Ein schnellerer Entwurf ist noch keine produktivere Arbeitsstunde. Er kann eine Rückfrage auslösen, sorgfältiger geprüft werden müssen oder schlicht Zeit schaffen, die im Kalender versickert. Genau an dieser Stelle wird die neue EZB-Auswertung zur KI-Nutzung bei der Arbeit interessant: Sie zeigt eine rasche Verbreitung, aber auch, wie weit ein gemeldeter Zeitgewinn noch von einem belastbaren Ergebnis entfernt ist.
52 Prozent der in der EZB-Auswertung befragten Beschäftigten berichten für 2026, bei der Arbeit KI zu nutzen. 2024 waren es 26 Prozent, 2025 bereits 41 Prozent. Unter den Nutzern liegt die gemeldete Zeitersparnis im Median bei drei Stunden pro Woche, entsprechend 7,7 Prozent ihrer medianen Arbeitszeit. Gleichzeitig ist der Zugang ungleich verteilt: Bei höher gebildeten Beschäftigten liegt die gemeldete Nutzung bei 61 Prozent, bei niedriger gebildeten bei 37 Prozent. Das sind 24 Prozentpunkte Abstand.
Diese Zahlen beschreiben eine Befragung, nicht den Produktivitätsstand der gesamten Eurozone. Die Consumer Expectations Survey der Europäischen Zentralbank ist eine Online-Befragung mit aggregierten Statistiken für elf Euroraum-Länder, darunter Deutschland. Sie liefert keine Deutschlandquote und keine vollständige Messung dessen, was nach einem KI-Einsatz mit Qualität, Nacharbeit oder Arbeitszeit geschieht.
Der Zeitgewinn ist eine Selbstangabe – und damit erst der Anfang
Die EZB fragt nach Nutzung und wahrgenommener Zeitersparnis. Das ist ein sinnvoller Blick auf den Arbeitsalltag, aber kein Nachweis, dass Unternehmen oder Volkswirtschaften im gleichen Umfang mehr leisten. Drei Stunden können in zusätzliche Aufgaben fließen, in bessere Dokumentation, in Abstimmungen oder in Fehlerkorrekturen. Sie können auch ungenutzt bleiben. Ob daraus Produktivität entsteht, entscheidet sich nicht im Chatfenster, sondern im Ablauf danach.
Die EZB macht diese Einschränkung selbst sichtbar: 48,8 Prozent der Beschäftigten berichten sowohl KI-Nutzung als auch Zeitersparnis. Multipliziert man diesen Anteil mit den 7,7 Prozent gemeldeter Zeitersparnis, ergibt sich 0,488 × 7,7 = 3,7576 Prozent, gerundet 3,8 Prozent. So lässt sich die Größenordnung der EZB-Einordnung nachvollziehen. Sie ist kein gemessenes Plus beim Bruttoinlandsprodukt und keine auditierte Produktivitätsstatistik. Nacharbeit, Qualitätsänderungen, Aufgabenverschiebungen und freie, nicht genutzte Kapazität stecken in dieser Rechnung nicht.
Das ist keine Kleinigkeit. Wer KI im Betrieb bewertet, sollte deshalb nicht nur fragen, ob ein Tool genutzt wird und wie viel Zeit sich Menschen versprechen. Entscheidend ist auch, welche Arbeit danach fertig wird, ob Fehler sinken oder steigen und wer die Verantwortung für das Ergebnis übernimmt.
Von der Nutzung zum überprüfbaren Ergebnis
Die Distanz zwischen Zeitersparnis und Produktivität lässt sich als einfacher Ablauf beschreiben. Diese Einordnung ist eine redaktionelle Synthese aus den Quellen, kein eigener Arbeitsplatztest.
- Nutzung
- Eine Person setzt KI für eine Arbeitsaufgabe ein. Das allein sagt noch nichts über Qualität oder Output.
- Zeitgewinn
- Nutzer melden eingesparte Zeit. Die Angabe kann plausibel sein, erfasst aber keine Nacharbeit und keine tatsächliche freie Zeit.
- Output
- Erst wenn die Kapazität in zusätzliche oder bessere, überprüfbare Arbeit fließt, entsteht ein produktiver Effekt.
- Organisation
- Aufgabe, Datenzugang, Prüfung, Weiterbildung und Verantwortung müssen vorab geklärt sein. Das ist keine Garantie, aber die Bedingung für einen belastbaren Ablauf.
Für Beschäftigte, Selbstständige und kleinere Unternehmen ist diese Reihenfolge praktischer als eine Debatte über abstrakte Produktivitätsversprechen. Bei einer Recherche oder einem Textentwurf lässt sich vor dem Einsatz festlegen, welche Daten nicht in ein Tool gehören, welche Quellen zu prüfen sind und woran ein gutes Ergebnis erkennbar ist. Danach lässt sich beobachten, ob Durchlaufzeit, Fehlerquote, Nacharbeit oder die tatsächlich abgeschlossene Arbeit sich verändern. Rechtliche oder datenschutzrechtliche Vorgaben unterscheiden sich je nach Betrieb und Tätigkeit; die EZB-Befragung ersetzt keine solche Prüfung.
