Warum KI im KMU die Produktivität nicht steigert
ChatGPT läuft. Microsoft Copilot ist lizenziert. Im Marketingteam werden Texte mit KI geschrieben, im Vertrieb nutzen einzelne Mitarbeitende die Tools für Recherche und E-Mails, vielleicht hat die Geschäftsführung sogar einen Kurs gebucht. Und trotzdem: Am Jahresende bleibt die Frage, wo die versprochene Produktivitätssteigerung eigentlich geblieben ist.
Diese Frage stellen sich gerade sehr viele Unternehmen. Und die Daten geben ihnen recht, auch wenn die Antwort unbequem ist.
Pascal Beck
20. Februar 2026
Das Wichtigste in Kürze
90 Prozent der befragten Unternehmensführungen geben an, dass KI keinen messbaren Einfluss auf Beschäftigung oder Produktivität hatte (NBER, 6.000 CEOs und CFOs, 2025).
Das ist kein Technologieproblem. Es ist ein Anwendungsproblem: Individuelle Tool-Nutzung erzeugt keine organisatorische Produktivität.
Die Lücke liegt zwischen KI-Zugang und KI-Kompetenz. Mitarbeitende haben Tools, aber keine systematische Orientierung, wann, wie und mit welchen Daten sie diese einsetzen dürfen und sollen.
Fragmentierte Nutzung ohne Qualitätsstandards und Rollendifferenzierung kostet oft mehr Zeit als sie einspart.
AI Enablement (wie KI gut genutzt wird) und AI Governance (klare Spielregeln und Verantwortlichkeiten) sind die zwei Hebel, die Wirkung erst möglich machen.
Was die Zahlen über KI-Produktivität wirklich sagen
Neun von zehn Unternehmensführungen berichten, dass KI in den letzten drei Jahren keinen messbaren Einfluss auf Beschäftigung oder Produktivität hatte. Das ist das Ergebnis einer NBER-Studie, die 6.000 CEOs und CFOs befragte und damit zu den grössten Erhebungen ihrer Art zählt. Nur rund ein Drittel der befragten Firmen setzt KI regelmässig ein, und dort, wo sie genutzt wird, beläuft sich der Einsatz im Durchschnitt auf gerade einmal 1,5 Stunden pro Woche.
McKinsey kommt für 2025 zum selben Befund: Mehr als 80 Prozent der Unternehmen, die generative KI einsetzen, verzeichnen keinen materiellen Beitrag zu ihren Ergebnissen. Und eine Studie aus Dänemark beziffert die tatsächlich eingesparte Arbeitszeit bei KI-Nutzerinnen und -Nutzern auf durchschnittlich 2,8 Prozent der Wochenstunden. Das entspricht etwa einem halben Nachmittag im Monat.
Besonders aufschlussreich ist eine Untersuchung des Forschungsinstituts METR aus dem Jahr 2025: Erfahrene Softwareentwickler, die mit KI-Tools arbeiteten, benötigten für ihre Aufgaben 19 Prozent länger als ohne diese Unterstützung. Nicht weil die Tools schlecht waren, sondern weil das Navigieren zwischen Toolnutzung, Output-Überprüfung und Fehlerkorrektur mehr Zeit in Anspruch nahm als erwartet.
Das klingt paradox. Ist es aber nicht, wenn man versteht, wie KI in den meisten Unternehmen eingesetzt wird.
Warum individuelle Tool-Nutzung keine Produktivität erzeugt
Hier liegt der zentrale Denkfehler: KI-Produktivität entsteht nicht dadurch, dass Mitarbeitende Zugang zu einem Tool haben. Sie entsteht durch eine systematische, qualitätsgesicherte Anwendung, die in Prozesse eingebettet ist und von allen Beteiligten gleich verstanden wird.
Was in den meisten KMU stattdessen passiert, ist Punkt-Adoption: Einzelne Personen nutzen KI-Tools für bestimmte Aufgaben, nach eigenem Ermessen, mit eigenem Qualitätsverständnis und ohne geteilte Standards. Das Marketing schreibt Texte mit ChatGPT, der Vertrieb nutzt dasselbe Tool für Angebotsformulierungen, die Assistenz für Protokolle. Jeder macht es anders, niemand weiss genau, was die anderen tun, und eine Qualitätskontrolle der Outputs findet kaum statt.
