Von der „New Economy“ zur „AI Economy“?

Vor genau 25 Jahren, in der Augustausgabe des Monatsberichts 2001, erschien eine Zwischenbilanz zur „New Economy“. Die Börseneuphorie war gerade verflogen, viele Internetunternehmen waren gescheitert, und doch wäre es falsch gewesen, daraus das Ende der digitalen Transformation abzuleiten. Die entscheidende Veränderung, so der damalige Befund, bestehe nicht in einer abgetrennten Welt junger Technologiefirmen, sondern in der Diffusion der Informations- und Kommunikationstechnik in die gesamte Wirtschaft. „Old Economy“ und „New Economy“ würden zu „One Economy“. Mit den Ökonomen Shapiro und Varian erinnerte der Beitrag zugleich an eine nüchterne Regel: „Die Technologie verändert sich, die ökonomischen Gesetze nicht“ (BMF, 2001).

Diese Erkenntnis ist ein guter Ausgangspunkt für die aktuelle Debatte um die „AI Economy“. Wieder fließen gewaltige Summen in Chips und junge Unternehmen. Wieder stehen spektakuläre Bewertungen – die oftmals durch fremdfinanzierte Investitionen getrieben sind – neben schwer messbaren Produktivitätsgewinnen. Und wieder reicht das Spektrum der Szenarien von einer wahrscheinlichen scharfen Korrektur der Vermögenswerte bis zum Beginn einer neuen Epoche. Kurzfristige Überinvestitionen und eine langfristig weitreichende Wirkung schließen sich dabei nicht aus; auch das hatte die New Economy bereits gelehrt.

Wie ernst die Möglichkeit eines tiefgreifenden Umbruchs inzwischen genommen wird, zeigt die im Juli 2026 veröffentlichte Initiative „We Must Act Now“, in der Ökonominnen und Ökonomen und KI-Forscherinnen und ‑Forscher, darunter nicht weniger als 16 Wirtschaftsnobelpreisträger, vor der Möglichkeit eines Umbruchs der Tragweite der industriellen Transformation in sehr kurzer Zeit warnen und fordern, frühzeitig notwendige politische Institutionen und Anreize für eine menschenzentrierte Entwicklung der Künstlichen Intelligenz (KI) zu schaffen.

Mehr als die nächste Welle der Digitalisierung

Doch die Analogie hat Grenzen. Die New Economy senkte vor allem die Kosten, Informationen zu speichern, zu übertragen und zu durchsuchen. KI kann darüber hinaus Aufgaben ausführen, für die bislang menschliche Urteilskraft unabdingbar war: Texte entwerfen, Software schreiben, Bilder auswerten, Kundinnen und Kunden beraten, Versuche planen oder Entscheidungen vorbereiten. Sie ist nicht mehr bloß ein Werkzeug, das den Menschen einfache oder repetitive Arbeiten abnimmt. Ökonomisch besonders relevant wird KI dort, wo Rechenleistung kognitive Arbeit in eine skalierbare Dienstleistung verwandelt.

„AI Economy“ bezeichnet eine mögliche Entwicklungsrichtung: eine Volkswirtschaft, in der KI nicht nur in einzelnen Produkten steckt, sondern Arbeitsorganisation, Investitionen, Einkommensverteilung und schließlich auch die staatlichen Einnahmen insgesamt verändert. Wie stark sich dies auf Produktivität und Ungleichheit auswirkt, ist noch weitgehend offen. Deswegen müssen unterschiedliche plausible Entwicklungspfade bereits heute systematisch beobachtet, in Szenarioanalysen einbezogen und bewertet werden. Für die Analyse ist zwischen technologischer Leistungsfähigkeit, betrieblicher Nutzung, realwirtschaftlichen Wirkungen und den Folgen für die öffentlichen Finanzen zu unterscheiden.

Bei „klassischen“ Algorithmen mussten Menschen Regeln möglichst genau formulieren. Moderne KI lernt dagegen statistische Zusammenhänge aus Daten und kann sie selbständig auf neue Fälle übertragen. Die Reichweite der Technologie ist zudem nicht auf Büro-, Wissens- und andere kognitive Arbeit begrenzt: In Verbindung mit leistungsfähigeren Industrie-, Service- und humanoiden Robotern kann KI zunehmend auch Wahrnehmung, Bewegung und die flexible Ausführung physischer und handwerklicher Arbeitsprozesse automatisieren. Das macht sie zu einer sogenannten General Purpose Technology: einer Basistechnologie, die viele Branchen verändert und deren Nutzen wie auch Gefahren erst zusammen mit neuen Prozessen, Fähigkeiten und Geschäftsmodellen sichtbar werden.

