Sollten Sie einen individuellen KI-Agenten selbst bauen, einen kaufen oder ihn für sich bauen und betreiben lassen? Für die meisten Unternehmen lautet 2026 die ehrliche Antwort jene, die die führenden Labore meiden: Bauen Sie ihn nur selbst, wenn Sie ein Entwicklungsteam und eine Eval-Infrastruktur haben, kaufen Sie ein No-Code-Produkt nur für abgegrenzte Standard-Workflows, und lagern Sie an einen Done-for-You-Partner aus, wenn der Anwendungsfall hochwertig und spezifisch ist und Ihnen ein dediziertes ML-Team fehlt. Diese Entscheidung wiegt schwerer als jede Architekturwahl, und die Daten zeigen, warum. McKinsey stellt fest, dass die Verbreitung nahezu universell ist, doch weniger als 10 % der Unternehmen haben Agenten zu echtem Mehrwert skaliert, und Gartner erwartet, dass bis 2027 über 40 % der agentischen Projekte eingestellt werden. Die Frage ist nicht, ob Sie an einem Nachmittag einen Agenten aufsetzen können. Sie lautet, ob das Ding den Kontakt mit Ihren echten Systemen, Ihrer Governance und dem sechsten Monat überlebt. Dieser Ratgeber bildet Ihr Team, Ihre Daten und Ihren Governance-Reifegrad auf den richtigen Weg ab.
Wenn Sie sich das Ausprobieren lieber ersparen möchten: Wir bieten KI-Strategie und Executive Advisory an, um genau diese Entscheidung zwischen Selberbauen, Kaufen und Betreibenlassen gemeinsam mit Ihnen zu treffen, und bauen ihn anschließend, falls das die Antwort ist. Alles Folgende können Sie zunächst selbst nutzen.
Warum erzielen so wenige Unternehmen Mehrwert mit KI-Agenten?
Die Benchmark-Zahlen rücken die gesamte Entscheidung in ein neues Licht. Die Verbreitung ist nahezu universell: Rund 80 % der Organisationen nutzen generative KI in mindestens einer Funktion, und 62 % experimentieren zumindest mit Agenten. Mehrwert hingegen ist selten. Weniger als 10 % haben Agenten zu greifbaren Ergebnissen skaliert, und nur etwa 5,5 % der Organisationen führen mehr als 5 % ihres EBIT auf KI zurück. Gartner verschärft die Warnung: Über 40 % der agentischen KI-Projekte werden bis Ende 2027 eingestellt, getrieben von steigenden Kosten, unklarem geschäftlichem Wert und unzureichenden Risikokontrollen. Der Analyst sagt unumwunden, dass die meisten agentischen Projekte heute Experimente im Frühstadium sind, von Hype getrieben und oft falsch angewendet.
Die Ursache ist nicht die Modellqualität. McKinsey stellt klar, dass Mehrwert entsteht, wenn Führungskräfte den Workflow rund um den Agenten neu verdrahten, eine agentenbereite Infrastruktur einführen und Ergebnisse messen. Spitzenreiter haben mit nahezu dreifacher Wahrscheinlichkeit ihre Workflows grundlegend neu gestaltet, verfolgen mit 3,6-facher Wahrscheinlichkeit transformative Veränderungen und investieren mit fünffacher Wahrscheinlichkeit mehr als 20 % ihres Digitalbudgets in KI. Der Engpass ist organisatorisch, und genau diese eine Tatsache sollte Ihre Entscheidung zwischen Selberbauen und Kaufen leiten.
Was ist ein individueller KI-Agent, und was ist nur ein Chatbot?
Ein individueller KI-Agent ist Software, die ein Ziel entgegennimmt, die Schritte selbst herausfindet, Ihre Werkzeuge nutzt und weitermacht, bis die Aufgabe erledigt ist. Die Definition von OpenAI ist die brauchbare: Agenten erledigen Aufgaben eigenständig in Ihrem Namen, treffen Entscheidungen und ergreifen Maßnahmen, statt nur eine Frage zu beantworten. Das tragende Wort lautet abschließen. Ein Chatbot antwortet. Klassische Automatisierung folgt einem festen Pfad, den Sie geschrieben haben. Ein Agent liest die Situation, entscheidet, handelt über echte Werkzeuge und schließt die Schleife, ob das nun bedeutet, eine Bestellung zu erstatten, einen Datensatz zu aktualisieren oder einen Bericht zu schreiben.
Anthropic zieht die Grenze präziser, und das lohnt sich im Hinterkopf zu behalten, wenn Sie Anbieter-Marketing lesen. Ein Workflow lässt ein LLM und Werkzeuge durch vordefinierte Codepfade laufen; ein Agent steuert seinen eigenen Ablauf und Werkzeugeinsatz dynamisch. Die meisten als „Agenten“ verkauften Produkte sind in Wahrheit Workflows, und das ist in Ordnung, doch zu wissen, welches von beiden Sie kaufen, hält Sie ehrlich darüber, wie viel Autonomie Sie brauchen und wie viel Ihnen in Rechnung gestellt wird.
