Vom technischen Rausch zum Wirtschaftsbuch: Wissenschaftler auf dem Bund-Gipfel debattieren über das Wachstum, die Verteilung und neue globale Paradigmen von KI

KI gestaltet die Wirtschaft grundlegend um – daran besteht heute kein Zweifel mehr.

Was Politik, Wissenschaft und Industrie tatsächlich schlaflose Nächte bereitet, ist die nächste Rechenaufgabe: Fließen immense Kapitalausgaben in Rechenleistung und Modelle, können sie auf Makroebene in echte Produktivität münden? Führt die massive Angebotsexpansion zu Wohlstand oder zu langfristiger Disinflation? Wenn jungen Menschen der Berufseinstieg durch Technologie zunehmend beschränkt wird, wie vermeiden wir das historische „Engels’sche Pausenphänomen“? Im Zuge der globalen Machtverschiebungen – wie kann dieses digitale System neue globale Wirtschaftsregeln schaffen?

Dies sind die Kernfragen des Forums „Neues Paradigma für KI-Wirtschaftswachstum und gesellschaftliche Wertschöpfung“ auf dem Inclusion·Bund-Konferenz 2026.

Am 9. September brachte dieses Forum Meinungsführer wie Liu Yuanchun, Präsident der Shanghai University of Finance and Economics, Huang Yiping, Direktor des National Development Institute an der Peking University, Jiang Xiaojun, Professor an der Universität der Chinesischen Akademie der Sozialwissenschaften, Miao Yanliang, Chefökonom bei CICC, und den Nobelpreisträger Thomas Sargent, neben Vertretern der Industrie zusammen. Hier ging es nicht länger um reine Funktionsdemonstrationen von Technologie, sondern darum, wie sich KI von einem heißen Technik-Variable zu einer gesunden und nachhaltigen makroökonomischen Größe wandelt – von Wachstumsmessung, Inflationsschwankungen und Job-Substitution bis hin zur grenzüberschreitenden Arbeitsteilung.

01 Die KI-Ökonomie hat begonnen, aber das Wachstum ist noch nicht klar kalkuliert

„Die neue Form der KI-Wirtschaft ist längst etabliert, aber die KI-Ökonomik hat eigentlich noch nicht begonnen.“ Mit dieser repräsentativen, nüchternen Feststellung eröffnete Liu Yuanchun das Forum.

Die Anfangsphase technologischer Revolutionen ist oft begleitet von euphorischen Debatten und Kapitalblasen. Die Erwähnungen von KI in globalen Earnings Calls steigen exponentiell, Chip-Preise explodieren, Investitionen in Rechenzentrums-Infrastruktur schießen in die Höhe und treiben den weltweiten Handel und Export. Doch betrachtet man das makroökonomische Fundament abseits des Mikrotrubels, werden die Diskrepanz sichtbar größer.

Wirtschaftsprognosen von Unternehmen sind beflügelnd: McKinsey, Goldman Sachs & Co. erwarten eine jährliche Steigerung der Totalen Faktorproduktivität (TFP) um 3%. In der seriösen Wirtschaftswissenschaft hingegen, wie etwa den frühen Modellrechnungen von MIT-Wissenschaftler Daron Acemoglu, lag der jährliche TFP-Beitrag von KI in den nächsten zehn Jahren jahrelang im Promillebereich – fast vernachlässigbar.

Warum nutzt jeder KI im Kleinen, aber die makroökonomischen Daten zeigen keine Erfolge?

Huang Yiping weist darauf hin, dass wir heutzutage wahrscheinlich klassische Paradoxien der Technologieökonomik erleben – das „Solow-Paradoxon“ und den „J-Curve-Effekt“. Auch beim Siegeszug des Computers in den 1990ern blieb der Output zunächst lange unerkennbar. Eine disruptive General Purpose Technology (GPT) setzt im Realbetrieb langwierige organisatorische Transformationen, Anpassungen, Prozessumbrüche und Personalschulungen voraus – statt Produktionsausbrüchen bringt sie anfangs schwerwiegen Umstellungskosten.

Sargent vergleicht die aktuelle KI-Phase mit der „Kepler-Phase“ der Astronomie: KI kann schon astronomische Daten präzise modellieren, aber Menschen haben die zugrundeliegende Wirtschafts- und Strukturlogik noch nicht vollständig verstanden.

Laufen die hohen Investitionen und der Bewertungs-Boom also ins Leere? Liu Yuanchun verweist auf neueste wissenschaftliche Paradigmen: Die Blase selbst ist ein „Koordinationsmechanismus“. Solange sie anhält, sorgt sie für den Aufbau von physischem Kapital (Rechnenetzwerk, Energienetze, digitale Assets) und überschreitet kritische Schwellen. Selbst im Falle starker Bewertungsrückgänge der Finanzmärkte bleiben die grundlegenden Infrastrukturen und führen die Wirtschaft zu einem stabilen, produktiven Zustand.

Das erste Konsens der Ökonom:innen ist daher: Die technologische Richtung steht, aber Tempo, Umfang und die Effizienz der Realwertschöpfung bleiben mit erheblichen Verzögerungen und Unsicherheiten behaftet.

