Gerade macht ein Video die Runde, “Microsoft Admits it was Wrong About AI”, und die Geschichte, die es erzählt, ist angenehm einfach: Jahrelang habe man uns versprochen, dass künstliche Intelligenz zuerst die Programmierer, dann die Büroangestellten und am Ende fast jeden Wissensarbeiter ersetzt, und nun ruderten ausgerechnet die Konzerne zurück, die diesen Hype überhaupt erst befeuert haben. Als Kritik am naiven Automatisierungsversprechen ist daran etwas dran. Als Beweis dafür, dass KI sich als Enttäuschung entpuppt hat, taugt es kaum, denn die gesamte Beweisführung hängt an einer einzigen Berufsgruppe, die man auch noch unter den denkbar schwierigsten Bedingungen getestet hat.
Die Zahlen, auf die sich das Video stützt, sind übrigens echt, das sollte man fairerweise sagen. Das Forschungsinstitut METR ließ 2025 erfahrene Open-Source-Entwickler mit und ohne KI-Werkzeuge arbeiten, und die Gruppe mit KI war am Ende im Schnitt rund 19 Prozent langsamer. Das eigentlich Beunruhigende an dieser Studie ist nicht die Zahl selbst, sondern die Selbsteinschätzung der Beteiligten: Dieselben Entwickler waren hinterher überzeugt, die KI habe sie um etwa 20 Prozent schneller gemacht. Sie haben sich also nicht bloß verschätzt, sie haben sich in die genau entgegengesetzte Richtung verschätzt, und das sollte jeden nachdenklich machen, der sein eigenes Bauchgefühl für einen verlässlichen Produktivitätsmesser hält.
Andere Untersuchungen kommen zu differenzierteren Ergebnissen, die aber in dieselbe Richtung zeigen. In einem großen Feldexperiment mit über viertausend Entwicklern bei Microsoft, Accenture und einem Fortune-100-Konzern stieg die Zahl erledigter Aufgaben zwar um rund 26 Prozent. Nur verteilte sich dieser Gewinn sehr ungleich. Profitiert haben vor allem die jüngeren, weniger erfahrenen Entwickler bei einfacheren Aufgaben, während der Effekt bei den Senioren, die an den wirklich heiklen, über Jahre gewachsenen Systemen arbeiten, weitgehend verpuffte. Und mehr Code in kürzerer Zeit hat einen Preis, den solche Statistiken gern unterschlagen: nicht selten sind es mehr Fehler, die später jemand wieder einsammeln muss.
Dann sind da noch die großen Ernüchterungszahlen. Ein Bericht der MIT-nahen NANDA-Initiative kam zu dem Schluss, dass rund 95 Prozent der Unternehmens-Piloten mit generativer KI keinen messbaren Effekt auf Gewinn und Verlust hatten. In Vorstandsumfragen klingt es ähnlich, viele Führungskräfte sehen bisher schlicht keinen konkreten Nutzen aus den teuer eingekauften Werkzeugen. Und schließlich der symbolträchtige Rückzieher, an dem sich das Video besonders freut: Microsofts KI-Chef Mustafa Suleyman hatte erklärt, KI werde die meisten White-Collar-Aufgaben binnen zwölf bis achtzehn Monaten übernehmen. Er sprach von Aufgaben, nicht von Berufen. Auf diesen kleinen Unterschied kommt es an, und ich komme darauf zurück.
Vorher lohnt der Blick auf den blinden Fleck der ganzen Erzählung, denn sie schließt von der vielleicht schwierigsten geistigen Tätigkeit, die wir kennen, auf alle anderen. Programmieren an einer reifen, gewachsenen Codebasis ist ungefähr der ungünstigste Prüfstein, den man für heutige KI wählen könnte. Der Kontext ist gewaltig und steht nirgends geschrieben. Was hier eine richtige Lösung ist, ergibt sich aus Architektur-Entscheidungen, die in keiner Dokumentation stehen, sondern nur im Kopf eines erfahrenen Entwicklers, der die Integrität des ganzen Systems mit sich herumträgt. Genau das kann ein Modell, das plausibel klingenden Code produziert, ihm nicht abnehmen. Dass ausgerechnet die Profis dabei langsamer werden, ist deshalb keine Überraschung. Sie verbringen ihre Zeit damit, KI-Vorschläge zu lesen, zu misstrauen und zu reparieren, statt Code zu schreiben, den sie ohnehin von Anfang an durchschaut hätten. Nur wird aus diesem sehr spezifischen Befund im Video ein sehr allgemeiner: aus “KI bremst Experten an komplexen Altsystemen” wird “KI hat bei der Arbeit versagt”. Man würde einen Taschenrechner ja auch nicht für nutzlos erklären, weil er beim Schreiben eines Romans nichts beiträgt.
