Im Juni 2025 hat Gartner eine Prognose zum Thema KI-Agenten veröffentlicht, die in vielen Chefetagen für lange Gesichter gesorgt hat: Bis Ende 2027 werden über 40 % der Projekte mit agentischer KI wieder eingestellt. Inzwischen haben wir Oktober 2026, gut die Hälfte dieser Frist ist also vorbei. Wenn du gerade einen KI-Agenten baust oder eines dieser Projekte verantwortest, solltest du wissen, woran die anderen scheitern.
Die gute Nachricht vorweg: Am Sprachmodell liegt es fast nie.
Was ist ein KI-Agent?
Ein KI-Agent ist ein Sprachmodell , das nicht nur antwortet, sondern ein Ziel selbstständig in mehreren Schritten verfolgt. Dazu bekommt es Werkzeuge, etwa eine Websuche, eine Datenbank oder den Versand von Nachrichten, und entscheidet selbst, welches es wann einsetzt. Nach jedem Schritt prüft es das Ergebnis und plant den nächsten, bis die Aufgabe erledigt ist oder es nicht weiterkommt (Reasoning).
Bei einem festen Workflow gibt ein Mensch die Reihenfolge der Schritte vor, beim Agenten wählt das Modell sie selbst.
Wichtig:
Ein Chatbot ist kein KI-Agent, da er keine Werkzeuge benutzen kann. Er beantwortet nur Fragen.
Was Gartner über KI-Agenten genau vorhersagt
Gartner nennt 3 Gründe für das große Projektsterben von KI-Agenten:
- steigende Kosten,
- ein unklarer Geschäftswert und
- unzureichende Risikokontrollen.
Grundlage war unter anderem eine Umfrage mit über 3.400 Teilnehmenden. Dazu kommt ein Phänomen, das Gartner „Agent Washing“ nennt. Gemeint sind Chatbots und RPA-Tools, die ein neues Etikett bekommen und plötzlich als Agenten verkauft werden, obwohl sie nichts selbstständig entscheiden.
Ganz abschreiben will Gartner die KI-Agenten Technik trotzdem nicht. B
is 2028 sollen mindestens 15 % der alltäglichen Arbeitsentscheidungen autonom von KI Agenten getroffen werden. 2024 waren es praktisch null. Die Richtung stimmt also.
Dazu kommt, daß sich die Leistung der Technik hinter KI-Agenten sich pro Jahr enorm steigert.
Viele Projekte sind einfach nur schlecht vorbereitet oder mangelhaft umgesetzt.
Grund 1: Kosten, die niemand eingeplant hat
Die Demo läuft nach zwei Wochen, alle klatschen. Dann soll der KI-Agent an das ERP-System von 2009 angebunden werden, und aus dem schnellen Erfolg wird ein Projekt über mehrere Quartale.
In einer Erhebung, die das Portal NeuralWired zitiert, nennen 46 % der Unternehmen die Integration in Altsysteme als Hürde. Dazu kommen Tokenkosten, die mit jedem zusätzlichen Werkzeugaufruf wachsen, und Agenten, die sich in Schleifen festfahren. Wer kein Budgetlimit pro Lauf setzt, merkt das erst auf der Monatsrechnung.
Grund 2: Niemand weiß, was der KI-Agent bringen soll
„Wir brauchen auch was mit Agenten“ ist kein Ziel.
Eine IBM-Umfrage unter 2.000 CEOs aus dem ersten Quartal 2025 ergab, dass nur 25 % der KI-Initiativen den erwarteten Return on Investment geliefert hatten. Ohne Messgröße kann niemand beweisen, dass sich der Agent lohnt, und dann fällt er beim nächsten Sparprogramm als Erstes weg.
Gartner empfiehlt eine einfache Aufteilung: Agenten dort einsetzen, wo Entscheidungen nötig sind, klassische Automatisierung für Routineabläufe und Assistenten für simples Nachschlagen.
Viele gescheiterte Projekte haben einen Agenten auf eine Aufgabe angesetzt, die ein schlichtes Skript besser und billiger erledigt hätte.
Grund 3: Risiken ohne Kontrolle
Der gefährlichste Fehler eines KI-Agenten is nicht ein Crash im laufenden Betrieb. Viel schlimmer ist er, wenn er überzeugt falsch liegt und das Dashboard trotzdem grün leuchtet.
