Gartner sagt, 40 % der agentischen KI-Projekte werden bis 2027 eingestellt – das Modell ist nicht das Problem

Gartner prognostiziert, dass mehr als 40 % der agentischen KI-Projekte bis Ende 2027 eingestellt werden. Diese Zahl schlägt hart ein in einem Jahr, in dem jeder Unternehmens-Roadmap einen Punkt "Agents" hat. Aber der Grund für das Scheitern ist nicht das, was die meisten Anbieter glauben machen wollen – es sind weder die Modellqualität, noch die Kontextfensterbegrenzung oder Halluzinationsraten. Es liegt daran, dass Unternehmen zunehmend leistungsfähige KI auf Prozesse richten, die bereits kaputt waren, und erwarten, dass die Automatisierung die zugrundeliegende Dysfunktion von selbst behebt.

Das wirkliche Fehlermuster

Gartners Forschung verweist auf steigende Kosten, unklaren Geschäftswert und unzureichende Risikokontrollen als Haupttreiber für Projektstornierungen – nicht auf technische Defizite. In der Praxis läuft das als vorhersehbare Sequenz ab: Ein Team stellt einen Agent auf, um einen Workflow zu handhaben, den niemand jemals durchgängig kartiert hat; der Agent erbt jede undokumentierte Ausnahme und jedes inkonsistente Datenformat, das menschliche Arbeiter zuvor stillschweigend umgangen haben; und das Projekt wird sechs Monate später eingestellt, wenn es Zuverlässigkeitsziele nicht erreichen kann, die niemand zu Beginn definiert hat.

Ein Agent, der auf einem kaputten Workflow aufbaut, repariert den Workflow nicht – er automatisiert den Bruch mit Maschinengeschwindigkeit. Die Fütterung von Agents mit minderwertigen Daten verstärkt dies, und der Betrieb ohne Governance-Strukturen bedeutet, dass niemand den sich aufschaukelnden Fehler bemerkt, bis er teuer wird.

Das Problem des "Agent Washing"

Ein Teil dessen, was die Erwartungen aufbläht – und Projekte auf Enttäuschung vorbereitet – ist das Verhalten der Anbieter. Gartner schätzt, dass von den Tausenden Anbietern, die derzeit "agentische KI"-Produkte vermarkten, nur etwa 130 echte agentische Fähigkeiten besitzen. Der Rest sind bestehende Chatbots, RPA-Tools oder einfache KI-Assistenten, die mit Agent-Terminologie umbenannt wurden – eine Praxis, die das Analystenhaus "Agent Washing" nennt.

Das ist praktisch relevant: Ein Käufer, der 2026 Anbieter evaluiert, kann nicht annehmen, dass das Wort "Agent" in einem Produktnamen autonomes, mehrschrittiges Reasoning mit Tool-Nutzung bedeutet. Viele so vermarktete Produkte sind Einzelinteraktions-Assistenten mit einem neuen Etikett, und Beschaffungsteams, die nicht zwischen beiden unterscheiden, kaufen eine Fähigkeit, die sie nicht erhalten werden.

Warum die Fehlschläge organisatorisch sind, nicht technisch

Das durchgängige Thema in den Post-Mortem-Analysen von Fehlschlägen ist, dass die meisten agentischen KI-Implementierungen heute frühe Experimente sind, die eher durch internen Druck, "etwas mit KI zu tun", angetrieben werden als durch einen kartierten Business Case. Teams setzen Agents ohne klare Strategie ein, wie Erfolg aussieht, ohne die operative Komplexität zu verstehen, Entscheidungsbefugnis an Software zu übergeben, und ohne Governance für wenn – nicht falls – etwas schiefgeht.

Das ist ein bekanntes Muster aus früheren Automatisierungswellen: RPA-Projekte in der Ära 2015–2020 scheiterten aus nahezu identischen Gründen, als Unternehmen manuelle Prozesse automatisierten, ohne zuerst den Prozess selbst zu reparieren. Agentische KI erhöht den Einsatz, weil Agents Aktionen ausführen und Entscheidungen verketten können, wie es traditionelle RPA nicht konnte, was bedeutet, dass ein kaputter Prozess, der von einem Agent automatisiert wird, Fehler schneller und mit weniger Sichtbarkeit verstärken kann als ein kaputter Prozess, der von skriptbasierten Regeln automatisiert wird.

Was die Projekte auszeichnet, die überleben

Die agentischen KI-Projekte, die eine Einstellung vermeiden, teilen einige Merkmale. Sie beginnen mit einem Workflow, der bereits gut verstanden und einigermaßen instrumentiert ist – nicht einem, der gewählt wurde, weil er wie ein offensichtlicher "KI-Anwendungsfall" wirkte. Sie definieren spezifische, messbare Erfolgskriterien vor der Bereitstellung, nicht nach dem ersten Quartal der Ergebnisse. Und sie bauen Governance-Kontrollpunkte ein: Logging von Agent-Entscheidungen, menschliche Review-Trigger für risikoreiche Aktionen und einen klaren Eskalationspfad, wenn der Agent auf etwas außerhalb seiner Trainingsszenarien stößt.

Bemerkenswerterweise erfordert keines dieser Merkmale bessere Modelle. Ein Team, das das Modell des letzten Jahres auf einem sauberen, gut gesteuerten Prozess einsetzt, wird ein Team übertreffen, das das neueste Frontier-Modell auf einem chaotischen, ungelenkten Prozess einsetzt – was den Kern von Gartners Punkt ausmacht: Die Technologie hat die organisatorische Bereitschaft überholt, sie verantwortungsvoll einzusetzen.

Umsetzbare Erkenntnisse

Wenn Ihre Organisation agentische KI in der zweiten Jahreshälfte 2026 evaluiert: Kartieren Sie den Ziel-Workflow vollständig, bevor Sie auch nur ein einziges Prompt schreiben, einschließlich jedes manuellen Ausnahmebehandlungsschritts, den Ihre menschlichen Mitarbeiter derzeit unsichtbar ausführen. Bitten Sie jeden Anbieter, der mit "agentischen" Fähigkeiten wirbt, mehrschrittiges autonomes Reasoning und Tool-Nutzung live zu demonstrieren, nicht in einer geskripteten Demo – das ist der schnellste Weg, Agent Washing von echter Fähigkeit zu filtern. Definieren Sie Ihre Fehlerkriterien und den Rollback-Plan vor dem Start, nicht danach. Und budgetieren Sie Governance-Infrastruktur – Logging, Review-Workflows, Eskalationspfade – als erstklassigen Posten, nicht als nachträglichen Gedanken, der hinzugefügt wird, wenn etwas schiefgeht.