Warum Projekte mit agentenbasierter KI eingestellt werden – und was ein achtwöchiger Pilot richtig macht

Ein Kunde bittet um eine Rückerstattung. Der Agent findet die Bestellung im CRM, prüft die Rückgabebedingungen und formuliert innerhalb einer Minute eine Antwort. Dann kommt er nicht weiter, weil die Genehmigung der Rückerstattung in einem Finanzsystem liegt, mit dem er nie verbunden wurde, und die Adresse des Kunden in zwei Datenbanken unterschiedlich hinterlegt ist. Solche Lücken fallen bei einer Demo selten auf. Dabei entscheiden sie darüber, wie viel der Betrieb eines Agenten kostet und ob man ihm vertrauen kann. Das größere Risiko agentenbasierter KI liegt also im Unternehmen, in das der Agent eingebettet wird, und nicht im Modell.

Gartner erwartet, dass bis Ende 2027 mehr als 40 % der Projekte mit agentenbasierter KI eingestellt werden, und verweist dabei auf steigende Kosten, einen unklaren Geschäftsnutzen und unzureichende Risikokontrollen. Bei genauer Betrachtung geht es in dieser Prognose darum, dass solche Projekte auf Grundlage einer Demo genehmigt werden, ohne dass klar ist, was die Arbeit heute kostet oder wer für das Ergebnis verantwortlich ist.

Die Frage, die ich jedem Führungsteam stellen würde, lautet: Kann das Unternehmen diesen Agenten im Alltag bei der Arbeit unterstützen – zu Kosten und mit einem Risikoniveau, die es tragen kann? Um sie zu beantworten, muss man genau betrachten, was ich als die Arbeit nach der Automatisierung bezeichne: alles, was Menschen noch erledigen müssen, nachdem der Agent seinen Teil abgeschlossen hat. Ein achtwöchiger Pilot ist eine praktische Möglichkeit, diesen Aufwand zu messen, bevor man sich auf eine vollständige Einführung festlegt.

Die Probleme, die ein Agent vom Unternehmen übernimmt

Ein Agent arbeitet selten allein: Selbst eine scheinbar einfache Aufgabe berührt Kundendaten, ein paar Geschäftsanwendungen und meist auch einen Genehmigungsschritt. Jede Verbindung schränkt ein, was der Agent sehen und tun kann. Sind Datensätze uneinheitlich oder ist unklar, wer etwas freigeben muss, übernimmt der Agent diese Unklarheiten zusammen mit der Aufgabe.

Routinefälle sind selten das Problem; schwierig sind Ausnahmen, denn dort häufen sich die Betriebskosten – und genau diesen Teil soll eine Demo vermeiden. Eine Studie von Deloitte aus dem Jahr 2026 ergab, dass nur 5 % der Unternehmen ihre Geschäftsprozesse als sehr gut auf KI-Agenten vorbereitet einschätzen. Diese Zahl sagt mehr aus als jeder Modell-Benchmark, denn sie deutet darauf hin, dass die KI lange vor den meisten Prozessen einsatzbereit ist.

Zum Business Case gehört auch die Arbeit nach der Automatisierung

Wie schnell ein Agent ein Ergebnis liefert, ist der einfachste Maßstab, um seinen Nutzen zu übertreiben. Entscheidend ist vielmehr, wie viel Aufwand die Aufgabe insgesamt verursacht. Angenommen, ein Mitarbeiter braucht 20 Minuten, um eine Anfrage zu bearbeiten, und der Agent erledigt den ersten Durchgang in zwei Minuten. Das sieht nach einer Zeitersparnis von 18 Minuten aus – bis jemand 15 Minuten damit verbringt, das Ergebnis zu prüfen und Fehler zu beheben. Wenn man die Betriebskosten des Agenten gegenrechnet, sind drei Minuten Ersparnis ein magerer Ertrag.

McKinseys Analyse eines Kundenservice-Agenten im Bankwesen zeigt dasselbe Muster im großen Maßstab: Auf Token entfielen 20–25 % der variablen Betriebskosten, auf menschliche Kontrolle 70–75 % – der Großteil der Kosten entstand also außerhalb des Modells. Fehlt eine Ausgangsbasis, bevor jemand auch nur eine Zeile Code schreibt, kann ein Pilot zwar erhebliche technische Fortschritte zeigen, aber trotzdem keine belastbare Grundlage für die Investition liefern. Mindestens zu den folgenden Punkten braucht der Geschäftsverantwortliche klare Antworten:

• Volumen: Wie oft wird der Prozess ausgeführt und wie viele Personen sind daran beteiligt?
• Bearbeitungsdauer: Wie lange dauert die gesamte Aufgabe, einschließlich Prüfung und Korrekturen?
• Genauigkeit: Wie oft geht etwas schief oder muss wiederholt werden?
• Kosten pro Aufgabe: Was kostet eine erfolgreich abgeschlossene Aufgabe heute?
• Geschäftliche Auswirkungen: Was würde eine tatsächliche Verbesserung für Kunden, Mitarbeitende oder das Unternehmen verändern?

