Erstgespräch buchen
Menü

Spart KI bei Aufgaben wirklich Zeit? Was Studien mit Vergleichsgruppe zeigen.

Beide Studien dieses Artikels vergleichen Personen mit und ohne KI. Im Kundensupport dauerten Chats mit KI-Assistent kürzer, und Beschäftigte lösten mehr Anfragen pro Stunde. In der Schreib-Studie schrieben Fachkräfte kurze Texte schneller. Die Autoren nennen Grenzen, etwa kurze Aufgaben. Zu kleinen Betrieben liefern die Studien nach unserer Lesart keine Werte.

Stand:

Auf einen Blick. Die wichtigsten Werte, jeder mit Quelle.

Kundensupport mit KI-Assistent
15 %
Im Schnitt mehr gelöste Anfragen pro Stunde.1
Schreibaufgaben mit ChatGPT
37 %
Weniger Zeit je Text, selbst angegeben, im Mittelwert.2
Schwächstes Fünftel im Support
36 %
So stark stieg dort die Zahl gelöster Anfragen pro Stunde.13

Was die Zahlen nicht sagen

  • Nach unserer Lesart prüft jede Studie ein einzelnes Tool.
  • Die Support-Studie gilt laut den Autoren für ein Tool, eine Firma, einen Beruf.9
  • Die Aufgaben der Schreib-Studie waren kurz und ohne Betriebswissen.10
  • Nach unserer Lesart liefern beide Studien keine Werte zu kleinen Betrieben.
  • Mehr gelöste Anfragen oder schnellere Texte sparen nicht automatisch Arbeitsstunden.
  • Dieser Artikel zeigt eine Auswahl, keinen Querschnitt der Forschung.

Bei Brynjolfsson, Li und Raymond lösten Beschäftigte mit KI-Assistent im Schnitt 15 % mehr Anfragen pro Stunde1. Bei Noy und Zhang gaben Fachkräfte mit ChatGPT im Mittelwert 37 % weniger Zeit je Text an2. Beide Werte stammen aus einzelnen Studien und gelten nicht für KI im Allgemeinen.

Wie war die Support-Studie gebaut?

Brynjolfsson, Li und Raymond untersuchten einen KI-Assistenten im Chat-Support einer großen Softwarefirma aus der Fortune-500-Liste3. Der Assistent schlägt in Echtzeit Antworten vor3. Die Beschäftigten dürfen die Vorschläge ändern oder ignorieren3.

  • Die Daten umfassen 5.172 Beschäftigte und 3 Millionen Chats4.
  • Die meisten arbeiteten außerhalb der USA, vor allem auf den Philippinen, teils über externe Dienstleister45.
  • Sie bearbeiteten technische Anfragen von Kleinunternehmen aus den USA5.
  • Im Oktober 2020 hatten im Schnitt 5 % eines Teams Zugang, im Januar 2021 etwa 70 %4.
  • Vorgesetzte wählten mit aus, wer an welcher Schulung teilnahm4.
  • Ein Pilot hatte etwa 50 Beschäftigte. Etwa die Hälfte wurde zufällig der Behandlung zugeteilt6.
  • Daten zur Kontrollgruppe fehlen. Die Analyse vergleicht 22 Behandelte mit damals unbehandelten Kollegen6.
  • Grundlage ist die arXiv-Fassung 2 vom November 20241. Andere Fassungen können andere Zahlen nennen.

Wie war die Schreib-Studie gebaut?

Noy und Zhang führten einen Online-Versuch mit 444 erfahrenen Fachkräften mit Hochschulabschluss durch7. Jede Person schrieb zwei Texte, etwa Pressemitteilungen, Kurzberichte oder heikle E-Mails7. Nach der ersten Aufgabe erhielt eine zufällig gewählte Hälfte ChatGPT7.

  • Jede Aufgabe dauerte 20 bis 30 Minuten. Gute Texte brachten Bonuszahlungen7.
  • Die Kontrollgruppe meldete sich stattdessen bei einem Editor namens Overleaf an7.
  • Fachleute bewerteten die Texte verdeckt, jeden Text drei Personen7.
  • Bei der zweiten Aufgabe nutzten 81 % der KI-Gruppe ChatGPT, aber auch 10 bis 20 % der Kontrollgruppe2.
  • Die Autoren sehen ihre Werte deshalb als Untergrenze2.
  • Grundlage ist das Arbeitspapier vom 2. März 2023, laut Titelseite nicht begutachtet8. Spätere Fassungen können andere Zahlen nennen.

Was haben die Studien gemessen?

Die Studien messen nicht dasselbe. Darum stehen sie in einer Tabelle, nicht in einer gemeinsamen Grafik.

