AI-translated from English; not yet reviewed by a fluent editor.

# KI-Nutzung breitet sich über die Softwareentwicklung hinaus aus. Das Ausmaß ist schwerer zu belegen

> Umfragen zeigen eine breitere KI-Nutzung am Arbeitsplatz; Experimente finden Zugewinne und Fehlschläge bei bestimmten Aufgaben. Nutzungsdaten können noch nicht belegen, dass andere Berufe KI so intensiv einsetzen werden wie die Softwareentwicklung.

By BIG CHANGE Editorial

Published: 2026-10-02T04:10:34.217Z
Updated: 2026-10-02T04:10:34.217Z
Canonical: https://bigchange.ai/blog/ai-use-beyond-coding-workplace-evidence

![A seated person works at a laptop while holding a blank sheet of paper at a wooden table.](https://bigchange.ai/api/media/file/ai-work-beyond-coding-hero-v2-1.png)
AI-generated by OpenAI; BIG CHANGE conceptual editorial illustration.

Im zweiten Quartal 2026 gab fast zwei von fünf erwerbstätigen Erwachsenen in den USA an, in der Vorwoche KI bei der Arbeit genutzt zu haben. KI unterstützte jedoch 6,3 Prozent der Arbeitsstunden aller Erwerbstätigen, so ein [landesweiter Erhebungstracker](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) von Forschenden der Federal Reserve Bank of St. Louis, der Vanderbilt University und Harvard. Die erste Zahl zählt Personen, die zweite ihren Zeitaufwand. Keine der beiden sagt aus, ob die Arbeit gut war, ob ein Unternehmen mehr verdiente oder ob ein Arbeitsplatz wegfiel.

Diese Unterschiede sind wichtig für die Frage, ob KI künftig in anderen Bereichen so intensiv eingesetzt wird wie von Softwareentwicklern. Plattformdaten zeigen mehr Experimente, auch in Recht, Vertrieb und Marketing. Experimente weisen bei einigen Aufgaben außerhalb des Programmierens echte Zugewinne nach. Sie zeigen aber auch, dass bloßer Zugang wenig verändern kann und eine ausgefeilte Antwort falsch sein kann.

## Die große Änderung

- **Was sich geändert hat:** KI-Anbieter berichten nun über wiederkehrende Nutzung und Agentenaktivität in mehr Unternehmensbereichen, während unabhängige Umfragen eine breitere wöchentliche Nutzung unter Beschäftigten in den USA zeigen.
- **Warum das wichtig ist:** Die Nutzung nimmt zu, wenn sich Werkzeuge in bestehende Arbeitsabläufe einfügen; der Nutzen hängt jedoch von der Aufgabe und den Kontrollen ab. Käufer und Beschäftigte brauchen neben Nutzungszahlen auch Ergebniskennzahlen.
- **Worauf zu achten ist:** Wiederholte Nutzung bei konkreten Aufgaben, überprüfte Ausgabequalität und Nettorenditen jenseits des Programmierens. Die heutigen Belege zeigen weder, wann andere Berufe das Nutzungsniveau der Softwareentwicklung erreichen, noch welche Folgen dies für Beschäftigung hat.

## Die Zahlen messen Unterschiedliches

Der [Real-Time Population Survey](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) befragt eine national repräsentative Online-Stichprobe von US-Erwachsenen zwischen 18 und 64 Jahren zur beruflichen KI-Nutzung. Der Anteil der Befragten, die KI in der Vorwoche genutzt hatten, stieg von 28,2 Prozent im dritten Quartal 2024 auf 39,2 Prozent im zweiten Quartal 2026. Der geschätzte Anteil aller Arbeitsstunden, bei denen KI half, stieg von 4,1 auf 6,3 Prozent. Die Befragten schätzten außerdem, dass KI im jüngsten Quartal 2,2 Prozent der gesamten Arbeitszeit einspare. Diese letzte Zahl beruht auf einer erinnerten Zeiteinsparung, nicht auf einer beobachteten Produktivitäts- oder Umsatzsteigerung.

