71 Prozent nutzen KI-Agenten, nur 11 Prozent der Fälle sind produktiv

Die ehrlichste Zahl des Jahres

Agentic AI ist das Schlagwort der Saison, und die Zahlen dazu klingen beeindruckend, bis sie zu Ende gelesen werden. Im „2026 State of Agentic Orchestration and Automation Report“ von Camunda, für den im Herbst 2025 1.150 Verantwortliche aus Unternehmen mit mehr als 1.000 Beschäftigten in den USA, Großbritannien, Frankreich und Deutschland befragt wurden, geben 71 Prozent an, KI-Agenten zu nutzen. Im selben Bericht steht die Zahl, die selten auf einer Managementfolie landet: Nur 11 Prozent der Anwendungsfälle haben im vergangenen Jahr Produktionsreife erreicht. 73 Prozent räumen eine Lücke zwischen Vision und Realität ein, 80 Prozent sagen, ihre Agenten seien überwiegend Chatbots oder Assistenten.

KI-Agenten scheitern selten am Modell und fast immer am Prozess darunter: an fehlender Beschreibung, unzureichenden Daten und ungeklärter Verantwortung. Wer diese drei Punkte vor dem ersten Agenten klärt, schafft den Sprung in die Produktion; wer sie überspringt, automatisiert den Fehler und beschleunigt ihn.

Was zeigen die Zahlen für deutsche Banken?

Ein ähnliches Bild, mit hoher strategischer Erwartung. Laut der Analyse „Banking Insights 2026“ von ibi research, vorgestellt beim CIBI Innovationstag im Mai 2026, stufen 66 Prozent der Banken Agentic AI als strategisch geschäftskritisch ein. Zugleich attestiert ibi research 61 Prozent der deutschen Institute, das disruptive Potenzial zu unterschätzen. Eingesetzt wird die Technologie vor allem im Kundenservice (73 Prozent) und in der Kreditvergabe (61 Prozent), also dort, wo Prozesse dokumentenlastig, wiederkehrend und messbar sind.

Branchenübergreifend bestätigt Gartner das Muster. Im „2026 Gartner CIO and Technology Executive Survey“ haben nur 17 Prozent der Organisationen KI-Agenten tatsächlich im Einsatz, mehr als 60 Prozent erwarten das innerhalb von zwei Jahren. Gartner verortet Agentic AI im April 2026 auf dem Gipfel der überzogenen Erwartungen und hält vollautonome Agenten für die meisten Unternehmensanwendungen noch nicht für bereit.

Woran scheitert der Weg vom Pilot in die Produktion?

An der Organisation, nicht an der Technik. ibi research nennt als größte Hürden Regulierung und Governance (68 Prozent), Datenqualität (54 Prozent) und veraltete IT-Architekturen (44 Prozent). Die Technologie selbst steht nicht auf der Liste. Gartner erwartet zudem, dass über 40 Prozent der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden, wegen steigender Kosten, unklarem Geschäftswert oder unzureichender Risikokontrollen. Hinter diesen Gründen stehen in der Praxis drei konkrete Lücken.

Der Prozess existiert nur in Köpfen. Häufig gibt es eine alte Arbeitsanweisung und drei Kolleginnen, die es unterschiedlich machen. Ein Mensch überbrückt solche Unschärfen mit Erfahrung, ein Agent braucht die Entscheidung, welche Variante gilt. Diese Entscheidung ist organisatorisch, nicht technisch, und sie ist der eigentliche Aufwand.

Die Daten tragen die Autonomie nicht. Dublettenreiche Kundenbestände, frei befüllte Textfelder und unstrukturierte Scans führen bei einem Agenten zu Fehlern mit Serienwirkung. Dazu kommt die Zugriffsfrage: Zu wenige Rechte machen den Agenten zum Demonstrationsobjekt, zu viele schaffen ein Prüfungsthema.

