KI-Agenten in Unternehmen: Zwischen Hype und Realität

Es ist ein Satz, den man von Mark Zuckerberg nicht erwartet hätte. Bei einem internen Townhall-Meeting am 2. Juli 2026 räumte der Meta-Chef vor der Belegschaft ein, dass die „Trajektorie der agentischen Entwicklung in den letzten mindestens vier Monaten nicht so beschleunigt ist, wie wir erwartet hatten“. Sein Eingeständnis kommt teuer: Meta hatte im Mai rund zehn Prozent der Belegschaft entlassen und etwa 7.000 Mitarbeitende in neue KI-Teams umverteilt, um genau jenen Agenten-Durchbruch zu erzwingen, der jetzt ausbleibt. Bis zu 145 Milliarden US-Dollar will der Konzern 2026 in KI-Infrastruktur stecken. Immerhin erwartet Zuckerberg spürbare Effekte „in den nächsten drei bis sechs Monaten“ — eine Innensicht des Managements, die bislang nicht extern überprüfbar ist.

Zuckerbergs Eingeständnis ist bemerkenswert, weil es aus dem Mund eines der größten Wetten-Platzierer auf agentische KI kommt. Wenn selbst er zugibt, dass die Kurve flacher verläuft als versprochen, lohnt sich der Blick auf die Zahlen, die diese Ernüchterung längst belegen — und auf die Unternehmen, die daraus bereits Konsequenzen ziehen.

Was „agentische KI“ eigentlich verspricht

Zur Einordnung: Mit „KI-Agenten“ sind Systeme gemeint, die nicht nur auf eine einzelne Anfrage antworten, sondern selbstständig mehrstufige Aufgaben ausführen — E-Mails lesen, Tickets bearbeiten, Code schreiben und deployen, Datenbank-Abfragen absetzen, Folgeaktionen auslösen. Der Unterschied zum klassischen Chatbot ist wie der zwischen einem Praktikanten, der einen Textentwurf liefert, und einem Assistenten, der eigenständig Termine verschiebt, Rechnungen freigibt und Systeme administriert. Genau dieser Sprung von „Antworten geben“ zu „Handeln dürfen“ ist es, der 2026 zum Prüfstein wird.

Die Zahlen hinter dem Hype

Die Diskrepanz zwischen Erwartung und Ergebnis ist inzwischen gut dokumentiert. Der wohl meistzitierte Befund stammt vom MIT-Forschungsprogramm NANDA: In der Studie „The GenAI Divide“ wurden über 300 Unternehmensinitiativen ausgewertet — Ergebnis: 95 Prozent der GenAI-Pilotprojekte liefern keinen messbaren finanziellen Effekt, trotz geschätzter 30 bis 40 Milliarden Dollar Investitionsvolumen. Nur fünf Prozent der Projekte, meist schmal zugeschnittene Anwendungen mit externen Spezial-Anbietern statt Eigenentwicklungen, erzeugen tatsächlich Wert.

Gartner geht in eine ähnliche Richtung, spitzt aber auf Agenten zu: Bis Ende 2027 sollen über 40 Prozent aller agentischen KI-Projekte abgebrochen werden — wegen explodierender Kosten, unklarem Business-Value oder unzureichendem Risikomanagement. Nach Gartner-Zahlen schaffen es rund 89 Prozent der Agenten-Pilotprojekte nie in den Produktivbetrieb; die verbleibenden elf Prozent liefern dafür beachtliche 171 Prozent ROI. Die Botschaft: Es lohnt sich, aber fast niemand kommt bis dahin.

Auch die breiteren Produktivitätszahlen zeichnen ein gedämpftes Bild. Laut PwCs Global-CEO-Survey 2026 (4.454 CEOs in 95 Ländern) berichten 56 Prozent der Chefs, bislang keinen nennenswerten finanziellen Nutzen aus ihren KI-Investitionen gezogen zu haben, nur zwölf Prozent verzeichnen sowohl Kosten- als auch Umsatzeffekte. Deloittes „State of AI in the Enterprise“-Report (3.235 Führungskräfte) findet zwar bei 66 Prozent Produktivitätsgewinne, aber nur bei 20 Prozent tatsächliches Umsatzwachstum — und nur jedes fünfte Unternehmen hat ein ausgereiftes Governance-Modell für autonome Agenten. McKinsey wiederum beziffert den Anteil der Unternehmen, die in irgendeiner Geschäftsfunktion tatsächlich in großem Maßstab Agenten einsetzen, auf gerade einmal rund zehn Prozent. Eine Befragung von 5.000 Angestellten durch die Beratung Section fügt die Innensicht hinzu: Zwei Drittel der Mitarbeitenden sparen durch KI null bis zwei Stunden pro Woche, 40 Prozent hätten kein Problem damit, nie wieder KI zu nutzen. Diese Erhebung ist eine Selbstauskunft der Befragten und keine unabhängige Zeitmessung, sollte also mit der gebotenen Vorsicht gelesen werden.

