Energie-Souveränität der KI (Micro) Artikel I/III: KI & Produktivität
Warum Europas KI-Strategie droht, die Deindustrialisierungsfalle zu wiederholen
Vorwort — Was dieser Artikel argumentiert und warum Europa es beachten sollte
In ganz Europa wird künstliche Intelligenz zunehmend als technologischer Ausweg dargestellt: als Mittel zur Wiederherstellung der Wettbewerbsfähigkeit, zum Ausgleich des demografischen Rückgangs und zum Überspringen jahrzehntelanger Unterinvestitionen — ohne die tieferliegenden strukturellen Schwächen anzugehen. In dieser Darstellung verspricht KI Produktivität ohne Rekonstruktion.
Diese Annahme ist strategisch gefährlich.
Die Evidenz zeigt inzwischen, dass die Einführung von KI auf Unternehmensebene keine unmittelbaren Produktivitätsgewinne erzeugt. Stattdessen folgt sie einer Produktivitäts-J-Kurve: einem anfänglichen Rückgang der gemessenen Produktivität, gefolgt — nur für jene, die durchhalten — von einer Erholung und langfristigen Gewinnen. Dieses Muster ist historisch vertraut. Neu ist jedoch der Zustand der Unternehmen und Ökosysteme, die diesen Übergang heute vollziehen.
KI trifft auf europäische Unternehmen, die über Jahrzehnte hinweg im Zuge der Umstrukturierung globaler Wertschöpfungsketten bewusst ausgehöhlt wurden — im Rahmen eines neoliberalen Politikparadigmas. Industrielle Tiefe, organisatorische Redundanz und lokale Ökosysteme wurden nicht zufällig abgebaut, sondern gezielt — getragen von der Annahme, dass globale Märkte und komparative Vorteile lokale Fähigkeiten ersetzen würden.
Die europäische KI-Herausforderung ist daher nicht primär technologisch. Sie ist institutionell und politisch. Ohne zu verstehen, warum die Produktivität zunächst sinkt — und warum sie in Volkswirtschaften mit ausgedünnter Produktionsbasis stärker fällt — riskiert Europa, denselben strategischen Fehler zu wiederholen wie in der Deindustrialisierung: abstrakte Effizienz mit systemischer Stärke zu verwechseln.
Dieser Artikel untersucht die Mechanismen der KI-Transformation auf Unternehmensebene — dort, wo die Produktivität zunächst fällt, bevor sie steigt. Er konzentriert sich auf die Mikroebene der Anpassung: Organisationen, Managementstrukturen, KMU und die politische Ökonomie der Lernzeit.
1. Die Illusion unmittelbarer KI-Produktivität
Im europäischen Politikdiskurs wird KI häufig als eindeutig positiver Faktor dargestellt, dessen Produktivitätsgewinne lediglich durch unzureichende Verbreitung verzögert würden. Die implizite Annahme ist Linearität: mehr KI-Einsatz führt zu mehr Output.
Die Realität auf Unternehmensebene widerspricht dem. In Industrie, Logistik und industrienahen Dienstleistungen folgt auf die Einführung von KI häufig ein messbarer Rückgang der Produktivität — mitunter über mehrere Jahre hinweg, selbst in Unternehmen, die stark investieren, qualifiziertes Personal einstellen und modernste Systeme einsetzen.
Dies wurde fälschlicherweise als Beleg dafür interpretiert, dass Europa in der KI „zurückliegt“ oder dass Produktivitätsstatistiken immaterielle Gewinne nicht erfassen. Beide Erklärungen greifen zu kurz. Die unbequeme Wahrheit ist, dass KI eine Basistechnologie ist, die Organisationen zunächst destabilisiert, bevor sie sie verbessert.
Das Produktivitätsparadox ist kein Scheitern von Innovation. Es ist der sichtbare Preis der Transformation.
2. Die Produktivitäts-J-Kurve: Was in Unternehmen tatsächlich geschieht
Die Einführung von KI ist kein einfaches Upgrade. Sie ist ein organisatorischer Schock.
Die Produktivität sinkt, weil KI typischerweise:
etablierte Arbeitsabläufe und Produktionslogiken stört
hohe Anfangsinvestitionen in Dateninfrastruktur, Sensorik, Software und Rechenleistung erfordert
Qualifikationslücken offenlegt und eine Neuverteilung von Aufgaben erzwingt
bestehende Managementhierarchien und Leistungskennzahlen untergräbt
In dieser Phase entstehen reale Kosten, während die Erträge verzögert auftreten. Kapital wird eingesetzt, bevor der Output steigt. Beschäftigte lernen, statt zu produzieren. Management experimentiert, statt zu optimieren. Das sind keine buchhalterischen Effekte, sondern notwendige Übergangskosten.