Das Fragmentierungsproblem
Fragmentierte Nutzung sieht nach aussen wie KI-Adoption aus. Intern führt sie jedoch zu einer stillen Ineffizienz: doppelter Aufwand bei ähnlichen Aufgaben, weil kein Wissensaustausch über wirksame Ansätze stattfindet; unterschiedliche Qualität bei Outputs, die eigentlich konsistent sein sollten; und ein schleichendes Misstrauen gegenüber KI-Resultaten, weil niemand weiss, wie verlässlich sie in welchem Kontext sind.
Laut einer IBM-Erhebung mit über 3.500 Führungskräften in der EMEA-Region verzeichnen 72 Prozent der Grossunternehmen Produktivitätsgewinne durch KI, aber nur 55 Prozent der KMU. Der Unterschied liegt nicht in der Technologie, sondern in der organisatorischen Einbettung. Grosse Unternehmen haben häufiger Strukturen, Standards und Prozesse, in denen KI systematisch verankert wird. KMU haben häufig nur den Tool-Zugang.
Qualität statt Quantität der Nutzung
Wie oft ein Mitarbeitender ChatGPT öffnet, ist weniger entscheidend als die Frage, ob er oder sie weiss, wie man einen Prompt formuliert, der nützliche Outputs erzeugt, wie man diese Outputs bewertet und wann man einem Ergebnis vertrauen kann und wann nicht. KI-Kompetenz ist keine Frage des Zugangs, sondern des Könnens.
Ein einfaches Beispiel aus der Praxis: Eine Marketingmitarbeiterin schreibt mit ChatGPT einen Kundenartikel. Der Output ist gut strukturiert, sprachlich sauber und klingt plausibel. Trotzdem enthält er eine falsche Sachaussage über ein Produkt. Ohne klar definierten Review-Prozess wandert der Text direkt in die Veröffentlichung. Das Resultat: mehr Aufwand durch Korrekturen, im schlimmsten Fall ein Reputationsschaden. Die KI hat nicht Zeit gespart, sie hat Arbeit generiert.
Die Effizienzfalle
Stanford-Ökonom Erik Brynjolfsson und andere Forschende beschreiben einen Mechanismus, der in der Praxis gut beobachtbar ist: Wer mit KI schneller wird, bekommt mehr Aufgaben. Die Erwartungen steigen, der Druck steigt, die Entlastung bleibt aus. Drei von vier Mitarbeitenden, die KI nutzen, geben laut einer US-Befragung von 2024 an, Angst vor Burnout zu haben, weil KI den Leistungsdruck erhöht statt senkt.
Dieses Phänomen betrifft vor allem Umgebungen, in denen KI-Nutzung nicht strategisch gesteuert wird. Wenn keine klaren Erwartungen gesetzt werden, was KI entlasten soll und welcher Freiraum daraus entsteht, füllt die Leistungslogik diesen Freiraum automatisch wieder auf.
Warum fehlende Spielregeln KI-Produktivität sabotieren
Ein KMU, das KI-Tools ohne klare Nutzungsregeln einführt, überträgt die Verantwortung für alle relevanten Fragen an die einzelne Mitarbeiterin und den einzelnen Mitarbeiter. Darf ich Kundendaten in dieses Tool hochladen? Muss ich Outputs gegenlesen, bevor ich sie weiterleite? Was passiert, wenn das Modell etwas Falsches produziert und ich das nicht bemerkt habe?
Wenn diese Fragen keine organisatorischen Antworten haben, beantwortet jeder Mensch sie für sich selbst. Das führt zu inkonsistenter Praxis, unnötigen Risiken und, was besonders entscheidend ist, zu einem konstanten kognitiven Aufwand bei Mitarbeitenden, der nichts mit der eigentlichen Arbeit zu tun hat. Dieser versteckte Aufwand erscheint in keiner Produktivitätsstatistik, aber er frisst reale Arbeitszeit.
