📈 economics

Forecasting AI-Era Productivity: The Intellectually Converged Human Framework and a Missing Cognitive Mediator in Production Function Theory

Dieses Paper löst das KI-Produktivitätsparadoxon auf, indem es das Framework des Intellectually Converged Human (ICH) vorschlägt, welches argumentiert, dass die wirtschaftlichen Auswirkungen von KI von einem fehlenden kognitiven Mediator namens „Konvergenzkapazität“ (C) abhängen, und behauptet, dass effektive Produktivitätsgewinne die vorherige Entwicklung der menschlichen kognitiven Integration statt bloßer KI-Implementierung erfordern.

Ursprüngliche Autoren: Kwan Soo Shin, In Seok Kang

Veröffentlicht 2026-06-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Kwan Soo Shin, In Seok Kang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Rätsel: Warum KI uns noch nicht reicher macht

Stellen Sie sich vor, die Welt hätte gerade eine riesige Flotte brandneuer, superschneller Rennwagen gekauft. Regierungen und Unternehmen haben Billionen von Dollar dafür ausgegeben. Die Logik legt nahe: Wenn man jedem ein Rennauto gibt, sollten alle ihre Ziele viel schneller erreichen, oder?

Aber hier liegt das Rätsel: Das tun sie nicht.

Trotz massiver Investitionen in Künstliche Intelligenz (KI) ist die allgemeine Geschwindigkeit der Weltwirtschaft (Produktivität) nicht so stark gestiegen, wie vorhergesagt. Tatsächlich verlangsamt sich die Wirtschaft in einigen Regionen, wie etwa in Südkorea, obwohl dort die am besten ausgebildeten Fachkräfte und die meisten KI-Tools vorhanden sind.

Die Autoren dieser Arbeit argumentieren, dass Ökonomen den falschen Teil der Gleichung betrachtet haben. Sie behandeln KI wie einen eigenständigen Motor, der für sich allein funktioniert. Die Arbeit behauptet jedoch, dass KI eher wie Treibstoff ist. Treibstoff ist nutzlos ohne einen Fahrer, der weiß, wie man lenkt, wann man bremst und wie man einen Sturm navigiert.

Die fehlende Zutat: „Konvergenzkapazität“

Das Papier führt ein neues Konzept namens Konvergenzkapazität (C) ein. Betrachten Sie dies als den „Führerschein“ für das Zeitalter der KI. Es geht nicht nur darum, Fakten zu kennen (was die traditionelle Bildung misst); es geht darum, wie Ihr Gehirn mit der Maschine interagiert.

Die Autoren sagen, dass KI vier spezifische menschliche Fähigkeiten benötigt, um tatsächlich zu funktionieren:

Verkörpertes Verständnis (Der „Bauchgefühl-Check“): Eine KI kann einen medizinischen Bericht schreiben, aber sie fühlt nicht den Schmerz des Patienten oder sieht nicht die Hautfarbe. Ein Mensch mit hoher „Konvergenzkapazität“ weiß, wann er der KI vertrauen kann und wann er sagen muss: „Das fühlt sich nicht richtig an.“
Metakognitive Kalibrierung (Der „Lügendetektor“): Dies ist die Fähigkeit, über das eigene Denken nachzudenken. Es ist die Frage: „Ist diese KI-Ausgabe eine Halluzination? Ist sie voreingenommen?“ Ohne dies kopieren Menschen einfach blind das, was der Computer sagt.
Temporale Integration (Der „Zeitreisende“): KI lebt im „Jetzt“. Sie erinnert sich nicht an die Geschichte des Unternehmens vor 10 Jahren oder versteht nicht, wie eine Entscheidung von heute die Kultur in 5 Jahren ruinieren wird. Menschen müssen die Daten der KI mit der Vergangenheit und der Zukunft verknüpfen.
Integratives Denken (Der „Verbinder“): KI ist großartig darin, Probleme innerhalb ihres eigenen Bereichs zu lösen. Menschen werden gebraucht, um eine Lösung aus der Biologie zu nehmen und sie auf das Ingenieurwesen anzuwenden oder Musiktheorie mit Programmierung zu mischen. Die KI kann diese kreative „Kreuzbestäubung“ nicht von selbst leisten.