Die materielle Grundlage dieser möglichen AI Economy entsteht gegenwärtig vor allem in den USA: Im Mai 2025 entfielen nach einer qualifizierten Schätzung global rund 74,5 Prozent der erfassten Rechenleistung großer KI-Cluster auf die USA, aber nur 4,8 Prozent auf die Europäische Union (Epoch AI). Gleichzeitig erreichten die privaten KI-Investitionen in den USA 285,9 Mrd. US-Dollar, gegenüber 20,9 Mrd. US-Dollar in Europa und 3,9 Mrd. US-Dollar in Deutschland (Stanford AI Index 2026; [PDF, 6 MB]). Hinter diesem massiven Kapitalzustrom steht die Notwendigkeit, gewaltige Rechenkapazitäten für das Training und den späteren Betrieb neuer KI-Modelle bereitzustellen, gepaart mit der Spekulation auf immense künftige Produktivitätsgewinne. Der Rechenaufwand zum Trainieren solcher Modelle ist seit dem Jahr 2020 ungefähr um den Faktor fünf pro Jahr gestiegen; zugleich wachsen die Kosten der Entwicklung an der technologischen Grenze stark (Epoch AI, AI Trends). Diese exponentiell wachsenden Größen sind kein Beweis für künftiges Wirtschaftswachstum, zeigen aber, dass Unternehmen nicht nur um Marktanteile bei heutigen Anwendungen konkurrieren: Sie erwerben Optionen auf leistungsfähigere Systeme von morgen.

Doch welche konkreten Änderungen lösen die neuen technologischen Optionen auf Unternehmensebene aus, und welche gesamtwirtschaftlichen Folgen können daraus erwachsen?

Zum Seitenanfang

Was KI mit Arbeit, Kapital und Produktivität macht

Um diese wirtschaftlichen Wirkungen zu verstehen, ist es hilfreich, nicht Berufe oder ganze Branchen, sondern konkrete Aufgaben zu betrachten. Ein Beruf besteht aus Verantwortung, Routinen, Kommunikation, Fachwissen, Urteilsvermögen, der Fähigkeit, angemessen zu werten, und gegebenenfalls aus körperlichen Tätigkeiten. KI kann einige dieser Aufgaben ersetzen und andere ergänzen. Die Automatisierung bestimmter Tätigkeiten ist also nicht gleichbedeutend mit deren vollständiger Substitution oder gar dem Verschwinden des dazugehörigen Berufs.

Hinsichtlich der konkreten Auswirkungen auf die Produktivität gehen die Prognosen von Ökonominnen und Ökonomen weit auseinander. Acemoglu (2025) kommt in einem auf Aufgaben basierenden Modell selbst in den USA auf einen Anstieg der totalen Faktorproduktivität von weniger als 0,53 Prozent über zehn Jahre. Sein Argument: Viele leicht automatisierbare Aufgaben sind gesamtwirtschaftlich unbedeutend; spektakuläre Demonstrationen sagen wenig darüber aus, wie viele Kosten die Technik in der Breite tatsächlich spart. Optimistischere Schätzungen hingegen unterstellen eine schnellere Verbreitung, stärkere Qualitätsverbesserungen und die Entstehung ganz neuer Aufgaben und Produkte.

Selbst eine leistungsfähige Technik erscheint zudem nicht unmittelbar in der Produktivitätsstatistik. Unternehmen müssen Daten ordnen, Beschäftigte schulen, Verantwortlichkeiten klären und Prozesse fundamental umgestalten. Diese komplementären Investitionen sind teuer und werden teilweise als laufender Aufwand statt als Aufbau eines Vermögenswerts erfasst. Brynjolfsson, Rock und Syverson (2021) beschreiben (ebenfalls die USA betrachtend) deshalb eine „Produktivitäts-J-Kurve“: In der Einführungsphase könne die gemessene Produktivität wegen der Kosten organisatorischer Anpassungen und von Lernprozessen vorübergehend sogar sinken, bevor die Erträge organisatorischer Innovation sichtbar würden.

