Wirklich belastbar ist diese Makro-Lesart für die Industrie aber erst, wenn sie sich in den harten Operativ-Kennzahlen der Automation wiederfindet – und genau hier wird Robotik zur entscheidenden Transmissionsstufe zwischen KI im Code und KI im Ergebnis.

Brynjolfsson beschreibt diese Entwicklung als typische J-Kurve von General-Purpose-Technologien – also als ein Muster, bei dem eine Veränderung oder Investition zuerst messbar schlechtere Ergebnisse erzeugt und erst danach zu überdurchschnittlichen Verbesserungen führt. Also kurzum so schlicht wie unbestreitbar: Investitionen und Umstellungskosten kommen zuerst, Output-Gewinne später.

Von der Investitionsphase zur Erntephase

In diesem Sinne beschreibt er Unternehmen, die „aus dieser Investitionsphase in eine Erntephase übergehen“ und bei denen die frühere Umbauarbeit „als messbarer Output“ sichtbar werde. Für die Robotik ist in diesem Kontext entscheidend, ob die KI tatsächlich die klassischen Prüfsteine der Automatisierung adressiert. Hier sind zuvorderst der Integrationsaufwand, die Varianz im Teile-Spektrum, die Inbetriebnahmezeit sowie die Robustheit und die Uptime/MTBF im 24/7-Betrieb als Kernkennzahlen für die Zuverlässigkeit und Verfügbarkeit von KI-Robotern zu nennen.

Konsequentes Durcharbeiten der J-Kurve bis zur industriellen Reife

Der aktuelle Humanoid-Diskurs liefert dafür einen selten klaren Realitätscheck. Michael Tam, Chief Brand Officer des chinesischen Robotikunternehmens UBTech, sagt im Financial-Times-Artikel „Robots only half as efficient as humans“ vom 25. Januar über den Humanoiden Roboter „Walker S2“, dass er nur 30 bis 50 Prozent der menschlichen Produktivität erreiche und das „nur bei spezifischen Aufgaben wie dem Stapeln von Kisten und der Qualitätskontrolle“. Tam begründet zugleich den aktuellen Wettbewerbsdruck, dem sich die Unternehmen ausgesetzt sehen: „Wenn Tesla den Vorteil hat, seine eigenen humanoiden Roboter in die Fertigungslinie zu bringen, dann bleiben vielleicht BYD und andere zurück.“ Übersetzt in Produktivitätslogik mag das wohl heißen, dass Humanoide heute nicht primär gekauft werden, weil sie bereits wirtschaftlich überlegen wären, sondern weil Hersteller sich Lernkurven-Optionen und First-Mover-Vorteile sichern wollen. Das passt zu Brynjolfssons These: Makro-Produktivität wird nicht durch spektakuläre Demos erzeugt, sondern durch das konsequente Durcharbeiten der J-Kurve bis zur industriellen Reife.

KI-Produktivität in der Robotik ist ein Skalierungsrennen

Gleichzeitig zeigt die klassische Industrierobotik, wie schnell Skalierung zum Standortfaktor wird, wenn Technik und Ökosystem „fertig“ sind. Die International Federation of Robotics (IFR) zitiert ihren Präsidenten Takayuki Ito im Kontext des letzten World Robotics Report: „Die neuen World-Robotics-Statistiken zeigen, dass 2024 die zweithöchste jährliche Installationszahl“ erreicht wurde, und beziffert den weltweiten operativen Bestand auf „4.664.000 Einheiten im Jahr 2024“. Entscheidend für die Wettbewerbsdynamiken ist laut IFR wenig überraschend China, das 2024 für 54 Prozent der weltweiten Deployments stand. Für die europäische Industrie ist das ein direktes Signal: KI-Produktivität in der Robotik ist nicht nur ein Tool-Upgrade, sondern ein Skalierungsrennen, bei dem Daten, Integrationsstandards, Safety-Zertifizierung und Service-Netze über Kostenkurven entscheiden.

Anpassungskosten in Robotik-Programmen besonders hoch

Warum das in den Produktivitätsdaten oft verzögert auftaucht, illustrieren aktuelle Befunde zur „Industrial-AI-J-Kurve“ sehr konkret. Die Wirtschafts- und Managementschule des Massachusetts Institute of Technology (MIT) fasste letzten Sommer die Ergebnisse aus den US-Census-Survey-Daten so zusammen: „KI-Adoption bremst die Produktivität kurzfristig tendenziell“, selbst nach Kontrollen zeige sich „ein Rückgang der Produktivität um 1,33 Prozentpunkte“. Und Kristina McElheran, Professorin für Strategic Management an der University of Toronto, betonte in diesem Kontext: „Dieses anfängliche Absinken – die abwärts gerichtete Seite der J-Kurve – ist sehr real.“ Genau diese Anpassungskosten sind in Robotik-Programmen besonders hoch, weil jede KI-Funktion in Hardware-Realitäten übersetzt werden muss: Sensorik-Drift, Greifer-Toleranzen, Prozessfenster, Takt-Synchronisation, Sicherheitsabstände, Hygiene, Ersatzteilkonzepte und der Umgang mit „Long-Tail“-Varianz. Wenn diese Komplementärinvestitionen fehlen, liefert KI eher neue Engpässe als eine höhere Gesamtanlageneffektivität.

Wo wird der KI-Produktivitätssprung im Robotik-Kontext zuerst sichtbar?

Wo kann der von Brynjolfsson behauptete Produktivitätssprung im Robotik-Kontext dennoch zuerst sichtbar werden? Am wahrscheinlichsten dort, wo KI die Nicht-Wertschöpfungszeit rund um Robotik reduziert – durch schnellere Layout- und Takt-Auslegung via Simulation, eine stärker automatisierte Parametrierung von Vision/Inspektion, eine robustere Anomalie-Detektion für Predictive Maintenance sowie durch weniger „Engineering Hours per Cell“ durch wiederverwendbare Software-Stacks. Dass sich dieser Effekt in Teilen bereits andeutet, sehen Ökonomen auch in der Makro-Perspektive. So schließt beispielsweise Stephen Brown von Capital Economics in einem Kommentar von Anfang Februar aus Output-/Employment-Entkopplungen im ICT-Umfeld: „All das legt nahe, dass KI einen großen Beitrag zum Produktivitätswachstum leistet.“ Für die Robotik könnte das operativ heißen, dass der Produktivitätssprung nicht als plötzliche Humanoid-Revolution kommen wird, sondern als kumulierter Effekt aus besserer Wahrnehmung, zuverlässigerer Autonomie in eng abgegrenzten Tasks und drastisch sinkenden Integrations- und Betriebsaufwänden – also genau die Stellhebel wirken, die Pilotzellen in eine skalierbare Fabrikarchitektur überführen.