Die drei Szenarien: Was passiert, wenn man KI und Menschen mischt?

Das Papier beschreibt drei verschiedene „Regime“ oder Ergebnisse basierend darauf, wie viel KI (A) und wie viel menschliche Fähigkeit (C) man hat:

Regime 1: „Mediierte Automatisierung“ (Hohe KI, geringe Fähigkeit)
- Die Analogie: Man gibt einem Kleinkind einen Ferrari. Es setzt sich auf den Fahrersitz, tritt aufs Gas und kracht.
- Das Ergebnis: Dies ist das, was in Orten wie Südkorea passiert. Sie haben eine hohe KI-Adaption und kluge Arbeiter, aber den Arbeitern fehlt die spezifische „Konvergenzkapazität“, um die KI zu führen. Die KI erledigt die Arbeit, aber der Mensch fungiert nur als Vermittler, der die Ausgabe der KI ohne Mehrwert weiterreicht. Das Ergebnis? Kein Produktivitätsgewinn.
Regime 2: Der „Sweet Spot“ (Hohe KI, hohe Fähigkeit)
- Die Analogie: Ein Formel-1-Fahrer mit einem perfekten Auto.
- Das Ergebnis: Dies ist in Ländern wie Singapur und Dänemark zu beobachten. Der Mensch nutzt die KI für die langweiligen Aufgaben und nutzt dann seine „Konvergenzkapazität“, um die Arbeit der KI zu prüfen, zu korrigieren und kreativ zu verbessern. Dies erzeugt einen massiven Produktivitätsschub.
Regime 3: Die „Turing-Falle“ (Zu viel KI, geringe Fähigkeit)
- Die Analogie: Ein Fahrer, der das Auto so sehr selbst fahren lässt, dass er vergisst, wie man selbst fährt.
- Das Ergebnis: Wenn man sich zu sehr auf KI verlässt, ohne das eigene Gehirn zu trainieren, verkümmern die eigenen Fähigkeiten (Atrophie). Man wird zu einem „Gummistempel“, der lediglich die Fehler der KI abzeichnet. Je mehr man sie nutzt, desto schlechter wird man im Denken und desto weniger produktiv wird das System.

Die Fallstudie Südkorea

Das Papier nutzt Südkorea als perfektes Beispiel für Regime 1.

Die Statistiken: Koreaner sind extrem gebildet (hohes Humankapital). Sie haben KI schneller adaptiert als fast jeder andere (hohe KI-Nutzung).
Das Problem: Ihr Bildungssystem konzentriert sich auf das Auswendiglernen von Antworten und das Bestehen von Prüfungen (prozedurale Kompetenz) statt auf kritisches Denken, Kreativität und das Hinterfragen von Autorität (Konvergenzkapazität).
Das Ergebnis: Da die „Konvergenzkapazität“ niedrig ist, überträgt sich die KI-Investition nicht in Wirtschaftswachstum. Der „Fahrer“ ist zu sehr damit beschäftigt, dem GPS zu folgen, als dass er das Auto tatsächlich steuern könnte.

Die Lösung: Die Reihenfolge der Abläufe ändern

Das Papier argumentet, dass die aktuelle Politik rückwärts läuft. Regierungen und Unternehmen eilen voraus, um KI-Tools zu kaufen (AI-first) und hoffen, dass die Produktivität folgt.

Die Empfehlung des Papers lautet „C-first“:
Bevor Sie mehr KI kaufen, müssen Sie Ihre Leute trainieren, bessere „Fahrer“ zu werden.

Bildung: Hören Sie auf, nur Fakten zu lehren. Bringen Sie Studenten bei, wie man hinterfragt, wie man verschiedene Ideen verbindet und wie man erkennt, wenn eine KI falsch liegt.
Unternehmen: Installieren Sie nicht nur die Software. Schaffen Sie eine Kultur, in der Mitarbeiter dafür belohnt werden, die Arbeit der KI zu prüfen und ihre eigene kreative Note hinzuzufügen, anstatt nur das Werkzeug zu nutzen.

