Generative KI wird häufig als General Purpose Technology diskutiert, also als Allzwecktechnologie, die nicht nur eine einzelne Branche verändert, sondern in vielen Bereichen als neuer Produktionsfaktor eingesetzt werden kann. Diese Einordnung ist plausibel, aber noch nicht bewiesen. Sprachmodelle, Bildgeneratoren, Code-Assistenten und multimodale Systeme zeigen breite Einsatzmöglichkeiten. Ob daraus dauerhaft messbare Produktivitätsgewinne entstehen, hängt jedoch von Organisation, Qualitätssicherung, Kosten, Regulierung und komplementären Innovationen ab.
Der Vergleich mit Dampfmaschine, Elektrizität, Computer und Internet ist deshalb hilfreich, aber riskant, wenn er zu früh als Beweis gelesen wird. Historische General Purpose Technologies wirkten nicht allein durch ihre technische Existenz. Sie wurden produktiv, als Unternehmen, Arbeitsabläufe, Infrastruktur und Geschäftsmodelle an sie angepasst wurden.
Das Konzept der General Purpose Technology
Der Begriff General Purpose Technology beschreibt Technologien mit drei typischen Eigenschaften: Sie sind breit einsetzbar, verbessern sich über längere Zeiträume und ermöglichen zusätzliche Innovationen in nachgelagerten Bereichen. In der ökonomischen Literatur gelten solche Technologien als Wachstumsmotoren, weil sie nicht nur ein Produkt verbessern, sondern viele weitere Innovationsprozesse beeinflussen.652
Pervasivität bedeutet, dass eine Technologie in vielen Sektoren als Input verwendet werden kann. Elektrizität war nicht nur Beleuchtung, sondern Antrieb, Kommunikation, Produktion und Infrastruktur. Computer waren nicht nur Rechenmaschinen, sondern Grundlage für Büroarbeit, Industrieautomation, Wissenschaft, Medien und später das Internet.
Kontinuierliche Verbesserung bedeutet, dass die Technologie selbst über längere Zeit leistungsfähiger, günstiger oder leichter nutzbar wird. Bei generativer KI zeigt sich dies in besseren Modellen, längeren Kontextfenstern, multimodalen Eingaben, Tool-Use, günstigeren Inferenzkosten und wachsender Integration in bestehende Software.
Innovationskomplementaritäten entstehen, wenn andere Bereiche auf Basis der Technologie neue Verfahren, Produkte oder Organisationsformen entwickeln. Bei generativer KI wären das etwa KI-gestützte Entwicklungsumgebungen, neue Rechercheprozesse, automatisierte Dokumentenarbeit, spezialisierte Agenten oder Assistenzsysteme für Fachprozesse.
GPT-Merkmale bei generativer KI
Generative KI adressiert vor allem sprachliche, symbolische und kreative Arbeit. Das unterscheidet sie von vielen historischen Technologien, die zunächst physische Prozesse veränderten. Texte schreiben, Code erzeugen, Dokumente zusammenfassen, Bilder entwerfen, Daten erklären oder Entwürfe prüfen sind Tätigkeiten, die in vielen Berufen vorkommen. Diese Breite spricht für GPT-ähnliche Eigenschaften.
Die schnelle Verbreitung ist ebenfalls auffällig. ChatGPT erreichte nach Schätzungen innerhalb von zwei Monaten rund 100 Millionen monatlich aktive Nutzer.653 Diese Zahl beweist keine langfristige Produktivität, zeigt aber, wie niedrig die Zugangshürden waren. Ein Browser, ein Konto und natürliche Sprache reichten, um eine neue Klasse von KI-Systemen praktisch auszuprobieren.
Gleichzeitig ist breite Nutzung nicht dasselbe wie tiefe Integration. Eine Technologie kann schnell ausprobiert werden und trotzdem lange brauchen, bis sie produktiv in Arbeitsabläufen verankert ist. Genau an dieser Stelle wird der historische Vergleich wichtig: Viele GPTs erzeugten ihre größten Effekte erst nach organisatorischen Anpassungen.
Produktivität: erste Befunde, offene Skalierung
Es gibt belastbare Hinweise auf Produktivitätsgewinne in abgegrenzten Aufgaben. Eine Studie zu GitHub Copilot fand in einem kontrollierten Experiment, dass Entwickler eine Programmieraufgabe mit Copilot im Mittel 55,8% schneller abschlossen.654 Eine NBER-Studie zu einem KI-Assistenten im Kundensupport beobachtete einen durchschnittlichen Produktivitätsanstieg von 14%, gemessen an gelösten Fällen pro Stunde.655
Diese Befunde sind relevant, aber nicht beliebig übertragbar. Sie zeigen Wirkung in konkreten Settings mit bestimmten Aufgaben, Messgrößen und Nutzergruppen. Besonders häufig profitieren weniger erfahrene Mitarbeiter, weil KI ihnen Muster, Formulierungen oder Lösungspfade zugänglich macht, die erfahrene Kollegen bereits kennen.
