Fünf Prozent in zehn Jahren

Daron Acemoglu, Wirtschaftsnobelpreisträger 2024 und Institute Professor am MIT, hält die Ausrichtung der KI-Branche für einen strategischen Fehler. In seinem Essay „Will AI replace workers? Not if we build it right", erschienen im Juli 2026 in der ersten Ausgabe der Humanist Review of AI, argumentiert er, dass die großen Entwickler ihre Modelle darauf trimmen, menschliche Fähigkeiten nachzubilden und ganze Berufe zu automatisieren. Den größeren Nutzen sieht er in Werkzeugen, die Fachkräfte in ihrer Arbeit besser machen. Er nennt das pro-worker AI, also arbeitnehmerorientierte KI.

Seine Skepsis gegenüber der Automatisierungserwartung stützt er auf eine Schätzung, die er 2024 vorgelegt hat und selbst als grobe Annäherung bezeichnet. Einfache Büro- und Denkaufgaben, die etwa 20 Prozent der Arbeit in der US-Wirtschaft ausmachen, könne KI bis Ende der 2020er-Jahre automatisieren. Gemessen an der Verbreitungsgeschwindigkeit früherer Technologien werde davon innerhalb von zehn Jahren rund ein Viertel tatsächlich automatisiert. Daraus ergeben sich etwa fünf Prozent aller Tätigkeiten und ein kumulierter Wachstumseffekt von rund 1,5 Prozent des Bruttoinlandsprodukts über zehn Jahre. Acemoglu räumt ein, dass sich die Modelle seither schneller entwickelt haben als von ihm erwartet. Anwendungen, die Arbeitsabläufe tatsächlich umgestalten, sieht er bislang allerdings kaum.

Warum der Nutzen im Labor größer ist als im Betrieb

Acemoglu greift eine Bemerkung des Ökonomen Robert Solow von 1987 auf: Computer sah man damals überall, nur nicht in der Produktivitätsstatistik. Für KI stellt er dasselbe fest. Unter Laborbedingungen mit klar abgegrenzten Aufgaben erzielen Modelle beim Programmieren oder in der radiologischen Diagnostik beachtliche Ergebnisse. Im Betriebsalltag verbringen Entwickler viel Zeit mit der Fehlersuche in KI-generiertem Code, und Ärzte schaffen es oft nicht, ihre Expertise mit den Werkzeugen zu verbinden. Mehrere Studien finden bei den meisten Unternehmen bislang kaum messbare Produktivitätsgewinne.

Als Vergleich dient ihm die Elektrizität. New York und London hatten 1881 zentrale Kraftwerke, in den 1920er-Jahren nutzte trotzdem erst etwa die Hälfte der Fabriken und Haushalte Strom. Bei KI rechnet Acemoglu mit einem möglicherweise noch langsameren Verlauf, weil sich Betriebe umfassend neu organisieren müssen: Aufgaben werden zwischen Mensch und Modell neu verteilt, Fachleute lernen den Umgang mit den Werkzeugen, Führungskräfte klären, was sie von KI erwarten. Entsprechend langsam verläuft auch die Verdrängung von Arbeit. Vorhersagen über das Ende von Radiologie oder Buchhaltung haben sich bisher nicht erfüllt. Krankenhäuser brauchen heute mehr Radiologen als zuvor.

99 Prozent reichen nicht

Das anschaulichste Beispiel stammt aus Acemoglus eigenem Arbeitsalltag. Seit einer Überlastungserkrankung beider Arme im Jahr 1997 diktiert er mit der Spracherkennungssoftware Dragon. Schon die erste Version für fließende Sprache erreichte knapp 95 Prozent Genauigkeit, neuere Versionen werben mit 99 Prozent unter Idealbedingungen. Das verbleibende eine Prozent reicht aus, um den Sinn eines Satzes zu verändern. Jeder diktierte Text muss deshalb gegengelesen werden. Die Ursache liegt im Verfahren: Dragon ordnet Sprache statistisch dem wahrscheinlichsten Text zu. Ähnlich klingende Wörter und ungewöhnliche Formulierungen bilden die letzte Meile, an der ein reines Vorhersageverfahren am häufigsten scheitert.

Sprachmodelle arbeiten nach demselben Prinzip. Sie erzeugen die statistisch plausible Fortsetzung, und eine flüssig formulierte falsche Antwort sieht genauso aus wie eine richtige. Eine Software, die 99 von 100 Bescheiden korrekt zusammenfasst, nimmt dem Team die Prüfung deshalb nicht ab. Bei 500 Bescheiden im Jahr bleiben fünf fehlerhafte Zusammenfassungen, und ohne Prüfung ist nicht erkennbar, welche es sind. Steckt der Fehler im Datum, fällt er womöglich erst auf, wenn die Einspruchsfrist verstrichen ist. Vollautomatisierung setzt voraus, dass die letzte Meile gelöst ist. Bis dahin hängt der Nutzen an Fachkräften, die Ergebnisse prüfen können, und an verbindlichen Regeln dafür, wann und wie geprüft wird.

Drei Merkmale arbeitnehmerorientierter KI

Acemoglu begründet seinen Gegenentwurf mit den unterschiedlichen Stärken von Mensch und Modell. Menschen lernen aus wenigen Beispielen, im Austausch mit anderen und durch Ausprobieren. Modelle erkennen Muster in sehr großen Datenmengen, ihnen fehlen aber die Filter, mit denen Menschen unplausible Annahmen aussortieren. Aus seinem Essay lassen sich drei Merkmale ableiten, an denen sich ein Werkzeug messen lässt.