Unternehmen investieren in immaterielle Vermögenswerte — Prozessneugestaltung, organisatorisches Lernen, Humankapital — die durch traditionelle Produktivitätsmessungen nur unzureichend erfasst werden. Doch selbst bei besserer Messung bleibt der Rückgang real. Die Produktivität sinkt, weil alte Gleichgewichte aufgelöst werden, bevor sich neue stabilisieren.
Dieses Muster ist historisch bekannt. Neu ist das Umfeld, in dem es sich heute entfaltet.
3. Europas strukturelles Handicap: ausgehöhlte Unternehmen und ausgedünnte Ökosysteme
In früheren technologischen Übergängen waren Unternehmen in dichte industrielle Ökosysteme eingebettet: enge Zuliefernetzwerke, qualifizierte Arbeitskräfte, implizites Wissen und lange Investitionshorizonte. Diese Ökosysteme absorbierten Schocks, verteilten Risiken und ermöglichten kumulatives Lernen.
Europa hat einen großen Teil dieser Kapazität zwischen den 1990er und 2000er Jahren abgebaut.
Im Rahmen des Modells globaler Wertschöpfungsketten — gefördert durch internationale Institutionen und übernommen von europäischen Regierungen — wurden Unternehmen dazu angehalten:
Produktion auszulagern
sich vertikal zu desintegrieren
finanzielle Effizienz über organisatorische Tiefe zu stellen
sich auf globale Märkte statt auf lokale Koordination zu stützen
Dies war keine unbeabsichtigte Folge der Globalisierung. Es war eine bewusste politische Entscheidung, verankert in neoliberaler Ideologie und legitimiert durch den komparativen Vorteil. Industrielle Produktion und Koordination wurden als Kosten und nicht als Fähigkeiten definiert.
Infolgedessen fehlen vielen europäischen Unternehmen, die heute KI einführen:
internes Prozessgedächtnis
erfahrene technische Mittelschichten
belastbare Netzwerke von Zulieferern und Kompetenzen
organisatorische Spielräume für Experimente
KI trifft daher nicht auf robuste, sondern auf fragilisierte Systeme.
4. Warum der Produktivitätsrückgang durch KI ein politisches Problem ist
Die Produktivitäts-J-Kurve ist nur unter bestimmten politisch-ökonomischen Bedingungen tragfähig: geduldiges Kapital, Toleranz gegenüber vorübergehender Ineffizienz und institutionelle Mechanismen, die Scheitern während der Lernphase abfedern.
Die gegenwärtige politische Ökonomie Europas bietet das Gegenteil.
Kurzfristige Finanzkennzahlen, fragmentierte Industriepolitik, rigide fiskalische Rahmenbedingungen und eine geringe Toleranz gegenüber sichtbarem Scheitern schaffen ein feindliches Umfeld für die KI-Transformation. Unternehmen brechen Initiativen genau dann ab, wenn Lernprozesse beginnen, sich zu kumulieren. Politische Entscheidungsträger interpretieren frühe Verluste als Fehlallokation. Das Produktivitätsparadox wird selbstverstärkend.
Dies ist kein Marktversagen. Es ist ein Governance-Versagen — eines, das tiefere Annahmen über Effizienz, Wettbewerb und die Rolle des Staates widerspiegelt, die aus der Ära globaler Wertschöpfungsketten stammen.
5. KMU, Überleben und die Politik der Zeit
Eine zentrale, aber häufig unterschätzte Dimension des KI-Produktivitätsparadoxons ist die Zeit.
Über Länder und Zeiträume hinweg überlebt nur ein kleiner Teil der Start-ups und KMU die frühen Jahre. Ob die Quote bei einem von zehn oder einem von zwanzig liegt, ist zweitrangig. Entscheidend ist, dass junge Unternehmen über längere Zeit Verluste machen — genau in der Phase, in der Lernen, Experimentieren und Fähigkeitsaufbau stattfinden.
Große Unternehmen können diese Phase überstehen. Sie quersubventionieren Verluste, refinanzieren Fehlschläge und warten ab. KMU können das nicht. Für sie ist verzögerte Produktivität existenziell.
Diese Asymmetrie macht die Produktivitäts-J-Kurve zu einer politischen Frage. Je langsamer Kapital, Kompetenzen, Infrastruktur, Energie und Standards bereitgestellt werden, desto steiler wird die Ausfallkurve. Die Geschwindigkeit der Unterstützung — nicht die Qualität der Ideen — entscheidet über das Überleben.
