Es gibt eine Unterscheidung im Bereich KI, die die Beratungshäuser inzwischen quantifizieren — und sie verändert die Investitionsthese. Die Unterscheidung verläuft zwischen KI als Werkzeug (man fragt, sie antwortet) und KI als Arbeitskraft (man beauftragt, sie führt aus). Die erste Kategorie — Chatbots, Copilots, Suchassistenten — ist dort, wo heute der Großteil der KI-Ausgaben in Unternehmen liegt. Die zweite Kategorie — autonome Agenten, die über mehrstufige Workflows hinweg planen, ausführen und sich anpassen — ist dort, wo sich die Wertkurve verschiebt.
BCGs AI Radar 2025 schätzt, dass Agentic AI bereits 17 % des gesamten KI-Unternehmenswerts ausmacht, und prognostiziert einen Anstieg auf 29 % bis 2028. McKinseys jährliche State-of-AI-Studie beziffert die gesamte KI-Wertschöpfungschance auf 2,6 bis 4,4 Billionen Dollar über alle Funktionen hinweg, wobei Agenten einen wachsenden und zunehmend messbaren Anteil dieses Spektrums darstellen. Bains Technology Report verfolgt die Infrastrukturebene unterhalb der Agenten und stellt fest, dass Agent-zu-Agent-Kommunikationsprotokolle — konkret MCP-Server — zwischen Februar und Ende 2025 um das Siebenfache gewachsen sind: von rund 1.000 auf über 7.000 eingesetzte Instanzen.
Die Entwicklungsrichtung ist klar. Die Einsatzbereitschaft nicht.
Was Agentic AI in der Praxis tatsächlich bedeutet
Der Wandel vom Werkzeug zur Arbeitskraft ist nicht metaphorisch. Ein Copilot schlägt Änderungen an einem Dokument vor. Ein Agent erstellt das Dokument, prüft es gegen Compliance-Regeln, leitet es zur Freigabe weiter, hakt nach, wenn die Freigabe stockt, und überarbeitet es auf Basis von Feedback — ohne zwischen den Schritten zum Nutzer zurückzukehren. Ein Copilot beantwortet eine Frage zur Lieferkette. Ein Agent überwacht Lagerbestände, identifiziert Nachbestellauslöser, erstellt Bestellungen, verhandelt gegen vertraglich vereinbarte Konditionen und eskaliert Ausnahmen nur dann an einen menschlichen Einkäufer, wenn die Verhandlung außerhalb voreingestellter Parameter liegt.
Das ist der Unterschied zwischen Augmentierung und Autonomie. Im Drei-Level-Framework befinden sich Copilots auf Level 1 (Assistenz) — sie steigern die individuelle Produktivität innerhalb bestehender Workflows. Agenten mit menschlicher Aufsicht befinden sich auf Level 2 (Augmentierung) — sie führen Workflow-Segmente aus, während Menschen die Ergebnisse überwachen und Ausnahmen behandeln. Vollständig autonome Agent-zu-Agent-Orchestrierung befindet sich auf Level 3 (Autonomie) — mehrere Agenten koordinieren sich, um ganze Prozesse mit minimaler menschlicher Intervention zu betreiben.
Die ökonomische Unterscheidung ist wichtig, weil die Wertkurven divergieren. Level 1 erzeugt lineare Gewinne: ein Copilot, ein Nutzer, eine Produktivitätssteigerung. Level 2 erzeugt Gewinne auf Workflow-Ebene: ein Agent bearbeitet einen Prozess End-to-End und verbessert den Durchsatz für die gesamte Funktion. Level 3 erzeugt systemische Gewinne: vernetzte Agenten optimieren funktionsübergreifend und erzeugen Kompoundierungseffekte, die kein einzelner Werkzeugeinsatz erreichen kann.
Wo die Big 3 die Wertkonzentration bei Agenten sehen
Deloittes Analyse identifiziert fünf Bereiche, in denen Agentic AI die größten Auswirkungen haben soll: Kundensupport, Lieferkettenmanagement, F&E-Beschleunigung, Wissensmanagement und Cybersecurity. Diese teilen gemeinsame Merkmale: hohes Transaktionsvolumen, mehrstufige Prozesse mit Entscheidungspunkten, strukturierte Eskalationspfade und messbare Ergebnisse. Es sind — nicht zufällig — dieselben Bereiche, in denen traditionelle Workflow-Automatisierung historisch den stärksten ROI erzielt hat.
McKinseys Daten zeigen: Die Adoption beschleunigt sich, bleibt aber oberflächlich. In der State-of-AI-Studie 2025 berichten 23 % der Befragten von skalierten Agentic-AI-Deployments und 39 % experimentieren. Aber keine einzelne Geschäftsfunktion hat eine Skalierung von agentenbasierten Systemen über 10 % hinaus erreicht. Das Muster ist bekannt: breites Experimentieren, enge Produktionsbereitstellung. Dieselbe Lücke, die die Einführung generativer KI 2023 und 2024 prägte, zeigt sich nun auf der Agentenebene.
