Gartner prognostiziert die Einstellung von 40% der KI-Agenten-Projekte bis 2027. Die Ursachen sind nicht technisch, hier ist, was diese Projekte tötet.
Gartner prognostiziert, dass über 40 % der agentengestützten KI-Projekte bis 2027 eingestellt werden. Die Ursache ist nicht das halluzinierende Modell, sondern die Governance des Projekts selbst. Eure KI-Agenten sterben nicht an technischen Bugs, sondern an schlechtem Projektmanagement.
Hier ist, was alles ändert: Wir hatten technische Fehlerfälle abgedeckt, Timeouts, Endlosschleifen, malformed Tool Calls. Dieser Bericht greift ein anderes Problem auf. Warum Organisationen Projekte aufgeben, die technisch funktionieren.
Was der gartner-bericht wirklich sagt
Die 40%-Quote überrascht nach zwei Jahren Euphorie. Aber Gartner spricht nicht von Projekten, die in der Produktion zusammenbrechen. Er spricht von Projekten, die ihren erwarteten ROI nie erreichen oder deren ursprünglicher Umfang falsch kalibriert war.
Drei Ursachen tauchen wiederholt in der Analyse auf:
- Ein Umfang, der von Tech-Teams ohne klare Business-Validierung definiert wird
- Das Fehlen von vor dem Start definierten Erfolgskennzahlen
- Ein Budget, das nur den POC abdeckt, nicht die Wartung nach 18 Monaten
Keine dieser drei Ursachen lässt sich mit einem besseren Modell beheben. Der Wechsel von Claude Sonnet 4 zu Sonnet 5 repariert kein Projekt, das keine klare Definition des Erfolgs hatte. Wir haben das bei mehreren Kunden gesehen: Der Agent funktioniert, die Tests passen, die Demo beeindruckt den Board. Und sechs Monate später kann niemand sagen, ob der ROI positiv ist. Das Projekt stirbt stillschweigend.
Die echten versteckten kosten: wartung nach dem poc
Die meisten Budgets decken die initiale Entwicklung und drei Monate Betrieb ab. Danach nichts mehr. Aber ein Agent in der Produktion driftet ab. Das Verhalten des Modells ändert sich, die Prompts desynchronisieren sich von realen Use Cases. Niemand hat Budget für diesen Betrieb. Das ist der gleiche Fehler wie klassisches IT-Betrieb, außer dass hier der Drift unsichtbar ist.
Model drift: das signal, das niemand überwacht
Jenn Tejada, Executive Chair von PagerDuty, warnte am 2. Juli 2026 davor: Agentische Systeme führen spezifische Ausfallmodi ein. Darunter Model Drift.
Model Drift ist die progressive Verschlechterung der Relevanz von Agent-Antworten im Laufe der Zeit, ohne dass ein Fehler gemeldet wird. Der Agent antwortet weiter. Er antwortet nur immer weniger gut im Vergleich zum echten Business-Kontext, der sich schneller entwickelt als der ursprüngliche Prompt.
Konkret: Ein Support-Agent, der im Januar für eine bestimmte Produktreihe konfiguriert wurde, wird progressiv weniger relevant, wenn der Katalog im März ändert. Und niemand hat den Kontext aktualisiert. Kein Fehlerlog signalisiert das. Die Zufriedenheitsquote sinkt langsam. Niemand verbindet das mit dem Agent, bis mehrere Wochen vergangen sind.
Projekt, das überlebt, vs. projekt, das scheitert
Hier sind die Indikatoren, die ein Projekt unterscheiden, das seinen ROI erreicht, von einem, das stillschweigend verschwindet.
Projekt, das überlebt: Kennzahl vor dem Start definiert und beziffert. Business- und Tech-Sponsor. Wartungsbudget bereits im Business Case eingeplant. Drift-Dashboard mit Alerts. Präziser Umfang. GO/NO-GO-Review nach 90 Tagen.
Projekt, das scheitert: Vage Kennzahl („Effizienz verbessern"). Nur Tech-Sponsoring. Kein Post-POC-Budget. Keine Überwachung. Vager Umfang. Keine Review.
Dieser Kontrast ist keine Hexerei. Aber die meisten Projekte in der Startphase folgen der rechten Spalte. Der Tech-Sponsor trägt allein die Verantwortung. Das Business validiert und verschwindet. Niemand kommt zurück, bis zur Budget-Überprüfung im nächsten Jahr.
Wie man ein ki-agenten-projekt strukturiert, das durchhält
Fünf Reflexe, in dieser Reihenfolge.
