KI kann die Aufgabe. Warum wird sie trotzdem nicht genutzt?

Bei KI wird gern mit Potenzialkarten gearbeitet. Welche Berufe sind exponiert? Welche Tätigkeiten könnte ein Modell übernehmen? Wo ist Automatisierung technisch möglich?

Das ist sinnvoll. Es beantwortet nur eine andere Frage als die, die Unternehmen im Alltag eigentlich interessiert.

Denn zwischen „KI kann diese Aufgabe“ und „Menschen nutzen KI für diese Aufgabe“ liegt ein ziemlich großer Abstand. Und noch einmal dahinter liegt die Frage, ob die Nutzung überhaupt etwas verbessert.

Genau diese Ebenen werden in der Diskussion häufig zusammengeschoben. Aus hoher technischer Eignung wird gedanklich erst hohe Nutzung und daraus fast automatisch Automatisierung. Aktuelle Forschung und Unternehmensdaten sprechen für ein deutlich unordentlicheres Bild.

Exposition beantwortet eine andere Frage als Nutzung

Der Begriff „AI Exposure“ klingt zunächst so, als beschreibe er, wie stark ein Beruf oder eine Aufgabe bereits von KI betroffen ist. Tatsächlich messen solche Indikatoren in erster Linie technologische Anfälligkeit: Welche Aufgaben könnten prinzipiell von einem KI-System unterstützt oder übernommen werden?

Die International Labour Organization hat diese Grenze 2026 in einem eigenen Research Brief sehr deutlich gemacht. Exposure-Indikatoren können zeigen, wo Veränderung technisch möglich ist. Sie berücksichtigen aber unter anderem wirtschaftliche Bedingungen, institutionelle Hürden und die relative Wirtschaftlichkeit gegenüber menschlicher Arbeit nicht vollständig. Auch statische Aufgabenlisten bilden nicht ab, wie Arbeit nach einer Einführung neu organisiert wird.

Damit ist Exposure kein schlechter Indikator. Man muss nur aufhören, ihn als etwas zu lesen, das er nicht ist.

Ein hoher Exposure-Wert bedeutet nicht automatisch hohe Adoption. Er bedeutet auch nicht automatisch Stellenabbau, Produktivitätsgewinn oder Weiterbildungsbedarf. Er markiert zunächst einen Raum möglicher Veränderung.

Das ist ein wichtiger Unterschied. Ein Unternehmen kann hundert Aufgaben finden, die ein modernes Modell technisch bearbeiten könnte. Daraus folgt noch keine sinnvolle Reihenfolge für die Einführung.

Deutsche Daten zeigen die Lücke im Betrieb

Wie groß die Distanz zwischen Möglichkeit und tatsächlicher Nutzung ist, sieht man schon in den Unternehmensdaten.

Nach Angaben des Statistischen Bundesamts nutzten 2025 26 % der deutschen Unternehmen mit mindestens zehn Beschäftigten Technologien der künstlichen Intelligenz. Das ist inzwischen ein relevanter Anteil, aber eben weit entfernt von einer flächendeckenden Nutzung.

Interessanter wird die Gruppe, die KI bereits geprüft hat. 20 % der Unternehmen hatten eine Nutzung in Betracht gezogen, setzten entsprechende Technologien aber noch nicht ein.

Warum nicht?

Unter diesen Unternehmen nannten 72 % fehlendes Wissen, 62 % Unklarheit über rechtliche Folgen und 60 % Bedenken zu Datenschutz und Privatsphäre. 45 % verwiesen auf Inkompatibilitäten mit vorhandenen Geräten, Software oder Systemen, 44 % auf Verfügbarkeit oder Qualität der benötigten Daten und 32 % auf zu hohe Kosten. Nur 18 % stuften die Nutzung schlicht als nicht sinnvoll ein.

Diese Werte dürfen nicht wie eine Kausalanalyse gelesen werden. Unternehmen konnten mehrere Gründe haben, und aus einer Befragung folgt nicht, dass die Beseitigung eines einzelnen Hindernisses automatisch zur Einführung führt.

Trotzdem ist das Muster aufschlussreich: Die Lücke zwischen Potenzial und Nutzung ist nicht einfach ein Akzeptanzproblem. Sie besteht aus mehreren Friktionen, die gleichzeitig auftreten können.

Eine Aufgabe kann technisch gut zu KI passen und trotzdem im realen Unternehmen unattraktiv sein, weil sensible Daten beteiligt sind, die Integration teuer ist, niemand den Prozess sauber beschreiben kann oder die erwartete Zeitersparnis den zusätzlichen Prüfaufwand nicht rechtfertigt.

Forschung erklärt, warum Exposure reale Adoption nur teilweise trifft

Genau an dieser Stelle wird eine aktuelle Studie von Ilse Lindenlaub, Ryungha Oh, Maria Alejandra Rodriguez und Laura Veldkamp interessant. Die Autoren nutzen unter anderem die repräsentative deutsche DiWaBe-Beschäftigtenbefragung, verknüpft mit Informationen zu Beschäftigten und Betrieben, und vergleichen berichtete KI-Nutzung mit bekannten Exposure-Maßen.

Ihr Befund: Der Zusammenhang ist schwach genug, dass technische Exposure allein einen großen Teil der tatsächlichen Nutzung verfehlt.

Die Forscher entwickeln deshalb ein Modell, das nicht nur fragt, wie leistungsfähig KI bei einer Aufgabe sein könnte. Es berücksichtigt auch den relativen Vorteil gegenüber der jeweiligen menschlichen Ausführung und sogenannte User Costs, also Friktionen der tatsächlichen Nutzung.