Es liefert neue Information und erschließt Fachkräften neue Aufgaben. Acemoglus Beispiel stammt aus dem Schulwesen: Ein Werkzeug erkennt, mit welchen Teilen des Lehrstoffs einzelne Schülerinnen und Schüler Schwierigkeiten haben, und schlägt kleinere Lerngruppen vor. Die Lehrkraft unterrichtet weiter selbst und kann nun gezielt auf einzelne Gruppen eingehen. Individuelle Förderung dieser Art war bisher zu teuer.

Es lässt die Entscheidung beim Menschen. In der Steuerberatung entspricht dem etwa ein Werkzeug, das die Buchführung eines Mandanten aus DATEV liest und vor dem Abschluss eine priorisierte Klärliste vorlegt: offene Stapel, auffällige Salden, fehlende wiederkehrende Buchungen. Jeder Befund wird von der zuständigen Fachkraft als erledigt, als Falschalarm oder als zurückgestellt markiert. Ein solches Werkzeug entwickeln wir derzeit gemeinsam mit einer Partnerkanzlei. Eine weitere Partnerkanzlei hat den Grundsatz für ihr Projekt in einem Satz festgehalten: Die KI markiert, der Mensch entscheidet.

Es baut auf Expertenwissen auf. Werkzeuge dieser Art brauchen nach Acemoglu hochwertige Daten erfahrener Fachleute, die schwierige Fälle und Ausnahmen bearbeitet haben. In Kanzleien steckt dieses Wissen bei langjährigen Mitarbeitenden und in Sonderfällen, die in keiner Arbeitsanweisung stehen. Im öffentlichen Trainingskorpus eines Sprachmodells kommt es nicht vor. Eine Kanzlei, die KI vorrangig zum Stellenabbau einsetzt, gibt genau die Grundlage auf, auf der verlässliche Werkzeuge aufbauen.

Warum der Markt trotzdem auf Automatisierung setzt

Acemoglu nennt vier Gründe für die Fixierung der Branche auf Automatisierung: die Geschäftsmodelle der großen Anbieter, die hohe Marktkonzentration, ein Koordinationsproblem und das Leitbild einer allgemeinen künstlichen Intelligenz. Für Kanzleien ist das Koordinationsproblem am aufschlussreichsten. Acemoglu vergleicht es mit Schrauben und Muttern, die nur zusammen nützen. Unternehmen erwarten von Softwareanbietern Automatisierungswerkzeuge und planen entsprechend. Anbieter entwickeln Automatisierungswerkzeuge, weil sie davon ausgehen, dass Unternehmen genau das nachfragen. Kanzleien sind in diesem Markt Nachfrager. Welche Anforderungen sie bei der Auswahl formulieren, beeinflusst mittelfristig, was ihnen angeboten wird.

Grenzen dieser Betrachtung

Acemoglus Zahlen beziehen sich auf die US-Wirtschaft insgesamt und sind nach eigener Aussage mit großer Unsicherheit behaftet. Er hält es selbst für möglich, dass KI-Agenten das Bild verändern. In Kanzleien dürfte der Anteil standardisierter Wissensarbeit wie Belegerfassung, Kontierung oder Recherche zudem über dem gesamtwirtschaftlichen Durchschnitt liegen. Einzelne Tätigkeiten können sich dort schneller verändern, als ein Durchschnittswert von fünf Prozent nahelegt.

Acemoglu wendet sich gegen die Fixierung auf Automatisierung. Dennoch geht seine eigene Schätzung davon aus, dass einzelne Aufgaben automatisiert werden.

Einordnung

Acemoglus Analyse unterstützt einen KI-Einsatz, der bei der Frage ansetzt, was das Team mit KI besser leisten kann. In vielen Kanzleien gilt das seit Jahren für die Belegerfassung. Maßgeblich ist, wofür die gewonnene Zeit verwendet wird. Viele Kanzleien finden für offene Stellen kaum noch qualifizierte Bewerberinnen und Bewerber. Für sie geht es um die Frage, wie das vorhandene Team mehr Mandatsarbeit in gleicher Qualität bewältigt. Der Nutzen wächst mit der Kompetenz der gesamten Belegschaft. Solange nur einige wenige Personen die Werkzeuge beherrschen, bleibt der Effekt klein und das Wissen an Einzelne gebunden. Die fachliche Prüfung von KI-Ergebnissen gehört fest zur Arbeit mit KI und braucht gemeinsame Qualitätsregeln. Bei neuen Werkzeugen lohnt der Blick darauf, ob sie dem Team zusätzliche Information liefern und die Entscheidung bei den Fachleuten lassen. Erwartungen an Zeitgewinne sollten realistisch bleiben, denn wie bei der Elektrizität dauert es, bis Abläufe umgestellt sind und sich die Technik in den Ergebnissen zeigt. Wo sich ein Werkzeug nach ehrlicher Rechnung noch nicht lohnt, ist Abwarten eine vertretbare Entscheidung.

Die Vollautomatisierung komplexer Wissensarbeit hält Acemoglu auf absehbare Zeit für unrealistisch. Werkzeuge, die Fachkräfte stärken, lassen sich mit heutigen Modellen problemlos bauen. Eine Personalplanung, die mit dem baldigen Wegfall ganzer Stellen rechnet, findet in seiner Analyse keine Stütze.

TellTale Consulting begleitet Kanzleien dabei, ihr gesamtes Team KI-kompetent zu machen, und entwickelt mit ihnen eigene Werkzeuge für Abläufe, die zum Engpass geworden sind. Für ein Erstgespräch stehen wir Ihnen über die Kontaktseite zur Verfügung.