Niemand ist verantwortlich, wenn er läuft. Im Pilot ist das Projektteam zuständig. Im Betrieb stellt sich die Frage, wer die Ergebnisse prüft, in welcher Stichprobe und nach welchem Kriterium der Agent angehalten wird. Wie sich das sauber regeln lässt, beschreibt der Beitrag zur Prozessverantwortung in der KI-Ära.

Warum beschleunigt ein Agent auf einem unklaren Prozess den Fehler?

Weil ein Agent automatisiert, was er vorfindet. 50 Prozent der Befragten im Camunda-Report befürchten, dass ungesteuerte Agenten die Probleme schlecht umgesetzter Prozesse und Automatisierungen verstärken. Ist ein Prozess sauber definiert, mit klaren Eingaben, Regeln und Ausnahmen, beschleunigt der Agent ihn. Ist er ein gewachsenes Geflecht aus Tabellen-Zwischenschritten und Zuruf, automatisiert der Agent das Durcheinander, nur schneller und ohne die Kollegin, die bisher die Fehler abgefangen hat.

Zusätzliche Schichten aus robotergestützter Prozessautomatisierung oder generativer KI über gewachsene Abläufe lösen das nicht; warum solche Strecken oft brechen, zeigt der Beitrag zu Fehlern von RPA im Banking. Reifer Einsatz ist ein orchestrierter Prozess, in dem feste Regeln, Prüfungen und Agenten ineinandergreifen, mit dem Menschen an definierten Kontrollpunkten. Warum diese Orchestrierung die Voraussetzung ist, vertieft ein eigener Beitrag.

Woran ist ein agentenreifer Prozess zu erkennen?

An vier Prüffragen, die sich vor dem ersten Euro Projektbudget beantworten lassen:

• Dokumentation: Ist der Prozess beschrieben, und stimmt die Beschreibung mit der gelebten Praxis überein?

• Eingaben: Sind die Eingaben strukturiert oder strukturierbar, oder beginnt jeder Vorgang mit Interpretation?

• Eskalation: Gibt es eine eindeutige Regel, wann ein Vorgang an einen Menschen geht, und ist sie personell hinterlegt?

• Messbarkeit: Lässt sich der Erfolg in Durchlaufzeit, Fehlerquote oder Vorgängen pro Tag messen?

Ein Prozess, der alle vier Fragen besteht, ist ein Kandidat. Scheitert er an zweien, ist er ein Vorprojekt: erst ordnen, dann automatisieren. Für die Produktion kommen Protokollierung jedes Schritts, technische Identitäten mit minimalen Rechten und die Integration in Kernbanksystem und Berechtigungen hinzu, statt daneben zu laufen.

Autonomie ist ein Regler, kein Schalter

In der Praxis bewährt sich ein Stufenmodell. Auf der ersten Stufe schlägt der Agent vor, der Mensch entscheidet jeden Fall. Auf der zweiten entscheidet der Agent Standardfälle innerhalb definierter Korridore, etwa Betragsgrenzen, Kundensegmente oder Dokumenttypen; außerhalb übergibt er mit vollständigem Arbeitsstand an einen Menschen. Auf der dritten arbeitet er selbstständig, der Mensch prüft Stichproben und Kennzahlen.

Ein Agent, der eingehende Kundendokumente einem Vorgang zuordnet, startet auf Stufe eins. Zeigt die Auswertung nach einigen Wochen, dass seine Vorschläge in Standardfällen fast durchgehend übernommen werden, wechseln genau diese Fallgruppen auf Stufe zwei. Jede Stufe braucht einen dokumentierten Nachweis, bevor die nächste freigeschaltet wird. Wie diese Arbeitsteilung in der Kreditbearbeitung aussieht, zeigt der Beitrag zu Agentic AI in der Marktfolge.

Wo liegt der realistische Einstieg für Sparkassen und Genossenschaftsbanken?