Auf Berufsebene erklärt dieser Ansatz in ihrer Auswertung fast 60 % der Unterschiede in beobachteter Adoption, während ein reines Exposure-Modell auf 14 % kommt. Bei ungefähr 30 % der Beschäftigten laufen die beiden Ansätze deutlich auseinander.

Das ist kein fertiger Unternehmensscore. Die Studie ist ein Working Paper, das Modell enthält Schätzungen und Annahmen, und die heutigen Nutzungskosten sind kein Naturgesetz. Wenn Modelle billiger, zuverlässiger oder besser integriert werden, kann sich die Rechnung ändern.

Das erklärt auch, warum zwei Beschäftigte mit praktisch derselben Tätigkeit KI sehr unterschiedlich nutzen können.

Alexander Bick, Adam Blandin, David Deming und Tyler Schumacher kommen 2026 mit einer repräsentativen Befragung und neuen Task-Level-Indizes zu einem ähnlichen Muster. Generative KI ist über viele Berufe und Aufgaben hinweg verbreitet, die Nutzung innerhalb einzelner Aufgaben bleibt aber häufig flach. In den meisten untersuchten Aufgaben nutzen weniger als die Hälfte der Beschäftigten generative KI.

Nicht nur die Frage welche Aufgabe exponiert ist, ist also relevant. Ebenso wichtig ist, wer sie unter welchen Bedingungen tatsächlich mit KI bearbeitet.

Die Gegenposition ist wichtig: Exposure bleibt nützlich

Aus dieser Kritik könnte man leicht die nächste zu einfache These bauen: Exposure-Indizes seien wertlos.

Das geben die Daten ebenfalls nicht her.

Die ILO beschreibt sie ausdrücklich als Signale für potenzielle Transformation. Wer wissen will, in welchen Berufen oder Tätigkeiten neue Modellfähigkeiten grundsätzlich relevant werden könnten, bekommt durch Exposure-Maße eine nützliche Karte.

Nur ist eine Karte noch keine Route.

Dazu kommt: Adoption verändert sich schnell. Eurostat berichtet für 2025, dass ungefähr 20 % der Unternehmen in der EU KI-Technologien nutzten. 2024 waren es ungefähr 13 %. Große Unternehmen lagen dabei deutlich vor kleinen und mittleren Unternehmen.

Heute geringe Adoption kann deshalb morgen ganz anders aussehen. Nutzungsfriktionen sinken. Software integriert KI direkt in bestehende Arbeitsoberflächen. Beschäftigte sammeln Erfahrung. Modelle werden leistungsfähiger. Rechtliche und organisatorische Regeln werden klarer.

Ein niedriger heutiger Nutzungsgrad beweist also ebenso wenig dauerhafte Nicht-Automatisierbarkeit wie ein hoher Exposure-Wert eine unmittelbar bevorstehende Automatisierung beweist.

Die sinnvolle Position liegt dazwischen: Exposure zeigt, wo man hinschauen sollte. Adoption zeigt, wo Menschen die Technologie tatsächlich verwenden. Wirkung zeigt anschließend, ob diese Nutzung etwas verbessert.

Diese drei Ebenen sollte man nicht gegeneinander ausspielen, sondern auseinanderhalten.

Vier Fragen für echte Use-Case-Priorisierung

Was folgt daraus für Unternehmen, die nicht nur über KI reden, sondern konkrete Einsatzfelder priorisieren müssen?

Keine neue Punkteskala. Dafür ist die Evidenz nicht gemacht. Aber vier Fragen lassen sich sauber ableiten.

Eine Aufgabe, die ein Mensch in drei Minuten zuverlässig erledigt, ist kein attraktiver Automatisierungskandidat, nur weil ein Modell sie ebenfalls lösen kann. Umgekehrt kann ein technisch unspektakulärer Anwendungsfall sehr wertvoll sein, wenn er tausendfach pro Woche anfällt.

Die interessante Kostenfrage lautet deshalb nicht nur: „Was kostet die KI?“ Sondern: „Was kostet der vollständige neue Arbeitsweg mit KI?“

Adoption ist damit nicht nur eine Eigenschaft des Modells oder des Mitarbeiters. Sie ist auch eine Eigenschaft des Arbeitsprozesses.

KI-Einführung beginnt nicht mit der Liste dessen, was KI kann

Technische Potenzialanalysen haben ihren Platz. Sie helfen, Suchräume zu öffnen und Veränderungen früh zu erkennen.

Problematisch wird es erst, wenn aus dieser Möglichkeit eine scheinbar sichere Einführungskarte gemacht wird.

Die aktuelle Evidenz zeigt etwas Nützlicheres: Zwischen Fähigkeit und Nutzung liegen reale Entscheidungen. Beschäftigte und Unternehmen wägen, bewusst oder unbewusst, Leistung gegen Aufwand, Risiko, bestehende Systeme und menschliche Alternativen ab.

Deshalb kann KI eine Aufgabe technisch beherrschen und trotzdem kaum genutzt werden. Und deshalb kann ein heute unscheinbarer Use Case morgen plötzlich attraktiv werden, wenn sich Kosten, Qualität oder Integration verändern.

Für Unternehmen ist die Konsequenz ziemlich praktisch. Nicht mit der längsten Liste automatisierbarer Aufgaben starten. Mit den Aufgaben starten, bei denen technischer Fit, relativer Vorteil, beherrschbare Nutzungskosten und Prozessanschluss gleichzeitig vorhanden sind.

Dann wird aus KI-Potenzial vielleicht Adoption.

Ob daraus anschließend Produktivität wird, ist wiederum die nächste Frage.