Bains Analyse fügt eine entscheidende ökonomische Dimension hinzu. Technologieorientierte Unternehmen, die von Einzelaufgaben-KI zu Workflow-Level-Agent-Deployment übergegangen sind, erzielen 10 bis 25 % EBITDA-Steigerung. Das sind keine Prognosen — es sind gemessene Ergebnisse von Unternehmen, die die Schwelle vom Einsatz von KI-Werkzeugen zum Deployment von KI-Arbeitskräften überschritten haben. Die Kluft zwischen den Spitzenreitern und dem Rest des Marktes wird größer, und der Treiber ist nicht die Modellsophistikation. Es ist die organisatorische Fähigkeit, Workflows neu zu gestalten, Daten zu kuratieren und autonome Systeme zu steuern.
Die Voraussetzungen, auf die sich die Beratungshäuser einigen
Alle drei Häuser konvergieren in einem Punkt: Der Engpass ist nicht die Technologie. Die Modelle sind leistungsfähig. Die Infrastruktur reift heran. Die Agent-Frameworks existieren. Was Organisationen, die Agentenwert abschöpfen, von solchen unterscheidet, die Agenten teuer scheitern lassen, ist organisatorische Bereitschaft — und die spezifischen Dimensionen dieser Bereitschaft sind gut dokumentiert.
Bain skizziert fünf kritische Maßnahmen für das Agent-Deployment. Erstens: Top-down-Ziele mit messbaren Targets setzen, die an Geschäftsergebnisse gebunden sind, nicht an Technologie-Adoptionsmetriken. Zweitens: General Manager — nicht CIOs — mit der Verantwortung für die KI-Transformation betrauen, weil der Wert in den Geschäftsprozessen liegt, nicht in der IT-Infrastruktur. Drittens: Ganze Workflows neu gestalten, anstatt Agenten in bestehende Prozessschritte einzufügen. Viertens: Pragmatische Datenkuratierung betreiben — keine perfekten Data Lakes, sondern gezielte Datenqualitätsverbesserungen in den spezifischen Workflows, in denen Agenten arbeiten werden. Fünftens: Bewusste Build-Buy-Partner-Entscheidungen treffen, basierend darauf, wo der Wettbewerbsvorteil tatsächlich liegt.
McKinseys Studie enthüllt die dominierende Barriere. Fast zwei Drittel der Befragten nennen Sicherheit und Risikomanagement als größtes Hindernis für die Skalierung von Agentic AI. Das ist signifikant, weil es keine Technologiebarriere ist — es ist eine Governance-Barriere. Agenten, die autonom operieren, brauchen Leitplanken: Welche Entscheidungen dürfen sie treffen, welche Schwellenwerte lösen eine menschliche Überprüfung aus, was passiert bei Grenzfällen, und wer trägt die Verantwortung, wenn sie Fehler machen. Den meisten Unternehmen fehlen die Governance-Frameworks, um diese Fragen zu beantworten — was bedeutet, dass ihnen die Voraussetzungen fehlen, um Agenten sicher einzusetzen.
BCGs Perspektive ergänzt die Reifegraddimension. Ihre Analyse legt nahe, dass sich der Agentenwert in Organisationen konzentriert, die bereits eine KI-Basisreife erreicht haben — funktionierende Datenpipelines, etablierte Governance, erfahrene Teams und produktionsreifes Monitoring. Den Versuch zu unternehmen, ohne KI-Grundlagen direkt zu Agentic AI zu springen, ist das Unternehmensäquivalent dazu, laufen zu wollen, bevor man gehen kann. Die Organisationen, die heute 17 % des KI-Werts aus Agenten schöpfen, sind überwiegend dieselben, die die vorangegangenen zwei Jahre in den Aufbau grundlegender Fähigkeiten investiert haben.
Warum Agenten scheitern: die Anti-Patterns
Der teuerste Fehlermodus ist das Deployment von Agenten ohne Workflow-Redesign. Ein Agent, der in einen bestehenden Prozess eingefügt wird, erbt die Ineffizienzen dieses Prozesses. Ein Schadenbearbeitungsagent, der dieselben Schritte wie ein menschlicher Sachbearbeiter befolgt — nur schneller — schöpft einen Bruchteil des verfügbaren Werts ab. Ein Agent, der in einen neu gestalteten Schadenworkflow eingesetzt wird, in dem Klassifikation, Routing, Untersuchung und Regulierungsempfehlung als koordinierte autonome Schritte ablaufen, schöpft den vollen Wert. McKinseys Daten zeigen, dass 80 % der Organisationen den ersten Ansatz verfolgen. Die Evidenz zum Workflow-Redesign ist eindeutig in Bezug auf die Konsequenzen.