Hinzu kommt der regulatorische Aspekt, der für Schweizer KMU konkret relevant ist. Das revidierte Datenschutzgesetz (revDSG) stellt klare Anforderungen an den Umgang mit Personendaten. Wer Kundendaten in externe KI-Anwendungen eingibt, ohne dies geprüft zu haben, handelt möglicherweise gegen revDSG-Anforderungen und, bei EU-Bezug, gegen die DSGVO. Auch der EU AI Act setzt zunehmend Massstäbe, denen sich Schweizer Unternehmen mit europäischen Kunden nicht entziehen können.
Ohne klare Nutzungsrichtlinien nach Funktion und Datenklasse sind Compliance-Risiken kein theoretisches Problem, sondern eine Frage der Zeit.
Der Unterschied zwischen KI haben und KI können
Zugang zu KI-Tools zu haben, ist eine notwendige, aber keine hinreichende Bedingung für Produktivität. Was den Unterschied macht, ist KI-Können: das Wissen, wie man in der eigenen Rolle, mit den eigenen Aufgaben und den eigenen Daten produktiv mit KI arbeitet.
Das ist keine triviale Fähigkeit. Es umfasst das Formulieren präziser Prompts, die nützliche Outputs erzeugen. Es umfasst die Fähigkeit, Outputs kritisch zu bewerten und zu entscheiden, ob ein Ergebnis verwendbar ist oder nicht. Es umfasst das Wissen, wann KI hilft und wann manuelles Arbeiten schneller oder zuverlässiger ist. Und es umfasst das Verständnis, welche Daten man einbringen darf und welche nicht.
Diese Kompetenz entwickelt sich nicht von selbst, auch nicht durch häufigen Tool-Einsatz allein. Sie entsteht durch gezielte Befähigung, die auf die jeweilige Rolle zugeschnitten ist. Eine Vertriebsmitarbeiterin braucht andere KI-Kompetenzen als eine Juristin. Ein Teamleiter braucht andere Orientierung als eine Sachbearbeiterin im Rechnungswesen.
Der Schluss aus dem Solow-Paradoxon lässt sich hier direkt anwenden: Die transformativen Produktivitätsgewinne aus Computern materialisierten sich erst, als Unternehmen nicht mehr nur Hardware kauften, sondern Prozesse, Organisations- und Arbeitsweisen grundlegend anpassten. Bei KI läuft dieselbe Logik ab. Der technologische Schub kommt erst dann, wenn die organisatorischen Voraussetzungen stimmen.
Was systematische KI-Nutzung im KMU konkret bedeutet
Der Weg aus der KI-Produktivitätsfalle ist kein Technologieprojekt. Es ist ein Organisations- und Befähigungsprojekt. Aus unserer Beratungserfahrung mit Schweizer KMU kristallisieren sich dabei drei Bausteine heraus, die den Unterschied machen.
Erstens: Rollenspezifische Nutzungsrichtlinien. Nicht eine generische KI-Policy für alle, sondern konkrete Orientierung, was Mitarbeitende in ihrer Funktion mit welchen Daten und Tools tun dürfen. Das Marketing weiss, wie es generative KI für Texte nutzt und was dabei zu beachten ist. Der Vertrieb weiss, welche Kundendaten in externe Tools eingegeben werden dürfen. Die Buchhaltung weiss, welche KI-generierten Outputs gegengecheckt werden müssen, bevor sie weiterverwendet werden.
Zweitens: Output-Qualitätsstandards und Review-Prozesse. Welche KI-Outputs brauchen eine menschliche Gegenkontrolle, bevor sie verwendet werden? Wer führt diese Kontrolle durch und wie? Was passiert, wenn ein Fehler erst nachträglich entdeckt wird? Diese Fragen müssen beantwortet sein, bevor KI in produktiven Prozessen eingesetzt wird, nicht danach.