Was wir heute schon messen – und was nicht

Vor den großen Zukunftsszenarien liegt die Gegenwart. Yotzov et al. (2026) nutzten etablierte Unternehmensbefragungen, u. a. der Deutschen Bundesbank, um die Durchdringung von KI im Status quo zu messen. Durchschnittlich 69 Prozent der Unternehmen gaben an, KI aktiv zu nutzen; in Deutschland waren es 65 Prozent. Führungskräfte verwendeten KI im Durchschnitt allerdings nur etwa anderthalb Stunden pro Woche. Die Kernbotschaft der Studie: Die betriebliche Einführung ist breit, die Nutzung bislang aber häufig flach. Für die zurückliegenden drei Jahre meldeten jeweils rund neun von zehn Unternehmen weder einen messbaren Beschäftigungs- noch einen Produktivitätseffekt. Für die kommenden drei Jahre erwarteten sie dagegen 1,44 Prozent höhere Produktivität und 0,68 Prozent weniger Beschäftigung als in einer Welt ohne KI.

Eine Analyse der Europäischen Zentralbank (EZB) warnt vor der Gleichsetzung von Zugang und Transformation. Im 4. Quartal 2025 berichteten zwar mehr als 70 Prozent der Unternehmen im Euroraum irgendeine KI-Nutzung, aber nur 7 Prozent stuften sie als intensiv ein. Entscheidend sei, ob KI in Kernprozesse, Innovation und Organisationsstrukturen integriert werde (EZB-Blog, 2026).

Verfügbare Statistiken, die Investitionen in KI beziehungsweise den Return on Investment global erfassen, messen in der Regel mit dem Schwerpunkt USA gekaufte Software, Server, Halbleiter, Stromverbrauch, Löhne und Unternehmensgewinne. Schwerer abzubilden sind intern entwickelte oder unentgeltliche KI-Dienste, eingebettete Anwendungen, die Veränderung von Qualität und Arbeitsprozessen, die Steigerung der Lebensqualität oder der ökonomischen Wohlfahrt allgemein. Coyle und Poquiz (2025; [PDF, 333 KB]) zeigen, dass solche Effekte in den klassischen Aggregaten nur unvollständig oder mit Verzögerung sichtbar werden können.

In Deutschland berücksichtigen die amtlichen Statistiken zwar Qualitätsverbesserungen auch in den Preisindizes. In der gegenwärtigen Entwicklung von KI-Diensten verbleiben jedoch besondere Messunsicherheiten, weil sich Leistungsfähigkeit, Preise und Produktgenerationen in dieser neuen Technologie außerordentlich schnell verändern. Der Nutzungspreis pro Einheit des günstigsten erfassten Modells, das in einem hochklassigen Benchmark mindestens GPT-4-Niveau erreichte, sank beispielsweise von 37,50 US-Dollar im März 2023 auf rund 0,12 US-Dollar im Dezember 2024. Das ist kein amtlicher Preisindex und nicht unmittelbar auf Deutschland übertragbar, die Berechnung verdeutlicht jedoch die Dynamik, die bei der Qualitätsbereinigung von KI-Diensten zu bewältigen ist (Cottier et al., 2025).

Ein ergänzendes KI-Monitoring sollte technologische Leistungsfähigkeit und qualitätsbereinigte Preise, die tatsächliche Nutzungsintensität sowie Veränderungen von Arbeitsstunden, Lohnsummen, Gewinnen und Marktkonzentration gemeinsam beobachten. Dabei reicht es nicht, die Höhe möglicher Produktivitätsgewinne isoliert zu betrachten. Ebenso entscheidend ist, wem diese Gewinne zufallen.

Wem die Gewinne durch KI zufallen

Damit rückt die Verteilung der Gewinne in den Mittelpunkt. Wirtschaftliche Konzentration entsteht dabei nicht nur durch Eigentum an beziehungsweise Kontrolle über Recheninfrastruktur, sondern auch durch die Entwicklung von Modellen und darauf aufbauenden Dienstleistungen. Hohe Fixkosten, Skaleneffekte sowie Kontrolle über Daten, Schnittstellen und Rechte können dazu führen, dass nur ein kleiner Kreis von Unternehmen einen großen Teil der Gewinne abschöpft.

