Die Kurzversion
2026er AusgabeWichtige Erkenntnisse
Jede Entnahme verlinkt zu ihrer kanonischen Datenzeile. Gemeldete Zahlen gehören ihrem zitierten Ersteller; modellierte Ergebnisse sind als Berechnungen gekennzeichnet.
- Schreibexperiment: geringere Aufgabenzeit mit KI-Unterstützung: 40 % (Experiment 2023; veröffentlicht Juli 2023).MIT / Noy und Zhang
- Schreibexperiment: höhere bewertete Ausgabequalität: 18 % (Experiment 2023; veröffentlicht Juli 2023).MIT / Noy und Zhang
- Beratungsexperiment: Zunahme der abgeschlossenen Unteraufgaben: 12,2 % (Studie erstmals veröffentlicht 2023; Zusammenfassung der veröffentlichten Studie April 2026).Harvard Business School AI Institute / Dell’Acqua und Kollegen
- Beratungsexperiment: ca. höhere Qualität bei der Innovationsübung: 32 % (Studie erstmals veröffentlicht 2023; Zusammenfassung der veröffentlichten Studie April 2026).Harvard Business School AI Institute / Dell’Acqua und Kollegen
- Strategieaufgabe: korrekte Antworten ohne KI: 84,5 % (Studie erstmals veröffentlicht 2023; Zusammenfassung der veröffentlichten Studie April 2026).Harvard Business School AI Institute / Dell’Acqua und Kollegen
- Strategieaufgabe: korrekte Antworten mit GPT-4-Zugang: 70,6 % (Studie erstmals veröffentlicht 2023; Zusammenfassung der veröffentlichten Studie April 2026).Harvard Business School AI Institute / Dell’Acqua und Kollegen
- Strategieaufgabe: korrekte Antworten mit GPT-4 und Prompt-Übersicht: 60 % (Studie erstmals veröffentlicht 2023; Zusammenfassung der veröffentlichten Studie April 2026).Harvard Business School AI Institute / Dell’Acqua und Kollegen
- Copilot-Experiment: Reduzierung der Abschlusszeit bei einer Codierungsaufgabe: 55,8 % (15. Mai–20. Juni 2022).Peng, Kalliamvakou, Cihon und Demirer
- METR-Experiment Anfang 2025: längere Abschlusszeit mit KI-Unterstützung: 19 % (Februar–Juni 2025).METR
- METR-Teilnehmer: wahrgenommene KI-Beschleunigung nach dem Experiment: 20 % (Februar–Juni 2025).METR
Hilft KI bei kurzen professionellen Schreibaufgaben?
Das Schreibexperiment ergab mit Unterstützung weniger Zeitaufwand und höhere bewertete Qualität. Seine Aufgaben erforderten nicht die volle faktische Präzision oder den organisatorischen Kontext vieler realer kundenorientierter Dokumente.
| Ergebnis im Vergleich zur Kontrolle | Berichtete Änderung |
|---|---|
| Reduzierung der Aufgabenzeit | 40%Randomisiertes Experiment |
| Erhöhung der ausgewerteten Qualität | 18%Randomisiertes Experiment |
Qualitätsverbesserung und Zeitreduzierung sind unterschiedliche Ergebnisse und dürfen nicht addiert werden.
Primärquelle: MIT / Noy und Zhang — 14. Juli 2023
Kann KI eine Beratungsaufgabe verbessern und eine andere verschlechtern?
Ja. Die Studie trennt Aufgaben, die das Modell bewältigen konnte, von einem Strategieproblem, bei dem es unzuverlässig war. Die Produktivität bei der ersten Gruppe begründet nicht die Genauigkeit bei der zweiten.
| Ergebnis und Bedingung | Berichteter Prozentsatz |
|---|---|
| Mehr abgeschlossene Unteraufgaben bei der Innovationsübung | 12.2%Randomisiertes Experiment |
| Höhere Qualität bei der Innovationsübung, ungefähr | 32%Randomisiertes Experiment |
| Korrekte Strategieantwort: keine KI | 84.5%Randomisiertes Experiment |
| Korrekte Strategieantwort: GPT-4-Zugriff | 70.6%Randomisiertes Experiment |
| Korrekte Strategieantwort: GPT-4 plus Prompt-Übersicht | 60%Randomisiertes Experiment |
Die Qualitätsbewertung ist eine Annäherung. Dies sind historische GPT-4-Daten, kein Maßstab für heutige Modelle.
Primärquelle: Harvard Business School AI Institute / Dell’Acqua und Kollegen — 9. April 2026
Warum berichten Coding-Studien unterschiedliche Produktivitätseffekte?