OpenAI sieht etwas anderes: Aktivitäten bei den eigenen Unternehmenskunden. Der [Bericht Enterprise Signals vom August](https://openai.com/signals/enterprise-data/) besagt, dass die Zahl wöchentlich aktiver Codex-Nutzer zwischen Februar und Juni 2026 im Rechtsbereich um das 108-Fache, im Vertrieb und Recruiting um das 41-Fache und im Marketing um das 26-Fache stieg; in der Softwareentwicklung war es das Fünffache. Da die Ausgangswerte nicht offengelegt wurden, lässt sich daraus weder ableiten, wie viele Juristen und Ingenieure KI nutzen, noch welcher Anteil ihrer Arbeit damit erledigt wird. Im Juni entfielen 64 Prozent der kombinierten Ausgabe-Token von Codex und ChatGPT bei Unternehmenskunden auf Codex. Längere Agentenläufe erzeugen mehr Token; der Token-Anteil ist weder der Anteil der Beschäftigten noch ein Wertmaß. OpenAI verkauft diese Produkte und hat ein Interesse daran, ihre Verbreitung hervorzuheben.

In einer separaten [Studie mit mehr als 800.000 ChatGPT-Nachrichten aus den USA](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf) ordnete OpenAI im Juli 16,8 Prozent der arbeitsbezogenen Nachrichten Aufgaben zu, die mit einem anderen Beruf als dem des Nutzers verbunden waren. Unter den Nachrichten, die sich konkret genug einem Beruf zuordnen ließen, lag der Anteil bei 43,5 Prozent. Eine [Nachuntersuchung im September](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) stellte fest, dass manche Beschäftigte im Folgemonat erneut solche Aufgaben bearbeiteten. Es handelt sich um Nachrichtenanteile bei einer Stichprobe von Nutzern; der Beruf wurde aus Angaben beim geschäftlichen Onboarding abgeleitet. Die Daten zeigen, worum Menschen bitten und was sie erneut aufgreifen, nicht, dass sie die Aufgabe erledigten oder ihren Beruf änderten.

Auch Anthropics [Economic Index vom Juni](https://www.anthropic.com/research/economic-index-june-2026-report) untersucht Aktivitäten auf den eigenen Diensten des Anbieters. Die feinere Stichprobe erfasst Arbeitsmuster im Tagesverlauf und unterscheidet zwischen Chat, Cowork und der eigenen API. Die begleitende Umfrage verknüpfte die Nutzung mit rund 9.700 Claude-Befragten, die mindestens fünf Sitzungen absolviert hatten. Anthropic warnt, dass diese Befragten nicht repräsentativ für die Erwerbsbevölkerung sind: Beschäftigte aus Informatik und Mathematik stellten rund 30 Prozent der Befragten, aber etwa vier Prozent der US-Erwerbstätigen. Berufe mit körperlicher Arbeit waren unterrepräsentiert. Der frühere [Index vom März](https://www.anthropic.com/research/economic-index-march-2026-report) stellte fest, dass Aufgaben aus Informatik und Mathematik im Februar 35 Prozent der Unterhaltungen auf Claude.ai ausmachten. Das ist der Anteil an den Unterhaltungen eines einzelnen Produkts, nicht der Anteil der Entwickler, die KI nutzen; Programmieraktivitäten verlagerten sich zudem auch auf die API. Plattformdaten können Aufgaben und Häufigkeit innerhalb eines Dienstes sichtbar machen, liefern für sich genommen aber keine berufsübergreifende Nutzungsquote für die Gesamtwirtschaft.

## Produktivität hängt von Aufgabe und Kontrolle ab

Bei einer [schrittweisen Einführung](https://doi.org/10.1093/qje/qjae044) mit 5.172 Kundendienstmitarbeitenden erhöhte der Zugang zu einem KI-Unterhaltungsassistenten die Zahl der pro Stunde gelösten Anliegen im Durchschnitt um 15 Prozent. Weniger erfahrene und geringer qualifizierte Beschäftigte steigerten sowohl Tempo als auch Qualität; die erfahrensten und höchstqualifizierten wurden etwas schneller, ihre Qualität sank jedoch leicht. Kunden waren höflicher und baten seltener um eine Führungskraft. Die Studie untersuchte den Kundendienst eines Unternehmens, wo sich Lösungen und Eskalationen erfassen lassen. Sie berechnete keine Rendite für andere Serviceabteilungen.

