"You can see the computer age everywhere except in the productivity statistics." Robert Solow schrieb diesen Satz 1987. Er sollte recht behalten. Mit KI sind wir gerade dabei, denselben Fehler erneut zu machen.
Die Auswirkungen der Einführung des Computers in den 80/90er Jahren war in vielen Branchen zu sehen: die Bürotätigkeit veränderte sich, Sekretariate verschwanden, ganze Berufsbilder verschoben sich. Was nicht zu sehen war, war ein Niederschlag dieser Veränderung in den offiziellen Produktivitäts-Kennziffern wie dem Bruttoinlandsprodukt (BIP). Diese Lücke zwischen wahrgenommener Veränderung und gemessener Produktivität ging als Solow-Paradox in die Wirtschaftsgeschichte ein.
Es sollte rund zwanzig Jahre dauern, bis Ökonomen das Paradox auflösen konnten: Ein großer Teil des Werts steckte in kostenlosen Diensten, in Qualitätsverbesserungen ohne Aufpreis, also in Konsumentenrente ohne Bepreisung am Markt, und kostenlose Güter oder Dienstleistungen werden im BIP nicht erfasst. Die offizielle Messung war auf Industriegüter ausgelegt, in denen sich Produktivität als Output pro Stunde berechnet. Was Software, Vernetzung und später das Internet machten, ist jedoch ganz anders strukturiert.
Das Unsichtbare sichtbar machen
Das Argument, um diese unsichtbaren Produktivitätsgewinne doch sichtbar zu machen, wurde 2019 unter dem Namen GDP-B formalisiert. Es misst den Nutzen digitaler Güter, indem es Verbraucher fragt, welchen Betrag sie verlangen würden, um auf einen Dienst zu verzichten. Diese Methode, auch Willingness-to-Accept genannt, stammt aus der Wohlfahrtsökonomie. Auf digitale Dienste angewandt liefert sie einen Schattenpreis für Güter, deren Marktpreis 0 beträgt, weil er (i.d.R. über Werbung) quersubventioniert wird.
Die Ergebnisse: Google-Suche, Wikipedia, soziale Netzwerke und E-Mail erzeugten zusammen jährlich dreistellige Milliardenbeträge an privatem Nutzen (in den USA), ohne dass diese Beträge im BIP sichtbar wurden.
GDP-B ist deshalb ebenfalls interessant als methodisches Werkzeug für die Phase, in der eine Technologie sich verbreitet, ohne dass die Verbreitung sich in wirtschaftlichen Kennziffern niederschlägt. Diese Phase trägt den Namen Productivity-J-Curve und beschreibt das Phänomen, dass zu Beginn einer solchen Verbreitung der Aufbau von Komplementärgütern wie (in diesem Fall) Software, Daten und organisatorischen Umstellungen die gemessene Produktivität effektiv drückt - während die tatsächliche Wohlfahrt bereits wächst. Erst später, wenn die Komplementärgüter etabliert sind, schlägt sich die Verbreitung in den offiziellen Zahlen nieder.
Die Stanford-Studie 2026
Eine aktuelle Stanford-Studie wendet das Verfahren nun auf generative KI an. Das Ergebnis liegt in zwei Wellen vor: einer Befragung im Juli 2025 und einer im März 2026. Die Studie maß jeweils, was US-Erwachsene verlangen würden, um einen Monat lang auf ChatGPT, Claude, Gemini und Copilot zu verzichten. Sie bewerten damit implizit, wie groß sie den Wert solcher Tools einschätzen, ausgedrückt durch die Ausgleichszahlung, die man ihnen für den Verzicht leisten müsste. Aus der Antwort und der Größe der Nutzergruppe lässt sich eine hypothetische Konsumentenrente berechnen.
Die aggregierte Konsumentenrente liegt im Jahre 2026 bei ca. 172 Milliarden Dollar, nach 116 Milliarden 2025, ein Zuwachs von 48 Prozent in acht Monaten. Der Durchschnittswert der individuellen Zahlungsbereitschaft kletterte dabei von 98 auf 125 Dollar. Noch klarer ist die Veränderung beim Median: von 3 auf 11 Dollar, eine Verdreifachung in diesem Zeitraum. Die Studie selbst nennt die 172 Milliarden eine konservative Schätzung, denn sie berücksichtigt nur erwachsene Nutzer und auch nur Chatbots, Bildgenerierung, Videosynthese und andere Werkzeuge sind nicht enthalten.
Vergleicht man das mit den Preisen der Anbieter, fällt auf, dass die hypothetische Zahlungsbereitschaft deutlich darüber liegt. Die Anbieter realisieren über Abonnements und APIs nur einen Bruchteil dessen, was die Anwender als Mehrwert für sich verbuchen. Diese Diskrepanz ist auch ein Grund für die hohen Unternehmensbewertungen von Anbietern von KI-Modellen.
Dabei übertrifft die Trajektorie dieser Entwicklung vorangegangene vergleichbare Entwicklungen. Frühere GDP-B-Berechnungen für soziale Netzwerke wie Facebook erreichten ein vergleichbares Niveau an Konsumentenrente, d.h. wahrgenommenem Mehrwert für die Nutzer, erst über etwa ein Jahrzehnt. ChatGPT und Co erreichen das Niveau in weniger als vier Jahren nach dem Start. Der Grund liegt natürlich in der unmittelbaren Nützlichkeit für Arbeits- und Lernzusammenhänge, während die Nützlichkeit von sozialen Netzwerken eben vor allem durch den Netzwerkeffekt steigt und der braucht eben Zeit. Überdies bedienen Facebook & Co überwiegend den Freizeitkonsum, während KI sehr direkte Auswirkungen auf Produktivität besitzt.
