KI-Agenten

Warum KI-Agenten scheitern: Sechs Ursachen im Prozess und was Sie dagegen tun

Was die bekannten Quoten wirklich messen, sechs Ursachen mit Beleg und Gegenmaßnahme, eine Checkliste mit zwölf Fragen und sechs Schritte in den Betrieb.

Robert Poensgen·Aktualisiert am ·9 Min. Lesezeit

Das Wichtigste in Kürze

Wenn KI-Agenten scheitern, nennen die Studien selten das Sprachmodell als Hauptgrund. Häufiger sind es Kosten, unklarer Nutzen, Daten und die fehlende Passung zum Arbeitsablauf. Die Quoten von 40, 80 oder 95 Prozent messen Unterschiedliches und sind nicht vergleichbar. Bereinigen Sie den Prozess, bevor Sie den Agenten bauen, und regeln Sie Zuständigkeit und Kontrolle vor dem Go-live.

Wenn KI-Agenten scheitern, nennen die verfügbaren Studien selten das Sprachmodell als Hauptgrund. Genannt werden Kosten, unklarer Nutzen, Daten und die fehlende Passung zum Arbeitsablauf. Dieser Ratgeber ordnet die bekannten Quoten ein, nennt sechs Ursachen mit Beleg und Gegenmaßnahme und endet mit einer Checkliste, mit der Sie einen Prozess vor dem Bau prüfen.

Ein KI-Agent ist Software, die ein Ziel verfolgt und selbst entscheidet, welche Schritte sie dafür geht: Sie liest eine Anfrage, fragt Systeme ab, legt Einträge an und gibt den Fall weiter. Eine klassische Automatisierung folgt festen Regeln.

Wie viele KI-Agenten-Projekte tatsächlich scheitern.

Die bekannteste Zahl ist eine Prognose. Gartner erwartet, dass bis Ende 2027 über 40 Prozent der Projekte mit agentischer KI eingestellt werden. Als Gründe nennt Gartner steigende Kosten, unklaren Geschäftswert und unzureichende Risikokontrollen. Gemessen ist das nicht. Es ist eine Einschätzung von Analysten aus dem Juni 2025.

Gemessene Werte gibt es für zwei Zeitpunkte.

Vor dem Go-live. In einer Befragung von S&P Global unter gut 1.000 Fachleuten in Nordamerika und Europa gaben 42 Prozent der Unternehmen an, die Mehrheit ihrer KI-Initiativen aufgegeben zu haben. Im Vorjahr waren es 17 Prozent. Im Schnitt verwarfen die Unternehmen 46 Prozent ihrer Proofs of Concept, bevor diese den Betrieb erreichten. Die Zahlen gelten für KI-Vorhaben insgesamt, nicht nur für Agenten.

Nach dem Go-live. Sinch, ein Anbieter für Kundenkommunikation, hat Anfang 2026 2.527 Entscheider in zehn Ländern befragt. Knapp drei Viertel der Unternehmen mussten einen bereits eingesetzten KI-Agenten für die Kundenkommunikation zurückrollen oder abschalten. Die Zahl stammt aus einer Anbieterstudie und gilt nur für diesen Einsatzbereich. Sie zeigt, dass ein Agent mit dem Go-live nicht fertig ist.

Eine belastbare Quote dafür, wie viele Agenten nach sechs oder zwölf Monaten noch laufen, haben wir nicht gefunden.

In Deutschland. Hierzulande stehen die meisten Unternehmen noch am Anfang. Laut Bitkom setzen 57 Prozent der Unternehmen ab 20 Beschäftigten KI ein. Von den Unternehmen, die KI nutzen, planen oder diskutieren, haben 11 Prozent Agenten im Einsatz. Weitere 29 Prozent planen es.

Nach Unternehmensgröße. Eine McKinsey-Befragung mit 1.719 Teilnehmenden aus 97 Ländern zeigt einen Abstand. In Unternehmen mit mehr als einer Milliarde US-Dollar Umsatz berichten 40 Prozent der Befragten, dass Agenten in mindestens einer Funktion skaliert werden. Im Vorjahr waren es 27 Prozent. In kleineren Unternehmen blieb der Anteil bei 22 Prozent.

