AI Agents raus aus dem Experiment: Governance als Skalierungshebel
Veröffentlicht am 27.8.2026 · André Hellmann
AI Agents im Unternehmen sind aus der Neugier-Phase heraus. 62 Prozent der Organisationen experimentieren mindestens mit Agents (Quelle: McKinsey, The State of AI, 2025). In den Betrieb kommen sie trotzdem kaum. Das Muster ist bekannt — es ist der Pilot Graveyard, diesmal mit Handlungsvollmacht.
Den nächsten Schritt im kostenlosen Diagnose-Call besprechen. Termin buchen →
Inhalt
- Der Agent-Hype in Zahlen
- Warum Security und Risk die Skalierung bremsen
- Governance konkret: Entscheidungsrechte, Eskalation, Messung
- Agents in Produktion: der Operations-Ansatz
- Fazit: Governance ist der Skalierungshebel
- Häufige Fragen zu AI Agents
- Quellen
Der Agent-Hype in Zahlen
Die Neugier ist groß. 62 Prozent der befragten Organisationen experimentieren mindestens mit AI Agents (Quelle: McKinsey, The State of AI, 2025). Das ist die Zahl, die in jeder Präsentation auftaucht.
Die zweite Zahl taucht seltener auf. Wer skaliert, skaliert meist nur in einer oder zwei Funktionen. In keiner einzelnen Geschäftsfunktion sagen mehr als 10 Prozent der Befragten, dass ihre Organisation Agents skaliert (Quelle: McKinsey, The State of AI, 2025).
Dazu kommt eine dritte Zahl. Der durchschnittliche Reifegrad für verantwortungsvolle AI stieg 2026 auf 2,3 von 2,0 im Vorjahr. Nur rund 30 Prozent der Organisationen erreichen Stufe 3 oder höher in Strategie, Governance und agentischen Kontrollen (Quelle: McKinsey AI Trust Maturity Survey, 2026).
Die Reihenfolge dieser drei Werte ist der eigentliche Befund. Der Abstand zwischen Experiment und Betrieb ist kein Technikproblem. Er liegt genau dort, wo Reifegrad in Governance und Kontrollen fehlt.
Wo ein Unternehmen selbst steht, zeigt der kostenlose Self-Check in wenigen Minuten.
Warum Security und Risk die Skalierung bremsen
Nach der Bremse gefragt, nennen fast zwei Drittel der Befragten Sicherheits- und Risikobedenken als größte Barriere für die volle Skalierung agentischer AI — deutlich vor regulatorischer Unsicherheit und technischen Grenzen (Quelle: McKinsey AI Trust Maturity Survey, 2026).
Das ist eine wichtige Verschiebung. Bisher scheiterten AI-Vorhaben an fehlenden Fähigkeiten. Agents scheitern am fehlenden Zutrauen, autonome Systeme sicher betreiben zu können.
Der Grund liegt in der Natur von Agents. Bei einem Chatassistenten sagt das System etwas Falsches. Bei einem Agent tut das System etwas Falsches — es löst eine Aktion aus, nutzt ein Werkzeug falsch oder arbeitet jenseits der vorgesehenen Grenzen (Quelle: McKinsey AI Trust Maturity Survey, 2026).
Die Folgen sind messbar. 51 Prozent der Organisationen, die AI einsetzen, berichten von mindestens einer negativen Konsequenz. Knapp ein Drittel aller Befragten nennt Folgen aus ungenauen Ergebnissen (Quelle: McKinsey, The State of AI, 2025).
Dazu kommt eine Lücke, die in fast jeder Risikokategorie auftritt: Unternehmen erkennen Risiken schneller, als sie sie aktiv absichern (Quelle: McKinsey AI Trust Maturity Survey, 2026). Das Wissen ist da. Die Kontrollen fehlen.
Ein Agent ohne Entscheidungsrechte ist kein Werkzeug. Er ist ein Haftungsrisiko mit Interface.
Governance konkret: Entscheidungsrechte, Eskalation, Messung
Governance klingt nach Gremium und Richtlinie. Gemeint ist etwas anderes: vier Festlegungen pro Agent, nicht pro Unternehmen.
- Handlungsrahmen definieren. Welche Aktionen darf der Agent auslösen, welche nur vorschlagen? Bestellungen, Preisangaben und Zusagen an Kunden gehören in die zweite Kategorie.
- Eskalationspfad benennen. Bei welchem Fall bricht der Agent ab und übergibt — und an wen namentlich? Ohne Adressat wird jede Ausnahme zum Blindflug.
- Verantwortung zuweisen. Für jeden Agent eine verantwortliche Person, wie für jede Maschine im Betrieb. Organisationen mit klarer Zuständigkeit für verantwortungsvolle AI erreichen einen Reifegrad von 2,6, Organisationen ohne 1,8 (Quelle: McKinsey AI Trust Maturity Survey, 2026).
