Weak Links: Das schwächste Glied entscheidet

Kurzfassung

KI kann einzelne Tasks radikal beschleunigen und den finalen Output kaum bewegen. Ein KI-Modell schreibt mehr Code; Tests, Integration und Freigabe bleiben langsam. Jones nennt solche Tätigkeiten Weak Links: essenzielle Tasks, deren geringe Produktivität die ganze Kette bremst.

Jones spricht bewusst im Plural. Jede essenzielle Tätigkeit kann zum Weak Link werden. Wird eine davon produktiver, gewinnen die übrigen Engpässe an Gewicht. Automatisierung beseitigt den Engpass deshalb selten auf Anhieb. Meist verschiebt sie ihn.

Jones und Tonetti übertragen diese Logik auf die Produktion von Gütern und Ideen.¹ In ihrer historischen Kalibrierung steigt die Wachstumsrate bis 2075 nur auf rund 2,6 Prozent. In einer zweiten Kalibrierung überschreitet sie 2040 die Marke von 13 Prozent; bei vollständiger Automatisierung wird das Einkommen vor 2060 unendlich. Dafür muss KI praktisch alle essenziellen Tasks übernehmen und zugleich die Forschung beschleunigen. Weak Links erklären, wie breit technischer Fortschritt wirken muss, bevor daraus explosives Wachstum entsteht.

1. Jeder Task kann zum Weak Link werden

Jones beginnt mit einer Frage aus der Entwicklungsökonomie. Am Ende des 20. Jahrhunderts lag das Pro-Kopf-Einkommen der USA mehr als fünfzigmal so hoch wie in Äthiopien oder Tansania. Wie können solche Unterschiede entstehen? Jones untersucht zwei Verstärker: die Verkettung über Zwischengüter und die Komplementarität zwischen Inputs.²

Die Komplementarität beschreibt er mit einer CES-Funktion (Constant Elasticity of Substitution):

$z_i$ bezeichnet den Beitrag des Inputs $i$, $\sigma$ die Substitutionselastizität zwischen den Inputs. Sie misst, wie leicht sich ein Input durch einen anderen ersetzen lässt. Für Zwischengüter hält Jones $\eta < 0$ und damit $\sigma < 1$ für plausibel: Strom ersetzt keinen Transport, Transport keine Rohstoffe.

Jones nennt solche Inputs Weak Links. Ein Weak Link ist eine essenzielle Tätigkeit, deren geringe Produktivität den Gesamtoutput überproportional drückt. Bei einer Substitutionselastizität unter eins kann jeder Task diese Rolle einnehmen.

Der Plural beschreibt die eigentliche Dynamik. In einer langen Produktionskette können mehrere Tätigkeiten den Output gleichzeitig begrenzen. Wird eine davon produktiver, rücken die übrigen nach. Deshalb kann ein großer technischer Sprung an einer Stelle nur wenig am finalen Output ändern.

Der Output entspricht dabei noch nicht dem schwächsten Input. Erst im Grenzfall $\eta \to -\infty$ wird die CES-Funktion zur Minimum-Funktion. Dann ist $Y$ gleich dem kleinsten $z_i$. Je weiter die Substitutionselastizität von diesem Grenzfall entfernt liegt, desto leichter können stärkere Inputs einen schwachen ausgleichen.

Der Extremfall ähnelt dem Minimumgesetz der Agrarchemie. Carl Sprengel formulierte es im 19. Jahrhundert; Justus von Liebig machte es bekannt.³ Der knappste Nährstoff begrenzt demnach den Ertrag eines Feldes. Die Liebigsche Tonne zeigt diese Logik als Fass mit unterschiedlich hohen Dauben. Es hält nur so viel Wasser, wie die kürzeste Daube erlaubt.

Die Tonne zeigt den Leontief-Grenzfall der CES-Familie. Zusätzliche Leistung an den hohen Dauben bringt hier keinen Ertrag. Wird die kürzeste Daube verlängert, steigt der Pegel bis zur nächsten kurzen. Der Engpass wandert auf ein höheres Output-Niveau.

Die zweite Kraft wirkt über Zwischengüter. Niedrige Produktivität in der Stromerzeugung verteuert Strom und senkt den Output in Bau und Bankwesen. Das erschwert wiederum die Finanzierung und den Bau neuer Kraftwerke. Weil Zwischengüter rund die Hälfte des Bruttooutputs ausmachen, verstärken solche Rückkopplungen bestehende Produktivitätsunterschiede erheblich. So erklärt Jones deutlich größere Einkommensunterschiede als ein neoklassisches Basismodell, erreicht die beobachtete Spanne aber nur teilweise.