Zwei Studien im Vergleich

Studie und Vergleich Wer wurde gemessen Ergebnis und Grenze
Brynjolfsson, Li, Raymond: Zugang zum Assistenten gegen Kollegen ohne Zugang, zeitversetzt 5.172 Beschäftigte im Chat-Support Im Schnitt 15 % mehr gelöste Anfragen pro Stunde1. Grenze: ein Tool, eine Firma9
Noy, Zhang: ChatGPT-Gruppe gegen Kontrollgruppe, zufällig zugeteilt 444 Fachkräfte mit zwei Schreibaufgaben Zeit selbst angegeben, Mittelwert: 10 Minuten (37 %) weniger, Kontrollgruppe 27 Minuten2. Grenze: kurze Aufgaben10

Wie stark hängt der Support-Wert von der Rechnung ab?

In der Support-Studie stehen ohne Kontrolle für die einzelnen Beschäftigten und ihre Erfahrung 23,9 %, mit Kontrolle 15,2 %11. Die Autoren nutzen die zweite Rechnung als Hauptwert11. Gemessen sind gelöste Anfragen pro Stunde, nicht automatisch eingesparte Arbeitsstunden.

  • Ein Chat dauerte im Schnitt 3,7 Minuten kürzer, bei einem Mittelwert von 43 Minuten (minus 8,5 %)11.
  • Die Lösungsquote stieg um 1,3 Prozentpunkte. Die Autoren nennen das gering und statistisch nicht abgesichert11.
  • Sie lesen es so: Das Tempo ging nicht auf Kosten der Lösung11.

Wie gut waren die Texte mit ChatGPT?

Die Teilnehmer gaben ihre Zeit selbst an12. Eine objektive Messung der aktiven Zeit zeigt laut den Autoren ähnliche Werte12. Die Texte der KI-Gruppe erhielten bei der zweiten Aufgabe im Schnitt 4,54 von 7 Punkten, die der Kontrollgruppe 3,78912.

Wer profitierte am meisten?

Die Autoren der Support-Studie stuften die Beschäftigten vor der Einführung nach Tempo, Lösungsquote und Kundenzufriedenheit ein13.

  • Im untersten Fünftel stieg die Zahl gelöster Anfragen pro Stunde um 0,5, also um 36 %13.
  • Im obersten Fünftel stieg sie laut den Autoren nicht. Lösungsquote und Kundenzufriedenheit sanken dort leicht13.
  • Beschäftigte mit weniger als einem Monat im Job lösten 0,7 Anfragen pro Stunde mehr14. Bei mehr als einem Jahr im Job zeigt die Studie keinen Effekt14.
  • Mit KI-Zugang leisteten Beschäftigte nach zwei Monaten mindestens so viel wie ohne Zugang nach über sechs Monaten15. Das gilt bei vielen der gemessenen Ergebnisse, nicht bei allen15.
  • In der Schreib-Studie profitierte stärker, wer bei der ersten Aufgabe schlecht abschnitt16. Wer gut abschnitt, hielt laut den Autoren sein Niveau und wurde deutlich schneller10.
  • Bei der Zeit ist der Unterschied der Steigungen in Abbildung 2b nicht gesichert17.

Wie Erfahrene oder Neulinge in Deinem Betrieb abschneiden, zeigen diese Muster nicht.

Welche Grenzen gibt es noch?

  • Das Produkt und die Fragen im Support waren relativ stabil. Bei schnellem Wandel kann der Effekt anders ausfallen9.
  • Die Support-Studie untersucht mittelfristige Wirkungen in einer Firma. Sie sagt nichts über Löhne und Beschäftigung im Ganzen18.
  • Die Aufgaben der Schreib-Studie waren kurz, in sich abgeschlossen und ohne Betriebswissen10. Das kann den Nutzen laut den Autoren überschätzen10.
  • Nach unserer Lesart prüft jede Studie ein einzelnes Tool: einen KI-Assistenten im Support oder ChatGPT38.
  • Die Schreib-Studie untersucht nur direkte, kurzfristige Wirkungen10. Das gelesene Papier nennt keine Betriebsgröße der Teilnehmer.
  • Die Beschäftigten der Support-Studie arbeiteten für eine große Firma3, teils über externe Dienstleister5. Darum liefert sie nach unserer Lesart keine Werte zu kleinen Betrieben.
  • Wer ChatGPT im Beruf nicht nutzte, nannte meist fehlendes Wissen über Kunden, Produkte und Echtzeitdaten19. Die Nachbefragung lief damals noch19.
  • Bleibt die Nachfrage gleich, kämen dieselben Anfragen laut grober Autorenrechnung mit 12 % weniger Arbeitsstunden aus20. Das ist eine Überschlagsrechnung, kein Messwert.
  • Die Autoren der Support-Studie verweisen selbst auf Studien mit begrenzten oder negativen Effekten von KI20.
  • Die Prozentwerte sind kein Durchschnitt für KI im Allgemeinen. Eine Zeitersparnis für Deinen Betrieb folgt aus ihnen nicht.