02 Vom „Investieren in KI“ zum „Geld verdienen mit KI“ – entscheidend ist neue Nachfrage

War die KI-Erzählung bislang von Kapitalausgaben (Capex) geprägt, so entscheidet sich ihr Überleben in der neuen Phase daran, ob sie den geschäftlichen Kreislauf schließen kann.

Ant Group-CEO Han Xinyi betont, die KI-Wirtschaft dürfe sich nicht nur auf Investitionen stützen, und KI-Anwendungen sollten sich nicht auf Effizienzsteigerungen im Bestand beschränken. Unternehmen, die KI lediglich als „Spar- und Effizienzwerkzeug“ nutzen und ihre Prozesse nur beschleunigen, ohne echte Angebots- und Nachfrageerweiterung zu schaffen, riskieren massives Angebot-Nachfrage-Ungleichgewicht und Output-Lücken. Sie müssen vom reinen Sparen zur echten Wertschöpfung übergehen.

Li Zhenhua, Leiter des Ant Group Research Institute, stellt die Spaltung entlang der Wertschöpfungskette heraus: Oben sind Rechenleistung und Chips monetarisierbar, aber die Monetarisierung großer Modelle und Anwendungen weiter unten bleibt herausfordernd. Ob die kommerzielle KI-Story aufgeht, hängt davon ab, ob Anwendungen in der realen Industriewelt ankommen und neue Wertschöpfungskreisläufe schaffen.

Zhao Bo von der Peking University sieht die logische Steigerung in der „Erweiterung der Transaktionsgrenzen“. KIs wirtschaftlicher Wert liegt vor allem darin, die Hürden für professionelle Fähigkeiten und Innovationsversuche massiv zu senken. Bedeutet: Nicht das alte Geschäft um 10 % beschleunigen, sondern erstmals teure, komplexe, einst nicht skalierbare Prozesse zu Produkt, Transaktion und Handel machen.

Nur der Schritt von Effizienz zu Mehrwert löst den KI-Investitionsstau.

03 Die Antwort auf Musks Frage: Disinflationsdruck und der „verengte Einstieg“ für junge Beschäftigte

Wenn das Angebot durch KI exponentiell wächst, offenbart sich ein makroökonomisches Paradox: Steigt die Produktion durch Maschinen immer schneller und mehr – haben Menschen genug Einkommen, um zu konsumieren?

Huang Yiping fasst dieses mögliche Ungleichgewicht als langfristiges „starkes Angebot gegen schwache Nachfrage“ zusammen. Wenn die Technologiegewinne zu viel den Kapitalbesitzern zufließen und die Arbeitsrenditen sinken, kann die Nachfrage mit dem Angebotswachstum nicht Schritt halten – der traditionelle Wirtschaftskreislauf gerät ins Stocken.

Miao Yanliang, Chefökonom von CICC, legt aus Sicht von Finanz- und Nominalvariablen eine scharfe Analyse vor. Er rekapituliert: Sowohl die zweite industrielle Revolution als auch die Informationstechnologie sorgten für lange Disinflationsphasen. Das „Say’sche Gesetz“ (Angebot schafft eigene Nachfrage) funktioniert in Zeiten des technologischen Umbruchs nicht, weil ungleiche Einkommensverteilung und Konsumneigung den Ausgleich stören.

Miao Yanliang identifiziert vier Kräfte, mit denen technologische Revolutionen die Inflation beeinflussen:

• Flaschenhals- und Erwarungseffekte (kurzfristig inflationär): Preise seltener Faktoren wie Speicherchips oder leistungsstarke Rechenleistung steigen sprunghaft, doch diese Engpässe dauern meist nur drei bis fünf Jahre – ihr Höhepunkt ist fast überschritten.
• Angebots- und Substitutionseffekte (langfristige Preisunterdrückung): KI breitet sich rasant aus und übernimmt sofort anspruchsvolle Jobs. Der Substitutionseffekt von Kapital gegenüber Arbeit ist größer als je zuvor. Da die Grenzkonsumneigung von Kapitalbesitzern gering ist, sinkt der Anteil der Arbeitslöhne und die Nachfrage wird über lange Zeit gedeckelt.

„Langfristig ist der Disinflations- oder sogar Deflationsdruck viel stärker als bei früheren industriellen Revolutionen.“ Miao Yanliang mahnt: Sollte sich dieser Trend verfestigen, stößt klassische Geldpolitik an Liquiditätsgrenzen. Makrosteuerung müsse sich auf intensive Fiskalpolitik, Umverteilungsinstrumente und Maßnahmen zur Sicherung der Arbeitskräfte stützen.

Hinter dem Deflationsdruck steckt ein struktureller Riss am Arbeitsmarkt.

Im Gegensatz zur IT-Revolution, die Mittelqualifizierte ersetzte und Hoch- oder Niedrigqualifizierte verschonte, trifft die aktuelle KI-Generation vor allem die Einkommenstarken – Jobs in Finanzwesen, Juristik, Consulting, Softwareentwicklung sind stark exponiert.