Eine eigenständige Codierungsaufgabe und Wartung in einem ausgereiften Repository sind unterschiedliche Aufgaben. Die Studien verwendeten auch unterschiedliche Modellgenerationen und Rekrutierungsmethoden. Ihre Ergebnisse sollten getrennt und nicht gemittelt werden.
| Studie und Ergebnis | Berichtete Änderung |
|---|---|
| Copilot-Zuweisung: Reduzierung der Abschlusszeit | 55.8%Randomisiertes Experiment |
| METR: Anstieg der tatsächlichen Abschlusszeit | 19%Randomisiertes Experiment |
| METR: erwartete Beschleunigung vor der Arbeit | 24%Wahrnehmung der Teilnehmer |
| METR: wahrgenommene Beschleunigung nach der Arbeit | 20%Wahrnehmung der Teilnehmer |
METRs spätere Nachverfolgung meldete ernsthafte Auswahl- und Zeitmessungsprobleme. Seine Autoren betrachten die Nachverfolgung nicht als zuverlässige Schätzung des aktuellen Effekts; die historische Verlangsamung ist keine Behauptung über alle Entwickler im Jahr 2026.
Primärquellen: Peng, Kalliamvakou, Cihon und Demirer — 13. Februar 2023 · METR — 10. Juli 2025 · METR — 24. Februar 2026
Was bedeutet jede gemessene Zeitänderung auf derselben Basis?
Ein Basisindex erleichtert die Lesbarkeit der Arithmetik, ohne die Studien zu bündeln. Jeder Kontrollbedingung wird derselbe Startindex zugewiesen; der resultierende unterstützte Index bezieht sich immer nur auf sein eigenes Experiment.
| Experiment | Index der unterstützten Zeit; Kontrolle = 100 |
|---|---|
| Schreibexperiment | 60Normalisierte Berechnung |
| Copilot-Zuweisung | 44.2Normalisierte Berechnung |
| METR-Repository-Aufgaben | 119Normalisierte Berechnung |
Workspace369-Normalisierung, kein neues beobachtetes Ergebnis. Weniger bedeutet weniger Zeit. Eine Zeitreduzierung ist nicht derselbe prozentuale Anstieg des Durchsatzes, und es wird kein Durchsatz geschätzt.
Primärquellen: MIT / Noy und Zhang — 14. Juli 2023 · Peng, Kalliamvakou, Cihon und Demirer — 13. Februar 2023 · METR — 10. Juli 2025
Wie sollte ein Unternehmen KI-Zeitersparnisse testen?
Definieren Sie eine wiederholbare Aufgabe und einen Akzeptanzstandard, bevor Sie unterstützte und ununterstützte Arbeiten vergleichen. Berücksichtigen Sie Prompt-Vorbereitung, Faktenprüfung, Überprüfung und Nacharbeit. Halten Sie den Zugriff auf Kundendaten und die Anforderungen an die menschliche Genehmigung über den Vergleich hinweg unverändert.
Verfolgen Sie sowohl Zeit als auch Qualität. Wenden Sie keinen Schreibaufgaben-Prozentsatz auf eine gesamte Gehaltsabrechnung an und gehen Sie nicht davon aus, dass dasselbe Ergebnis für einen autonomen Agenten gilt.
Wie dieser Bericht erstellt wurde
Methodik und Einschränkungen
- Dies ist ein ausgewählter Beweisvergleich, keine systematische Überprüfung oder Meta-Analyse. Studien wurden wegen identifizierbarer Aufgaben, Original-Produzenten-Nachweisen und klar definierten Ergebnisdefinitionen aufgenommen.
- Die Zahlen für Schreiben und Beratung verwenden die öffentlichen Zusammenfassungen veröffentlichter Studien ihrer Forschungseinrichtungen. Das Coding-Paper und der METR-Bericht liefern detaillierte Originalexperimente. Arbeits- und veröffentlichte Versionen werden nicht vermischt.
- Gemessene Ergebnisse und wahrgenommene Beschleunigungen tragen separate Evidenz-Labels. Die Zeitindexberechnung verwendet nur gemessene Änderungen der Abschlusszeit; Umfrageannahmen werden davon ausgeschlossen.
- Modellversionen und Studiendaten bleiben mit den Ergebnissen verknüpft. Wir haben die METR-Nachverfolgung überprüft und die Warnung bezüglich der Zuverlässigkeit neuerer Schätzungen beibehalten.
Was diese Zahlen Ihnen nicht sagen können
- Ausgewählte Experimente können keinen universellen KI-Return on Investment nachweisen. Unterschiedliche Aufgaben, Kontrollbedingungen, Teilnehmer und Qualitätstests verhindern einen verteidigbaren Gesamtprozentsatz.
- Die Stichprobengrößen beschreiben den Umfang der Studie, nicht unabhängige Replikationen. Die Beteiligung von Anbietern an der Copilot-Studie ist für die Interpretation relevant.
- Historische Ergebnisse belegen nicht die Fähigkeiten der heute verfügbaren Modelle. Die Normalisierung beinhaltet keine Implementierungskosten und zeigt keine nachhaltigen jährlichen Einsparungen.