Quellen

  1. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 1, Titelseite mit Abstract. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩ ↩2 ↩3

  2. Noy, Zhang: Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. MIT-Arbeitspapier vom 2. März 2023, nicht begutachtet. PDF-Seite 4 (gedruckt: Seite 3), Abschnitte 2.1 und 2.2. https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1.pdf, abgerufen am 2026-11-03. ↩ ↩2 ↩3 ↩4

  3. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 3 (gedruckt: Seite 2), Einleitung. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩ ↩2 ↩3 ↩4 ↩5

  4. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 14 (gedruckt: Seite 13), Abschnitte 3.1 und 3.2. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩ ↩2 ↩3 ↩4

  5. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 11 (gedruckt: Seite 10), Abschnitt 2.2. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩ ↩2 ↩3

  6. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 18 (gedruckt: Seite 17), Abschnitt 4.1.1. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩ ↩2

  7. Noy, Zhang: Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. MIT-Arbeitspapier vom 2. März 2023, nicht begutachtet. PDF-Seite 3 (gedruckt: Seite 2), Einleitung. https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1.pdf, abgerufen am 2026-11-03. ↩ ↩2 ↩3 ↩4 ↩5 ↩6

  8. Noy, Zhang: Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. MIT-Arbeitspapier vom 2. März 2023, nicht begutachtet. PDF-Seite 1, Titelseite mit Abstract. https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1.pdf, abgerufen am 2026-11-03. ↩ ↩2

  9. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 35 (gedruckt: Seite 34), Abschnitt 7. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩ ↩2

  10. Noy, Zhang: Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. MIT-Arbeitspapier vom 2. März 2023, nicht begutachtet. PDF-Seite 13 (gedruckt: Seite 12), Abschnitt 3. https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1.pdf, abgerufen am 2026-11-03. ↩ ↩2 ↩3 ↩4 ↩5

  11. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 17 (gedruckt: Seite 16), Abschnitt 4.1. Tabelle 2 auf PDF-Seite 56. Tabelle 3 auf PDF-Seite 57. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩ ↩2 ↩3 ↩4 ↩5

  12. Noy, Zhang: Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. MIT-Arbeitspapier vom 2. März 2023, nicht begutachtet. PDF-Seite 5 (gedruckt: Seite 4), Abbildung 1 mit Anmerkung. https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1.pdf, abgerufen am 2026-11-03. ↩ ↩2 ↩3

  13. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 20 (gedruckt: Seite 19), Abschnitt 4.2.1. Abbildung 3 auf PDF-Seite 46. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩ ↩2 ↩3

  14. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 21 (gedruckt: Seite 20), Abschnitt 4.2.2. Abbildung 3 auf PDF-Seite 46. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩ ↩2

  15. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 22 (gedruckt: Seite 21), Abschnitt 4.2.3. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩ ↩2

  16. Noy, Zhang: Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. MIT-Arbeitspapier vom 2. März 2023, nicht begutachtet. PDF-Seite 6 (gedruckt: Seite 5), Abschnitt 2.3. https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1.pdf, abgerufen am 2026-11-03. ↩

  17. Noy, Zhang: Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. MIT-Arbeitspapier vom 2. März 2023, nicht begutachtet. PDF-Seite 7 (gedruckt: Seite 6), Abbildung 2 mit Anmerkung. https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1.pdf, abgerufen am 2026-11-03. ↩

  18. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 4 (gedruckt: Seite 3), Einleitung. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩

  19. Noy, Zhang: Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. MIT-Arbeitspapier vom 2. März 2023, nicht begutachtet. PDF-Seite 12 (gedruckt: Seite 11), Abschnitt 2.9. https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1.pdf, abgerufen am 2026-11-03. ↩ ↩2

  20. Brynjolfsson, Li, Raymond: Generative AI at Work. Preprint arXiv 2304.11771, Fassung 2 vom November 2024. PDF-Seite 36 (gedruckt: Seite 35), Abschnitt 7. https://arxiv.org/pdf/2304.11771v2, abgerufen am 2026-11-03. ↩ ↩2

Häufige Fragen. Antworten zu diesem Thema.

Zeigen die Studien eine Zeitersparnis durch KI?

Bei abgegrenzten Aufgaben ja. Im Support dauerten Chats kürzer, und Beschäftigte lösten mehr Anfragen pro Stunde. In der Schreib-Studie brauchten die Teilnehmer weniger Zeit je Text.

Gelten die Ergebnisse für kleine Betriebe?

Das zeigen die Studien nicht. Die Support-Beschäftigten arbeiteten für eine große Firma. Die Schreib-Studie nennt keine Betriebsgröße. Nach unserer Lesart liefern beide keine Werte zu kleinen Betrieben.

Wer profitierte am meisten?

In beiden Studien vor allem Personen mit schwächeren Ausgangswerten. Im Support profitierten auch Beschäftigte, die neu im Job waren.

Warum stehen die Ergebnisse nicht in einer gemeinsamen Grafik?

Die Studien messen nicht dasselbe. Die eine misst gelöste Anfragen pro Stunde, die andere die Zeit für eine Aufgabe.

Sind die Studien begutachtet?

Die hier gelesene Fassung der Schreib-Studie ist laut Titelseite ein nicht begutachtetes Arbeitspapier. Die hier gelesene Fassung der Support-Studie ist die Preprint-Fassung auf arXiv.

Wie es weitergeht. Mehr zum Thema und zu Deinem Betrieb.

Weitere Fragen

Nächste Schritte

Erstgespräch buchen