- Wirkung messen. Erledigte Fälle, Abbruchquote, Fehlerquote. Ohne diese drei Werte bleibt jede Diskussion über Agents eine Meinungsfrage.
Diese vier Punkte lassen sich in wenigen Stunden pro Agent festlegen. Sie entscheiden darüber, ob ein Agent in Produktion gehen darf.
Wie sich Autonomie stufenweise regeln lässt, beschreibt der Beitrag zu Governance, Kontrolle und Autonomie im Detail. Was ein AI Agent technisch ist, klärt der Glossareintrag.
Agents in Produktion: der Operations-Ansatz
Der Befund aus dem Pilot Graveyard gilt für Agents unverändert: Was für den Test gebaut wird, kommt nicht in den Betrieb. Der Unterschied ist der Einsatz — ein Agent handelt, während ein Pilot nur zeigt.
Deshalb bauen wir Agents von Anfang an entlang des Workflows, in dem sie später laufen. Drei Dinge gehören dabei vor die erste Zeile Konfiguration:
- Der Ablauf. Welcher Schritt kostet heute Zeit, und wer verantwortet ihn? Ohne diese Antwort automatisiert ein Agent Unordnung.
- Die Grenze. Wo endet die Vollmacht des Agents, und wie sieht der Abbruch aus? Diese Grenze ist Teil der Konfiguration, nicht eine Regel im Handbuch.
- Die Messung. Welche Zahl beweist nach vier Wochen, dass der Agent trägt? Sie wird vorher festgelegt, nicht hinterher gesucht.
Der Aufwand dafür rechnet sich. Organisationen, die substanziell in verantwortungsvolle AI investieren, berichten deutlich häufiger von materiellem AI-Nutzen — einschließlich EBIT-Effekten über 5 Prozent (Quelle: McKinsey AI Trust Maturity Survey, 2026). Governance ist keine Steuer auf Innovation, sondern deren Voraussetzung.
Warum wir grundsätzlich nur für den Betrieb bauen, beschreibt der Beitrag Production from Day One.
Welcher Ablauf sich für den ersten Agent eignet, ordnen wir im kostenlosen Diagnose-Call ein.
Fazit: Governance ist der Skalierungshebel
Die Agent-Zahlen wiederholen ein bekanntes Muster. Viel Experiment, wenig Betrieb — genau das beschreibt der Implementation Gap.
Neu ist die Ursache. Nicht Können bremst, sondern Zutrauen. Fast zwei Drittel nennen Sicherheit und Risiko als Hauptbarriere (Quelle: McKinsey AI Trust Maturity Survey, 2026). Dieses Zutrauen entsteht nicht durch bessere Modelle, sondern durch klare Regeln.
Die praktische Konsequenz ist unspektakulär: Handlungsrahmen, Eskalationspfad, benannte Verantwortung, gemessene Wirkung. Vier Festlegungen pro Agent. Ohne sie bleibt jeder Agent ein Experiment — auch nach zwei Jahren.
Häufige Fragen zu AI Agents
Wie viele Unternehmen setzen AI Agents produktiv ein?
62 Prozent experimentieren mindestens mit Agents. In keiner einzelnen Geschäftsfunktion skalieren mehr als 10 Prozent der Organisationen (Quelle: McKinsey, The State of AI, 2025). Die Lücke zwischen Test und Betrieb ist erheblich.
Was bremst die Skalierung von AI Agents?
Fast zwei Drittel der Befragten nennen Sicherheits- und Risikobedenken — vor regulatorischer Unsicherheit und technischen Grenzen (Quelle: McKinsey AI Trust Maturity Survey, 2026). Die Bremse liegt in der Governance, nicht in der Technik.
Was unterscheidet Agent-Governance von allgemeiner AI-Governance?
Ein Agent handelt. Damit geht es nicht mehr nur um falsche Aussagen, sondern um falsche Aktionen — ausgelöste Prozesse, falsch genutzte Werkzeuge, überschrittene Grenzen (Quelle: McKinsey AI Trust Maturity Survey, 2026). Governance muss deshalb Handlungsrechte regeln, nicht nur Inhalte prüfen.
Wer sollte im Unternehmen für Agents verantwortlich sein?
Eine namentlich benannte Person pro Agent. Organisationen mit klarer Zuständigkeit für verantwortungsvolle AI erreichen einen Reifegrad von 2,6, Organisationen ohne 1,8 (Quelle: McKinsey AI Trust Maturity Survey, 2026).
Wo lohnt sich der erste Agent am meisten?
Bei einem wiederkehrenden Ablauf mit klarem Ergebnis und geringem Außenrisiko — Recherche, Vorqualifizierung, Datenpflege. Welcher das im konkreten Fall ist, klären wir im kostenlosen Diagnose-Call.
Quellen
- McKinsey AI Trust Maturity Survey, 2026: State of AI trust in 2026 — Shifting to the agentic era, 25.03.2026
- McKinsey, The State of AI, 2025: The state of AI in 2025 — Agents, innovation, and transformation, 2025