die komplementaeren Innovationen beginnen, Output zu erzeugen. Die gemessene Produktivitaet steigt deutlich. Die J-Kurve steigt.

Brynjolfsson, Rock und Syverson veroeffentlichten dieses Modell im American Economic Journal: Macroeconomics im Jahr 2021. Sie zeigten, dass die Bereinigung um immaterielle Investitionen in Computer-Hardware und -Software ein Gesamtfaktorproduktivitaetsniveau ergab, das Ende 2017 um 15,9 Prozent ueber den offiziellen Messungen lag. Die Produktivitaetsgewinne des Computerzeitalters waren real — sie waren nur jahrelang unsichtbar, verborgen in Investitionen, die das Messsystem nicht erfassen konnte.

Die Frage fuer KI lautet, ob sich dasselbe Muster wiederholt. Die Antwort, basierend auf den Anfang 2026 verfuegbaren Daten, lautet ja — jedoch mit einer Komplikation, die das J-Kurven-Rahmenwerk allein nicht erfasst.

Die Daten sagen: noch nicht

Die NBER-Studie ist nicht der einzige Beleg. Sie ist Teil einer Konvergenz.

Die 29. Global CEO Survey von PwC, veroeffentlicht im Januar 2026 und mit 4.454 CEOs aus 95 Laendern, ergab, dass 56 Prozent keinen signifikanten finanziellen Nutzen aus ihren KI-Investitionen meldeten. Nicht “bescheidene Gewinne.” Nicht “fruehe Renditen.” Keinen Nutzen. Nur 12 Prozent — einer von acht — berichteten, dass KI sowohl die Einnahmen gesteigert als auch die Kosten gesenkt habe. Der Rest wartete noch oder hatte bereits geschlossen, dass sich die Investition nicht auszahlte.

Die Federal Reserve von San Francisco stellte in Economic Letter 2026-06 fest, dass KI-bezogene Investitionen den Beitrag der IT-Komponenten zum realen BIP-Wachstum waehrend des Dot-Com-Booms uebertroffen hatten — sowohl in absoluten Werten als auch als Anteil am BIP. Das Geld fliesst. Die Kapitalausgaben sind real. Wissensintensive Branchen mit stark steigenden KI-bezogenen Stellenangeboten machten im dritten Quartal 2025 50 Prozent des Produktionswachstums aus, obwohl sie nur etwas mehr als ein Viertel der Gesamtproduktion darstellten. Aber die eigene Bewertung der Fed war vorsichtig: Die meisten makrooekonomischen Studien zum Produktivitaetswachstum finden nur begrenzte Belege fuer einen signifikanten KI-Effekt.

Die Investition ist sichtbar. Die Produktivitaet ist es nicht. Solows Satz, umgeschrieben fuer 2026, wuerde lauten: Man kann das KI-Zeitalter ueberall sehen ausser in den Produktivitaetsstatistiken.

Die Vier-Prozent-Frage

Die Europaeische Investitionsbank fuegt ein entscheidendes Stueck zu diesem Puzzle hinzu. Das EIB Working Paper 2026/02 analysierte abgeglichene Daten von ueber 12.000 nichtfinanziellen Unternehmen in der Europaeischen Union und den Vereinigten Staaten. Das Ergebnis: Die Einfuehrung von KI steigert die Arbeitsproduktivitaet um durchschnittlich 4 Prozent.

Vier Prozent klingt bedeutsam, bis man die Verteilung betrachtet. Die Gewinne konzentrieren sich auf mittlere und grosse Unternehmen — diejenigen, die bereits ueber Schulungsbudgets, Dateninfrastruktur und die organisatorische Kapazitaet verfuegen, eine neue Technologie aufzunehmen. Kleine Unternehmen — die Unternehmen, die die grosse Mehrheit der europaeischen Wirtschaft ausmachen — sehen weniger. Die 4 Prozent sind ein Durchschnitt, der fast niemanden praezise beschreibt.

Noch wichtiger: Die EIB stellte fest, dass der Produktivitaetsgewinn nur in Unternehmen eintritt, die das getaetigt haben, was die Forscher “komplementaere Investitionen” nannten — in Software, Dateninfrastruktur und Weiterbildung der Belegschaft. Ohne diese Investitionen naehert sich der Gewinn null. Die KI allein erzeugt nicht die 4 Prozent. Die KI plus die organisatorische Umstrukturierung erzeugt die 4 Prozent. Die Technologie ist eine notwendige Bedingung. Sie ist keine hinreichende.

