486 Milliarden Dollar Produktivitätspotenzial bis 2030 — so lautet das Versprechen des McKinsey Global Institute für die deutsche Wirtschaft. Eine Zahl, die beeindruckt. Und die einer kritischen Prüfung nicht standhält.
Denn das Modell rechnet mit Arbeitsstunden, nicht mit Organisationen. Es setzt technische Automatisierbarkeit mit realisierter Produktivität gleich — und ignoriert dabei Infrastrukturlücken, institutionelle Trägheit und die strukturelle Rezeptivitätsschwäche des deutschen Mittelstands. Dass McKinsey selbst einräumt, weniger als 40 Prozent der Unternehmen erzielten mit KI messbare Ergebnisse, erscheint im Begleittext. Nicht in der Schlagzeile.
Was bleibt: eine Potenzialgröße unter Idealbedingungen — und eine Kommunikationsarchitektur, die den Auftraggeber nicht zufällig begünstigt.
Eine Frage lässt die Studie dabei vollständig außen vor: Ob eine schrumpfende Industrie, deren Kern unter Restrukturierungsdruck steht, das modellierte Potenzial überhaupt noch als Bezugsgröße hat. Wer Werke schließt, baut keine KI-Agenten ein.
Eine gute Nachricht liefert die Studie immerhin: Kritisches Denken, Regulierungs- und Rechtswissen sowie Kreativität werden laut McKinsey in Stellenausschreibungen branchenübergreifend wichtiger. McKinsey-Partner Schrader bringt es auf den Punkt: „Wenn ein Großteil meiner Zuarbeit von Agenten kommt, muss ich meinem kritischen Blick vertrauen, dass die Arbeit der Agenten auch wirklich richtig und sinnvoll ist.“ — Dieser kritische Blick empfiehlt sich allerdings nicht nur gegenüber KI-Agenten. Sondern auch gegenüber Studien, die uns erklären, wie unverzichtbar KI ist. Ganz ohne KI-Agenten.
I. Was die Studie behauptet
Das McKinsey Global Institute (MGI) veröffentlicht mit „Agents, robots, and us: How AI reshapes work and skills in Europe“ eine gesamteuropäische Automatisierungsstudie, deren Kernargumentation für Deutschland lautet: Bis 2030 seien Produktivitätsgewinne von bis zu 486 Milliarden US-Dollar realisierbar — mehr als in Großbritannien (375 Mrd.) oder Frankreich (238 Mrd.). Rund 59 Prozent der aktuellen Arbeitsstunden seien technisch automatisierbar. Den größten Hebel sehen die Autoren nicht in der Robotik (18 %), sondern in KI-Agenten (82 %). Im verarbeitenden Gewerbe allein werden 112 Mrd. Dollar Potenzial veranschlagt, gefolgt von Handel, öffentlicher Verwaltung und Gesundheitswesen.
II. Methodische Einwände: Was das Modell nicht sieht
1. Technisches Potenzial ≠ realisiertes Potenzial
Die Studie operiert durchgehend auf der Ebene technischer Automatisierbarkeit — also dem, was Technologie prinzipiell leisten könnte. Der Schritt von der technischen Möglichkeit zur betrieblichen Wirklichkeit wird modellhaft über einen „Adoptionsgrad“ eingepreist, dessen Annahmen jedoch nicht offengelegt werden. Das ist die klassische Potenzialfallacy: Man misst die Decke und behauptet, das Haus sei bereits gebaut.
Die verfügbaren Gegendaten sind ernüchternd: Trotz Investitionen von 30 bis 40 Milliarden US-Dollar in generative KI weltweit erreichen laut MIT-Studie nur fünf Prozent der Unternehmensprojekte den Produktivbetrieb. McKinsey-Partner Ulf Schrader räumt das indirekt selbst ein: „Fast 90 Prozent der Unternehmen setzen regelmäßig KI ein, aber weniger als 40 Prozent erzielen messbare Ergebnisse.“ Diese Lücke ist kein Implementierungsrauschen — sie ist strukturell.
2. Das Modell rechnet mit Stunden, nicht mit Organisationen
Die Berechnungsgrundlage — Beschäftigtenzahlen × Löhne × modellierter Adoptionsgrad — behandelt Unternehmen als homogene Produktionsfunktionen. Was dabei ausgeblendet wird: Organisationsstruktur, Entscheidungspathologien und institutionelle Trägheit. Mintzberg und Weick hätten hier eingewendet, dass Produktivitätsgewinne nicht aus Automatisierung einzelner Tätigkeiten entstehen, sondern aus der Neugestaltung von Koordinationslogiken — und dass genau diese Neugestaltung in der Mehrzahl der Organisationen an Machtstrukturen, Silodenken und fehlenden Veränderungskapazitäten scheitert. McKinsey-Schrader deutet das an, ohne die Konsequenz zu ziehen: Wenn Prozessneugestaltung die Voraussetzung ist, fällt der größte Teil des 486-Milliarden-Betrags unter Ceteris-paribus-Bedingungen aus.