Das Fazit

KI ist kein Zauberstab, der alles löst. Sie ist ein mächtiges Werkzeug, das nur funktioniert, wenn der Mensch, der es hält, über die richtigen mentalen Fähigkeiten verfügt.

Das Papier kommt zu dem Schluss, dass das „Rätsel“, warum KI uns noch nicht reicher macht, gelöst ist: Wir haben den Treibstoff (KI), aber wir haben noch nicht genug Fahrer (Konvergenzkapazität) ausgebildet. Wenn wir das Training verbessern, wird die Wirtschaft abheben. Wenn nicht, werden wir nur viele sehr teure, sehr schnelle Autos in einem Stau stehen sehen.

Technisches Resümee: Prognose der Produktivität in der KI-Ära via des Frameworks des Intellektuell Konvergierten Menschen

1. Das Problem: Das KI-Produktivitätsparadoxon

Die Arbeit adressiert ein zentrales Paradoxon der zeitgenössischen Ökonomie: Massive globale Investitionen in Künstliche Intelligenz (KI) haben bisher keine entsprechenden Gewinne in der totalen Faktorproduktivität (TFP) generiert. Während die KI-Adoption in den OECD-Staaten rasant beschleunigt, zeigen empirische Daten eine schwache Korrelation zwischen KI-Intensität und Produktivitätswachstum. So erklärt beispielsweise eine OLS-Analyse von 20 OECD-Ländern die Varianz im TFP-Wachstum durch die reine KI-Adoption nur zu 31 % ( $R^2 = 0,31$ ).

Die Autoren argumentieren, dass dies kein empirischer Anomalismus, sondern ein theoretisches Versagen vorherrschender Produktionsfunktionsmodelle ist. Bestehende Modelle, einschließlich des dominanten aufgabenbasierten Frameworks (Acemoglu & Restrepo), behandeln KI als einen separablen Produktionsfaktor oder als einen Mechanismus zur Aufgabenautomatisierung. Diese Frameworks versäumen es, die kognitive Mediation abzubilden, die erforderlich ist, damit KI produktiven Wert generiert. Infolgedessen wird die Investition auf das Deployment (KI-Intensität, $A$ ) gelenkt, ohne die notwendige vorherige Entwicklung der menschlichen kognitiven Kapazität zu berücksichtigen, die notwendig ist, um KI-Outputs zu fundieren, zu kalibrieren und kreativ zu erweitieren.

2. Methodik

Die Arbeit verwendet eine konzeptuell-theoretische Methodik, die auf empirischer Beobachtung basiert – ein anerkannter Ansatz für Framework-basierte Beiträge. Das Forschungsdesign umfasst:

Theoretische Konstruktion: Eine Synthese der Evolution der Produktionsfunktions-Theorie (vom Industrie- zum Wissensökonomie-Stadium) und der Kognitionswissenschaft (Symbol Grounding, verkörperte Kognition, Metakognition, temporale Integration), um ein neues Produktionsframework vorzuschlagen.
Vergleichende Fallanalyse: Eine Small-n-Querschnittsanalyse von 20 OECD-Ländern (Daten von 2018–2023). Dies folgt der Tradition, theoretische Propositionen durch musterbestätigte Illustration statt durch statistische Bestätigung zu entwickeln.
Deviant Case Analysis: Eine fokussierte Untersuchung Südkoreas, das eine hohe Humankapitalrate ( $H$ ) und eine beträchtliche KI-Adoption ( $A$ ) aufweist, aber ein stagnierendes TFP-Wachstum zeigt, was als kritischer Testfall für die vorgeschlagene Theorie dient.
Statistische Modellierung: Es werden sechs OLS-Modelle präsentiert, um deskriptive Muster aufzuzeigen. Das primäre Modell (Modell 6) führt einen Interaktionsterm zwischen der KI-Adoption und einem Proxy für die „Konvergenzkapazität“ ( $C$ ) ein.
Robustheitsprüfungen: Die Studie nutzt Leave-one-out-Kreuzvalidierung, Bootstrap-Resampling (10.000 Iterationen) und Jackknife-Verfahren, um Bedenken hinsichtlich der Präzision bei kleinen Stichproben auszuräumen, und bestätigt, dass der Interaktionseffekt nicht durch einen einzelnen Ausreißer getrieben wird.

