Gartner hat im Sommer 2025 eine Zahl in die Welt gesetzt, die vielen im KI-Umfeld die Laune verdirbt: Über 40 Prozent aller agentischen KI-Projekte werden bis Ende 2027 wieder eingestampft. Nicht wegen böser Absicht, sondern wegen steigender Kosten, unklarem Geschäftswert und fehlenden Kontrollen. Ich baue selbst seit Jahren mit Agenten und finde diese Prognose nicht deprimierend, sondern ehrlich. Denn sie sagt vor allem eins: Fast 60 Prozent schaffen es doch. Und der Unterschied ist erstaunlich planbar.
Die 40-Prozent-Zahl richtig lesen
Erst mal der nüchterne Blick auf die Quelle. Gartner nennt in der offiziellen Prognose drei Gründe für das Scheitern: eskalierende Kosten, kein erkennbarer Business-Wert und unzureichende Risikokontrollen. Anushree Verma, die zuständige Analystin, sagt einen Satz, den ich mir aufgehoben habe: Die meisten dieser Projekte seien heute frühe Experimente, hype-getrieben und oft am falschen Problem angesetzt.
Mehr zum Thema: KI im Gründeralltag – Grundlagen, Praxis und alle Artikel an einer Stelle.
Das deckt sich mit meiner Erfahrung. Ein abgebrochenes Projekt ist selten eine Technologiepleite. Meistens war der Use Case von Anfang an dünn, und irgendwann fällt auf, dass ein teurer Agent eine Aufgabe erledigt, die auch ein simples Skript oder ein klar geregelter Prozess gekonnt hätte. Die 40 Prozent sind also keine Absage an die Technik. Sie sind eine Absage an das Bauen ohne Plan.
Agent-Washing, das erste Warnsignal
Ein großer Teil des Problems entsteht schon beim Einkauf. Gartner spricht von Agent-Washing: Anbieter kleben das Etikett Agent auf alte Chatbots, RPA-Tools und Assistenten, ohne dass echte Autonomie dahintersteckt. Die Analysten schätzen, dass von den tausenden Anbietern am Markt nur rund 130 wirklich agentische Fähigkeiten liefern. Der Rest verkauft neuen Wein in alten Schläuchen.
Wer nicht versteht, was ein Agent überhaupt ist, kauft in diesem Umfeld fast zwangsläufig daneben. Deshalb lohnt sich vor jedem Projekt der Blick auf die Grundlagen. Ich habe das in Was ist ein KI-Agent von Grund auf erklärt. Die kurze Faustregel: Ein echter Agent plant, ruft Werkzeuge auf und handelt eigenständig auf ein Ziel hin. Ein umgelabelter Chatbot beantwortet nur Fragen. Beides kann nützlich sein, aber nur eines rechtfertigt die Investition in ein Agentenprojekt.
Warum Projekte wirklich scheitern
Wenn ich die Ausfälle sortiere, die ich selbst gesehen oder aus der Nähe begleitet habe, landen sie fast immer in denselben vier Schubladen.
Kein klarer Use Case. Das Projekt startet mit dem Werkzeug, nicht mit dem Problem. Man will unbedingt einen Agenten haben und sucht dann eine Aufgabe dazu. Das geht fast immer schief.
Schlechte Datenlage. Ein Agent ist nur so gut wie das, worauf er zugreifen darf. Das MIT hat in seinem viel zitierten Report festgestellt, dass rund 95 Prozent der Unternehmens-Pilotprojekte mit generativer KI keinen messbaren finanziellen Ertrag bringen. Die Autoren nennen die Ursache klar: Es liegt selten an den Modellen, sondern an einer organisatorischen Lernlücke, an fehlender Integration und schlechten Daten. Nachzulesen bei Forbes über die MIT-Studie.
Fehlende Governance und Guardrails. Viele Teams behandeln Agenten wie ein Feature, das man anschaltet, nicht wie einen Mitarbeiter, dem man Rechte gibt. Gartner warnt bereits vor der nächsten Welle: Bis 2027 werden rund 40 Prozent der Unternehmen autonome Agenten wieder zurückstufen oder abschalten, weil Governance-Lücken erst nach einem Vorfall auffallen.