Drittens: Gezielte Befähigung nach Funktion. Mitarbeitende lernen nicht, wie KI funktioniert. Sie lernen, wie sie KI in ihrer eigenen Arbeit einsetzen. Konkret, praxisnah, mit Beispielen aus dem eigenen Alltag. Das ist ein anderer Anspruch als ein generischer ChatGPT-Kurs, aber auch der einzige, der tatsächlich zu verändertem Verhalten führt.
Diese drei Bausteine sind kein Luxus für Konzerne. Sie sind die Grundvoraussetzung dafür, dass KI-Nutzung in einem KMU über das Stadium des gelegentlichen Ausprobierens hinauskommt.
Häufig gestellte Fragen
Warum hilft mehr KI-Training allein nicht?
Training ohne klare Spielregeln erzeugt befähigte Mitarbeitende ohne Orientierung. Sie wissen nach einem Kurs, wie ChatGPT funktioniert, aber nicht, was sie damit in ihrer Rolle konkret tun dürfen und sollen. Befähigung wirkt erst, wenn sie in ein Framework aus Nutzungsrichtlinien, Qualitätsstandards und Rollenerwartungen eingebettet ist.
Was ist der Unterschied zwischen AI Enablement und einer KI-Schulung?
Eine KI-Schulung vermittelt, wie ein Tool bedient wird. AI Enablement vermittelt, wie KI in einer konkreten Funktion produktiv, sicher und qualitätsgesichert eingesetzt wird. Das schliesst Prompting ein, aber auch Datenkompetenz, Output-Evaluation, Fehlerhandling und das Wissen, wann KI nicht die richtige Wahl ist.
Wie lange dauert es, bis KI-Nutzung messbar produktiver wird?
Das hängt davon ab, wie systematisch vorgegangen wird. Unternehmen, die rollenspezifische Nutzungsrichtlinien und gezielte Befähigung einführen, berichten typischerweise innerhalb von zwei bis drei Monaten von messbaren Veränderungen im Arbeitsalltag. Voraussetzung ist, dass Produktivität auch tatsächlich gemessen wird, was selbst oft fehlt.
Muss ein KMU für bessere KI-Produktivität neue Tools kaufen?
Selten. In den meisten Fällen sind die Tools bereits vorhanden. Was fehlt, sind die Strukturen und die Kompetenz, diese Tools systematisch und qualitätsgesichert einzusetzen. Neue Software löst ein Governance- und Enablement-Problem nicht.
Wie stellt ein KMU fest, wo der grösste Handlungsbedarf liegt?
Ein strukturierter KI-Governance- und Arbeitsweise-Check gibt Aufschluss darüber, welche KI-Tools im Unternehmen tatsächlich genutzt werden, wo Nutzungsrichtlinien fehlen, wo Qualitätslücken bestehen und welche Funktionen besonders von gezielter Befähigung profitieren würden. Das ist der sinnvolle erste Schritt, bevor weitere Investitionen in Tools oder Training getätigt werden.
Fazit: Wirkung entsteht nicht durch Tool-Zugang, sondern durch Systematik
KI steigert Produktivität dann, wenn Mitarbeitende wissen, was sie tun dürfen, wie sie es gut tun, und wenn die Qualität der Outputs gesichert ist. Ohne dieses Fundament bleibt KI das, was sie in vielen Schweizer KMU heute ist: ein nützliches Tool für Einzelne, das keine organisatorische Wirkung entfaltet.
Die gute Nachricht: Das ist keine unlösbare Herausforderung. Sie erfordert keine weitere Technologie, keine grosse Transformation und kein monatelanges Projekt. Sie erfordert klare Spielregeln, rollenspezifische Orientierung und einen strukturierten Ansatz zur Befähigung von Mitarbeitenden.
Wenn Sie wissen möchten, wo in Ihrem Unternehmen die grössten Lücken liegen: Unser kostenloser KI Governance & Arbeitsweise Check gibt Ihnen in 10 Minuten eine klare Einordnung, Ihre Top-3-Handlungsfelder und einen konkreten ersten Schritt. Oder vereinbaren Sie direkt ein unverbindliches Erstgespräch, um zu besprechen, wie systematische KI-Nutzung in Ihrem KMU aussehen könnte.