Was „Scheitern“ in den Studien bedeutet.

Die oft zitierten Quoten messen Unterschiedliches. Wer sie nebeneinanderstellt, vergleicht Abbrüche, fehlende Erträge und Schätzungen.

Zahl Was gezählt wird Quelle
über 40 % Prognose: Projekte mit agentischer KI, die bis Ende 2027 eingestellt werden Gartner (2025)
42 % Unternehmen, die die Mehrheit ihrer KI-Initiativen aufgegeben haben S&P Global (2025)
74 % Unternehmen, die einen KI-Agenten in der Kundenkommunikation zurückgerollt oder abgeschaltet haben Sinch (2026), Anbieterstudie
88 % KI-Pilotprojekte ohne breiten Rollout: Von 33 erreichten 4 den Betrieb IDC mit Lenovo, zitiert nach CIO.com (2025)
95 % Organisationen ohne messbaren Ertrag aus generativer KI MIT NANDA (2025), vorläufiger Bericht
über 80 % Schätzung Dritter, die RAND zitiert. Keine eigene Messung RAND (2024)
48 % KI-Projekte, die den Betrieb erreichen, im Schnitt nach acht Monaten Gartner (2024)

Die 95 Prozent. Der Bericht von MIT NANDA beschreibt einen Trichter. 60 Prozent der Organisationen haben aufgabenspezifische KI-Werkzeuge geprüft, 20 Prozent haben sie pilotiert, 5 Prozent haben sie in den Betrieb gebracht. Grundlage sind Interviews mit 52 Organisationen, 153 Umfrageantworten und über 300 öffentlich bekannte Vorhaben. Die Autoren bezeichnen ihre Ergebnisse als vorläufig und die Zahlen als der Richtung nach zutreffend. Eine Abbruchquote gestarteter Projekte ist das nicht. Gezählt werden auch Organisationen, die über die Prüfung nie hinauskamen.

Die 80 Prozent. RAND schreibt, „nach manchen Schätzungen“ scheiterten mehr als 80 Prozent der KI-Projekte. Die eigene Arbeit von RAND besteht aus 65 Interviews mit Data Scientists und Ingenieuren. Sie fragt nach Ursachen, nicht nach Quoten.

Die Gegenzahl. In einer Gartner-Befragung von 644 Organisationen in den USA, Deutschland und Großbritannien erreichten 48 Prozent der KI-Projekte den Betrieb, im Schnitt acht Monate nach dem Prototyp.

Einen Befund teilen die Studien: Die Lücke liegt zwischen Pilot und Betrieb. Eine Demo zeigt, was das Modell kann. Im Betrieb zeigt sich, ob der Ablauf trägt.

Sechs Ursachen, die im Prozess liegen.

Die Studien nennen ähnliche Gründe. Wir ordnen sie in sechs Ursachen, jeweils mit Symptom, Beleg und Gegenmaßnahme.

1. Der Ablauf ist nicht standardisiert. Jede Fachkraft bearbeitet den Vorgang anders. Ausnahmen werden per E-Mail geklärt, das Wissen steckt in Köpfen. Ein Agent braucht Regeln, die jemand aufgeschrieben hat. MIT NANDA nennt als Hauptgründe gescheiterter Piloten brüchige Arbeitsabläufe und die fehlende Passung zum Tagesgeschäft. Was hilft: den Ist-Ablauf am Arbeitsplatz aufnehmen, Varianten zählen, einen Standard festlegen und erst dann bauen.

2. Die Daten sind verteilt oder lückenhaft. Der Agent liest veraltete Stammdaten, der Abgleich läuft über Excel. KI-Anwender nennen dem Bitkom die Datenaufbereitung (50 Prozent) und die Integration in bestehende Systeme (41 Prozent) als zwei ihrer größten Kostenpunkte. Gartner erwartet, dass Unternehmen bis Ende 2026 sechs von zehn KI-Projekten aufgeben, denen KI-taugliche Daten fehlen. Was hilft: je Datenobjekt ein führendes System bestimmen, Pflichtfelder festlegen und Eingaben prüfen, bevor der Agent sie verarbeitet.