Dieses Ergebnis passt praezise zum Rahmenwerk der Produktivitaets-J-Kurve. Die immateriellen Investitionen — die Schulung, die Neugestaltung der Arbeitsablaeufe, die Prozessreorganisation — sind der Mechanismus, durch den das Potenzial der Technologie zu tatsaechlichem Output wird. Ohne die Intangibles bleibt die Technologie untaetig. Oder schlimmer: Sie bleibt aktiv, aber unproduktiv, erzeugt Ergebnisse, die niemand nutzt, automatisiert Prozesse, die niemand umstrukturiert hat, und schafft die Illusion einer Transformation ohne deren Substanz.

Die Eurostat-Daten vom Dezember 2025 machen die Luecke greifbar. Zwanzig Prozent der EU-Unternehmen mit 10 oder mehr Beschaeftigten nutzen KI-Technologien. Aber nur 17 Prozent der kleinen Unternehmen tun dies, gegenueber 55 Prozent der grossen. Die Adoption selbst ist geschichtet. Und innerhalb der 20 Prozent, die adoptieren, sagen uns die EIB-Daten, dass nur diejenigen, die komplementaere Investitionen taetigen, Renditen erzielen.

Die Technologie ist nicht gleichmaessig verteilt. Die Renditen sind noch weniger gleichmaessig verteilt. Und die Organisationen, die am ehesten KI ohne die komplementaeren Investitionen einfuehren — die kleinen und mittleren Unternehmen, die das Rueckgrat der EU-Wirtschaft bilden — sind diejenigen, die am wenigsten wahrscheinlich erleben werden, dass sich das Paradoxon zu ihren Gunsten aufloest.

Das Problem der Entscheidungsarchitektur

Ajay Agrawal, Joshua Gans und Avi Goldfarb haben dies in ihrem Buch von 2022 vorweggenommen, Power and Prediction: The Disruptive Economics of Artificial Intelligence. Ihr Rahmenwerk basiert auf einer einfachen Zerlegung. Jede Entscheidung hat zwei Komponenten: Vorhersage — abschaetzen, was passieren wird — und Urteil — entscheiden, was damit zu tun ist. KI verbessert die Vorhersage dramatisch. Sie senkt die Kosten fuer Prognosen, Mustererkennung und probabilistische Schaetzung gegen null.

Aber Vorhersage ohne reorganisiertes Urteil sind nur billigere Daten. Der Wert von KI kommt nicht allein von besseren Vorhersagen, sondern von der Reorganisation der Entscheidungen, die diese Vorhersagen speisen. Ein Logistikunternehmen, das KI zur Nachfrageprognose einsetzt, aber seine Entscheidungen zu Routen, Personal und Lagerbestaenden unveraendert laesst, hat einen Input fuer einen Prozess verbessert, den es nicht umstrukturiert hat. Die Vorhersage ist besser. Die Entscheidungsarchitektur ist dieselbe. Das Ergebnis bewegt sich kaum.

Agrawal, Gans und Goldfarb verwenden einen Begriff, der das Problem erfasst: “Redesign auf Systemebene.” Die Gewinne einer Allzwecktechnologie kommen nicht davon, sie in bestehende Systeme einzufuegen. Sie kommen davon, die Systeme um die Faehigkeiten der Technologie herum neu zu gestalten. Die Dampfmaschine transformierte die Fertigung nicht, weil sie eine bessere Energiequelle war. Sie transformierte die Fertigung, weil Fabriken um zentralisierte Energie herum neu gestaltet wurden — und dann erneut um verteilte Elektromotoren, was ein voellig anderes Fabriklayout erforderte, andere Arbeitsablaeufe, andere Qualifikationen und andere Managementstrukturen.

Die Wirtschaftshistoriker haben dies dokumentiert. Paul David zeigte in seinem Aufsatz von 1990 “The Dynamo and the Computer,” dass es etwa 40 Jahre von der Einfuehrung des elektrischen Dynamos bis zur Realisierung seines vollen Produktivitaetspotenzials dauerte — weil die komplementaeren organisatorischen Innovationen so lange brauchten, um sich zu entwickeln und zu verbreiten. Die Fabriken mussten umgebaut werden. Die Arbeiter mussten umgeschult werden. Die Managementsysteme mussten neu erfunden werden.

Die Parallele zu KI ist direkt. Die meisten Organisationen haben KI in bestehende Arbeitsablaeufe eingefuegt. Sie haben die Arbeitsablaeufe nicht um die Faehigkeiten von KI herum neu gestaltet. Die Vorhersagemaschine laeuft. Die Entscheidungsarchitektur ist unberuehrt. Die Produktivitaetsstatistiken spiegeln dies praezise wider: Die Technologie tut, was sie tut, aber die Organisation hat nicht veraendert, was sie tut.