Ein Agent muss sich seinen Platz im Arbeitsablauf verdienen

Die Einführung wird meist dem Veränderungsmanagement zugerechnet. Meiner Erfahrung nach entscheidet sich jedoch viel früher, ob sie gelingt – nämlich dadurch, an welcher Stelle im Arbeitsablauf der Agent eingesetzt wird. Ein weltweit tätiges Dienstleistungsunternehmen hatte Agenten für Support- und Compliance-Aufgaben entwickelt. Sein Support-Agent konnte Informationen aus mehreren internen Systemen abrufen, doch die Mitarbeitenden mussten dafür eine separate Anwendung öffnen und nutzten ihn deshalb meist nicht. Als derselbe Arbeitsablauf in die bestehende Support-Plattform verlagert wurde, erschien der Agent direkt im Ticket, an dem die Mitarbeitenden ohnehin arbeiteten. Ähnlich wurde auch ein Agent zur Compliance-Prüfung direkt in Salesforce integriert, sodass er bei jeder neu angelegten Fallakte ausgeführt wurde.

An den Agenten selbst änderte sich nichts; geändert wurde ihre Position im Arbeitsablauf. Die Mitarbeitenden hatten ohnehin einen Grund, ein Ticket zu öffnen oder eine Fallakte anzulegen. Wenn der Agent genau in diesem Moment zur Verfügung stand, verlangte das keinen zusätzlichen Aufwand von ihnen. Die Platzierung ist daher ebenso eine Architekturentscheidung wie eine Frage der Einführung: Der Agent braucht den nötigen Kontext dort, wo die Arbeit stattfindet, und sein Ergebnis muss in den nächsten Arbeitsschritt einfließen, ohne dass jemand es manuell übertragen muss.

Autonomie verändert die Sicherheitslage

Ein Agent, der Informationen nur lesen kann, bringt eine bestimmte Art von Risiko mit sich; ein Agent, der Datensätze ändern oder Kunden E-Mails schicken kann, eine ganz andere. Die Kontrollen müssen sich daher danach richten, was der Agent tatsächlich tun darf. Übermäßige Berechtigungen und der Verlust sensibler Daten sind bekannte Risiken. Besondere Aufmerksamkeit verdient jedoch Prompt-Injection: Dabei handelt es sich um Anweisungen, die in einem Dokument oder einer E-Mail verborgen sind und die der Agent aufnimmt, während er eine völlig legitime Aufgabe erledigt.

Gartners Leitlinien zur Governance von Agenten vom Mai 2026 unterteilen Autonomie in vier Stufen. Das bietet eine praktische Orientierung dafür, wie streng die Kontrollen sein müssen:

1. Beobachten: Der Agent ruft Informationen ab und erkennt Muster; er hat ausschließlich Lesezugriff.
2. Empfehlen: Der Agent schlägt eine Maßnahme vor, die Entscheidung trifft ein Mitarbeiter.
3. Mit Genehmigung handeln: Der Agent bereitet eine Maßnahme vor oder leitet sie ein. Eine Person muss sie freigeben, bevor sie ausgeführt wird.
4. Autonom handeln: Der Agent führt genehmigte Maßnahmen innerhalb festgelegter Grenzen selbstständig aus. Ausnahmen werden überwacht und eskaliert.

Auf jeder Stufe benötigt ein Agent eine eigene Identität, auf seine Aufgabe beschränkte Berechtigungen und eine Aufzeichnung aller seiner Aktionen. Unternehmen brauchen außerdem Regeln für den Umgang mit Daten und deren Aufbewahrung, Klarheit darüber, welche Daten an externe Modellanbieter gelangen, sowie eine Person mit der Befugnis, den Agenten anzuhalten und ihm sofort den Zugriff zu entziehen, sobald etwas nicht stimmt.

