Agentische KI hat die Demo-Phase hinter sich. McKinsey zufolge skalieren bereits 23 % der Organisationen ein agentisches System, weitere 39 % experimentieren. Rund ein Drittel der Unternehmen hat mindestens einen Agenten produktiv, angeführt von Banken und Versicherungen mit 47 %, während Gesundheitswesen und öffentlicher Sektor mit 18 % und 14 % zurückliegen. Wo Deployments funktionieren, funktionieren sie schnell: Die mediane Time-to-Value liegt bei etwa fünf Monaten, und in der PwC-Umfrage berichten 66 % der Anwender von messbarem Produktivitätsgewinn.
Die andere Seite der Bilanz
Derselbe Forschungszyklus lieferte eine härtere Zahl: Gartner prognostiziert, dass über 40 % der agentischen KI-Projekte bis Ende 2027 eingestellt werden, wegen schwacher Governance, unklarem ROI und ausufernden Kosten. IBMs CEO-Studie passt dazu: Nur rund ein Viertel der KI-Initiativen erreichte den erwarteten Return. Die Adoption ist real, die Abbruchquote auch.
Was das erfolgreiche Drittel anders macht
- Es wählt enge, messbare Workflows (einen Prozess mit klarer Baseline) statt einer 'KI-Transformation' ohne Nenner.
- Es hält den Menschen dort in der Schleife, wo die Fehlerkosten die Prüfkosten übersteigen, und automatisiert den Rest konsequent.
- Es behandelt Governance als Engineering: Berechtigungen, Audit-Logs, Kostenlimits und Notausschalter entstehen vor der Skalierung, nicht nach dem ersten Vorfall.
- Es misst die Kosten pro Aufgabe gegen die menschliche Baseline ab Woche eins; die ROI-Diskussion wird damit Arithmetik statt Glaubenssache.
Unsere Agentenprojekte beginnen mit einem zweiwöchigen Scoping-Sprint, der genau das liefert: den Workflow, die Baseline, die Leitplanken und eine Go/No-go-Zahl. Es ist der unspektakulärste Teil agentischer KI und der Grund, warum das Deployment das Jahr 2027 übersteht.