US-Unternehmen außerhalb des Big-Tech-Sektors stecken Milliarden in künstliche Intelligenz, doch die erhofften Produktivitätsgewinne bleiben bislang aus. Die Analyse von Torsten Slok, Chefökonom von Apollo Global Management, liefert eindeutige Zahlen: Während die sogenannten “Magnificent Seven” ihre Umsätze pro Beschäftigtem und Gewinnmargen stark ausbauen konnten, stagniert der Rest des S&P-500, bezeichnet als S&P 493, seit Jahren auf einem fast unveränderten Niveau.
Konkrete Divergenz zwischen S&P 493 und den Magnificent Seven
Die Zahlen hinter Sloks Diagnose verdeutlichen das Ausmaß dieser Entkoppelung: Während der inflationsbereinigte Umsatz je Beschäftigtem bei den sieben Tech-Riesen seit 2022 von rund 550.000 USD auf fast 780.000 USD im Jahr 2026 hochschnellte, verharrt die Kennzahl beim S&P 493 seit rund sieben Jahren bei etwa 525.000 USD. “Gewinnmargen bleiben flach, der Umsatz je Beschäftigtem ebenfalls.” Bei den operativen Margen zeigt sich ein ähnliches Bild: Die Magnificent Seven erreichen fast 30 % Nettogewinnmarge, während die übrigen 493 Unternehmen bei lediglich 10 % verharren.
Die wichtigsten Kennzahlen im Überblick:
- Umsatz pro Beschäftigtem (Magnificent Seven, 2026): ca. 780.000 USD
- Umsatz pro Beschäftigtem (S&P 493, 2026): ca. 525.000 USD
- Nettogewinnmarge (Magnificent Seven, 2026): ca. 30 %
- Nettogewinnmarge (S&P 493, 2026): ca. 10 %
Für viele Unternehmen wandeln sich laufende Token-Kosten und Software-Abonnements daher von strategischen Wachstumstreibern zu margendrückenden Kostenstellen.
Extreme Konzentration der KI-Nutzungsausgaben
Die von Apollo herangezogenen Auswertungsdaten zeigen, dass der tatsächliche KI-Betriebsaufwand nicht breit gestreut, sondern fast vollständig von einer winzigen Gruppe von Tech- und VC-finanzierten Firmen getrieben wird. Im Jahr 2026 stammen 99,5 % der KI-Inferenz-Ausgaben (Kosten für die Ausführung von Modellen) aus den oberen 10 % der Unternehmen.
- Anteilig an KI-Inferenz-Ausgaben: 99,5 % von den Top-10 % der Unternehmen (2026)
Dieser Befund erklärt den ökonomischen Grund für den fehlenden Makro-Effekt: Der Großteil der Unternehmen nutzt KI bisher nur oberflächlich oder experimentell und scheut die teuren Token-Kosten.
Wissenschaftliche Fundierung: Die makroökonomische Grenze von Generativer KI
Sloks Beobachtungen decken sich mit Modellen führender Ökonomen wie Daron Acemoglu (MIT). Die Prognosen besagen, dass Generativer KI die totale Faktorproduktivität (TFP) der US-Wirtschaft über ein Jahrzehnt um weniger als 0,55 % bis 0,71 % steigern wird. Noch weniger als 5 % aller beruflichen Aufgaben lassen sich kosteneffizient automatisieren.
- Geschätzter 10-Jahres-Zuwachs der TFP durch KI (2024): < 0,55 % – 0,71 %
- Anteil der Aufgaben, die kosteneffizient automatisiert werden können (2024): < 5 %
- Prognostizierter kumulierter Beitrag von KI zum US-BIP-Wachstum (2024): 0,9 %
Solange Sprachmodelle komplexe, kontextabhängige Ermessensentscheidungen nicht verlässlich abbilden können, drohen teure Implementierungen ohne Ertrag für die Gewinn- und Verlustrechnung zu verpuffen.
Kritik und Gegenargumente zum Produktivitätseffekt
Gegner der Analyse führen zwei zentrale Argumente an:
Verzögerungseffekt historischer Basistechnologien (“Productivity Paradox”)
Historisch benötigen tiefgreifende Technologien wie die Elektrifizierung oder das Internet oft Jahre bis organisatorische Anpassungen sichtbar werden. Kritiker vermuten, dass KI-Effekte erst in einigen Jahren messbar sein könnten.
Renditen verbleiben bei Konsumenten statt bei Aktionären
Effizienzgewinne könnten über fallende Preise direkt an die Kunden weitergegeben werden – die Konsumentenrente steigt, während Margen und Umsätze der Unternehmen flach bleiben.
Schnellüberblick:
Was versteht Torsten Slok unter dem “S&P 493”?
Der S&P 493 umfasst alle Unternehmen des marktbreiten US-Index S&P 500 mit Ausnahme der sieben dominierenden Tech-Schwergewichte (Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia und Tesla).
Warum betrachten viele Konzerne KI-Ausgaben inzwischen als Kostenfalle?
Weil laufende Gebühren für Rechenleistung und API-Token die operativen Budgets belasten, ohne dass sich daraus messbar höhere Erlöse oder Einsparungen in der Belegschaft ergeben.
Wie bewerten führende Wirtschaftsforscher das Produktivitätspotenzial von GenAI?
Studien, etwa von MIT-Ökonom Daron Acemoglu, beziffern den gesamtwirtschaftlichen Produktivitätszuwachs auf unter ein Prozent über zehn Jahre, da nur ein Bruchteil geschäftlicher Aufgaben wirtschaftlich automatisierbar ist.
Quellen
- https://www.apollo.com/wealth/insights-news/insights/daily-spark/no-signs-of-ai-payoff-outside-the-tech-sector
- https://www.nber.org/papers/w32487