Jede dieser Kontrollen verursacht laufende Kosten: Weitergehende Berechtigungen, zusätzliche Überwachung und häufige Genehmigungen summieren sich mit der Zeit. Das richtige Maß an Autonomie ist daher nicht nur eine Sicherheitsfrage, sondern auch eine wirtschaftliche Entscheidung. Es ist dort erreicht, wo der Agent einen lohnenswerten Nutzen bei einem für das Unternehmen akzeptablen Risiko erzielt.

Wählen Sie einen Prozess, der den Einsatz eines Agenten rechtfertigt

Viele Teams beginnen mit der Technologie und suchen anschließend nach einem passenden Problem. Besser ist es, bei einem Prozess anzusetzen, dessen Kosten oder Verzögerungen für die daran beteiligten Mitarbeiter bereits offensichtlich sind.

Ein globales Unternehmen für Expertennetzwerke, mit dem wir zusammengearbeitet haben, war ein solcher Fall: Sein Team ordnete Umfrageanfragen Experten zu und musste dafür drei nicht miteinander verbundene Systeme nutzen. Bei jeder Zuordnung prüfte es manuell die Profile, die bisherige Teilnahme und die Einhaltung der Vorschriften. Wir entwickelten einen Agenten, der semantische Suche mit der Teilnahmehistorie und den Compliance-Regeln verband. Im Produktivbetrieb gingen die Meldungen zu Fehlzuordnungen um 80 % zurück, die Zuordnungsgenauigkeit stieg um 40 % und das Team gewann 22 % seiner Kapazität zurück.

Das Projekt war erfolgreich, weil das Problem klar umrissen war: Informationen waren verstreut, mussten manuell zusammengeführt werden, und die Qualität der Zuordnungen ließ sich vorher und nachher messen. Die genaue Beschreibung des Problems hilft auch bei der Entscheidung, ob ein Prozess überhaupt einen Agenten benötigt. Aufgaben, die festen Regeln folgen, lassen sich in der Regel kostengünstiger mit herkömmlicher Automatisierung erledigen. Für Aufgaben, bei denen es hauptsächlich darum geht, Informationen zu finden und zusammenzufassen, eignet sich oft ein KI-Assistent. Den zusätzlichen Kosten- und Risikoaufwand für Agenten rechtfertigen dagegen Aufgaben, bei denen der Kontext erfasst, zwischen zulässigen Maßnahmen gewählt und eine Abfolge mehrerer Schritte bis zum gewünschten Ergebnis ausgeführt werden muss.

Ein achtwöchiger Pilot mit klaren Entscheidungspunkten

Im Mittelpunkt des gesamten Piloten steht eine wirtschaftliche Frage: Kann dieser Agent den Prozess so weit verbessern, dass sich sein Betrieb im großen Maßstab lohnt? Acht Wochen bieten genügend Zeit, um den geschäftlichen Nutzen, die Technologie und die Fähigkeit des Unternehmens zu testen, die entwickelte Lösung zu verwalten.

Wochen 1–2: Festlegen, was verbessert werden muss

Dokumentieren Sie zunächst den aktuellen Ablauf des Prozesses – vom Umfang und der Bearbeitungszeit bis hin zu Fehlerquoten, Nacharbeit und Kosten. Halten Sie fest, welche Systeme beteiligt sind, wer für die einzelnen Schritte verantwortlich ist und bei welchen Ausnahmen ein Mensch eingreifen muss. Vereinbaren Sie anschließend mit dem fachlich Verantwortlichen und dem technischen Team ein konkretes Ergebnis, das der Agent verbessern soll. Entscheidungspunkt: Fahren Sie fort, sobald das Problem, der Ausgangswert, die verantwortliche Person und die Erfolgskriterien klar sind.

Woche 3: Die Grenzen des Agenten festlegen

In diesem Schritt werden die Grenzen des Agenten festgelegt: seine Identität, Berechtigungen, sein Datenzugriff, die zugelassenen Werkzeuge und sein Autonomiegrad. Testen Sie ihn auf Prompt-Injection, unbefugten Zugriff, die Offenlegung sensibler Daten und den Missbrauch von Werkzeugen. Richten Sie außerdem Protokollierung und ein Verfahren zur Reaktion auf Vorfälle ein und sorgen Sie dafür, dass sich der Agent anhalten oder sein Zugriff entziehen lässt. Entscheidungspunkt: Fahren Sie fort, sobald die Kontrollen und Eingriffsschritte tatsächlich getestet wurden und allen klar ist, was der Agent tun darf.

