Productivity impact of large language models in enterprises and startups

Thumbnail Image

Files

bachelor_Ekelund_Alvin_2025.pdf (603.68 KB)

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-12-14

Department

Major/Subject

Industrial Engineering and Management

Mcode

Degree programme

Bachelor's Programme in Science and Technology
Teknistieteellinen kandidaattiohjelma
Kandidatprogram i teknikvetenskap

Language

en

Pages

47

Series

Abstract

Large language models are rapidly spreading into knowledge work, but their true productivity impact remains uneven and context dependent. This thesis synthesizes recent empirical and conceptual research (2023–2025) to answer where LLMs create measurable productivity gains and under which organizational conditions these gains accumulate beyond isolated tasks. Using a 2×2 framework that contrasts enterprises versus startups and individual versus firm level, the study shows that LLMs already deliver large, verifiable improvements in tasks such as writing, customer support, and coding, especially for junior and lower-performing workers, while evidence beyond this jagged technological frontier is still limited. In most enterprises, these benefits remain trapped at the task level because organizations take significant time to transform in a meaningful way, lacking complementary investments in data, workflows, skills, and governance. A minority of GenAI leaders that have built these complements report clearer efficiency and growth effects. In startups, LLMs primarily act as force multipliers for experienced teams, improving capital efficiency but simultaneously eroding defensibility for those without proprietary data and processes.

Stora språkmodeller sprids snabbt in i kunskapsarbete, men deras verkliga produktivitetseffekter är fortfarande ojämna och beroende av sammanhang. Denna avhandling syntetiserar ny empirisk och konceptuell forskning (2023–2025) för att besvara var stora språkmodeller skapar mätbara produktivitetsvinster och under vilka organisatoriska förutsättningar dessa vinster ackumuleras bortom enskilda uppgifter. Med hjälp av ett 2×2-ramverk som jämför storföretag mot uppstartsföretag och individnivå mot företagsnivå visar studien att stora språkmodeller redan ger stora, verifierbara förbättringar i uppgifter som ses som lätta för AI; som skrivande, kundtjänst och kodning, särskilt för juniora och svagare presterande medarbetare, medan evidens bortom denna ojämna frontlinje fortfarande är begränsad. I de flesta storföretag förblir dessa vinster inlåsta på uppgiftsnivå eftersom organisationerna befinner sig på den flacka delen av produktivitets-J-kurvan och saknar kompletterande investeringar i data, arbetsflöden, kompetens och styrning. En minoritet av GenAI-ledare som har byggt upp dessa komplement rapporterar tydligare effektivitets- och tillväxteffekter. I startups fungerar stora språkmodeller främst som kraftmultiplikatorer för erfarna team, som förbättrar kapitaleffektiviteten men samtidigt urholkar försvarbarheten för aktörer utan egen data och egna processer.

Description

Supervisor

Rajala, Risto

Thesis advisor

Järvilehto, Lauri

Keywords

LLM, AI, productivity, enterprise, startup, J-curve

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202512239533

Collections

[kand] Perustieteiden korkeakoulu / SCI