3. Zentrale Beiträge

A. Das Framework des Intellektuell Konvergierten Menschen (ICH)

Das Paper schlägt ein Produktionsframework der fünften Stufe vor, das das effektive Humankapital ( $\hat{H}$ ) als Funktion des Basis-Humankapitals ( $H$ ), der KI-Nutzungsintensität ( $A$ ) und der Konvergenzkapazität ( $C$ ) neu definiert:

$\hat{H} = H \cdot [1 + \phi(A, C)]$
$Y = F(K, \hat{H})$

In dieser Formulierung wird der Solow-TFP-Residuum ( $A_{Solow}$ ) als Augmentationsfunktion endogenisiert: $A_{Solow} = [1 + \phi(A, C)]^{1-\alpha}$ .

B. Definition der Konvergenzkapazität ( $C$ )

Die Autoren definieren $C$ als ein vierdimensionales kognitives Konstrukt, das die Transformation von KI-Outputs in produktiven Wert mediiert. Es ist verschieden von und nicht auf das Humankapital ( $H$ ) oder die Absorptionskapazität reduzierbar. Die vier Dimensionen sind:

Verkörpertes Verständnis ( $C_1$ ): Die Fähigkeit, symbolische KI-Outputs mit sensorimotorischen, kulturellen und kontextuellen Realitäten zu verknüpfen.
Metakognitive Kalibrierung ( $C_2$ ): Die Fähigkeit, den eigenen Wissenszustand zu überwachen und das Vertrauen in KI-Outputs zu kalibrieren (z. B. das Erkennen von Halluzinationen oder suboptimalen Algorithmen).
Temporale Integration ( $C_3$ ): Die Fähigkeit, KI-Outputs in das institutionelle Gedächtnis (Vergangenheit) und zukünftige Projektionen (Zukunft) zu kontextualisieren.
Integratives Denken ( $C_4$ ): Die Fähigkeit zu analogem Denken und domänenübergreifender Synthese, um neuartige Lösungen jenseits der Trainingsdistribution der KI zu generieren.

C. Theoretische Abgrenzungen

Das Paper grenzt $C$ rigoros von benachbarten Konstrukten ab:

Vs. Humankapital: $H$ ist der Bestand an Domänenwissen; $C$ ist die metakognitive Architektur, die bestimmt, wie effektiv $H$ die KI nutzt.
Vs. Absorptionskapazität: Absorptionskapazität ist ein organisationales Konstrukt zur Wissensverarbeitung; $C$ ist das individuelle kognitive Mikro-Fundament.
Vs. Aufgabenbasiertes Framework: Das Aufgaben-Framework bestimmt, welche Aufgaben automatisiert werden; $C$ bestimmt die Produktivität der verbleibenden Mensch-KI-Interaktion.
Vs. Technologieakzeptanzmodelle (TAM): TAM erklärt die Adoption; $C$ erklärt die produktive Nutzung nach der Adoption.

D. Die drei Augmentationsregime

Die Eigenschaften der Augmentationsfunktion $\phi(A, C)$ definieren drei distinkte Produktionsregime:

Regime I (Unter-Augmentation): Hohes $A$ , niedriges $C$ . Resultat: $\phi \approx 0$ . KI wird intensiv genutzt, fungiert aber als Kanal für „mediierte Automatisierung“, was Aufgabenverdrängung ohne Produktivitätsgewinne erzeugt. Dies erklärt das Phänomen der „So-so-Technologie“.
Regime II (Optimale Augmentation): Hohes $A$ , hohes $C$ . Resultat: $\phi$ ist maximiert. Humankapital und KI befinden sich in einem produktiven Gleichgewicht, was die kreative Erweiterung von KI-Outputs ermöglicht.
Regime III (Über-Automatisierung/Die Turing-Falle): Übermäßiges $A$ relativ zu $C$ . Resultat: $\phi$ sinkt. Menschen werden zu bloßen „Stempelautomaten“, und die kognitive Infrastruktur ( $C$ ) atrophiert aufgrund mangelnder Anwendung, was einen selbstverstärkenden Degradationszyklus schafft.