Der Bildungsabstand ist ein Zugangssignal, keine Erklärung
Die Differenz von 61 zu 37 Prozent ist deutlich, sagt aber nicht, dass Bildung allein über KI-Nutzung entscheidet. Beruf, Alter, Aufgabenmix, Arbeitgeberzugang, Toolkosten, Weiterbildungsangebote und Selbstselektion können zusammenwirken. Die EZB berichtet zudem einen Abstand von etwa 20 Prozentpunkten zwischen jüngeren und älteren Beschäftigten. Aus diesen Gruppenvergleichen lässt sich weder ein individuelles Defizit noch eine einfache Ursache ableiten.
Ein unabhängiger Gegencheck zeigt, warum der Befund nicht in eine starre Erzählung über Gewinner und Verlierer passt. Ein NBER-Working-Paper untersuchte 1.174 Erwachsene in Argentinien in einer konkreten, arbeitsnahen Online-Aufgabe. Mit einem GPT-4.1-basierten Assistenten verringerte sich der Leistungsabstand zwischen Bildungsgruppen deutlich, verschwand aber nicht vollständig. Das Experiment zeigt einen möglichen Mechanismus für eine einzelne Aufgabe. Es ist keine Euroraum- oder Deutschlandschätzung und keine Erklärung für die EZB-Zahlen.
Die praktische Frage lautet daher weniger, wer grundsätzlich „KI kann“. Sie lautet, wer Zugang zu geeigneten Aufgaben, sicheren Werkzeugen und Lerngelegenheiten bekommt – und wer die Ergebnisse mit ausreichend Kontext prüfen kann. Die OECD verweist in ihrem aktuellen Bericht darauf, dass fehlende Fähigkeiten für viele Unternehmen und KMU ein relevantes Hindernis bei der KI-Nutzung sind. Training allein löst die Zugangslücke nicht, aber ohne Lernen bleibt der Einsatz oft beim ersten Versuch stehen.
Experimente messen Zeitmuster, nicht den ganzen Job
Auch die unabhängige Forschung mahnt zur Trennung der Ebenen. Ein sechsmonatiges NBER-Feldexperiment mit 66 Firmen und 7.137 Wissensarbeiterinnen und Wissensarbeitern fand bei regelmäßigen Copilot-Nutzern rund 3,6 Stunden beziehungsweise 31 Prozent weniger E-Mail-Zeit. Der Effekt des bloßen Zugangs lag bei etwa 1,3 Stunden. Die Zahl der erstellten Dokumente und die Zeit in Videokonferenzen änderten sich dagegen nicht signifikant. Gemessen wurden Zeit- und Verhaltensmuster in Microsoft-Anwendungen, nicht die Qualität oder Produktivität eines gesamten Jobs.
Eine peer-reviewte Feldstudie aus dem Kundensupport ergänzt diesen Punkt. Dort unterstützt KI menschliche Agents mit Vorschlägen; die Entscheidung darüber, was übernommen wird, bleibt bei den Menschen. Das ist näher an vielen realen Arbeitsabläufen als die Vorstellung einer vollständig autonomen Automatisierung. Assistenz kann Zeit sparen. Sie entbindet niemanden von der Prüfung des Resultats.
Für Deutschland ist die europäische Frage trotzdem konkret
Deutschland ist in der Länderabdeckung der EZB-Survey enthalten, die veröffentlichte Auswertung ist aber keine Deutschlandquote. Für hiesige Beschäftigte und kleine Unternehmen bleibt der Befund dennoch relevant: Ein Toolzugang allein schafft keinen verlässlichen Nutzen. Aufgabenwahl, begrenzter Umgang mit vertraulichen Daten, verständliche Freigaben, Weiterbildung und eine menschliche Qualitätskontrolle entscheiden mit darüber, ob aus einem schnelleren Entwurf bessere Arbeit wird.
Die EZB-Zahlen sprechen deshalb weder für eine fertige Produktivitätsrevolution noch für die These, dass KI im Arbeitsalltag wirkungslos sei. Sie zeigen, dass die Nutzung schnell in Routinen ankommt und dass ihr Nutzen unterschiedlich erreichbar ist. Der nächste belastbare Nachweis wären Messungen, die Zeitgewinn mit Qualität, Nacharbeit und tatsächlich abgeschlossenem Output verbinden. Bis dahin ist es vernünftiger, den Weg von der Nutzung zum Ergebnis sichtbar zu machen, statt aus drei gemeldeten Stunden schon eine gesamtwirtschaftliche Bilanz zu bauen.
Quellen und weiterführende Informationen
- Europäische Zentralbank, AI adoption and the productivity promise: what workers report, 26. August 2026. Analyse auf Basis der Consumer Expectations Survey; Quelle der Nutzungs-, Zeitersparnis- und Gruppenangaben.
- Europäische Zentralbank, Data and methodological information – Consumer Expectations Survey, 8. Juli 2025. Methodik und Länderabdeckung.
- NBER, Does Generative AI Narrow Education-Based Productivity Gaps?, revidiert Mai 2026. Randomisiertes Online-Experiment in Argentinien.
- NBER, Shifting Work Patterns with Generative AI, revidiert November 2025. Feldexperiment zu Arbeitsmustern in Unternehmen.
- OECD, AI and skills – What we know so far, 5. Juni 2026. Skills- und KMU-Kontext.
- QJE, Generative AI at Work, 2025. Peer-reviewte Feldstudie zur Assistenz im Kundensupport.
Hinweis: Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft. Stand: 2026-08-29.