Indem europäische Politik das Scheitern von KMU als neutrales Marktergebnis behandelt und nicht als vorhersehbaren Lernengpass, selektiert sie systematisch Größe statt Fähigkeit. Innovation konzentriert sich, statt sich zu verbreiten.
6. Lernen, Schutz und die vergessenen Lehren der Entwicklung
Diese Logik ist nicht neu. Ostasiatische Volkswirtschaften haben sie explizit verstanden.
Südkorea, Taiwan, Singapur und später China verfolgten exportorientiertes Wachstum, kombinierten jedoch globale Integration mit dem strategischen Schutz junger Unternehmen. Wettbewerb wurde schrittweise eingeführt. Scheitern wurde zugelassen, aber nicht systemisch eskalieren gelassen. Zeit wurde als strategische Ressource behandelt.
Europa hingegen hat seine Schutzmechanismen zu früh abgebaut. Im Modell globaler Wertschöpfungsketten wurden Unternehmen und Ökosysteme dem vollen globalen Wettbewerb ausgesetzt, bevor Lernprozesse stabilisiert waren. Geschwindigkeit wirkte gegen Überleben.
KI legt diese Asymmetrie erneut offen. Volkswirtschaften, die Lernzeit steuern und ihre Ökosysteme schützen, werden Vorteile kumulieren. Andere werden frühes Scheitern als strukturelle Unterlegenheit fehlinterpretieren.
7. Messung ist kein Ausweg
Einige argumentieren, dass Europas KI-Produktivitätsproblem primär statistischer Natur sei — dass immaterielle Investitionen schlicht unzureichend erfasst würden. Messprobleme existieren, sind aber nicht der Kern des Problems.
Mikroökonomische Evidenz zeigt, dass Produktivität häufig sinkt, weil sich die operative Effizienz tatsächlich vorübergehend verschlechtert: Lagerbestände steigen, Koordination bricht auf, Kapital bleibt während der Umstrukturierung ungenutzt. Dies sind reale Transformationskosten.
Sie als Messfehler abzutun verstärkt Kurzfristdenken und beschleunigt strategischen Rückzug.
8. Europas strategische Entscheidung
Europa steht vor einem bekannten Dilemma — unter grundlegend veränderten Bedingungen.
Es kann:
KI als immateriellen Ersatz für industrielle Tiefe behandeln
konzentrierte Gewinne und schwache Diffusion akzeptieren
Rückgang durch Umverteilung und Regulierung verwalten
Oder es kann:
KI als organisatorischen und industriellen Schock erkennen
die Ökosysteme wiederaufbauen, durch die Produktivität tatsächlich diffundiert
Transformationskosten als Investitionen und nicht als Fehlentwicklungen behandeln
Die Produktivitäts-J-Kurve ist keine Warnung vor KI. Sie ist eine Warnung vor Ungeduld, institutioneller Amnesie und ideologischer Trägheit.
Fazit — Organisation vor Optimierung
Die Produktivitäts-J-Kurve ist keine Warnung vor KI. Sie ist eine Warnung vor Ungeduld.
KI destabilisiert Unternehmen, bevor sie sie stärkt. Produktivität sinkt, bevor sie steigt. Organisationen müssen verlernen, bevor sie sich verbessern. In Systemen, in denen Unternehmen weder Spielräume, noch geduldiges Kapital oder institutionelle Toleranz für Übergangsphasen besitzen, wird der Einbruch dauerhaft statt vorübergehend.
Europas Risiko ist nicht technologische Unterlegenheit. Es ist organisatorische Fragilität.
Wenn Unternehmen die Übergangsphase nicht überleben, wird es keine Produktivitätserholung geben, die sich verbreiten kann. Und ohne Diffusion wird KI zu einer Kraft der Konzentration statt der Erneuerung.
Die Frage auf Unternehmensebene ist daher einfach:
Kann sich Europa die für Lernen erforderliche Zeit leisten?
Die Antwort liegt in der darüberliegenden Ebene.
Übergang zu Artikel II — Von Unternehmen zu Ökosystemen
Produktivität auf Unternehmensebene erholt sich nicht isoliert.
Die Gewinne aus KI hängen davon ab, ob Lernen über einzelne Unternehmen hinaus diffundieren kann — in Zuliefernetzwerke, Qualifikationssysteme, Standardisierungsinstitutionen und regionale Koordinationsstrukturen.
Der nächste Artikel weitet die Analyse auf diese Ökosystemebene aus — die fehlende Mitte, über die sich Produktivität historisch verbreitet hat und die Europa im Zeitalter globaler Wertschöpfungsketten systematisch ausgedünnt hat.
Für den vollständigen Rahmen
AI Energy Sovereignty Stress Test
AI Energy System Architecture Index
EU_Energy_Exposure_Sov_Data_Companion