In einem [Experiment mit 66 Unternehmen und 7.137 Wissensarbeitern](https://www.nber.org/papers/w33795) wurde nach dem Zufallsprinzip einigen Beschäftigten ein KI-Werkzeug in E-Mail-, Besprechungs- und Schreibsoftware bereitgestellt. In der zweiten Hälfte der sechsmonatigen Studie arbeiteten die 80 Prozent der behandelten Gruppe, die das Werkzeug nutzten, pro Woche zwei Stunden weniger mit E-Mails und seltener außerhalb der regulären Arbeitszeit. Bei individuellem Zugang stellten die Forschenden keine umfassendere Verschiebung des Umfangs oder der Zusammensetzung von Aufgaben fest. Drei Autoren arbeiteten bei Microsoft Research; Microsoft, der Hersteller des Werkzeugs, organisierte das Experiment mit und stellte Produkt-Telemetriedaten bereit. Das Ergebnis betrifft die teilnehmenden Unternehmen, nicht die gesamte Büroarbeit.

Ein [Feldexperiment mit 758 Beratern der Boston Consulting Group](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), das 2023 durchgeführt und im März 2026 veröffentlicht wurde, ergab schnellere und besser bewertete Arbeit bei Aufgaben, die gezielt auf die Stärken von GPT-4 zugeschnitten waren. Bei einem anderen Fall, der die Interpretation von Interviewbelegen erforderte, gaben KI-Nutzer mit höherer Wahrscheinlichkeit eine falsche Antwort. BCG wirkte an der Studie mit; untersucht wurden klar definierte Übungen, keine Ergebnisse aus Kundenprojekten.

In [METRs randomisierter Studie](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) mit 16 erfahrenen Open-Source-Entwicklern und 246 Aufgaben in Repositorien, mit denen sie vertraut waren, verlängerte der Zugang zu KI-Werkzeugen von Anfang 2025 die Bearbeitungszeit um 19 Prozent. Dennoch glaubten die Entwickler, die Werkzeuge hätten sie beschleunigt. [METRs späterer Versuch](https://metr.org/blog/2026-02-24-uplift-update/) mit neueren Werkzeugen deutete auf Zugewinne hin. Die Forschenden hielten die Schätzung jedoch für unzuverlässig, weil Entwickler, die nicht ohne KI arbeiten wollten, nicht teilnahmen und parallele Agentenarbeit die Zeitmessung erschwerte. Die Studien können daher keine einheitliche Produktivitätswirkung des Programmierens über verschiedene Werkzeuge und Jahre hinweg belegen.

Beim Programmieren ist Rückmeldung ungewöhnlich leicht zugänglich: Repositorien bewahren Kontext und Änderungen, und Builds, Tests sowie Code-Reviews können Fehler aufdecken. Selbst dort ist ein bestandener Test noch kein vollständiges Produkt. Im Kundendienst liefern die Problemlösung und die Reaktionen der Kunden andere Rückmeldungen. Ein E-Mail-Entwurf kann Zeit sparen, ohne die Leistung eines Unternehmens zu verändern. Bei juristischen, finanziellen oder medizinischen Empfehlungen sind Kontrollen erforderlich, die den möglichen Folgen entsprechen; Käufer müssen neben den Werkzeugkosten auch den Prüfaufwand berücksichtigen. Das sind unterschiedliche Messprobleme. Die Nutzung allein belegt deshalb weder eine vergleichbare Intensität noch einen vergleichbaren Wert.