Wo KI heute schon liefert
Interessant wird es, sobald man den Blick von der Software löst. Überall dort, wo Regeln klar sind, Eingaben definiert und Entscheidungswege eindeutig, arbeitet KI schon heute zuverlässig, und zwar bei den einfachen, häufigen, standardisierten Handgriffen, nicht bei der großen kreativen Gesamtlösung. In der Versicherungsbranche etwa lassen sich Standardfälle vorsortieren, Unterlagen auf Vollständigkeit prüfen, Daten aus Formularen und Belegen strukturiert auslesen, Kundenschreiben nach Vorlage entwerfen. In Steuer, Buchhaltung und Compliance kann eine KI Belege kategorisieren, Regelverstöße gegen einen klar definierten Katalog markieren, wiederkehrende Prüfschritte automatisieren. In Verwaltung und Sachbearbeitung qualifiziert sie Anträge gegen feste Kriterien vor, beantwortet einfache Anfragen entlang eines Entscheidungsbaums, setzt immer gleiche Textbausteine passend zum Fall zusammen. Der Kontext ist in diesen Feldern nicht implizit und riesig, sondern in einem Regelwerk niedergeschrieben, und die richtige Antwort ist keine Geschmackssache, sondern folgt aus Vorschriften, Policen, Gesetzen oder Prozesshandbüchern. Das ist der Boden, auf dem KI heute effizient arbeitet, lange bevor sie einen Senior-Entwickler an einem 200.000-Zeilen-Projekt ersetzt.
Und damit zurück zu Suleymans Wortwahl. Wer die Debatte auf der Ebene ganzer Berufe führt und fragt, ob KI den Programmierer, den Anwalt oder den Sachbearbeiter ersetzt, landet fast zwangsläufig bei einem enttäuschenden Ergebnis, weil ein Beruf aus vielen sehr verschiedenen Aufgaben besteht, von denen die meisten eben nicht regelgebunden sind. Wer stattdessen auf die einzelnen Aufgaben schaut, sieht ein klareres Muster. Die wiederholbaren, gut definierten Teile eines Jobs werden von KI unterstützt oder übernommen, die kontextlastigen, urteilsabhängigen, kreativen Teile bleiben vorerst beim Menschen. Insofern hat das Video recht mit seiner Kritik am Alles-oder-nichts-Hype und zieht daraus doch den falschen Schluss. Die ehrliche Zwischenbilanz für 2026 ist nicht, dass KI nicht funktioniert, sondern dass sie kein universeller Beschleuniger ist, sondern ein Verstärker für strukturierte Aufgaben. Ihr Wert hängt weniger vom Modell ab als von der Frage, wie regelbasiert die Aufgabe ist, auf die man sie ansetzt.
Praktisch heißt das: Hör auf zu fragen, ob KI deinen Job kann. Zerlege ihn stattdessen in einzelne Aufgaben und frag bei jeder, wie klar hier die Regeln sind. Je eindeutiger die Eingabe, je definierter der Weg zur Entscheidung, je standardisierter das Ergebnis, desto größer der Hebel. Die spektakulären Schlagzeilen entstehen an den schwierigen Rändern, beim autonomen Programmieren komplexer Systeme etwa, während der Nutzen, den du heute schon einlösen kannst, in der unauffälligen Mitte steckt, bei den tausend kleinen, regelgebundenen Handgriffen, die in fast jedem Wissensberuf den Großteil des Tages auffressen.
Quellen: METR, “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity” (2025); MIT/Microsoft, “The Effects of Generative AI on High-Skilled Work” (GitHub-Copilot-Feldexperiment); MIT NANDA, “The GenAI Divide: State of AI in Business 2025”; Financial Times und Fortune zu Mustafa Suleyman (White-Collar-Aufgaben, zwölf bis achtzehn Monate).