3. Niemand ist zuständig. Fehler fallen erst Kunden auf. In der Sinch-Befragung berichten 78 Prozent der technischen Führungskräfte von Rollbacks. Bei den Führungskräften aus den Fachbereichen sind es 69 Prozent. Laut Sinch erfahren die Fachbereiche seltener, dass und warum ein Agent zurückgenommen wurde. Was hilft: eine fachlich verantwortliche Person benennen, einen Kanal für Fehlermeldungen einrichten, wöchentlich Stichproben prüfen und Änderungen protokollieren.

4. Die Wirtschaftlichkeit ist unklar. Niemand kennt die Kosten pro Vorgang, weder vorher noch nachher. Steigende Kosten und unklarer Geschäftswert sind zwei der drei Gründe in der Gartner-Prognose. 54 Prozent der KI-Anwender nennen dem Bitkom schwer kalkulierbare Kosten als Hemmnis. Unternehmen mit hohem Ergebnisbeitrag durch KI haben laut McKinsey doppelt so häufig feste Verfahren, um die Wirkung ihrer KI-Vorhaben zu messen. Was hilft: vor dem Start die Ausgangswerte messen, Zielwert und Abbruchkriterium schriftlich festhalten.

5. Das Team macht nicht mit. Beschäftigte prüfen jedes Ergebnis doppelt oder arbeiten mit privaten Werkzeugen am Agenten vorbei. 42 Prozent der KI-Anwender nennen dem Bitkom fehlende Akzeptanz der Beschäftigten als Hemmnis. Laut MIT NANDA nutzen in über 90 Prozent der befragten Unternehmen Beschäftigte private KI-Werkzeuge für die Arbeit. Offizielle Lizenzen haben nur 40 Prozent der Unternehmen gekauft. Was hilft: das Team am Bau beteiligen und jeden Workaround als Anforderung aufnehmen.

6. Freigaben und Haftung sind ungeklärt. Der Agent darf mehr, als jemand entschieden hat. Air Canada musste 2024 für eine falsche Auskunft seines Chatbots zu einem Trauertarif einstehen (Moffatt v. Air Canada, 2024 BCCRT 149). Das Tribunal ließ das Argument nicht gelten, der Chatbot sei für seine Auskünfte selbst verantwortlich. In der EU gelten seit dem 2. August 2026 Transparenzpflichten für bestimmte KI-Systeme. Die Pflichten für Hochrisiko-KI nach Anhang III der KI-Verordnung folgen am 2. Dezember 2027 (Zeitplan der Bundesnetzagentur). Was hilft: Freigabestufen nach Schadenshöhe festlegen, KI-Auskünfte kennzeichnen und Schulungen dokumentieren. Den Rechtsrahmen beschreibt der Ratgeber zur KI-Readiness. Dieser Absatz ersetzt keine Rechtsberatung.

Ein Agent verstärkt den Prozess, auf den er trifft.

Eine regelbasierte Automatisierung bleibt stehen, wenn ein Fall nicht ins Schema passt. Ein Agent macht weiter. Er füllt die Lücke mit einer Annahme, und das Ergebnis sieht plausibel aus. In einem unklaren Ablauf werden Fehler dadurch schwerer erkennbar.

Den stärksten Beleg liefert McKinsey. Von den Unternehmen mit hohem Ergebnisbeitrag durch KI haben knapp drei Viertel ihre Arbeitsabläufe grundlegend neu gestaltet, von den übrigen rund ein Viertel. In einer Celonis-Befragung sagen 76 Prozent der Entscheider weltweit und 68 Prozent in der DACH-Region, dass bestehende Prozesse ihre KI-Vorhaben ausbremsen.

Ein Beweis ist beides nicht. McKinsey zeigt einen Zusammenhang aus Selbstauskünften, Celonis ein Meinungsbild aus einer Anbieterstudie. Eine Studie, die nachweist, dass Prozessreife den Erfolg von KI verursacht, haben wir nicht gefunden. Die Befunde zeigen aber in dieselbe Richtung.

Im Mittelstand fehlt dieser Schritt häufig. Von den Mittelständlern mit Digitalisierungsprojekten haben laut KfW-Digitalisierungsbericht 50 Prozent ihre IT erneuert, aber nur 28 Prozent ihre Abläufe neu organisiert. Process first. Technology second.