Eine Etage unter den Prestigeprozessen. Kreditentscheidung oder Anlageberatung haben die höchsten Anforderungen und die höchsten Fehlerkosten. Tragfähiger sind die Klassifizierung und Verteilung des Posteingangs, die Vollständigkeitsprüfung von Kreditunterlagen oder die Vorqualifizierung von Serviceanfragen: hohes Volumen, klare Regeln, ein Mensch am Ende.

Verbund und Rechenzentren liefern zunehmend KI-Funktionen als Baustein. Sie liefern die Fähigkeit, nicht die Ordnung: Zwei Banken mit derselben Software haben nicht denselben Prozess. Die Plattformfrage ist deshalb nachgelagert; offene Schnittstellen und austauschbare Modelle bleiben dennoch wichtig, wie der Beitrag zu Headless SaaS in der Agentic-AI-Ära zeigt.

Was kostet Produktionsreife wirklich?

Mehr als die Lizenz, und das gehört in den Business Case. Teuer werden Integration in die Bestandssysteme, Datenaufbereitung, Ausnahmebehandlung und der laufende Betrieb mit Überwachung und Nachjustierung. Viele Pilotrechnungen kombinieren die Kosten des Piloten mit den Erträgen der Vollautomatisierung; ehrlich gerechnet stehen Gesamtkosten über mehrere Jahre gegen eingesparte Bearbeitungsstunden, kürzere Durchlaufzeiten und frei werdende Kapazität. Am Geld scheitert es selten: Im Camunda-Report planen 79 Prozent, ihre Ausgaben für Automatisierung zu erhöhen, im Schnitt um 20 Prozent über zwei Jahre. Warum so viele Vorhaben in der Pilotphase hängen bleiben, beschreibt der Beitrag zur Pilotfalle in Banken; was KI-Vorreiter anders machen, zeigt der Blick auf KI-Vorreiter unter Versicherern.

Was das Management in den nächsten sechs Monaten anstoßen sollte

1. Kandidatenprozesse gegen die vier Prüffragen halten und einen auswählen, der Volumen, klare Regeln und messbaren Engpass verbindet.

2. Die gelebte Praxis aufnehmen und eine verbindliche Variante festlegen, bevor ein Agent gebaut wird.

3. Daten und Zugriffsrechte klären gemeinsam mit IT, Datenschutz und Revision.

4. Im Vorschlagsbetrieb starten und die Übernahmequote wöchentlich auswerten.

5. Nach etwa sechs Monaten entscheiden, welche Fallgruppen auf die nächste Stufe wechseln und ob die Wirtschaftlichkeit den Ausbau trägt.

Häufige Fragen

Warum gehen so wenige KI-Agenten in Produktion?
Weil Prozessbeschreibung, Datenzugriff und Verantwortung fehlen. Die Hürden, die Banken nennen, sind Regulierung und Governance, Datenqualität und alte IT-Architekturen, nicht die Leistungsfähigkeit der Modelle.

Welcher Prozess eignet sich für den ersten produktiven Agenten?
Ein Prozess mit hohem Volumen, klaren Regeln und menschlicher Prüfung am Ende, etwa die Posteingangsverteilung oder die Vollständigkeitsprüfung von Kreditunterlagen.

Wie viel Autonomie sollte ein Agent zu Beginn bekommen?
Wenig. Zunächst schlägt er vor und ein Mensch entscheidet. Mehr Autonomie folgt erst, wenn eine stabile Fehlerquote über einen definierten Zeitraum dokumentiert ist.

Weitere Beiträge zu Einsatzfeldern, Orchestrierung und Betrieb von Agenten bündelt das Dossier KI-Agenten.

Ob ein KI-Agent im eigenen Institut produktiv wird, entscheidet sich meist an einer unscheinbaren Frage: Gibt es für den gewählten Prozess eine einzige, gelebte Variante? Wir freuen uns auf ein erstes Gespräch zu dieser Frage.