Solange KI Menschen produktiver macht, können sowohl Löhne als auch Beschäftigung steigen. Wenn Systeme aber Aufgaben vollständig übernehmen, wächst dagegen die Bedeutung von Kapital (in Form von Chips, Rechenzentren, Daten, Modellen) und den Unternehmen, die darüber verfügen. In der Folge können sich Arbeitseinkommen hin zu Kapitalrenditen verlagern, sodass sich bei wachsendem Gesamteinkommen die Lohnquote verringern kann. Der Gesamteffekt auf das Steueraufkommen ist unklar.

Eine zusätzliche Konzentrationsgefahr entsteht, wenn besonders leistungsfähige Modelle, die an der Grenze des zum jeweils technisch Machbaren arbeiten, sogenannte Frontier-Modelle, zu einer für viele Branchen notwendigen Vorleistung werden. Entscheidend ist dann nicht nur, ob europäische Unternehmen auf diese Systeme zugreifen können, sondern auch, wer Preise, Nutzungsbedingungen, Weiterentwicklung und technische Schnittstellen kontrolliert. Erfolgt der Zugang im Wesentlichen über US-amerikanische Anbieter, kann ein Teil der in Deutschland erzielten Produktivitätsgewinne als Nutzungsentgelt in die USA fließen. Zugleich entstehen potenziell hohe Wechselkosten („Lock-in-Effekt“), weil Unternehmensdaten, angepasste Prozesse, Sicherheitsprüfungen und ergänzende Software an spezifische Modelle gebunden sein könnten. Die Anbieter erhielten zudem Informationen darüber, in welchen Anwendungen besonders hohe Erträge entstehen und können diese Märkte selbst erschließen. Aus technischer Abhängigkeit kann so eine dauerhafte Verschiebung der Wertschöpfungsstruktur entstehen. Gewinne könnten verstärkt dort anfallen und steuerlich erfasst werden, wo die zugrunde liegenden KI-Modelle, immateriellen Vermögenswerte oder Geschäftsmodelle verortet sind. Dadurch verändern sich die Zusammensetzung und die internationale Verteilung der Steuerbemessungsgrundlagen und somit gegebenenfalls auch geopolitische Verhandlungsmacht.

Dieses Szenario ist aber nicht zwangsläufig: Immer stärkere „offene“ Modelle, die von den Nutzern selbst und unabhängig betrieben werden können, ein intensiver Ausbau von Rechenkapazitäten physisch vor Ort und wirksamer Wettbewerb zwischen mehreren Anbietern können ihm entgegenwirken.

Wie weit sich die Verschiebung von Arbeit, Wertschöpfung und Einkommen hin zu KI-bezogenem Kapital theoretisch fortsetzen könnte, zeigt das ökonomische Grenzszenario einer Artificial General Intelligence, kurz AGI.

AGI als ökonomisches Grenzszenario

Gemeint sind Systeme, die Menschen bei den meisten kognitiven Aufgaben erreichen oder übertreffen. Eine Studie von RAND Europe, an der Forscherinnen und Forscher mit Verbindungen u. a. zum Massachusetts Institute of Technology und zum Max-Planck-Institut für Intelligente Systeme beteiligt waren, hält die Entwicklung von AGI in den 2030er-Jahren oder auch früher für plausibel, betont aber die erhebliche Unsicherheit. Ihr eigentlicher Punkt ist geopolitisch: Wenn AGI möglich ist, wird Europas Mangel an Rechenkapazität, Risikokapital, Talenten und einheitlicher Strategie zu einem Problem, bevor Gewissheit über den technischen Zeitplan besteht (RAND Europe, Europe and the Geopolitics of AGI, 2025).