Entwickler beschreiben das in Foren als Fälle, die „technisch gelaufen, inhaltlich falsch“ sind. Ein Rechenbeispiel von AgentMarketCap zeigt, wie schnell das wehtut: Ein Agent, der in 90 % der Fälle richtig liegt, klingt gut. Bei 10.000 Aufgaben musst du aber 1.000 Fehler finden und reparieren.
| Ursache laut Gartner | Typisches Symptom | Gegenmittel |
|---|---|---|
| Steigende Kosten | Integration dauert Monate, Tokenrechnung explodiert | Budgetlimit pro Lauf, Altsysteme früh prüfen |
| Unklarer Geschäftswert | Keiner kann den Nutzen beziffern | Eine Kennzahl vor dem Start festlegen |
| Fehlende Risikokontrollen | Agent liefert plausiblen Unsinn | Schema-Prüfung, Logging, menschliche Freigabe |
So sieht ein überlebensfähiger KI Agent im Code aus
Die meisten Schutzmechanismen sind erstaunlich unspektakulär. Das folgende Python-Beispiel zeigt drei davon: ein hartes Budget, eine Schema-Prüfung der Agentenausgabe und eine menschliche Freigabe, wenn sich der KI-Agent nicht sicher ist.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 |
import logging from dataclasses import dataclass from pydantic import BaseModel, ValidationError log = logging.getLogger("agent") class TicketAntwort(BaseModel): kategorie: str konfidenz: float entwurf: str @dataclass class Budget: max_kosten_eur: float verbraucht: float = 0.0 def buchen(self, kosten: float) -> None: self.verbraucht += kosten if self.verbraucht > self.max_kosten_eur: raise RuntimeError("Budget überschritten, Agent stoppt.") def agent_schritt(rohausgabe: str, kosten: float, budget: Budget) -> dict: budget.buchen(kosten) try: antwort = TicketAntwort.model_validate_json(rohausgabe) except ValidationError as fehler: log.warning("Schema verletzt: %s", fehler) return {"status": "manuell_pruefen", "grund": "Schema verletzt"} log.info("Kategorie=%s Konfidenz=%.2f", antwort.kategorie, antwort.konfidenz) if antwort.konfidenz < 0.8: return {"status": "freigabe_noetig", "daten": antwort.model_dump()} return {"status": "automatisch", "daten": antwort.model_dump()} |
Die Schema-Prüfung fängt genau die Fälle ab, in denen der Agent etwas zurückgibt, das nur so aussieht wie eine gültige Antwort. Ein Entwickler berichtete auf Reddit, dass erst die Überwachung einzelner Werkzeugaufrufe, inklusive Fehlerquoten, Wiederholungen und Schema-Verstößen, die halluzinierten Erfolge seines Agenten sichtbar machte. Die Überwachung auf Aufgabenebene hatte alles für in Ordnung gehalten. Die Freigabeschwelle von 0.8 ist übrigens ein Beispielwert. Den passenden Wert findest du nur mit echten Daten aus deinem Betrieb.
Checkliste für Entscheider
Du musst keinen Code lesen, um ein Agentenprojekt zu retten. Stell deinem Team vor dem Start diese Fragen:
- Welche eine Kennzahl soll sich durch den Agenten verbessern, und wie hoch ist sie heute?
- Braucht diese Aufgabe überhaupt Entscheidungen, oder reicht klassische Automatisierung?
- Wie viel darf ein einzelner Lauf maximal kosten?
- Woran erkennen wir, dass der Agent falsch liegt, obwohl er fehlerfrei durchläuft?
- Wo muss ein Mensch freigeben, bevor etwas nach außen geht?
- Gibt es für die Zielsysteme eine saubere API, oder wird die Integration zum Dauerprojekt?
Wenn das Team auf Frage 1 keine Antwort hat, ist das ein gutes Zeichen dafür, dass das Projekt Kandidat für die 40 % ist. Das lässt sich in einem einstündigen Workshop klären und ist deutlich billiger als ein halbes Jahr Integrationsarbeit.
Fazit
Die Agenten-Projekte, die Gartner zufolge bis Ende 2027 eingestellt werden, scheitern an Kosten, fehlendem Nutzen und mangelnder Kontrolle. Das sind Managementprobleme mit technischen Gegenmitteln. Fang klein an, miss von Tag eins an, setz Budgetgrenzen und lass den Menschen dort entscheiden, wo ein Fehler teuer wird. Dann landet dein Projekt auf der Seite der 60 %.
Wie viele Agenten-Projekte scheitern laut Gartner?
Gartner prognostiziert, dass über 40 % der Projekte mit agentischer KI bis Ende 2027 eingestellt werden. Die Prognose stammt aus dem Juni 2025.
Was sind die Hauptgründe für das Scheitern?
Gartner nennt steigende Kosten, einen unklaren Geschäftswert und unzureichende Risikokontrollen.
Was ist Agent Washing?
So bezeichnet Gartner Produkte wie Chatbots oder RPA-Tools, die als KI-Agenten vermarktet werden, obwohl sie keine echte Eigenständigkeit besitzen.
Wann ist ein KI-Agent die richtige Wahl?
Nach Gartner dann, wenn Entscheidungen getroffen werden müssen. Für Routineabläufe eignet sich klassische Automatisierung, für einfaches Nachschlagen ein Assistent.
Wie verhindere ich, dass mein Agent unbemerkt falsche Ergebnisse liefert?
Prüfe jede Ausgabe gegen ein festes Schema, protokolliere einzelne Werkzeugaufrufe und baue eine menschliche Freigabe ein, bevor Ergebnisse das Unternehmen verlassen.
Quelle:
Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027