## Arbeit kann sich ändern, bevor es die Lohnstatistik zeigt

In Dänemark verknüpften Forschende Befragungen von Beschäftigten in elf betroffenen Berufen und 7.000 Arbeitsstätten mit Verwaltungsdaten. Die [überarbeitete Fassung vom März 2026](https://www.nber.org/papers/w33777) berichtet von Chatbot-Initiativen der Arbeitgeber und gemeldeten Aufgabenänderungen, aber zwei Jahre nach dem Start von ChatGPT keine nachweisbaren Auswirkungen auf Einkommen oder erfasste Arbeitsstunden auf Ebene der Beschäftigten oder Arbeitsstätten; laut den Schätzungen sind Auswirkungen über zwei Prozent ausgeschlossen. Dieser Befund gilt für Dänemark, die untersuchten Berufe und den betrachteten Zeitraum. Er belegt nicht, dass spätere Verbreitung die Beschäftigung unverändert lässt.

Für Beschäftigte kann wiederkehrende Nutzung eine breitere Aufgabenmischung oder weniger Zeit für E-Mails bedeuten. Für Käufer lautet die Frage, ob der gesamte Arbeitsablauf verlässliche Arbeit zu akzeptablen Kosten ermöglicht. Für Personen, die eine Kundendienstantwort erhalten oder sich auf professionelle Beratung verlassen, zählt, ob sie korrekt und verantwortbar ist. Die verfügbaren Belege zeigen eine breitere Nutzung jenseits des Programmierens und messbare Zugewinne bei ausgewählten Aufgaben. Sie liefern bislang weder einen Zeitplan dafür, wann andere Berufe hinsichtlich Nutzungstiefe der Softwareentwicklung ähneln, noch eine einheitliche Aussage zu Produktivität und Beschäftigung.

## Quellen und weiterführende Informationen

- [Nutzungstracker des Real-Time Population Survey, erläutert von der Federal Reserve Bank of St. Louis](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/), 27. August 2026: wöchentliche Nutzung in den USA, unterstützte Arbeitsstunden und selbstberichtete Zeiteinsparung. Ausgabequalität oder Umsatz werden nicht beobachtet.
- [OpenAI Enterprise Signals](https://openai.com/signals/enterprise-data/), aktualisiert am 12. August 2026: Nutzung innerhalb der Unternehmenskundschaft von OpenAI, gemessen an Token und wöchentlich aktiven Nutzern. Die Wachstumsraten enthalten keine veröffentlichten Ausgangszahlen.
- [OpenAI: Work at the Frontier](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), Juli 2026, und die [Nachuntersuchung im September](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf): klassifizierte ChatGPT-Nachrichten und Wiederholung bei ausgewählten Geschäftsnutzern, keine abgeschlossenen Berufsergebnisse.
- [Anthropic Economic Index: Cadences](https://www.anthropic.com/research/economic-index-june-2026-report), 26. Juni 2026, und [Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report), 24. März 2026: Claude-Aktivitäten, Ausgabearten und eine ausgewählte Nutzerumfrage. Die Bezugsgrößen sind der Anthropic-Datenverkehr und die Befragten.
- [Brynjolfsson, Li und Raymond: Generative AI at Work](https://doi.org/10.1093/qje/qjae044), online veröffentlicht am 4. Februar 2025, in der Maiausgabe des *Quarterly Journal of Economics*: gemessene Produktivität im Kundendienst, Unterschiede nach Qualifikation und Reaktionen der Kunden bei einem stufenweisen Rollout in einem Unternehmen.
- [Dillon und Kollegen: Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795), überarbeitete Fassung vom November 2025: randomisierter Zugang am Arbeitsplatz, E-Mail-Zeit und Aufgabenmix in teilnehmenden Unternehmen. Drei Autoren arbeiteten bei Microsoft Research; Microsoft organisierte das Experiment mit.
- [Dell’Acqua und Kollegen: Navigating the Jagged Technological Frontier](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), Experiment von 2023, veröffentlicht am 11. März 2026: gemessene Geschwindigkeit, bewertete Qualität und Fehler bei unterschiedlichen Beratungsübungen.
- [METRs Entwicklerexperiment](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) und [Aktualisierung vom Februar 2026](https://metr.org/blog/2026-02-24-uplift-update/): randomisierte Belege zum Programmieren und Auswahlprobleme in der späteren Studie.
- [Humlum und Vestergaard: Still Waters, Rapid Currents](https://www.nber.org/papers/w33777), überarbeitet im März 2026: dänische Beschäftigten- und Betriebsbefragungen, verknüpft mit Verwaltungsdaten zu Arbeitsstunden und Einkommen.