Das „Race to AGI“ ist ein massives Investitionsmotiv mit realen Folgen in der Gegenwart. Selbst wenn AGI nie erreicht werden sollte, könnten die auf dem Weg entwickelten Systeme zahlreiche Aufgaben automatisieren. Eine zusätzliche erhebliche Beschleunigung der Entwicklung ist plausibel, sobald KI-Systeme in der Lage sind, ihre Fähigkeiten dazu einzusetzen, sich selbst weitgehend ohne menschliches Zutun weiterzuentwickeln („rekursive Selbstverbesserung“). Ob oder wann dies eintritt, ist derzeit noch offen, die großen KI-Unternehmen arbeiten jedoch intensiv daran. In jedem Fall wäre es riskant, die Möglichkeit solcher Systeme allein deshalb aus ökonomischen Analysen oder strategischen Überlegungen auszuschließen, weil die Fragen nach Möglichkeit und Zeitpunkt von AGI nicht bestimmt vorhergesagt werden können. Die Entwicklung ist spätestens seit der politischen Beschränkung des Zugangs zu Systemen und Sicherheitsvorfällen, die überraschende Fähigkeiten derselben gezeigt haben, nicht mehr nur Gegenstand wirtschaftlicher Konkurrenz und technologischer Innovation, sondern Teil nationaler Sicherheits- und Geopolitik. Gleichzeitig wird dadurch das Investitionsumfeld volatil: Prominente Stimmen fordern Moratorien oder substanzielle Eingriffe in die KI-Forschung. Das zeigt, dass milliardenschwere Investitionen auch sehr abhängig von künftigen regulatorischen und geopolitischen Kursen werden können.

Beim AGI-Szenario erhält Elon Musks These, Arbeit werde eines Tages „optional“, ihren ökonomischen Gehalt. Er formulierte diese Erwartung wiederholt und mit immer kürzerem Eintrittszeitpunkt. Als Gedankenexperiment hat sie aber sehr namhafte Vorläufer und wissenschaftliche Entsprechungen. John Maynard Keynes erwartete im Jahr 1930, technischer Fortschritt werde das ökonomische Knappheitsproblem langfristig entschärfen und eine 15-Stunden-Woche ermöglichen (Keynes, 1930). Anton Korinek und Megan Juelfs analysieren ein Szenario, in dem autonome Maschinen Arbeit weitgehend ersetzen: Dann müsste Einkommen stärker über Kapitalbesitz oder Transfers verteilt werden, während Erwerbsarbeit aus Gründen von Sinn und sozialer Teilhabe fortbestehen könnte (Korinek und Juelfs, 2022; [PDF, 439 KB]).

Pascual Restrepo treibt dieses Gedankenexperiment für eine AGI-Welt weiter. Sein Modell unterstellt, dass mit zunehmender Fähigkeit der Systeme menschliche Arbeit und Rechenleistung für dieselben Aufgaben einen Punkt erreichen würden, in dem sie bezüglich des Ergebnisses austauschbar seien. Unternehmen verglichen dann die Kosten menschlicher Arbeit mit den Kosten der maschinellen Alternative. Wenn jede wirtschaftlich wertvolle menschliche Aufgabe auch mit zusätzlicher Rechenleistung erledigt werden könne, werde Rechenkapazität zum Engpass. In seinem Modell nähert sich der Lohn den Kosten der Rechenleistung an, die nötig wäre, menschliche Arbeit zu reproduzieren; der Anteil der Arbeitseinkommen könne gegen null gehen (Restrepo, 2025; [PDF, 488 KB]).

Zum Seitenanfang

Die finanzpolitische Frage: Wer trägt den Staat, wenn Arbeit an Gewicht verliert?

Für das BMF ist die AI Economy keine reine Technologiefrage. Sie berührt die Ergiebigkeit des Steuersystems und potenziell sogar die Stabilität der öffentlichen Finanzen.

Wenn KI vor allem ergänzt, würden Produktivität, Löhne und möglicherweise auch die Steuereinnahmen steigen. Wenn sie Arbeitsstunden in hohem Ausmaß verdrängt, würden Lohnsteuer und Sozialbeiträge unter Druck geraten, während Transferausgaben steigen würden. Gleichzeitig könnten Gewinne, Vermögenswerte und Konsum wachsen. Ob der Staat am Produktivitätsgewinn teilhat, hängt dann davon ab, wo die Gewinne verbucht werden, wem das Kapital gehört und wie mobil die jeweilige Steuerbasis ist. Gerade bei immateriellen Vermögenswerten und global angebotenen Modellen ist das keine triviale Frage. Daraus ergeben sich vier miteinander verbundene Handlungsfelder:

Erstens sollten valide Indikatoren in einem kontinuierlichen KI-Monitoring gebündelt und als „Frühwarnsystem“ für die Finanzpolitik genutzt werden. Dabei geht es nicht um eine Reform der mittelfristigen Steuerschätzung, sondern um eine frühzeitige Abschätzung, ob sich die deutsche Wirtschaft eher in ein Ergänzungs- oder ein Substitutionsszenario hineinbewegt. Dabei kann auch die Analyse anderer Länder (insbesondere der USA), die einen schnelleren KI-Uptake verzeichnen als Deutschland, hilfreich sein, um Muster zu erkennen.