Treiber der Zahlungsbereitschaft
Die Zahl der aggregierten Konsumentenrente von 172 Milliarden Dollar verdeckt allerdings, wie die Konsumentenrente verteilt ist. Die beteiligten Forscher der Stanford-Studie identifizieren vor allem drei Treiber der individuellen Zahlungsbereitschaft: An erster Stelle steht die Nutzungshäufigkeit. Wer die Werkzeuge täglich einsetzt, verlangt für den Verzicht ein Vielfaches dessen, was Gelegenheitsanwender fordern. An zweiter Stelle folgt die berufliche Nutzung. Wer KI als Teil seiner Arbeit einsetzt, misst ihr wenig überraschend einen höheren Wert bei. An dritter Stelle steht der bezahlte Abonnementstatus. Nutzer der Bezahlversionen ordnen dem Dienst ebenfalls einen höheren Wert zu, wobei einschränkend zu sagen ist, dass der letzte Punkt natürlich mit den ersten beiden Punkten wahrscheinlich stark korreliert ist.
Die Verteilung der Konsumentenrente (d.h. der Zahlungsbereitschaft) weist einen großen Abstand zwischen Mittelwert und Median auf, was auf eine starke Schiefe der Verteilung hinweist: Ein großer Teil der US-Bevölkerung misst den Werkzeugen einen vorhandenen, aber niedrigen Wert bei. Eine kleinere, aber wachsende Gruppe von Intensivnutzern hingegen verlangt sehr hohe Beträge für den Verzicht. Die aggregierte Konsumentenrente von 172 Milliarden Dollar setzt sich also aus einer großen Masse mit niedrigem persönlichen Vorteil zusammen und einem kleinen Teil von Power-Usern.
Durch den Vergleich der Erhebung von 2025 und 2026 zeigt sich eine interessante Entwicklung: Der Median verdreifacht sich in acht Monaten, dabei verschiebt sich nicht die Spitze der Verteilung, sondern "die Masse zieht nach". Was vor einem Jahr noch eher eine Sache der besonders innovativen Anwender (Early Adopter) war, wird zunehmend Bestandteil der täglichen Arbeit einer wachsenden Gruppe.
Hier liegt der Anschluss an Fragen, die die Serie zur Zukunft kognitiver Arbeit auf der Mikroebene behandelt: Wenn KI die Verschiebung von Ausführung zur Urteilsbildung beschleunigt, dann ist es plausibel, dass berufliche Intensivnutzer den Wert in genau dem Moment realisieren, in dem ihre Arbeitsweise sich tatsächlich verändert. Die Stanford-Zahlen sind der makroökonomische Hinweis auf eben diesen mikroökonomischen Vorgang.
Die offizielle Statistik
Mit diesen Zahlen wird offensichtlich, dass die offizielle Statistik wesentliche Teile des Wohlfahrtsgewinns der Technologie übersieht. Um dem entgegenzuwirken, hat Brookings Anfang 2026 einen "Generative AI Intensity Index" vorgeschlagen, der den Einsatz der Werkzeuge in den volkswirtschaftlichen Gesamtrechnungen sichtbar machen soll, aber die methodische Schwierigkeit zur Messung dieses Fortschritts bleibt.
Konsumentenrente und Qualitätsverbesserungen lassen sich nicht so leicht aggregieren wie Marktumsätze, entsprechend ist auch die Einigung auf eine Messmethode kompliziert. Aber sie zu ignorieren, weil sie schwer messbar sind, ist gefährlich: Geld-, Bildungs- und Fiskalpolitik orientieren sich an den offiziellen Zahlen und wenn diese Zahlen die ökonomische Substanz der technologischen Entwicklung systematisch unterschätzen, drohen Fehlsteuerungen.
Für Deutschland und Europa existieren vergleichbare Erhebungen bislang nicht. Eine methodische Übertragung des Stanford-Ansatzes wäre überfällig. Solange das so bleibt, bleibt die deutsche Debatte über die Wohlfahrtswirkung generativer KI im Ungefähren.
Was bleibt
Solows Beobachtung von 1987 hat an ihrer Praktikabilität nicht eingebüßt. Sie ist zum einen die Erinnerung daran, dass die Messung der Realität immer ein Stück hinterherläuft und in Phasen, in denen sich eine Allzwecktechnologie verbreitet, ist diese Verzögerung besonders groß.
Zum anderen hält sie eine unangenehme Konsequenz für all diejenigen bereit, die gerne unter Sicherheit datengestützt entscheiden. Auf belastbare Makro-Zahlen warten, bevor man den ökonomischen Wert von KI ernst nimmt, ist keine gute Strategie, denn in der Zwischenzeit wird der Wert bereits verteilt, und er verteilt sich laut Stanford-Studie insbesondere auf die Early Adopters, was diese Allzwecktechnologie von allen anderen bisherigen Allzwecktechnologien unterscheidet.
Wer die Auswirkungen auf die Wirtschaft und Gesellschaft verstehen will, schaut nicht auf die offiziellen Statistiken mit ihren Aggregaten. Sie zeigen den Effekt erst, wenn er bereits Geschichte ist.