3. Deutschland als struktureller Sonderfall — in beide Richtungen
Die Studie begründet Deutschlands Spitzenposition mit dem hohen Anteil agentenzentrierter Rollen (35 % der Beschäftigten, europaweit führend) — Buchhalter, Verwaltungsassistenten, Softwareentwickler. Das ist plausibel. Was fehlt: eine kritische Würdigung der spezifischen Umsetzungshindernisse der deutschen Wirtschaft.
Zu nennen wären: die chronisch unterfinanzierte digitale Infrastruktur (Rechenzentrumskapazität Deutschland vs. USA = 1:20), die strategische Rezeptivitätsschwäche im Mittelstand gegenüber diskontinuierlichen Technologien (Ansoffs Weak-Signals-Logik), die regulatorische Fragmentierung (Datenschutz, Betriebsratsmitbestimmung bei KI-Einführung), sowie das nachgewiesene Muster gescheiterter Digitalkooperationen — Gaia-X, Catena-X — das systemisches Koordinationsversagen anzeigt, nicht individuelle Fehlentscheidungen.
4. Infrastrukturlücke als Realisierungsdeckel
Die Studie ignoriert einen handfesten physischen Engpass: Die verfügbare Rechenkapazität in Deutschland liegt bei ca. 3 Gigawatt (Prognose 2030), der wirtschaftliche Bedarf bei bis zu 12 Gigawatt. Diese Kapazitätslücke von rund 50 Prozent (Deloitte-Schätzung) begrenzt KI-Skalierung strukturell — unabhängig von Adoptionsbereitschaft. Ein Modell, das Potenzial als Funktion von Beschäftigung und Technologieverfügbarkeit berechnet, ohne Recheninfrastruktur als bindende Nebenbedingung einzubeziehen, überschätzt das Realisierungspotenzial systematisch.
II.a Die schrumpfende Bezugsgröße
McKinsey modelliert Potenzial auf Basis der heutigen Wirtschaftsstruktur — eines Zustands, der selbst im Wandel ist. Die 486 Milliarden Dollar sind eine Funktion aus Beschäftigung × Löhnen × Automatisierungsgrad. Wenn die Industrie — die mit 112 Milliarden Dollar den größten Einzelposten stellt — weiter schrumpft, Werke schließen und Beschäftigte abgebaut werden, sinkt die Bezugsgröße des Potenzials schneller als die Adoption steigen kann. Das Modell rechnet auf einem Fundament, das sich unter ihm verschiebt.
Hinzu kommt: Die von McKinsey geforderte „systematische Prozessneugestaltung“ kostet Kapital, Management-Attention und Zeit. Unternehmen unter Restrukturierungsdruck — und das ist ein wachsender Teil der deutschen Industrie — haben genau diese Ressourcen nicht. Die Unternehmen, die am meisten vom KI-Potenzial profitieren könnten, sind strukturell am wenigsten in der Lage, es zu heben. Wer Werke schließt, baut keine KI-Agenten ein
III. PR-Schere zweiter Ordnung: McKinseys Eigeninteresse
McKinsey ist hier nicht neutraler Beobachter. Die Beratungsbranche profitiert strukturell von zwei komplementären Szenarien: Transformationsdruck (→ Auftrag zur KI-Strategie) und Umsetzungskomplexität (→ Auftrag zur Prozessneugestaltung). Die 486-Milliarden-Zahl ist gleichzeitig Potenzialversprechen und implizites Verkaufsargument.
Das bedeutet nicht, dass die Zahl falsch ist — es bedeutet, dass sie unter einem systematischen Optimierungsbias steht. McKinsey-Studien zum Transformationspotenzial neigen historisch dazu, Realisierungsbarrieren in den methodischen Fußnoten zu begraben und im Executive Summary die Chancenseite zu maximieren. Die Aussage, dass „grundlegende Prozessneugestaltung“ die Voraussetzung sei, erscheint im Begleittext — nicht in der Schlagzeile. Das ist keine Nachlässigkeit, sondern Kommunikationsarchitektur.