Die Messfalle

Es gibt ein subtileres Problem, das das strukturelle verschaerft: Die Art, wie wir Produktivitaet messen, kann systematisch blind sein fuer den Wert, den KI schafft.

Produktivitaet ist in den Volkswirtschaftlichen Gesamtrechnungen der Output pro Einheit Input. Aber was zaehlt als Output? Wenn ein Marketingteam KI nutzt, um fuenf Entwuerfe statt einem zu produzieren, und nur einer davon verwendet wird, sieht die Produktivitaetsstatistik denselben Output — ein veroeffentlichtes Dokument — produziert mit demselben Input. Der Beitrag der KI ist unsichtbar. Die vier nicht genutzten Entwuerfe sind kein Abfall im traditionellen Sinne; sie sind Optionen. Das Team waehlte besser, weil es fuenf Alternativen statt einer bewerten konnte. Die Qualitaet der Entscheidung verbesserte sich. Die Menge des gemessenen Outputs nicht.

Dies ist die Messfehler-Hypothese, die Brynjolfsson seit den 1990er Jahren erforscht. Wenn Technologie Qualitaet, Vielfalt oder Entscheidungsfindung verbessert statt Quantitaet, erfassen die Produktivitaetsstatistiken dies nicht. Das BIP misst Transaktionen. Es misst nicht die Qualitaet dieser Transaktionen, nicht die Entscheidungen, die ihnen vorausgingen, und nicht die Optionen, die bewertet und verworfen wurden.

Die Kennzahl der NBER-Studie selbst — Umsatz pro Mitarbeiter — ist aufschlussreich. Umsatz pro Mitarbeiter erfasst Volumen. Er erfasst nicht, ob die Verkaeufe besser ausgerichtet, pro Einheit profitabler oder mit weniger Nachverkaufsaufwand verbunden waren. Ein Unternehmen, das KI zur Verbesserung der Kundensegmentierung einsetzt, verkauft moeglicherweise dasselbe Volumen an besser passende Kunden, senkt die Abwanderung und steigert den Lebenszeitwert — aber der Umsatz pro Mitarbeiter bleibt stabil. Die Produktivitaetsstatistik sagt: kein Einfluss. Die Gewinn-und-Verlust-Rechnung sagt, mit der Zeit, etwas anderes.

Das bedeutet nicht, dass das Paradoxon bloss ein Messartefakt ist. Die NBER-Erkenntnis, dass 80 Prozent der Unternehmen keinen Einfluss sehen, ist zu breit, um allein mit Messfehlern erklaert zu werden. Viele Unternehmen erfassen tatsaechlich keinen Wert aus KI. Aber die Blindheit des Messsystems gegenueber Qualitaetsverbesserungen bedeutet, dass selbst die Unternehmen, die es gut machen, moeglicherweise nicht in den Statistiken erscheinen — noch nicht.

Die Erwartungsluecke der Fuehrungskraefte

Die NBER-Studie foerderte eine weitere Erkenntnis zutage, die Aufmerksamkeit verdient. Trotz keines gemeldeten Einflusses in den letzten drei Jahren prognostizieren dieselben Fuehrungskraefte erhebliche KI-Effekte in den naechsten drei Jahren: einen Produktivitaetszuwachs von 1,4 Prozent, einen Anstieg des Outputs um 0,8 Prozent und eine Reduzierung der Beschaeftigung um 0,7 Prozent.

Dies ist die Erwartungsluecke, von der sich Solows Paradoxon naehrt. Die Technologie steht staendig kurz davor zu liefern. Die Renditen sind immer drei Jahre entfernt. Die Investition geht weiter, weil das Versprechen weitergeht, und das Versprechen geht weiter, weil die Technologie nachweislich auf Aufgabenebene funktioniert — sie schreibt die E-Mail, entwirft den Bericht, analysiert die Daten schneller. Der Mikrobeweis der Faehigkeit stuetzt die Makroerwartung der Transformation, selbst wenn der Makrobeweis der Transformation ausbleibt.

Die PwC-Daten schaerfen dies. Die 12 Prozent der CEOs, die simultane Gewinne bei Kosten und Einnahmen mit KI melden — die “Vorhut” — nutzen keine andere Technologie. Sie nutzen dieselben Modelle, dieselben Werkzeuge, dieselben Plattformen. Was sie unterscheidet, so PwC, ist, dass sie KI umfassend in Produkte, Dienstleistungen, Nachfragegenerierung und strategische Entscheidungsfindung integriert haben. Sie haben Rahmenwerke fuer verantwortungsvolle KI etabliert. Sie haben technologische Umgebungen aufgebaut, die unternehmensweite Integration ermoeglichen.