Baumols Kostenkrankheit. In Bereichen mit langsamem Produktivitätswachstum steigen die Löhne trotzdem, weil sie mit produktiveren Bereichen um dieselben Arbeitskräfte konkurrieren. Ein Streichquartett braucht heute ähnlich viele Musiker und Minuten wie vor hundert Jahren, kostet aber deutlich mehr. Schnell produktiver werdende Tätigkeiten verbilligen sich relativ. Langsame, unverzichtbare Tätigkeiten beanspruchen einen wachsenden Anteil der Ausgaben. Aghion, Jones und Jones übertragen diesen Mechanismus auf Automatisierung: Das Wachstum hängt zunehmend an den Tasks, die sich schwer verbessern lassen.⁴

Automatisierung. Task-Modelle von Zeira sowie Acemoglu und Restrepo beschreiben Automatisierung als Wechsel von Arbeit zu Kapital.⁵ Jones und Tonetti nehmen an, dass beide Faktoren denselben Task erledigen können. Maschinen übernehmen ihn, sobald sie ihn günstiger produzieren. Bleiben essenzielle Tasks in nennenswertem Umfang arbeitsgebunden, kann der Kapitalanteil trotz weitreichender Automatisierung deutlich unter hundert Prozent verharren.

Kremers O-Ring-Theorie beschreibt einen schärferen Fall. Die Qualität mehrerer Tätigkeiten wird miteinander multipliziert; ein schwerer Fehler an einer Stelle kann das gesamte Produkt entwerten.⁶ Diese Fragilität taucht später bei den Risiken von KI wieder auf.

2. Vom Rückblick zur Wachstumsexplosion

Mit „Singularität“ ist hier eine ökonomische Wachstumsexplosion gemeint. KI automatisiert die Produktion von Gütern und Ideen. Mehr Automatisierung erzeugt mehr Ideen, neue Ideen ermöglichen weitere Automatisierung. Je stärker diese Rückkopplung wird, desto schneller wächst die Wirtschaft.

Jones und Tonetti verbinden diese Rückkopplung mit Weak Links. Jeder Task lässt sich mit Kapital oder Arbeit produzieren:

Die Tasks fließen mit einer Substitutionselastizität unter eins in den Gesamtoutput ein. Dadurch bleibt der Output endlich, solange ein nennenswerter Anteil der Tasks auf langsam produktiver werdende Arbeit angewiesen ist. Erst wenn auch diese Tasks automatisiert sind, kann sich die Rückkopplung voll entfalten.

Was die historische Zerlegung zeigt

Für den privaten US-Unternehmenssektor schätzen Jones und Tonetti, dass die Task-spezifische Produktivität von Kapital zwischen 1950 und 2023 jährlich 3,8 Prozentpunkte schneller stieg als die Produktivität von Arbeit. In ihrem Modell erklärt dieser Unterschied den Großteil des gemessenen TFP-Wachstums.

Der Wechsel zur Maschine erzeugt im Moment der Automatisierung keinen Produktivitätssprung. Unternehmen wechseln, wenn Kapital und Arbeit denselben Task zu gleichen Kosten erledigen. Der Wachstumsbeitrag entsteht danach: Maschinen verbessern sich schneller als Menschen, und dieser Vorteil wirkt auf immer mehr Tasks.

Die Rechnung steht und fällt mit einem heiklen Messschritt. Für jedes Jahr brauchen die Autoren den Anteil der Lohnkosten, der auf neu automatisierte Tasks entfällt. Sie lassen Sprachmodelle dafür Task-Listen, Automatisierungszeitpunkte und Lohnkostenanteile schätzen und nennen diesen Schritt selbst eine „heroic measurement“. Die 3,8 Prozentpunkte sind deshalb eine strukturelle Schätzung und keine direkt beobachtete Zeitreihe.

Was die Simulation zeigt

Für die Zukunft simulieren die Autoren zwei Automatisierungstempos. Das erste setzt die historischen Muster des privaten US-Unternehmenssektors fort. Das Wachstum beschleunigt sich langsam und erreicht 2075 rund 2,6 Prozent. Das zweite überträgt das Tempo des Computersektors auf die gesamte Wirtschaft. In diesem Fall übersteigt die jährliche Wachstumsrate 2040 die Marke von 13 Prozent. Bei vollständiger Automatisierung wird das Einkommen noch vor 2060 unendlich.