Miao Yanliang betont: KI führt bislang nicht zu dramatischen Anstiegen der Arbeitslosigkeit – weil die Substitution bestehender Jobs graduell durch „Aufgabenteilung“ erfolgt.

Huang Yiping erinnert hier an das „Engels-Pausenphänomen“ nach der ersten Industriellen Revolution: Der Output stieg rasant, doch die Einkommen der Arbeiter stagnierten über Jahrzehnte. Lu Ming und Xing Ziqiang antworten indirekt auf Musks Frage: KI wird nicht einfach alle Jobs abschaffen, aber sie wird die Inhalte der Jobs grundlegend verändern. Standardisierte, codierbare „Maschinenarbeiten“ werden rasch von Modellen übernommen. Fähigkeiten wie Empathie, Organisation und Werturteil bleiben das Rückgrat menschlicher Arbeit. „Beschäftigung zuerst“ heißt also nicht Technologieentwicklung bremsen, sondern Menschen durch institutionalisiertes Design befähigen, durch KI „mehr leisten zu können“.

04 Die neue KI-Wirtschaft entscheidet sich an institutioneller Stärke und „gebürtiger Globalisierung“

Während Individuen vor einer Umwertung ihrer Fähigkeiten stehen, begegnen Unternehmen und Industrien auf Makroebene einer neuen Ära der Regelsetzung.

Professor Jiang Xiaojun von der Universität der Chinesischen Akademie der Sozialwissenschaften erklärt: Die KI-Ökonomie beendet die traditionelle Globalisierung. Bisher gab es ein schrittweises, transnationales Muster: Technologieimport, Adaption, lokale Validierung und schließlich Export.

KI-Produkte sind heute „von Geburt an global“.

KI-Innovationen basieren auf Algorithmen und globalen digitalen Netzwerken, die Kosten für Modellwiederverwendung und Verteilung sind minimal – vom ersten Tag an richten sie sich an internationale Entwickler und Märkte.

Jiang Xiaojun illustriert dies an chinesischer Branchenpraxis:

Ökosystemrückwirkung durch Open-Source-Großmodelle: Chinesische Open-Source-Modelle werden weltweit immer häufiger heruntergeladen und genutzt – sie brechen den alten Branchencode internationaler Großkonzerne („Top Closed Source, Low Open Source“) und liefern als High-Performance-Open Source der globalen Tech-Community öffentliche Güter.

AI4S-vertikale Arbeitsteilung und „früher Export von Innovation“: In vertikalen Bereichen wie KI-gestützter Arzneimittelforschung hat China durch KI massive Kapazitäten im Target-Discovery und Moleküldesign aufgebaut. Wegen unterschiedlicher Rhythmen klinischer Studien wurden im ersten Halbjahr Deals im Wert von Hunderten Milliarden Dollar geschlossen. Die frühzeitige Lizenzierung („selling the sprouts“) zeigt, wie KI die globale Wertschöpfung der Biomedizin neu strukturiert.

Rückwirkung aus industriellen Fehlerdaten: Die lange industrielle Kette Chinas bietet riesige Mengen wertvoller Fehler- und Defektdaten, wodurch vertikale IndustriekI-Modelle nach intensiven Inlands-Tests schnell global exportiert werden können.

Jiang Xiaojun mahnt aber: „Gebürtige Globalisierung“ bedeutet nicht nur Technologietransfer, sondern stellt hohe Anforderungen an nationale Institutionen, Unternehmensbewusstsein und internationale Strategien.

„Unternehmen müssen von Anfang an global konforme High-Standard-Systeme schaffen.“ Beim Umgang mit Datenflüssen, Datenschutz, Algorithmenethik und IP-Rechten kann der alte „erst national, dann international“-Ansatz nicht mehr bestehen. China wechselt zudem von bevorzugter Behandlung als Entwicklungsland zu „gleichberechtigtem Wettbewerb und Kooperation“ mit hochentwickelten Wirtschaften – wechselseitiger Nutzen wird zur neuen Norm, mit proaktiver und reifer strategischer Denkweise.

Fazit

Von der Kapitalausgaben-Rüstung bis zur makroökonomischen Prüfung drückt die Bund-Konferenz 2026 auf die Rationalitätstaste der KI-Euphorie.

Ob KI zum nächsten wirtschaftlichen Wachstums-Höhepunkt wird, hängt nicht nur von Clustergröße und Parametern ab, sondern von viel tiefer gehender Strukturanpassung: Kann der mikroökonomische Algorithmuseffekt das Verzögerungsproblem schützen und sich zu realer TFP entwickeln? Können Verteilungsmechanismen und steuerpolitische Maßnahmen Disinflationsdruck abfangen und jungen Menschen neue Wertzugänge bieten? Kann die Industrie den Compliance- und Konkurrenz-Test bestehen und die Vorteile der „gebürtigen Globalisierung“ nutzen?

Wie Han Xinyi und Huang Yiping zum Abschluss des Forums sagten: Der ultimative Wert von KI lässt sich nicht durch Bilanzen und Bewertungen allein rechtfertigen – er muss sich am realen makroökonomischen Wachstum beweisen und am spürbaren Zugewinn der Beschäftigten messen.