Wenn die Rechnung kommt

Parallel zur Ernüchterung bei der Wirkung explodieren bei nicht wenigen Unternehmen die Kosten. Ein Bericht, den unter anderem heise online aufgriff, beschreibt eine Kehrtwende bei mehreren US-Großkonzernen: Noch vor Monaten drängten Citi, Atlassian, Adobe und Amazon ihre Beschäftigten dazu, KI-Tools so intensiv wie möglich zu nutzen. Jetzt drosseln sie. Bei Atlassian, dem Konzern hinter Jira und Confluence, verzwanzigfachte sich die jährliche KI-Rechnung von rund fünf auf etwa 120 Millionen Dollar — Folge war das Ende der unbegrenzten internen Nutzung zugunsten einer Kosten-Transparenz-Anzeige für jeden Mitarbeitenden. Citi sperrte für mehrere Tage komplett den Zugriff auf neuere Modelle von Anthropic und OpenAI und gab per E-Mail Empfehlungen, welches günstigere Modell für welche Aufgabe zu verwenden sei. Adobe beendete den unlimitierten Claude-Zugang zum 30. Juni, Amazon schaffte sein internes KI-Nutzungs-Leaderboard ab und führte Obergrenzen ein. Das Bemerkenswerte: In keinem der berichteten Fälle wird die Technologie grundsätzlich infrage gestellt — es geht um Kostenkontrolle, weil kaum jemand mehr überblickt, was die Nutzung am Monatsende tatsächlich kostet. Für Entscheider heißt das: Ein KI-Zugang ohne Kostendach ist im Ergebnis ein Blankoscheck, dessen Höhe erst die Rechnung verrät.

Zur Kostenfrage gesellt sich eine Sicherheitsfrage. Laut einer vielzitierten Erhebung berichten 65 Prozent der Unternehmen von mindestens einem Cybersecurity-Vorfall durch KI-Agenten im vergangenen Jahr — 61 Prozent davon mit Exposition sensibler Daten, 43 Prozent mit Betriebsunterbrechungen. Meta selbst musste im März 2026 einen Vorfall einräumen, bei dem ein interner KI-Agent Mitarbeitenden fast zwei Stunden lang unautorisierten Zugriff auf Kunden- und Unternehmensdaten verschaffte, weil er falsche technische Angaben gemacht hatte. Diese Einzelfälle sind bislang nicht vollständig unabhängig verifiziert, decken sich aber mit dem übergeordneten Trend: Je mehr Handlungsspielraum ein Agent bekommt, desto größer der potenzielle Schaden eines einzelnen Fehlers.

Was tatsächlich funktioniert

Die gute Nachricht für Entscheider: Es gibt einen klar erkennbaren Unterschied zwischen den 95 Prozent gescheiterten und den fünf Prozent erfolgreichen Projekten, und er lässt sich nachbauen. Die MIT-NANDA-Forscher fanden, dass eingekaufte Speziallösungen mit klar begrenztem Aufgabenbereich rund 67 Prozent Erfolgsquote erreichen — Eigenentwicklungen mit offenem Anwendungsbereich dagegen nur ein Drittel davon. Der entscheidende Faktor ist nicht das Modell, sondern ob das System sich in einen bestehenden Arbeitsablauf einfügt, Feedback speichert und aus Fehlern lernt, statt bei jeder Anfrage bei null anzufangen.

Am robustesten erweisen sich Anwendungen mit engem Werkzeugzugriff und schnellem Feedback-Kreislauf: Kundenservice-Agenten, die Tickets triagieren, in einer Wissensdatenbank nachschlagen und bei Unsicherheit automatisch an Menschen eskalieren, erzielen bei mehreren Unternehmen dokumentierte Zeitersparnisse von 60 bis 80 Prozent bei Routineanfragen — bei überschaubarem Integrationsaufwand. Das Muster dahinter: enger Zuschnitt, klare Eskalationsschwelle, messbarer Anwendungsfall. Genau das Gegenteil der offenen, „mach doch mal alles“-Agenten, an denen Meta laut Zuckerberg gerade selbst scheitert.

Lehren für Entscheider

Drei praktische Konsequenzen lassen sich aus der aktuellen Lage ziehen. Erstens: Kostendeckel von Tag eins an, nicht erst wenn die Rechnung eskaliert — Atlassians Verzwanzigfachung war vermeidbar, wenn Nutzung von Anfang an sichtbar gewesen wäre. Zweitens: Agentenrechte so eng wie möglich zuschneiden und jede Handlungsberechtigung als Governance-Entscheidung behandeln, nicht als Nebensache der IT — die Zwischenfälle bei Meta zeigen, wohin überschüssiger Handlungsspielraum führt. Drittens: lieber ein spezialisiertes, eingekauftes Werkzeug für einen konkreten, gut abgegrenzten Prozess als ein universelles Agentensystem, das „irgendwie überall helfen“ soll. Wer diese drei Punkte beherzigt, landet mit höherer Wahrscheinlichkeit bei den fünf bis elf Prozent, die tatsächlichen Wert erzeugen — statt bei der breiten Mehrheit, die gerade lernt, dass agentische KI kein Selbstläufer ist, sondern ein Werkzeug, das genauso sorgfältig geführt werden will wie jedes andere teure Investment auch.