Andere Untersuchungen zeigen ein gemischteres Bild. Die BCG-Studie zur "jagged technological frontier" fand Leistungsgewinne bei Aufgaben innerhalb der Modellstärken, aber Qualitätsverluste, wenn Teilnehmer KI für Aufgaben nutzten, bei denen das Modell in die Irre führte.656 Generative KI erhöht Produktivität nicht automatisch. Sie kann Arbeit beschleunigen, aber auch Fehler skalieren, wenn Nutzer ihre Grenzen falsch einschätzen.
Das Produktivitätsparadoxon
Das Produktivitätsparadoxon ist für die Einordnung wichtig. Robert Solow formulierte 1987, man sehe das Computerzeitalter überall, nur nicht in den Produktivitätsstatistiken. Eine mögliche Erklärung ist, dass neue Technologien zunächst Investitionen, Lernkosten und organisatorische Reibung erzeugen. Produktivität steigt erst, wenn komplementäre Prozesse, Fähigkeiten und Messsysteme nachziehen.
Bei generativer KI sind ähnliche Effekte plausibel. Unternehmen müssen klären, welche Aufgaben geeignet sind, wie Qualität geprüft wird, welche Daten genutzt werden dürfen, wie Sicherheitsrisiken begrenzt werden und welche Rollen sich verändern. Solche Anpassungen kosten Zeit. Eine KI-Lizenz erzeugt noch keine neue Organisation.
Deshalb ist es vorschnell, aus einzelnen Experimenten direkte gesamtwirtschaftliche Produktivitätssprünge abzuleiten. Ebenso vorschnell wäre aber die Gegenposition, generative KI nur als vorübergehenden Hype zu behandeln. Aussagekräftig ist, in welchen Prozessen die Technologie komplementäre Änderungen auslöst.
Historische Vergleiche
Die Elektrifizierung ist ein brauchbares Denkmuster. Frühe Fabriken ersetzten zunächst zentrale Dampfmaschinen durch zentrale Elektromotoren. Der eigentliche Produktivitätsschub entstand erst, als Produktionslinien umgebaut, Antriebe dezentralisiert und Fabriklayouts neu gedacht wurden. Die Technologie wurde nicht einfach eingesetzt, sondern organisatorisch übersetzt.
Für generative KI könnte ein ähnliches Muster gelten. Der erste Schritt ist oft Assistenz: Texte glätten, Code ergänzen, Zusammenfassungen erstellen. Der tiefere Schritt wäre Prozessneugestaltung: Aufgaben werden expliziter beschrieben, Zwischenergebnisse maschinenlesbar dokumentiert, Qualitätssicherung früher eingebaut und Routinetätigkeiten anders verteilt.
Der Vergleich hat Grenzen. Elektrizität erforderte physische Infrastruktur, Maschinen, Netze und Fabrikumbauten. Generative KI nutzt vorhandene digitale Infrastruktur und kann schneller verteilt werden. Dafür sind ihre Ergebnisse probabilistischer, schwerer zu prüfen und stärker abhängig von Kontext, Datenqualität und menschlicher Kontrolle.
Komplementäre Innovationen
Der GPT-Charakter zeigt sich weniger an einzelnen Modellbenchmarks als an dauerhaften komplementären Innovationen um generative KI herum. Dazu gehören neue Entwicklungsumgebungen, Agenten-Frameworks, fachliche Copiloten, bessere Evaluationsverfahren, sichere Tool-Architekturen, interne Wissenssysteme und neue Formen der Prozessdokumentation.
Die API-Ökonomie erleichtert solche Experimente. Unternehmen müssen nicht jedes Modell selbst trainieren, sondern können Fähigkeiten über Schnittstellen einbinden. Open-Weight-Modelle schaffen zusätzlich Optionen für lokale, angepasste oder kostensensitive Anwendungen. Gleichzeitig entstehen neue Abhängigkeiten: Modellanbieter, Cloud-Infrastruktur, Datenzugriff, Kostenstrukturen und regulatorische Pflichten werden Teil der Wertschöpfungskette.
No-Code- und Low-Code-Werkzeuge zeigen eine weitere Komplementarität. Generative KI kann Programmierung, Datenabfragen oder Automatisierung für mehr Personen zugänglich machen. Das ersetzt nicht ohne Weiteres Softwareentwicklung, verschiebt aber die Grenze zwischen Fachbereich und IT. Ob daraus bessere Systeme entstehen, hängt davon ab, ob Governance und Qualitätssicherung mithalten.
Arbeit und Fähigkeiten
Generative KI betrifft vor allem Tätigkeiten mit Sprache, Symbolen, Mustern und Dokumenten. Das macht sie für Wissensarbeit relevant. Die Wirkung ist aber nicht gleichmäßig. Manche Aufgaben werden schneller, manche werden prüfintensiver, manche werden stärker standardisiert, andere anspruchsvoller.
Ein wiederkehrendes Muster ist die Verschiebung von Ausführung zu Bewertung. KI-Nutzung verlangt, Aufgaben zu formulieren, Ergebnisse zu prüfen, Fehler zu erkennen, Quellen zu beurteilen und Arbeitsstände zu integrieren. Dadurch werden Urteilskraft, Fachwissen und Prozessverständnis wichtiger, nicht unwichtiger.