Der Mensch fehlt in der Schleife. Ein Agent, der voll autonom in kritische Prozesse eingreift, ohne Prüfpunkt, ist kein Fortschritt, sondern ein Haftungsrisiko. Genau das führt zu den Vorfällen, die am Ende ganze Programme kippen.
Was die erfolgreichen 60 Prozent anders machen
Jetzt der interessante Teil. McKinsey hat in der Studie The State of AI in 2025 die Gewinner mit dem Rest verglichen, und ein Muster sticht heraus. Die High Performer haben zu 65 Prozent klar definierte Prozesse mit einem Menschen in der Schleife, beim Rest sind es nur 23 Prozent. Sie sind außerdem deutlich häufiger bereit, ganze Arbeitsabläufe umzubauen, statt einen Agenten obendrauf zu setzen.
Das ist keine Raketenwissenschaft, aber es ist unbequem. Erfolg mit Agenten heißt nicht, ein Modell zu kaufen und zu hoffen. Es heißt, den Prozess sauber zu schneiden, Zugriffsrechte bewusst zu vergeben und einen menschlichen Kontrollpunkt genau dort einzubauen, wo es teuer werden kann. Bei uns entscheidet der Mensch, der Agent führt aus. Wie das konkret aussieht, wenn man ein ganzes Unternehmen so organisiert, habe ich in Die autonome Organisation beschrieben. Und warum ich als jemand, der seit über 20 Jahren Firmen baut, überhaupt so tief in dieses Thema gegangen bin, steht auf meiner Seite Über mich.
Meine Checkliste für die 60 Prozent
Wenn du ein Agentenprojekt startest, geh vorher ehrlich diese Punkte durch. Jeder einzelne davon hat schon Projekte gerettet, die ich kenne.
Erstens, starte beim Problem, nicht beim Agenten. Formuliere den Geschäftswert in einem Satz und in Euro. Wenn das nicht geht, bau noch nichts.
Zweitens, prüfe deine Daten, bevor du das Modell prüfst. Kann der Agent überhaupt auf saubere, aktuelle Informationen zugreifen? Wenn nein, ist das dein erstes Projekt.
Drittens, definiere Rechte und Grenzen wie bei einem neuen Mitarbeiter. Was darf der Agent tun, worauf hat er Zugriff, wo endet seine Autonomie? Governance ist kein Nachgedanke, sondern Teil des Bauplans.
Viertens, setze den Menschen bewusst in die Schleife. Nicht überall, sondern genau an den Stellen, an denen ein Fehler richtig wehtut. Das ist der Unterschied zwischen mutig und leichtsinnig.
Fünftens, fang klein an und miss echt. Ein produktiver Agent auf einer klar umrissenen Aufgabe schlägt zehn Proof-of-Concepts, die niemand je in Betrieb nimmt.
Die 40 Prozent scheitern nicht am Modell. Sie scheitern an Disziplin. Und Disziplin kannst du dir aussuchen.
Häufige Fragen
Warum scheitern so viele KI-Agenten-Projekte?
Laut Gartner werden über 40 Prozent bis Ende 2027 abgebrochen, vor allem wegen steigender Kosten, unklarem Geschäftswert und fehlenden Risikokontrollen. In der Praxis kommt fast immer ein zu dünner Use Case, schlechte Daten oder fehlende Governance dazu.
Was ist Agent-Washing?
So nennt Gartner das Umetikettieren alter Chatbots, RPA-Tools und Assistenten als Agenten, ohne echte Autonomie. Von tausenden Anbietern liefern schätzungsweise nur rund 130 wirklich agentische Fähigkeiten, der Rest verkauft alte Technik unter neuem Namen.
Was unterscheidet erfolgreiche Agentenprojekte?
Laut McKinsey haben erfolgreiche Unternehmen deutlich häufiger einen definierten Menschen in der Schleife, 65 gegenüber 23 Prozent, und bauen ganze Arbeitsabläufe um, statt einen Agenten nur obendrauf zu setzen. Klarer Use Case, gute Daten und bewusste Governance kommen hinzu.
Sollte ein KI-Agent voll autonom arbeiten?
Selten. Volle Autonomie in kritischen Prozessen ohne Prüfpunkt ist ein Haftungsrisiko. Sinnvoll ist ein menschlicher Kontrollpunkt genau dort, wo ein Fehler teuer wird, während der Agent Routine und Umsetzung übernimmt.
Herzlich,
Euer Dennis Weidner