Mit anderen Worten: Sie haben das Redesign auf Systemebene durchgefuehrt. Sie haben die komplementaeren Investitionen getaetigt. Sie haben die Entscheidungsarchitektur reorganisiert. Sie befinden sich nicht auf dem absteigenden Ast der J-Kurve. Sie haben durch ihn hindurch investiert und beginnen zu steigen.

Die anderen 88 Prozent haben die Vorhersagemaschine gekauft und den Fabrikboden unveraendert gelassen. Sie erleben das Paradoxon nicht, weil die Technologie nicht funktioniert, sondern weil sie die organisatorische Arbeit nicht geleistet haben, die es der Technologie ermoeglicht, auf Systemebene zu funktionieren.

Der organisatorische Engpass

Hier ist der Satz, den ich festhalten moechte, weil er die gesamte Diskussion neu rahmt: Die Maschine ist nicht der Engpass. Die Organisation ist es.

Die KI-Modelle sind leistungsfaehig. Die Recheninfrastruktur ist verfuegbar. Die Werkzeuge sind zunehmend zugaenglich. Die technischen Barrieren fuer die KI-Adoption sind dramatisch gesunken. Ein Unternehmen mit 200 Mitarbeitern kann auf dieselben Sprachmodelle, dieselben Bilderkennungssysteme, dieselben Analysewerkzeuge zugreifen, die ein Fortune-500-Unternehmen nutzt. Die Technologie wurde demokratisiert.

Was nicht demokratisiert wurde, ist die organisatorische Kapazitaet, die Technologie aufzunehmen. Die Faehigkeit, Arbeitsablaeufe neu zu gestalten. Die Faehigkeit, Mitarbeiter umzuschulen — nicht darin, wie man das Werkzeug benutzt, sondern darin, wie man Entscheidungen anders trifft, jetzt da das Werkzeug bessere Vorhersagen liefert. Die Faehigkeit, Anreize so umzustrukturieren, dass die von KI eingesparte Zeit nicht einfach mit mehr derselben Arbeit gefuellt wird. Die Faehigkeit, das immaterielle Kapital aufzubauen, das die J-Kurve erfordert.

Hier wird das Produktivitaetsparadoxon zu einem Problem der Organisationspsychologie — mein Territorium. Die komplementaeren Investitionen, die Brynjolfsson beschreibt, sind keine Softwarekaeufe oder Hardware-Upgrades. Es sind Veraenderungen in der Art, wie Menschen arbeiten, wie Entscheidungen getroffen werden, wie Rollen definiert werden und wie Leistung gemessen wird. Jede einzelne ist eine menschliche Veraenderung. Jede einzelne stoesst auf menschlichen Widerstand. Jede einzelne erfordert das, was Amy Edmondson psychologische Sicherheit nennt — die Ueberzeugung, dass man etwas Neues ausprobieren, scheitern und dafuer nicht bestraft werden kann.

Eine Organisation, die KI einfuehrt, ohne die Bedingungen fuer Experimentieren zu schaffen — ohne es sicher zu machen, umzustrukturieren, Rollen zu aendern, neu zu definieren, was “produktiv” bedeutet — ist eine Organisation, die auf dem absteigenden Ast der J-Kurve verbleiben wird. Die Technologie wird untaetig dastehen, wie diese abgedeckten Maschinen auf einem Fabrikboden. Die alten Werkbaenke — die vertrauten Prozesse, die bekannten Arbeitsablaeufe, die bequemen Routinen — werden weiterhin die Spuren intensiver Nutzung tragen.

Das Zeithorizont-Problem

Die historischen Parallelen bieten gleichzeitig Trost und Warnung.

Der Trost: Das Produktivitaetsparadoxon hat sich zuvor aufgeloest. Das Computerzeitalter tauchte schliesslich in den Statistiken auf. Von Mitte der 1990er bis Anfang der 2000er Jahre kam es zu einem Anstieg der gemessenen Produktivitaet, den Oekonomen teilweise der Reifung der IT-Investitionen aus den 1980er Jahren zuschrieben. Die komplementaeren Innovationen holten auf. Die J-Kurve stieg. Solows Paradoxon loeste sich auf — nicht weil die Beobachtung falsch war, sondern weil die Zeitverzoegerung laenger war als ungeduldige Fuehrungskraefte und ungeduldige Oekonomen erwartet hatten.