Dazu gehört die Frage, ob es einen Agenten überhaupt braucht. Lässt sich ein Ablauf vollständig als Wenn-dann-Regel beschreiben, ist eine regelbasierte Automatisierung meist die bessere Wahl. Sie ist leichter zu prüfen und verhält sich bei gleicher Eingabe immer gleich. Ein Agent lohnt sich dort, wo Inhalte unstrukturiert sind oder Ermessen gefragt ist. Wie Sie Aufgaben danach einteilen, lesen Sie im Ratgeber Geschäftsprozesse automatisieren.

Checkliste: Ist Ihr Prozess agentenreif?

Prüfen Sie einen Prozess mit diesen zwölf Fragen, bevor Sie einen Agenten bauen. Ein Ja zählt nur, wenn Sie es belegen können.

Nr. Bereich Frage
1 Ablauf Gibt es einen eindeutigen Auslöser und ein definiertes Ergebnis?
2 Ablauf Bearbeiten zwei Fachkräfte denselben Vorgang gleich?
3 Ablauf Sind die Entscheidungsregeln aufgeschrieben?
4 Ablauf Kennen Sie die Ausnahmequote, und sind die häufigsten Ausnahmen benannt?
5 Daten Gibt es je Datenobjekt ein führendes System?
6 Daten Sind die Eingangsdaten maschinenlesbar und vollständig?
7 Wirtschaftlichkeit Reicht das Volumen, um Bau und Betrieb zu tragen?
8 Wirtschaftlichkeit Kennen Sie Durchlaufzeit, Fehlerquote und Kosten pro Vorgang heute?
9 Risiko Wissen Sie, was ein Fehler kostet und ob er sich zurückholen lässt?
10 Betrieb Steht fest, wer nach dem Go-live fachlich verantwortlich ist?
11 Betrieb Ist festgelegt, wo ein Mensch freigibt und wohin der Agent eskaliert?
12 Alternative Haben Sie geprüft, ob eine regelbasierte Automatisierung genügt?

So lesen Sie das Ergebnis:

  • Nein bei Frage 1 bis 6: Erst kommt die Arbeit am Prozess und an den Daten, dann der Bau.
  • Nein bei Frage 7 bis 9: Rechnen Sie zuerst. Ohne Ausgangswerte lässt sich später kein Erfolg belegen.
  • Nein bei Frage 10 oder 11: Der Betrieb ist nicht geregelt. Klären Sie das vor dem Go-live.
  • Frage 12: Genügt eine Regel, brauchen Sie keinen Agenten.

Die Checkliste ist unser Vorschlag und keiner Studie entnommen. Schwellenwerte, etwa für Volumen oder Ausnahmequote, setzen Sie selbst. Eine gewichtete Bewertung einzelner Prozessschritte finden Sie in der Matrix zum Automatisierungspotenzial.

In sechs Schritten vom Prozess zum Agenten im Betrieb.

  1. Aufnehmen. Beobachten Sie den Ablauf am Arbeitsplatz, am echten Fall, mit allen Workarounds.
  2. Bereinigen. Streichen Sie Varianten. Legen Sie einen Standard und die Wege für Ausnahmen fest.
  3. Messen und Ziele setzen. Halten Sie Fallzahl, Durchlaufzeit, Fehlerquote und Kosten pro Vorgang fest. Vereinbaren Sie Zielwerte und ein Abbruchkriterium.
  4. Klein bauen. Der Kern läuft nach festen Regeln. Der Agent arbeitet nur dort, wo Ermessen gefragt ist. Ein Mensch gibt frei.
  5. Parallel betreiben. Lassen Sie Agent und Team zunächst nebeneinander arbeiten und prüfen Sie Stichproben. Erhöhen Sie Volumen und Autonomie in Stufen.
  6. Den Betrieb organisieren. Benennen Sie eine verantwortliche Person. Richten Sie Monitoring, einen Kanal für Rückmeldungen und einen festen Review-Termin ein.

Planen Sie dafür Monate ein. Gartner maß 2024 im Schnitt acht Monate vom Prototyp bis zum Betrieb. MIT NANDA berichtet für die erfolgreichsten mittelgroßen Unternehmen rund 90 Tage vom Piloten bis zur vollen Umsetzung, für Konzerne neun Monate und mehr.