Parallel variieren die Autoren, wie weit Automatisierung am Ende reicht. Im vollständigen Fall werden alle Tasks in endlicher Zeit automatisiert. Bleiben dauerhaft arbeitsgebundene Weak Links, fällt das Wachstum langfristig auf die Rate, mit der Menschen an diesen Tasks produktiver werden. Im Basisszenario nähert sich der Anteil der von Menschen erledigten Tasks nur langsam null. Diese drei Pfade sehen in der historischen Kalibrierung über Jahrzehnte fast gleich aus und laufen erst später auseinander.

Bei einer Substitutionselastizität unter eins kann die extreme Explosion erst beginnen, wenn praktisch alle essenziellen Tasks automatisiert sind. Auch dann ist sie nicht garantiert. Aghion, Jones und Jones nennen mehrere weitere Grenzen: Neue Ideen können schwerer zu finden sein, Naturgesetze können technischen Fortschritt deckeln, und schöpferische Zerstörung kann die Forschungsanreize schwächen.⁴ Bloom und Koautoren dokumentieren für mehrere Forschungsfelder stark fallende Forschungsproduktivität.⁷ Selbst eine automatisierte Ideenproduktion muss daher nicht explodieren.

Für Nutzen und Schaden gelten unterschiedliche Schwellen. Große Outputgewinne verlangen Fortschritt entlang vieler komplementärer Tasks. Für schweren Schaden kann der Ausfall eines kritischen Glieds genügen. Jones und Tonetti folgern daraus, dass der wirtschaftliche Nutzen von KI langsam eintreffen kann, während erhebliche Sicherheitsrisiken früher entstehen.¹

3. Dieselbe Logik im Workflow

Die Note „Wie Mensch und KI gemeinsam Output erzeugen“ richtet den Blick auf einen einzelnen Workflow. Das Cognitive-Mix-Production-Modell trennt zunächst menschliche und künstliche Kognition innerhalb eines Tasks. Anschließend fasst es die einzelnen Task-Outputs mit einer weiteren CES-Funktion zusammen.

Der Parameter $\sigma$ misst dort, wie leicht sich Mensch und KI innerhalb eines Tasks ersetzen. Der Parameter $\kappa$ steuert die Substitution zwischen den Tasks. Je kleiner $\kappa$, desto stärker drücken schwache Task-Outputs das Gesamtergebnis. Diese äußere CES-Schicht folgt derselben Weak-Links-Logik.

Automatisierung verschiebt den Engpass. Wenn KI mehr Rohoutput erzeugt, kann Verifikation zum nächsten Engpass werden. Steigt deren Produktivität langsamer als die des übrigen Workflows, wächst auch ihr Kostenanteil. An dieser Stelle trifft die Weak-Links-Logik auf Baumols Kostenkrankheit.

4. Wo das Modell endet

Die Ergebnisse hängen an der Komplementarität zwischen Tasks. Jones zeigt bereits 2011, dass Unternehmen schwache Inputs teilweise durch Kapital, Arbeit oder Importe ausgleichen. In seinen numerischen Übungen fallen die Komplementaritätseffekte deshalb kleiner aus, als die reine Minimum-Intuition erwarten lässt. Auch die Substitutionselastizität auf Task-Ebene ist nicht direkt beobachtbar; sie muss geschätzt werden.

Welche Tätigkeiten heute tatsächlich binden, beantwortet das Modell nicht. Physische Ausführung, Experimente, Verifikation und Energieversorgung sind plausible Kandidaten. Ihr Gewicht unterscheidet sich jedoch von Branche zu Branche, und keine der zitierten Arbeiten weist sie als allgemeingültige letzte Engpässe aus.

Weak Links verschwinden selten endgültig. Sie wandern durch die Produktionskette. Solange Menschen unverzichtbare Schritte erledigen müssen, wächst der Output nur so schnell wie diese Arbeit produktiver wird. Übernimmt KI auch diese Schritte und beschleunigt sie zugleich die Forschung, kann das Wachstum explodieren. Ob es dazu kommt, lässt das Modell offen.

Quellen und weiterführende Literatur

Die Weak-Links-Theorie stammt von Charles I. Jones. Jones und Tonetti übertragen sie auf endogene Automatisierung und KI; ihre Version 0.5 ist ein Working Paper, und die künftigen Wachstumspfade sind Modellsimulationen. Aghion, Jones und Jones untersuchen weitere Grenzen einer Wachstumsexplosion. Kremer liefert den O-Ring-Fall, Bloom und Koautoren die Evidenz zur Forschungsproduktivität, Zeira sowie Acemoglu und Restrepo die Grundlagen der Task-Modelle.