Wochen 4–6: Die Bedingungen testen, an denen die Demo scheitert

Setzen Sie den Agenten nun mit realistischen Aufgaben ein, darunter unvollständige Datensätze, widersprüchliche Informationen, ungewöhnliche Anfragen und gelegentliche Systemausfälle. Erfassen Sie, wie viele Aufgaben er erledigt, wie genau seine Ergebnisse sind und wie viel die Mitarbeiter korrigieren müssen. Berechnen Sie anschließend die tatsächlichen Kosten pro erfolgreich erledigter Aufgabe, einschließlich Modellnutzung, Integrationen, Überwachung und Prüfung. Entscheidungspunkt: Gehen Sie zu Live-Tests über, wenn der Agent die vereinbarten Schwellenwerte erreicht und das Team sowohl seine laufenden Kosten als auch seine Fehlerquellen kennt.

Wochen 7–8: Den Agenten echten Nutzern bereitstellen

Stellen Sie den Agenten einer kleinen Gruppe von Mitarbeitern für einen begrenzten, kontrollierten Teil der tatsächlichen Arbeit bereit. Für Aufgaben, die er nicht bewältigen kann, muss der bisherige Prozess weiterhin zur Verfügung stehen. Beobachten Sie, ob die Mitarbeiter den Agenten tatsächlich nutzen, ob er ihnen Arbeit abnimmt und ob sie seinen Ergebnissen vertrauen.

Vergleichen Sie zum Abschluss die Ergebnisse mit den in Woche eins ermittelten Ausgangswerten. Prüfen Sie Produktivität, Genauigkeit, Akzeptanz, die Häufigkeit menschlicher Eingriffe, die gesamten Betriebskosten und alle noch offenen Sicherheitsrisiken. Entscheiden Sie dann, ob Sie den Einsatz ausweiten, gezielte Lücken schließen und erneut testen oder das Vorhaben beenden. Selbst wenn ein Pilot zeigt, dass der Agent für die Aufgabe zu teuer oder zu unzuverlässig ist, hat er seinen Zweck erfüllt: Er hat eine weitaus größere Investition verhindert, die auf bloßen Vermutungen beruht hätte.

Ergebnisse messen und anschließend entscheiden, wie viel Autonomie gewährt wird

Die Anzahl der Aufgaben, die ein Agent bearbeitet, sagt wenig aus: Ein System kann Tausende Anfragen abarbeiten und trotzdem dazu führen, dass Beschäftigte die meisten davon überprüfen, korrigieren oder abschließen müssen. Die Kosten pro erfolgreich erledigter Aufgabe, betrachtet zusammen mit der Genauigkeit und der Ausnahmequote, geben ein weitaus besseres Bild davon, ob sich der Prozess von Anfang bis Ende verbessert hat.

Dieselben Kennzahlen bilden die Grundlage dafür, einem Agenten mehr Handlungsspielraum einzuräumen. Ein Agent, der Routineanfragen innerhalb vereinbarter Grenzen zuverlässig bearbeitet, kann diese eigenständig erledigen. Stößt er dagegen immer wieder auf mehrdeutige Fälle, muss ein Mensch diese Entscheidungen weiterhin genehmigen; die Berechtigungen sollten überprüft werden, sobald mehr Erkenntnisse vorliegen.

Skalieren, wenn das Unternehmen den Agenten unterstützen kann

Ein Agent, der für ein Team gute Arbeit leistet, muss früher oder später auch mit anderen Abteilungen, Anwendungen und Genehmigungswegen zurechtkommen. Für die Skalierung braucht es klare Zuständigkeiten, einheitliche Zugriffskontrollen und ein Verfahren für den Umgang mit Ausnahmen – ebenso wie ein Budget, um den Agenten auf dem aktuellen Stand zu halten, wenn sich die Prozesse um ihn herum ändern.

Die grundlegende Entscheidung betrifft die Frage, wie viel Verantwortung die Organisation abzugeben bereit ist. Sie muss sich auf Erkenntnisse aus der tatsächlichen Arbeit stützen und nicht auf eine gelungene Demo. Nach den acht Wochen sollte die Führung wissen, welche Aufgaben der Agent bewältigen kann, wo Menschen weiterhin eingreifen müssen und welche Betriebskosten anfallen. Unternehmen, die sich mit agentischer KI an die Spitze setzen, werden diejenigen sein, die von der ersten Woche an die Arbeit nach der Automatisierung mitplanen und Agenten für die Aufgaben finanzieren, die sie tatsächlich erledigen.