Aktualität und Korrekturen
Gepflegt vom Workspace369-Redaktionsteam. Vierteljährliche Überprüfung und wenn ein zitierter Produzent eine Ersatzstudie veröffentlicht. Nächste redaktionelle Überprüfung: Dezember 2026. Behalten Sie historische Modellversionen und Beobachtungsdaten bei. Das Ausgabedatum ändert sich nur, wenn die Beweise oder Inhalte substanziell überprüft werden; es ändert nicht den zugrunde liegenden Beobachtungszeitraum.
Erstausgabe: . Datenextraktion, Quellenangabe und Berechnungen wurden für diese Ausgabe überprüft. Es wird kein unabhängiges Peer-Review beansprucht.
Einen Fehler oder eine neuere Primärveröffentlichung gefunden? Senden Sie eine Korrektur mit der Quelle und der betroffenen Statistik. Korrigierte Angaben sollten vor der erneuten Veröffentlichung in der Revisionshistorie erfasst werden.
Primärquellen und Herkunft
Jede gemeldete numerische Zelle verlinkt direkt zu ihrem Ersteller. Die Downloads enthalten genaue Tabellen- oder Arbeitsmappen-Locator, Beobachtungszeiträume, Zugriffsdaten, Formeln und Eingabereferenzen.
- MIT / Noy und ZhangMIT-Forschungsankündigung für das veröffentlichte Science-Schreibexperiment ↗Veröffentlicht am 14. Juli 2023. Zugänglich am 12. September 2026.Ausgewählte sachliche Beobachtungen mit Quellenangabe paraphrasiert. Kein Bericht, keine Tabelle, keine Teilnehmerdaten oder proprietäre Datenbank wird weitergegeben; Urheberrechte verbleiben beim Ersteller.
- Harvard Business School AI Institute / Dell’Acqua und KollegenZurück zu den Anfängen der KI bei der Arbeit: institutionelle Überprüfung des veröffentlichten Beratungs-Experiments ↗Veröffentlicht am 9. April 2026. Zugänglich am 12. September 2026.Ausgewählte sachliche Beobachtungen mit Quellenangabe paraphrasiert. Kein Bericht, keine Tabelle, keine Teilnehmerdaten oder proprietäre Datenbank wird weitergegeben; Urheberrechte verbleiben beim Ersteller.
- Peng, Kalliamvakou, Cihon und DemirerDer Einfluss von KI auf die Entwicklerproduktivität: Beweise von GitHub Copilot, arXiv v1 ↗Veröffentlicht am 13. Februar 2023. Zugänglich am 12. September 2026.Ausgewählte sachliche Beobachtungen mit Quellenangabe paraphrasiert. Kein Bericht, keine Tabelle, keine Teilnehmerdaten oder proprietäre Datenbank wird weitergegeben; Urheberrechte verbleiben beim Ersteller.
- METRMessung des Einflusses von KI Anfang 2025 auf die Produktivität erfahrener Open-Source-Entwickler ↗Veröffentlicht am 10. Juli 2025. Zugänglich am 12. September 2026.Ausgewählte sachliche Beobachtungen mit Quellenangabe paraphrasiert. Kein Bericht, keine Tabelle, keine Teilnehmerdaten oder proprietäre Datenbank wird weitergegeben; Urheberrechte verbleiben beim Ersteller.
- METRWir ändern unser Design für Experimente zur Entwicklerproduktivität ↗Veröffentlicht am 24. Februar 2026. Zugänglich am 12. September 2026.Ausgewählte sachliche Beobachtungen mit Quellenangabe paraphrasiert. Kein Bericht, keine Tabelle, keine Teilnehmerdaten oder proprietäre Datenbank wird weitergegeben; Urheberrechte verbleiben beim Ersteller.
Gemacht zum Prüfen, dann Zitieren
Wie dieser Bericht zitiert wird
Für eine gemeldete Statistik zitieren Sie bitte den ursprünglichen Herausgeber und verlinken Sie auf die genaue Zeile hier, wenn Sie unsere Zusammenstellung verwenden. Für ein modelliertes Ergebnis zitieren Sie Workspace369 und geben Sie die Annahmen an. Die Verlinkung auf diese Seite macht uns nicht zum ursprünglichen Ersteller von Drittanbieterdaten.
Workspace369. (2026-09-12). KI-Produktivitäts- und Zeitspar-Benchmarks. https://workspace369.com/research/ai-productivity-time-savings-benchmarks/. Primärquellen und Beobachtungszeiträume wie im Bericht aufgeführt.
Die Downloads sind englischsprachige Referenzdatensätze, auch auf übersetzten Seiten. Die Quellrechte verbleiben bei ihren Produzenten. Workspace369s Zusammenstellung und Berechnungen sind anzugeben; konsultieren Sie die Wiederverwendungsbedingungen jeder Quelle.