Der zweite Fehlermodus ist unzureichende Datenarchitektur. Agenten konsumieren und produzieren kontinuierlich Daten. Sie brauchen Echtzeitzugang zu operativen Daten, sie müssen ihre Entscheidungen und Begründungen für Audit-Trails aufzeichnen, und sie brauchen Feedback-Schleifen, die signalisieren, wenn ihre Outputs von erwarteten Parametern abweichen. Die meisten Unternehmensdatenarchitekturen wurden für den menschlichen Konsum entworfen — Dashboards, Reports, Batch-Exporte. Agentengerechte Datenarchitektur erfordert maschinenlesbare, latenzarme, gut gesteuerte Datenpipelines. Das ist unspektakuläre Infrastrukturarbeit, und sie ist nicht verhandelbar.
Der dritte Fehlermodus ist ein Governance-Vakuum. Ein Agent ohne klare Betriebsgrenzen ist ein Risiko. Er wird in Grenzfällen Entscheidungen treffen, für die er nie konzipiert wurde. Er wird Maßnahmen ergreifen, die lokal optimal erscheinen, aber global schädlich sind. Er wird Fehler akkumulieren, die niemand bemerkt, weil niemand überwacht. Die Organisationen, die Bain mit 10 bis 25 % EBITDA-Steigerung identifiziert, haben vor der Skalierung von Agenten massiv in Governance investiert — Entscheidungsgrenzen definiert, Monitoring-Systeme aufgebaut, Eskalationsprotokolle etabliert und Verantwortlichkeitsstrukturen geschaffen.
Agentenbereitschaft im Drei-Level-Modell
Das Drei-Level-Framework bietet eine direkte Bereitschaftsbewertung für Agentic AI. Wenn eine Organisation auf Level 1 operiert — KI als individuelle Werkzeuge, Chatbots und Copilots nutzt — ist sie nicht bereit für Agenten. Die Grundlagen fehlen: Workflows wurden nicht neu gestaltet, Datenpipelines sind nicht produktionsreif, und Governance-Frameworks existieren nicht.
Level 2 ist die Agent-Deployment-Zone. Auf diesem Level haben Organisationen Workflows für die Mensch-KI-Zusammenarbeit neu gestaltet, Monitoring und Governance etabliert und die operativen Fähigkeiten entwickelt, um KI-Systeme im Produktivbetrieb zu managen. Agenten operieren mit menschlicher Aufsicht — sie führen autonom aus, aber innerhalb definierter Grenzen, wobei Menschen die Outputs überprüfen und bei Ausnahmen eingreifen. Hier wird BCGs 17-%-Wertanteil heute generiert.
Level 3 ist die Frontier. Agent-zu-Agent-Orchestrierung, bei der mehrere autonome Systeme funktionsübergreifend koordinieren, ist dort, wo die Wertkurve steiler wird — und wo die Governance-Anforderungen exponentiell komplexer werden. Bains Tracking des MCP-Server-Wachstums (1.000 auf 7.000 in unter einem Jahr) deutet darauf hin, dass die Infrastruktur für Level 3 aufgebaut wird, aber nur sehr wenige Unternehmen operativ bereit sind, sie zu nutzen.
Die strategische Implikation
Die Beratungshäuser sind sich einig: Agentic AI ist kein Feature, das man aktiviert — es ist ein Betriebsmodell, auf das man hinarbeitet. Die von McKinsey identifizierte Wertschöpfungschance von 2,6 bis 4,4 Billionen Dollar ist kein Geldpool, den man durch den Kauf der richtigen Werkzeuge einsammelt. Es ist eine Wertschöpfungsebene, die aus neu gestalteten Workflows, ausgereifter Datenarchitektur, robuster Governance und organisatorischer Bereitschaft zur Delegation von Entscheidungen an autonome Systeme entsteht.
Die 17 % des KI-Werts, die Agenten heute repräsentieren, wachsen in Richtung 29 %. Die Frage für Unternehmenslenker lautet nicht, ob sie in Agentic AI investieren sollten, sondern ob ihre Organisation die Grundlagen hat, um diesen Wert zu realisieren — oder ob sie zur Mehrheit gehören werden, die Agenten vorzeitig einsetzt und lernt, dass ein autonomes System ohne Leitplanken teurer ist als gar kein System.
Ein Fit Call bewertet, wo Ihre Organisation im Drei-Level-Modell steht und was nötig ist, um das Level zu erreichen, auf dem Agentic AI Wert statt Risiko erzeugt. Kein Pitch. Nur eine ehrliche Bereitschaftsbewertung.
Referenzen: BCG, „AI Radar 2025: From Potential to Profit", 2025; McKinsey & Company, „The State of AI: How Organizations Are Rewiring to Capture Value", Global Survey, November 2025; Bain & Company, „Technology Report 2025", 2025; Deloitte, „State of AI in the Enterprise", 2026 Edition; McKinsey Global Institute, „The Economic Potential of Generative AI", aktualisierte Schätzungen 2024–2025.