Arbeitsmärkte reagieren nicht nur durch Automatisierung, sondern auch durch Aufgabenumbau. Stellenprofile können sich verändern, Junior-Aufgaben können unter Druck geraten, neue Kontroll- und Integrationsrollen entstehen. Solche Effekte sind langsamer und widersprüchlicher als einfache Ersetzungsnarrative.
Regulierung und Vertrauen
Wenn eine Technologie GPT-ähnlich breit eingesetzt wird, steigen Anforderungen an Governance. Bei generativer KI betrifft das Datenschutz, Urheberrecht, Sicherheit, Nachvollziehbarkeit, Bias, Transparenz und Haftung. Der EU AI Act ist ein Beispiel für eine risikobasierte Regulierung, die nicht jede Anwendung gleich behandelt, sondern Pflichten nach Einsatzkontext und Risiko staffelt.657
Vertrauen entsteht dabei nicht allein durch Modellverbesserung. Es entsteht durch nachvollziehbare Prozesse: klare Verantwortlichkeiten, dokumentierte Datenflüsse, menschliche Freigaben, Monitoring, Sicherheitsarchitektur und belastbare Evaluationsverfahren. Ohne diese Einbettung bleibt generative KI ein leistungsfähiges Werkzeug mit unsicherem organisatorischem Wert.
Szenarien statt Gewissheiten
Für die nächsten Jahre sind mehrere Entwicklungen plausibel. In einem optimistischen Szenario senken Modelle und Tools die Kosten vieler kognitiver Routinetätigkeiten, Unternehmen passen Prozesse an, und Produktivitätsgewinne werden messbar. In einem vorsichtigeren Szenario bleibt der Nutzen auf bestimmte Aufgaben konzentriert, während Qualitätskontrolle, Kosten, Datenschutz und Integration die Skalierung bremsen.
Ein drittes Szenario ist eine ungleichmäßige Diffusion. Einige Branchen und Funktionen profitieren stark, andere kaum. Große Unternehmen mit Daten, Infrastruktur und Prozesskompetenz ziehen schneller Nutzen, während kleinere Organisationen zwar Zugang zu Tools haben, aber weniger Kapazität für Integration und Governance. Auch das wäre typisch für General Purpose Technologies: Die Technologie ist breit verfügbar, der Nutzen aber organisatorisch ungleich verteilt.
Fazit
Generative KI zeigt mehrere Merkmale einer General Purpose Technology. Sie ist breit einsetzbar, verbessert sich technisch weiter und ermöglicht komplementäre Innovationen in Software, Wissensarbeit, Recherche, Kommunikation und Automatisierung. Die These ist deshalb ernst zu nehmen.
Gleichzeitig ist offen, wie tief die langfristigen Produktivitätseffekte reichen. Einzelstudien zeigen teils deutliche Gewinne, aber auch klare Grenzen. Historische Vergleiche legen nahe, dass der größte Nutzen nicht aus der bloßen Nutzung einzelner Tools entsteht, sondern aus organisatorischer Anpassung.
Die präzisere Formulierung lautet daher: Generative KI ist ein Kandidat für eine General Purpose Technology. Ob sie die wirtschaftliche Tiefe früherer GPTs erreicht, entscheidet sich nicht nur an Modellbenchmarks, sondern an Integration, Qualitätssicherung, Kosten, Regulierung und daran, ob Unternehmen ihre Arbeit um die Technologie herum sinnvoll neu organisieren.
Quellen
- Bresnahan und Trajtenberg: General purpose technologies - Engines of growth?01598-T) ↩
- Time: How ChatGPT Managed to Grow Faster Than TikTok or Instagram ↩
- Peng et al.: The Impact of AI on Developer Productivity - Evidence from GitHub Copilot ↩
- Brynjolfsson, Li und Raymond: Generative AI at Work ↩
- Dell'Acqua et al.: Navigating the Jagged Technological Frontier ↩
- Regulation (EU) 2024/1689 - Artificial Intelligence Act ↩
- Startups and tech giants wage AI price war as inference costs spiral. Crypto Briefing, 2026. https://cryptobriefing.com/ai-price-war-startups-tech-giants/ ↩
- Tokens are getting cheaper, but AI costs keep climbing. Fortune, 2026. https://fortune.com/2026/06/17/why-is-ai-spending-increasing-as-tokens-get-cheaper-jevons-paradox/ ↩
- AI inference costs set to plunge. CIO Dive zu Gartner, 2026. https://www.ciodive.com/news/ai-inference-costs-drop-2030-gartner/815725/ ↩
- Why Anthropic's 70% Inference Margins Matter for Your API Costs. MindStudio, 2026. https://www.mindstudio.ai/blog/anthropic-inference-margins-70-percent-api-costs ↩
- Ouyang et al.: Training language models to follow instructions with human feedback ↩
- OpenAI: GPT-4 Technical Report ↩
- OpenAI: Learning to reason with LLMs ↩
- Liu et al.: Lost in the Middle ↩