Erste Aktion: Beziffert den Erfolg, bevor ihr eine Zeile Prompt schreibt. Nicht „Reaktivität verbessern", sondern „Zeit bis erste Antwort von 4h auf 30 Minuten reduzieren". Wenn ihr diese Zahl nicht habt, werdet ihr nie wissen, ob das Projekt erfolgreich war.
Zweite Aktion: Benennt einen Business-Sponsor, nicht nur einen Tech-Sponsor. Wenn der einzige Träger im Direktorium der CTO ist, ist das Projekt bereits fragil. Ihr braucht jemanden auf der Business-Seite mit einem persönlichen KPI.
Dritte Aktion: Budgetiert die Wartung bereits im ursprünglichen Business Case. Ein Agent in der Produktion kostet Wartung, Monitoring, Prompt-Anpassung, Aktualisierung des Business-Kontexts. Wenn dieses Budget nicht vorher existiert, wird es nachher nie existieren.
Vierte Aktion: Implementiert Drift-Monitoring, nicht nur Uptime-Monitoring. Der Agent, der in 200ms antwortet, aber falsch antwortet, wird keinen klassischen Alert auslösen. Ihr braucht Überwachung der Antwortqualität.
Fünfte Aktion: Plant eine GO/NO-GO-Review nach 90 Tagen. Mit Kriterien, die vor dem Start geschrieben wurden. Wenn der Agent sein Ziel zu diesem Zeitpunkt nicht erreicht hat, müsst ihr sagen können, dass ihr stoppt.
Dieser Ansatz hat eine Grenze: Er setzt eine organisatorische Reife voraus, die nicht alle Teams haben. Wenn euer Unternehmen sein erstes Projekt startet, ohne je ein Product-KPI definiert zu haben, erfordern diese fünf Punkte einen Aufwand, der das Projekt übersteigt. Besser klein anfangen und die Disziplin aufbauen.
Das solltet ihr mitnehmen
Der Gartner-Bericht sagt nicht, dass KI-Agenten nicht funktionieren. Er sagt, dass die Art, wie Unternehmen sie steuern, oft von Anfang an kaputt ist. Drei Punkte zum Merken.
Die dominante Ausfallursache ist organisatorisch, nicht technisch. Besseres Modell bedeutet nicht besseren ROI.
Model Drift ist ein stilles Risiko, das keinen klassischen Monitoring-Alert auslöst.
Ein Projekt ohne vor dem Start definierte bezifferte Kennzahl ist statistisch in der falschen Spalte.
Wenn ihr gerade ein KI-Agenten-Projekt rahmt und keine bezifferte Erfolgskennzahl habt, ist jetzt der Moment innezuhalten. Bei fstck.co begleiten wir dieses Framing vor der Entwicklung.
Häufig gestellte fragen
Warum prognostiziert gartner die einstellung von 40 % der ki-agenten-projekte bis 2027?
Gartner führt diese Ausfallquote auf Governance- und Projektmanagement-Probleme zurück, nicht auf Einschränkungen von Modellen. Die Hauptursachen sind das Fehlen klarer Erfolgskennzahlen, unzureichendes Business-Sponsoring und ein Budget, das die Wartung nach dem Start nicht abdeckt.
Was ist model drift in einem produktiven ki-agenten?
Model Drift bezieht sich auf die progressive Verschlechterung der Relevanz von Agent-Antworten im Laufe der Zeit, ohne sichtbaren technischen Fehler. Es tritt auf, wenn sich der Business-Kontext schneller entwickelt als die Prompts, und wird oft übersehen, da keine dedizierte Überwachung vorhanden ist.
Wie misst man den ROI eines ki-agenten vor dem deployment in die produktion?
Definiert eine bezifferte Kennzahl vor dem Start, zum Beispiel eine Bearbeitungszielzeit oder eine Lösungsquote, statt eines vagen Ziels. Überwacht diese Kennzahl über eine geplante GO/NO-GO-Review nach 90 Tagen mit vor dem Start geschriebenen Kriterien.
Kann ein ki-agent, der technisch funktioniert, trotzdem ein projekt-fehlschlag sein?
Ja, und das ist laut Gartner sogar das häufigste Szenario. Ein Agent kann alle technischen Tests bestehen und in einer Demo beeindrucken, während er gleichzeitig daran scheitert, einen messbaren ROI zu erzeugen, wenn niemand definiert hat, was „Erfolg" für das Business bedeutet.
Wer sollte die verantwortung für ein ki-agenten-projekt im unternehmen tragen?
Die Verantwortung sollte zwischen einem Tech-Sponsor und einem Business-Sponsor mit einem persönlichen KPI, der an den Projekterfolg gebunden ist, geteilt werden. Ein Projekt, das ausschließlich von der technischen Leitung getragen wird, hat normalerweise wenig Budgetlegitimität nach dem POC.