Zweitens ist das nationale Besteuerungssystem in den Blick zu nehmen und entsprechend fortlaufend zu hinterfragen. Dabei spielen auch internationale Aspekte aufgrund der grenzüberschreitenden Mobilität immaterieller Werte, wie KI-Dienstleistungen, Daten oder Rechten, eine Rolle. Darüber hinaus sind die Wettbewerbsaufsicht und die europäische Kapitalmarktpolitik einzubeziehen. Eine starke Konzentration KI-bezogener Investitionen und daraus resultierender Gewinne außerhalb Europas würde die Rendite aus den Effizienzgewinnen möglicherweise ebenfalls außerhalb Europas entstehen lassen.

Drittens sollten auch mögliche Instrumente für extreme Szenarien wie der AGI oder gar einer künstlichen „Superintelligenz“ (ASI), die Menschen in allen wesentlichen kognitiven Aspekten übertrifft, frühzeitig in den Blick genommen werden. Korinek und Lockwood (2026; [PDF, 731 KB]) untersuchen, wie transformative KI sowohl Arbeitseinkommen als auch den menschlichen Konsum als Steuerbasis erodieren könnte. Neben Verbrauch- und Kapitaleinkommensteuern analysieren sie Abgaben auf Rechenleistung oder KI-Leistungen, staatliche Beteiligungsfonds und Vereinbarungen über außergewöhnliche Gewinne.

Viertens sollte der Staat über Teilhabe vor der nachträglichen Verteilung nachdenken. Wenn Einkommen stärker an Kapitalbesitz gebunden wird, reichen nachträgliche Transfers möglicherweise nicht aus. Breitere private Kapitalbildung, stärker kapitalgedeckte Elemente sozialer Sicherung oder öffentliche Fonds können dafür sorgen, dass Bürgerinnen und Bürger an Produktivitätsgewinnen beteiligt sind. Dabei stellen sich schwierige Fragen: Wer trägt das Investitionsrisiko? Wie wird willkürliche politische Einflussnahme verhindert? Und wie bleibt Wettbewerb erhalten?

Vorsorge unter Unsicherheit

Vor 25 Jahren lag der Fehler nicht darin, die Bedeutung des Internets zu überschätzen. Überschätzt wurde, wie schnell sich technische Möglichkeiten in profitable Geschäftsmodelle und Produktivität übersetzen würden. Zugleich unterschätzten viele, wie vollständig digitale Anwendungen später Handel, Medien und Alltag durchdringen sollten.

Bei KI droht derselbe doppelte Irrtum. Kurzfristig kann die Euphorie größer sein als der messbare Ertrag. Langfristig kann eine Unterschätzung von KI (z. B. als vermeintlich bloße Chatbots) verdecken, dass skalierbare kognitive Leistung die Gewichtsverteilung zwischen Arbeit und Kapital nachhaltig verschieben könnte. Eine wahrscheinlichere Position liegt daher weder im Versprechen einer arbeitsfreien Überflussgesellschaft noch in der beruhigenden Annahme, es handle sich nur um ein weiteres Software-Update.

Für Deutschland folgt daraus eine pragmatische Agenda: ein dediziertes KI-Monitoring aufbauen, die Erwerbs- und Anpassungsfähigkeit der Menschen und der Wirtschaft stärken und eine breitere Teilhabe an Kapitalerträgen prüfen. Das Ziel ist ein fiskalisches System, das auch dann tragfähig bleibt, wenn sich das Verhältnis von Arbeit und Kapital deutlich verändert.

Die Technologie hebt die ökonomischen Gesetze nicht auf. Aber sie kann verändern, wo Wertschöpfung und Einkommen entstehen und worauf der Staat zur Finanzierung öffentlicher Güter zugreifen kann. Politisch entscheidend ist deshalb, diese Entwicklung bei der Steuer- und Verteilungsordnung mitzudenken, bevor sich Wertschöpfung und Steuerbasen dauerhaft verschoben haben.