Nach dem Go-live bleibt Arbeit. Ändert sich ein angebundenes System oder eine Regel, muss der Agent angepasst werden. Dafür braucht es die verantwortliche Person aus Schritt 6.

Wo Ihr Unternehmen bei Prozessen, Daten und Systemen steht, zeigt der kostenlose Readiness Check. Welcher Prozess sich für den Einstieg eignet, lesen Sie in Prozessautomatisierung im Mittelstand: Wo Sie anfangen sollten. Ob es für Ihr Vorhaben Fördermittel gibt, zeigt der Fördercheck.

Quellen.

Stand der Recherche: November 2026.

Häufige Fragen.

Was ist ein KI-Agent?

Ein KI-Agent ist Software, die ein Ziel verfolgt und selbst entscheidet, welche Schritte sie dafür geht. Er liest zum Beispiel eine Anfrage, fragt Systeme ab und legt Einträge an. Eine klassische Automatisierung folgt dagegen festen Regeln.

Warum scheitern KI-Agenten in Unternehmen?

Die Studien nennen steigende Kosten, unklaren Nutzen, Datenprobleme, die fehlende Einbindung in den Arbeitsablauf und fehlende Kontrolle. Das Sprachmodell ist selten der Hauptgrund.

Wie viele KI-Projekte scheitern wirklich?

Das hängt davon ab, was gezählt wird. Laut S&P Global haben 42 Prozent der Unternehmen die Mehrheit ihrer KI-Initiativen aufgegeben. Laut MIT NANDA erzielen 95 Prozent der Organisationen keinen messbaren Ertrag aus generativer KI. Die Studien messen Unterschiedliches und sind nicht vergleichbar.

Scheitern wirklich 40 Prozent aller KI-Agenten-Projekte?

Das ist eine Prognose, kein Messwert. Gartner erwartet, dass bis Ende 2027 über 40 Prozent der Projekte mit agentischer KI eingestellt werden, wegen steigender Kosten, unklarem Geschäftswert oder unzureichender Risikokontrollen.

Was unterscheidet einen KI-Agenten von einer Automatisierung?

Eine Automatisierung folgt festen Regeln und verhält sich bei gleicher Eingabe immer gleich. Ein Agent entscheidet innerhalb eines Ziels selbst über die nächsten Schritte. Für Routineabläufe mit klaren Regeln genügt oft die Automatisierung.

Welche Prozesse eignen sich für KI-Agenten?

Wiederkehrende Vorgänge mit klarem Auslöser, aufgeschriebenen Regeln, gepflegten Daten und begrenztem Schadensrisiko. Die Checkliste mit zwölf Fragen in diesem Ratgeber dient als Vorprüfung.

Wie lange dauert es vom Piloten in den Betrieb?

Gartner maß 2024 im Schnitt acht Monate vom Prototyp bis zum Betrieb. MIT NANDA berichtet für die erfolgreichsten mittelgroßen Unternehmen rund 90 Tage, für Konzerne neun Monate und mehr.

Müssen Unternehmen bei KI-Agenten die KI-Verordnung beachten?

Ja. Seit Februar 2025 müssen Unternehmen die KI-Kompetenz ihrer Beschäftigten fördern. Seit dem 2. August 2026 gelten Transparenzpflichten für bestimmte KI-Systeme. Die Pflichten für Hochrisiko-KI nach Anhang III greifen ab dem 2. Dezember 2027.

Lohnen sich KI-Agenten für den Mittelstand?

Das entscheidet die Rechnung pro Vorgang: Volumen, Bearbeitungszeit und Fehlerkosten vorher und nachher. Laut Bitkom setzen 11 Prozent der Unternehmen, die KI nutzen, planen oder diskutieren, bereits Agenten ein.

Mitgründer, Ehemaliger COO von ANYMOVE.app. Zum Team · LinkedIn

Erzählen Sie uns von einem Prozess. Wir sagen Ihnen, was wir damit machen würden.

Datenschutz

Wir verwenden Cookies zur Analyse und für Marketing. Notwendige Cookies sind immer aktiv.