Dabei bleibt eine strukturelle Ironie unerwähnt: Das Geschäftsmodell von McKinsey selbst steht unter dem Druck, den die Studie beschreibt. Vieles von dem, was Strategieberatungen als exklusive Einsicht vermarkten — Marktanalysen, Benchmarks, Potenzialmodelle, Handlungsempfehlungen — lässt sich heute mit ChatGPT oder Claude in einem Bruchteil der Zeit, zu einem Bruchteil der Kosten und nicht selten in vergleichbarer Qualität reproduzieren. Die KI-Agenten, deren Produktivitätspotenzial McKinsey für die deutsche Wirtschaft berechnet, sind dieselben, die das klassische Beratungsmodell strukturell entwerten. Wer die Disruption analysiert, ohne die eigene Disruption zu benennen, betreibt selektive Transparenz.
IV. Was die Studie dennoch richtig erfasst
Trotz der genannten Einwände trifft die Studie einige strukturelle Befunde, die empirisch stabil sind:
Erstens: Die Verschiebung von Robotik zu KI-Agenten als Automatisierungsvektor ist real und relevant. Für die deutsche Industrie — stark in komplexer Wissensarbeit, Planung und Qualitätskontrolle — ist der 82/18-Split tatsächlich bedeutsam.
Zweitens: Die Differenzierung nach Berufstypen (agentenzentriert / hybrid / körperlich-räumlich) ist analytisch nützlich und geht über grobe Automatisierungsquoten hinaus.
Drittens: Der Befund, dass KI-Fluency in Deutschland seit 2023 am stärksten in Europa gewachsen ist(Versechsfachung), ist ein belastbarer Indikator für veränderte Kompetenzprofile — auch wenn er über Diffusionstiefe und Qualität der Anwendung nichts aussagt.
Viertens: Die Mahnung, dass Einzeltool-Einsatz das Potenzial nicht hebt, sondern Prozessarchitektur entscheidend ist, ist korrekt — auch wenn McKinsey daraus das falsche Narrativ (Beratungsbedarf) statt das richtige (Führungsversagen) ableitet.
V. Einordnung: Was bleibt
Die 486-Milliarden-Zahl ist eine Potenzialgröße unter Idealbedingungen, kein Prognosewert. Realistisch erreichbar sind — unter Berücksichtigung von Infrastrukturlücken, Adoptionsbarrieren, Mittelstandsrestriktivität und Koordinationsversagen — bestenfalls 20 bis 30 Prozent davon, verteilt asymmetrisch auf Großunternehmen mit Digitalkapazität. Der Mittelstand, der den Kern der deutschen Beschäftigung ausmacht, wird davon in den nächsten vier Jahren strukturell kaum profitieren.
Das eigentlich relevante Forschungsprogramm wäre nicht „Was ist technisch möglich?“ sondern: „Welche institutionellen Voraussetzungen müssen erfüllt sein, damit KI-Agenten in bestehende Organisationsstrukturen produktivitätswirksam integriert werden — und wer erfüllt diese Voraussetzungen unter welchen Bedingungen?“ Diese Frage stellt McKinsey nicht. Ihre Beantwortung würde das Potenzial erheblich kleiner und die Verteilung erheblich ungleicher erscheinen lassen.
Ralf Keuper
Quellen:
- McKinsey Global Institute: „Agents, robots, and us: How AI reshapes work and skills in Europe“ — Studienzusammenfassung via CIO.de
https://www.cio.de/article/4170810/deutschland-kann-am-meisten-von-ki-profitieren.html - WirtschaftsWoche: „Studie: Wie KI Deutschlands Firmen bis 2030 486 Milliarden Dollar bringen kann“
https://www.wiwo.de/erfolg/management/studie-wie-ki-deutschlands-firmen-bis-2030-486-milliarden-dollar-bringen-kann/100225281.html - Retail-News.de: „McKinsey: Deutschland hat Europas größtes Potenzial für KI-Automatisierung“
https://retail-news.de/mckinsey-ki-automatisierungspotenzial-deutschland/ - Table.Briefings: „Wo deutsche Unternehmen bei KI gewinnen können — und wo die Probleme liegen“
https://table.media/ceo/executive-summary/wo-deutsche-unternehmen-bei-ki-gewinnen-koennen-und-wo-die-probleme-liegen - Euronews: „Deutschland investiert Milliarden in KI — aber wer macht damit Gewinne?“
https://de.euronews.com/business/2025/10/01/ki-kuenstliche-intelligenz-geschaeftsmodell-wirtschaft - MIT Sloan: „The GenAI Divide: State of AI in Business“ — zitiert nach Table.Briefings (s. Quelle 4)