## Sources

- [Spart generative KI am Arbeitsplatz Zeit?](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) — Repräsentative US-Onlineumfrage: Nutzung in der Vorwoche, unterstützte Arbeitsstunden und selbstberichtete Einsparungen; keine überprüften Angaben zu Ausgabe oder Umsatz.
- [Enterprise Signals](https://openai.com/signals/enterprise-data/) — Telemetriedaten von OpenAI-Unternehmen: Codex-Nutzer nach Funktion und Tokenmix. Nicht veröffentlichte Ausgangszahlen und tokenintensive Agenten schränken mögliche Schlussfolgerungen ein.
- [Work at the Frontier: How AI is expanding what people do at work](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf) — Klassifizierung von OpenAI zu mehr als 800.000 beruflichen Nachrichten; Nachrichtenanteile zu fremden Berufen sind keine abgeschlossene Arbeit.
- [Work at the Frontier: How workers are unlocking new ways of working](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) — Studie von OpenAI zur Wiederholung bei ausgewählten Nutzern; erneute Anfragen belegen keine Umgestaltung des Berufs.
- [Anthropic Economic Index: Cadences](https://www.anthropic.com/research/economic-index-june-2026-report) — Nutzungsmuster von Claude und nicht repräsentative Umfrage unter rund 9.700 ausgewählten Nutzern.
- [Anthropic Economic Index: Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report) — Stichproben von Claude.ai und API aus dem Februar 2026. Der Anteil von 35 Prozent für Programmieraufgaben bezieht sich auf Claude.ai-Unterhaltungen.
- [Generative AI at Work](https://doi.org/10.1093/qje/qjae044) — In der QJE-Ausgabe vom Mai 2025 veröffentlichte Studie mit 5.172 Beschäftigten im Kundendienst eines Unternehmens: im Schnitt 15 Prozent mehr gelöste Anliegen pro Stunde. Die Zugewinne konzentrierten sich auf weniger Erfahrene; bei höchstqualifizierten Beschäftigten sank die Qualität leicht. Kunden waren höflicher und baten seltener um eine Führungskraft. Keine allgemeine Rendite- oder Beschäftigungswirkung.
- [Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795) — NBER-Ausgabe vom Mai 2025, überarbeitet im November 2025 (genauer Tag nicht angegeben). Randomisierte Studie mit 7.137 Beschäftigten in 66 Unternehmen. Drei Autoren arbeiteten bei Microsoft Research; Microsoft stellte das Werkzeug her, organisierte die Studie mit und lieferte Telemetriedaten.
- [Navigating the Jagged Technological Frontier](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf) — Kontrollierte, von BCG mitgetragene Beratungsübungen aus dem Jahr 2023, veröffentlicht am 11. März 2026 in Organization Science: aufgabenabhängige Zugewinne und Fehler, keine Ergebnisse aus Kundenprojekten.
- [METR: Produktivitätsstudie mit Entwicklern, Anfang 2025](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) — Randomisierte Studie mit 16 Entwicklern und 246 Aufgaben: mit damaligen Werkzeugen dauerte die Arbeit in einer eng begrenzten Stichprobe 19 Prozent länger.
- [METR: Aktualisierung des Entwickler-Produktivitätsexperiments](https://metr.org/blog/2026-02-24-uplift-update/) — Die Forschenden erklären, warum spätere Schätzungen zur Beschleunigung wegen Auswahl- und Zeitmessungsproblemen unzuverlässig sind.
- [Still Waters, Rapid Currents](https://www.nber.org/papers/w33777) — NBER-Ausgabe vom Mai 2025, überarbeitet im März 2026 (genauer Tag nicht angegeben). Dänische Befragungs- und Verwaltungsdaten zeigen frühzeitig begrenzte Nullbefunde bei Einkommen und erfassten Arbeitsstunden.