4. Ergebnisse und empirische Befunde

Der Interaktionseffekt: Die länderübergreifende Analyse zeigt, dass die Interaktion zwischen KI-Adoption und Konvergenzkapazität ( $A \times C$ ) 86 % der Varianz im TFP-Wachstum erklärt ( $R^2 = 0,86$ ), was eine signifikante Verbesserung gegenüber den 31 % darstellt, die durch die reine KI-Adoption erklärt werden.
Das koreanische Paradoxon: Südkorea dient als Deviant Case, der die Theorie bestätigt. Trotz hohen Humankapitals (70 % tertiäre Bildung, Top-PISA-Ergebnisse) und hoher KI-Adoption (28 % der Unternehmen) bleibt das TFP-Wachstum mit ~0,48 % stagnierend. Das Framework schreibt dies einer strukturellen Unterdrückung von $C$ zu, bedingt durch prüfungsorientierte Bildung (niedriges $C_2$ ), hierarchische Organisationen (niedriges $C_2$ ) und akademische Silobildung (niedriges $C_4$ ).
Vergleichende Evidenz: Hoch- $C$ -Nationen (z. B. Singapur, Dänemark, Schweden) zeigen eine starke KI-TFP-Kopplung, während Niedrig- $C$ -Nationen unabhängig vom KI-Adoptionsniveau Stagnation aufweisen.
Ontologische Constraints: Das Paper argumentiert, dass KI keine unabhängige Produktionsvariable sein kann, da vier ontologische Constraints bestehen: Mangel an Symbol Grounding, Mangel an verkörperter Kognition, Mangel an echter Metakognition und Mangel an temporaler Integration (mentales Zeitreisen). Diese Constraints machen eine menschliche kognitive Mediation zwingend erforderlich.

5. Bedeutung und Ansprüche

Das Paper beansprucht, einen menschenzentrierten Mechanismus für den Solow-TFP-Residuum anzubieten, indem es diesen von einem exogenen „Maß der Unwissenheit“ in eine endogene politische Variable transformiert, die durch die Qualität der Mensch-KI-Integration bestimmt wird.

Politische Implikationen: Die Autoren plädieren für eine „C-zuerst“-Politiksequenzierung. Nationen und Organisationen sollten die Entwicklung der Konvergenzkapazität (durch Bildungsreformen, interdisziplinäre Synthese und metakognitives Training) priorisieren – entweder vor oder begleitend zur KI-Deployment. Eine Beschleunigung der KI-Adoption in Niedrig- $C$ -Umgebungen wird als Rendite-schwächer oder gar schädlich prognostiziert (Regime III).
Theoretische Fortentwicklung: Das Framework schließt die Mikro-Makro-Lücke in der KI-Produktivitätsforschung, indem es einen Mechanismus bietet, um individuelle kognitive Effekte zu makroökonomischen Ergebnissen zu aggregieren. Es interpretiert das Produktivitätsparadoxon nicht als Messfehler oder zeitlichen Verzug (J-Kurve), sondern als ein Problem der Investitionssequenzierung.
Falsifizierbarkeit: Das Paper bietet eine falsifizierbare 10-Jahres-Prognose (2025–2035): Nationen, die in die Entwicklung von $C$ investieren, werden eine deutlich stärkere KI-TFP-Kopplung aufweisen als jene, die die Adoption ohne $C$ maximieren. Speziell wird prognostiziert, dass Vietnam, falls es den „Credential-directed“-Bildungspfad Koreas ohne die Entwicklung von $C$ verfolgt, das Defizit der Augmentation Koreas replizieren wird.

Die Autoren kommen zu dem Schluss, dass der „Intellektuell Konvergierte Mensch“ ( $\hat{H}$ ) die entscheidende Variable in der KI-Ära ist. Produktiver Wert entsteht nicht allein durch KI, auch nicht allein durch Humankapital, sondern durch die Konvergenzkapazität, die es Menschen ermöglicht, KI-Outputs zu fundieren, zu kalibrieren und kreativ zu erweitern.