Literaturverzeichnis

Acemoglu, Daron (2025): The simple macroeconomics of AI. In: Economic Policy, Vol. 40, Nr. 121, S. 13–58. https://doi.org/10.1093/epolic/eiae042

Brynjolfsson, Erik, Daniel Rock und Chad Syverson (2021): The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. In: American Economic Journal: Macroeconomics, Vol. 13, Nr. 1, S. 333–372. https://doi.org/10.1257/mac.20180386

Bundesministerium der Finanzen (2001): New Economy: Bestandsaufnahme und Implikationen für die Wirtschafts- und Finanzpolitik. In: Monatsbericht des BMF, August 2001, S. 35–47.

Chaloupka, David, Tibor Lalinský und Paloma Lopez-Garcia (2026): What separates firms that use AI intensively from firms that don’t? The ECB Blog, 24. Juni 2026. https://www.ecb.europa.eu/press/blog/date/2026/html/ecb.blog20260624~44f70da110.ga.html

Cottier, Ben, Ben Snodin, David Owen und Tom Adamczewski (2025): LLM inference prices have fallen rapidly but unequally across tasks. Epoch AI, 12. März 2025. https://epoch.ai/data-insights/llm-inference-price-trends

Coyle, Diane und John Lourenze S. Poquiz (2025): Making AI Count: The Next Measurement Frontier. NBER Working Paper Nr. 34330. Cambridge, MA: National Bureau of Economic Research. https://doi.org/10.3386/w34330 [PDF, 333 KB]

Epoch AI (2026): Trends in Artificial Intelligence. Aktualisiert am 5. Februar 2026. https://epoch.ai/trends

Keynes, John Maynard (1930): Economic Possibilities for Our Grandchildren. In: The Nation and Athenaeum, Teil I, 11. Oktober 1930, S. 36–37, und Teil II, 18. Oktober 1930, S. 96–98. https://www.hetwebsite.net/het/texts/keynes/keynes1930grandchildren.htm

Korinek, Anton und Megan Juelfs (2022): Preparing for the (Non-Existent?) Future of Work. NBER Working Paper Nr. 30172. Cambridge, MA: National Bureau of Economic Research. https://doi.org/10.3386/w30172 [PDF, 439 KB]

Korinek, Anton und Lee M. Lockwood (2026): Public Finance in the Age of AI: A Primer. NBER Working Paper Nr. 34873. Cambridge, MA: National Bureau of Economic Research. https://doi.org/10.3386/w34873 [PDF, 731 KB]

Negele, Maximilian et al. (2025): Europe and the Geopolitics of AGI: The Need for a Preparedness Plan. RAND Corporation und Centre for Future Generations, Report RR-A4636-1. https://www.rand.org/t/RRA4636-1

Pilz, Konstantin F., Robi Rahman, James Sanders, Luke Emberson und Lennart Heim (2025): The US hosts the majority of GPU cluster performance, followed by China. Epoch AI, 5. Juni 2025. https://epoch.ai/data-insights/ai-supercomputers-performance-share-by-country

Restrepo, Pascual (2025): We Won’t Be Missed: Work and Growth in the AGI World. NBER Working Paper Nr. 34423. Cambridge, MA: National Bureau of Economic Research. https://doi.org/10.3386/w34423 [PDF, 488 KB]

Stanford Institute for Human-Centered Artificial Intelligence (2026): Artificial Intelligence Index Report 2026. Chapter 4: Economy. Stanford University. https://hai.stanford.edu/assets/files/ai_index_report_2026_chapter_4_economy.pdf [PDF, 6 MB]

Ulanoff, Lance (2025): Elon Musk on the future of jobs and AI, “My prediction is that work will be optional”. TechRadar, 22. November 2025. https://www.techradar.com/ai-platforms-assistants/elon-musk-on-the-future-of-jobs-and-ai-my-prediction-is-that-work-will-be-optional

Yotzov, Ivan et al. (2026): Firm Data on AI. NBER Working Paper Nr. 34836. Cambridge, MA: National Bureau of Economic Research. https://doi.org/10.3386/w34836