Künstliche Intelligenz (KI) verändert die globale Wirtschaft tiefgreifend – doch ihre wahren Auswirkungen sind bislang schwer abzuschätzen. Während einige Ökonomen nur eine geringe Steigerung des Bruttoinlandsprodukts um etwa 0,9 % in den nächsten zehn Jahren prognostizieren, rechnen andere mit einer Wirtschaftsrevolution, die bis 2045 jährlich zwischen 17 und 26 Billionen US-Dollar hinzufügen und bis zu die Hälfte aller heutigen Arbeitsplätze automatisieren könnte. Schon heute beeinflusst die Angst oder Erwartung an eine KI-Revolution das Verhalten von jungen Berufsanfängern, politische Entscheidungen und Milliardeninvestitionen in Halbleiter und Rechenzentren. Um die wahren Effekte zu verstehen, ist es entscheidend, bereits jetzt systematisch zu erforschen, wie KI die Wirtschaft verändert – nicht nur durch Daten, sondern auch durch kreative, aber fundierte Annahmen. Doch die klassischen Methoden der Wirtschaftsforschung stoßen an Grenzen. Natürliche Experimente und randomisierte Kontrollstudien, bei denen eine Gruppe Zugang zu KI-Tools erhält, liefern wertvolle Erkenntnisse – etwa, dass Call-Center-Mitarbeiter mit KI 15 % schneller arbeiteten und Softwareentwickler mit KI-Assistenten 26 % mehr Aufgaben erledigten. Doch diese Ergebnisse veralten schnell: Seit dem Erscheinen von ChatGPT 2022 hat sich die Leistung von KI-Systemen dramatisch verbessert – heute bewältigen sie dreimal so viele Kundensupport-Chats autonom wie vorher. Zudem zeigen kontrollierte Studien nur einen Teil der Wirklichkeit: Sie ignorieren oft, dass Unternehmen ihre Strukturen anpassen – etwa durch Umorganisation oder Entlassungen weniger erfahrener Mitarbeiter, wenn KI effizienter ist. Tatsächlich zeigt Payroll-Daten, dass die Beschäftigung junger Arbeitnehmer seit 2022 in KI-gängigen Berufen wie Kundenservice und Softwareentwicklung zurückgegangen ist – ein Trend, der möglicherweise mit KI zusammenhängt, aber noch nicht endgültig bewiesen ist. Um diese Komplexität zu erfassen, schlagen Forscher drei Ansätze vor: Erstens „soziale Wissenschaftsfiktion“ – eine Art hypothetisches Denken, das auf ökonomischen Grundprinzipien basiert. So zeigte eine Studie, dass selbstfahrende Autos die Verkehrsbelastung erhöhen könnten, weil die persönliche Kosten von Fahrzeit sinken und mehr Menschen reisen. Zweitens: Vorwärtsgerichtete Daten. Neben Benchmarks, die KI-Fähigkeiten testen, müssen auch echte Nutzungsmuster analysiert werden – etwa, dass KI-Chatbots vor allem in der Softwareentwicklung eingesetzt werden. Auch Beschäftigungsdaten, Gewinnentwicklung von KI-integrierenden Unternehmen und Stellenangebote liefern Hinweise auf frühe Effekte. Drittens: Kausalitätsforschung, die klären soll, ob KI tatsächlich Produktivität steigert oder nur von bereits leistungsstarken Unternehmen genutzt wird. Hier hilft es, Skalierungseffekte vorherzusehen – etwa durch Nachbildung der Bedingungen realer Implementierer, nicht nur von Pilotprojekten. Ein entscheidender Faktor ist die sinkende Kostenstruktur von KI. In Ländern mit teurem Internet wie Sierra Leone wird KI bereits deutlich billiger als das Laden einer Webseite – ein Potenzial für breitere Zugänglichkeit. Gleichzeitig bleibt unklar, wie Menschen auf leistungsfähigere KI reagieren werden. Doch menschliches Verhalten folgt oft stabilen Mustern: bei Vertrauen, Anreizen und Anpassung an Automatisierung. Die Herausforderung besteht darin, KI nicht nur technisch zu entwickeln, sondern gesellschaftlich zu steuern – um sie nicht als Instrument der Ungleichheit, sondern als Werkzeug zur Verbesserung der Lebensbedingungen einzusetzen.