Die meisten Unternehmen sind bei Agentic AI nicht am Modell gescheitert. Sie sind gescheitert, weil sie einen einzigen, breit angelegten Agenten für alles bauen wollten und ein Agent, der alles anfasst, am Ende für nichts wirklich verantwortlich ist. Die Unternehmen, deren Agenten dieses Jahr tatsächlich produktiv laufen, sind den umgekehrten Weg gegangen: Sie haben eng abgegrenzte, aufgabenspezifische Agenten gebaut, von denen jeder genau eine Aufgabe vollständig verantwortet, und den Allzweck-Assistenten für einfachere Dinge wie das Formulieren von E-Mails übriggelassen.
Die Lücke zwischen Absicht und Produktivbetrieb ist real und schließt sich nicht von selbst
93 Prozent der IT-Verantwortlichen geben laut dem MuleSoft/Deloitte Digital Connectivity Benchmark, zitiert in der 2026er-Studie von Axis Intelligence, an, innerhalb von zwei Jahren autonome Agenten einführen zu wollen. Die McKinsey-Studie „State of AI" vom November 2025 fand, dass 62 Prozent der Unternehmen bereits mit Agenten experimentieren, aber nur 23 Prozent einen Agenten in mindestens einer Geschäftsfunktion tatsächlich produktiv einsetzen, und weniger als 10 Prozent haben Agenten über mehrere Funktionen hinweg skaliert. Axis Intelligence nennt diese Spanne von 70 Prozentpunkten zwischen den beiden Werten den „AI Agents Deployment Gap Index" und es ist die aussagekräftigste Zahl in der ganzen Debatte: Sie zeigt, dass nicht die Modellfähigkeit der Engpass ist, sondern der Umfang der Aufgabe.
Gartner kommt zu einer ähnlichen Einschätzung: Bis Ende 2026 sollen 40 Prozent der Unternehmensanwendungen aufgabenspezifische KI-Agenten integrieren, gegenüber unter 5 Prozent im Jahr 2025. Das bedeutet nicht, dass sich „KI-Agenten" als Kategorie verachtfacht haben, sondern dass gerade die aufgabenspezifischen Agenten diesen Sprung gemacht haben, während Allzweck-Agenten weiterhin im Pilotstadium feststecken. Auch die Governance hinkt beiden Entwicklungen hinterher: Der Deloitte-Bericht „State of AI in the Enterprise" (2026) fand, dass nur 21 Prozent der Unternehmen über ein ausgereiftes Governance-Modell für ihre bestehenden Agenten verfügen, ein weiterer Grund, den Handlungsradius eines Agenten klein zu halten.
| Phase | Anteil der Unternehmen |
|---|---|
| Planen Einführung binnen 2 Jahren | 93% |
| Experimentieren derzeit mit Agenten | 62% |
| Haben einen Agenten in mind. 1 Funktion skaliert | 23% |
| Verfügen über ausgereifte Governance | 21% |
| Haben Agenten über mehrere Funktionen skaliert | unter 10% |
Quelle: Axis Intelligence, AI Agents Statistics 2026, basierend auf McKinsey State of AI (November 2025), Gartner (August 2025) und Deloitte State of AI in the Enterprise (2026).
Warum ein Allzweck-Agent ins Stocken gerät und ein vertikaler nicht
Einem Allzweck-Agenten muss im Prompt erklärt werden, was in jeder denkbaren Situation „richtig" bedeutet: wie Ihr Unternehmen einen Rabatt genehmigt, was als doppelter Lieferant gilt, wann eine Rückerstattung eine zweite Freigabe braucht. Dieses Wissen steckt in Ihren ERP-Workflows, Ihren Freigabeketten und Ihren Daten, nicht im Modell. Jedes Mal, wenn der Agent auf einen Fall trifft, den der Prompt nicht vorgesehen hat, muss jemand eingreifen, und genau dieses Muster ist es, das die Deployment-Lücke letztlich misst.
Ein vertikaler Agent, der auf genau eine Aufgabe zugeschnitten ist, braucht dagegen nur ein einziges Regelwerk gegenüber einem einzigen Systemverbund, mit einem klar benannten Verantwortlichen, der beurteilen kann, ob eine Handlung richtig war. Das ist ein kleineres Integrationsproblem, ein kleineres Governance-Problem und ein kleinerer Schaden im Fehlerfall, und genau deshalb fällt es den 21 Prozent der Unternehmen mit ausgereifter Governance leichter, einem solchen Agenten tatsächlich ihr Vertrauen auszusprechen.
Drei Dinge, die ein vertikaler Agent braucht und eine Chatbot-Demo nicht bietet
Klar definierte Befugnisgrenzen. Der Agent sollte in einem einzigen Satz benennen können, welche Handlungen er eigenständig ausführen darf und welche eskaliert werden müssen. Lässt sich diese Grenze nicht in einem Satz formulieren, ist der Aufgabenbereich des Agenten noch zu weit gefasst.
Ein führendes System, das er korrekt liest und beschreibt. Ein vertikaler Agent ist nur so verlässlich wie das ERP-, CRM- oder Ticketsystem darunter. Ein Agent, der gut schlussfolgert, aber fehlerhafte Daten in Ihr Buchhaltungssystem schreibt, hat das Problem vergrößert statt verkleinert.
Einen Verantwortlichen, der seine Entscheidungen im Nachhinein prüfen kann. Jemand aus dem Fachbereich, nicht nur aus der IT, muss nachvollziehen können, was der Agent in der vergangenen Woche getan hat, und dessen Richtigkeit bestätigen. Ohne diesen Verantwortlichen wird die von Gartner für 2027 prognostizierte Abbruchrate von über 40 Prozent der Agentic-AI-Projekte zur selbsterfüllenden Vorhersage.
Was das für ein KMU bedeutet, das den Einstieg sucht
Beginnen Sie nicht mit „einem KI-Agenten für den Kundenservice" oder „einem Agenten für die Finanzabteilung". Beginnen Sie mit einer wiederkehrenden Aufgabe innerhalb des Kundenservice oder der Finanzabteilung, die bereits eine klare Regel und einen klaren Verantwortlichen hat: den Abgleich von Bestellungen mit Rechnungen, die Kategorisierung von Support-Tickets, das Erkennen doppelter Lieferantendatensätze. Bringen Sie die enge Version live, messen Sie ein reales Quartal lang, was richtig und falsch läuft, und erweitern Sie die Befugnisse erst, wenn das Prüfprotokoll dieses Vertrauen rechtfertigt. Diese Reihenfolge bewahrt Sie auch davor, denselben Agenten zweimal zu bauen, ein Fehler, den wir ausführlicher in unserem Beitrag über gescheiterte Agentic-AI-Projekte behandeln.
Genau dieses Prinzip liegt auch den KI-Services von ThinqHub zugrunde: Ein Agent ist nur so gut wie die operative Grundlage darunter, deshalb grenzen wir jeweils einen Workflow innerhalb Ihres bestehenden ERP-Systems und Ihres IT-Betriebs ab, bevor eine Automatisierung live geht, entsprechend unserem Vorgehen in jedem Projekt. Die Unternehmen, die die Deployment-Lücke schließen, sind nicht die mit dem leistungsfähigsten Modell. Es sind die, die eine Aufgabe ausgewählt, dem Agenten einen klaren Verantwortlichen gegeben und den Nutzen bewiesen haben, bevor sie den nächsten Schritt gingen. Wenn Sie überlegen, wo Sie mit Ihrem ersten vertikalen Agenten beginnen sollten, sprechen Sie mit uns über den Workflow, den er übernehmen soll.