Die Warnung: Die Aufloesung war nicht automatisch. Sie geschah nicht einfach, weil Zeit verging. Sie geschah, weil Organisationen sich schliesslich umstrukturierten. Sie gestalteten Arbeitsablaeufe neu. Sie schulten Mitarbeiter um. Sie aenderten Managementpraktiken. Und die Unternehmen, die dies zuerst taten, erzielten ueberproportionale Renditen, waehrend die, die warteten — oder sich nie umstrukturierten — zurueckblieben.

Paul Davids Schaetzung von 40 Jahren fuer den elektrischen Dynamo ist ernuechternd. Aber der Zeitrahmen fuer das Computerzeitalter war kuerzer — etwa 15 bis 20 Jahre von der breiten Adoption bis zu den gemessenen Produktivitaetsgewinnen. Die Frage ist, ob der Zeitrahmen von KI noch kuerzer sein wird oder ob die Komplexitaet der erforderlichen organisatorischen Veraenderungen ihn verlaengern wird.

Meine Lektuere der Belege ist vorsichtig. KI erfordert eine tiefgreifendere organisatorische Umstrukturierung als der Personal Computer, weil KI Entscheidungen betrifft, nicht nur Aufgaben. Der PC automatisierte das Tippen. KI automatisiert die Vorhersage — und Vorhersage speist jede Entscheidung, die die Organisation trifft. Die Umstrukturierung um besseres Tippen war relativ einfach: dieselben Dokumente, schneller produziert. Die Umstrukturierung um bessere Vorhersage erfordert ein Ueberdenken, welche Entscheidungen getroffen werden, von wem und wie. Das ist eine fundamentalere Veraenderung, und fundamentale Veraenderungen brauchen laenger.

Die Integration

Hier ist die Spannung, die ich halten moechte, ohne sie aufzuloesen, weil ihre Aufloesung verfrueht waere.

Das Produktivitaetsparadoxon ist real. Die Daten sind eindeutig. Achtzig Prozent der Unternehmen sehen keinen Produktivitaetseinfluss von KI. Sechsundfuenfzig Prozent der CEOs melden keinen finanziellen Nutzen. Die Makrostatistiken zeigen boomende Investitionen und flache Produktivitaet. Das Paradoxon ist kein Narrativ. Es ist eine Messung.

Das Produktivitaetsparadoxon ist auch, potenziell, temporaer. Das J-Kurven-Rahmenwerk ist durch historische Belege gut gestuetzt. Die Unternehmen, die komplementaere Investitionen getaetigt haben, erzielen Renditen. Die 12 Prozent Vorhut in den PwC-Daten hatten kein Glueck — sie sind strukturell anders. Sie haben die organisatorische Arbeit geleistet.

Beide Dinge sind gleichzeitig wahr. KI liefert ihr Versprechen noch nicht im grossen Massstab. KI hat die strukturellen Merkmale einer Technologie, die dies letztlich tun wird. Die Frage ist nicht, ob sich das Paradoxon aufloest. Die Frage ist, wer die organisatorische Arbeit leistet, um es aufzuloesen — und wer auf eine Aufloesung wartet, die nicht von selbst kommen wird.

Die Maschine funktioniert. Die Organisation hat sich nicht veraendert. Die Produktivitaetsstatistiken liegen nicht falsch. Sie spiegeln, mit unbequemer Praezision, die Luecke zwischen technologischer Faehigkeit und organisatorischer Bereitschaft wider.

Robert Solow konnte das Computerzeitalter ueberall sehen. Er konnte es nicht in den Produktivitaetsstatistiken sehen. Die Statistiken logen nicht. Sie erzaehlten eine Wahrheit, die Fuehrungskraefte nicht hoeren wollten: Die Technologie ist nicht die Transformation. Die Transformation ist die Transformation. Die Technologie ist nur der Katalysator, der die Transformation ermoeglicht — und ob der Katalysator eine Reaktion ausloest, haengt vollstaendig von den Bedingungen im Gefaess ab.

Das Gefaess ist die Organisation. Die Bedingungen sind die Kultur, die Anreize, die Entscheidungsarchitektur, die Bereitschaft zur Umstrukturierung. Die meisten Gefaesse haben den Katalysator hinzugefuegt und sonst nichts veraendert. Das Paradoxon ist das vorhersehbare Ergebnis.

Die Frage, fuer jede Organisation, die dies liest, lautet nicht “Wann wird KI liefern?” Sie lautet “Was haben wir veraendert, um die Lieferung zu ermoeglichen?” Wenn die Antwort “Wir haben die Werkzeuge gekauft” lautet — das ist keine Veraenderung. Das ist ein Kauf. Und Kaeufe, ohne die organisatorische Neugestaltung, um sie aufzunehmen, sind die Art, wie Paradoxien entstehen.