Was ist „Agent Washing“ und wie erkennen Sie es?
Agent Washing ist die Praxis, bestehende Software als agentische KI umzuetikettieren. Gartner schätzt, dass von den Tausenden Anbietern, die behaupten, Agenten zu verkaufen, nur rund 130 tatsächlich agentisch sind. Der Rest sind Chatbots, RPA-Skripte und Assistenten in einem neuen Gewand. Für einen Käufer ist dies die größte Einzelquelle für verschwendetes Budget in der Evaluierungsphase, denn ein als autonomer Agent angepriesener Workflow versagt leise in dem Moment, in dem die echte Arbeit Urteilsvermögen erfordert.
Der Test braucht kein Datenblatt. Fragen Sie, ob es eigenständig eine echte, mehrstufige Aufgabe in Ihren Systemen abschließt, und führen Sie dann drei Prüfungen durch:
- Ergreift es Maßnahmen oder gibt es nur Text zurück? Wenn jede Ausgabe weiterhin einen Menschen braucht, der die Sache erledigt, ist es ein Assistent.
- Schlussfolgert es oder gleicht es Muster ab? Wenn es im Moment bricht, in dem die Eingabe den glatten Pfad verlässt, ist es eine Regel-Engine.
- Wem gehören die Regeln? Wenn es nur lauffähig bleibt, indem Sie ein wachsendes Dickicht aus Wenn-dann-Logik pflegen, haben Sie RPA mit Chat-Oberfläche gekauft.
Beurteilen Sie es an der Arbeit, die es abschließt, nicht am Abzeichen auf der Website, ob Sie nun bauen, kaufen oder auslagern.
Wann brauchen Sie überhaupt einen Agenten?
Der günstigste Agent ist der, den Sie nie bauen. OpenAI liefert einen klaren Test: Bauen Sie einen Agenten statt einer deterministischen, regelbasierten Automatisierung nur, wenn Sie auf eines von drei Signalen stoßen. Komplexe Entscheidungsfindung, bei der die Aufgabe Urteilsvermögen erfordert, keine Nachschlagetabelle. Schwer zu wartende Regeln, bei denen Ihr Wenn-dann-System zu einem brüchigen Dickicht angewachsen ist, das niemand mehr anzufassen wagt. Oder starke Abhängigkeit von unstrukturierten Daten, bei denen die Arbeit das Lesen unübersichtlicher E-Mails, PDFs und Chatprotokolle bedeutet. Trifft keines davon zu, bauen Sie keinen Agenten. Anthropic, das Agenten beruflich baut, sagt es unumwunden: Finden Sie die einfachste mögliche Lösung und fügen Sie Komplexität nur hinzu, wenn sie sich auszahlt. Agentische Systeme tauschen Latenz und Kosten gegen bessere Leistung bei schweren Aufgaben, sodass dieser Tausch ein schlechtes Geschäft ist, wenn ein festes Skript die Arbeit erledigt.
Was umfasst die Produktivebene (die schwierigen 80 %) tatsächlich?
Jedes Tutorial hört bei „Werkzeuge und Anweisungen hinzufügen“ auf und erklärt sich für fertig. Das ist die Demo, nicht das Produkt. Die 80 % der Arbeit, die darüber entscheiden, ob Ihr Agent besteht, und der Grund, warum über 40 % der Projekte eingestellt werden, stecken in vier Dingen, die die Schnellstartanleitungen überspringen:
- Echte Systeme und Daten. Ihr CRM, Ihr Posteingang, die Abrechnung und die Datenbanken sind unübersichtlich und haben selten saubere APIs. McKinsey sagt direkt, dass Datenbeschränkungen das größte Hindernis beim Skalieren von Agenten sind. Die Demo verbindet sich mit einem sauberen Werkzeug. Der Produktivbetrieb verbindet sich mit Ihrem verknoteten Stack.
- Evals. Behandeln Sie den Agenten wie Software, die Regressionstests braucht. Bewerten Sie jede neue Version anhand echter Beispielaufgaben mit bekannten guten Ergebnissen und liefern Sie nie eine Änderung aus, die die Dinge heimlich verschlechtert.
- Leitplanken und Human-in-the-Loop. Schichten Sie sie so, wie OpenAI empfiehlt: Sicherheits- und PII-Prüfungen der Eingaben, Grenzen für risikoreiche Werkzeugaufrufe, Validierung der Ausgaben und eine Person, die alles Sensible freigibt, etwa das Versenden von Geld oder das Löschen von Daten.
- Monitoring und der laufende Betrieb. Protokollieren Sie jede Aktion, beobachten Sie Kosten, Latenz und Fehlerraten und rechnen Sie mit Drift, wenn sich Ihre Daten, Prompts und das zugrunde liegende Modell ändern. Ein Agent, der in Woche eins funktionierte, kann in Woche zwanzig leise versagen.
Das Signal für Ihre Entscheidung lautet: Der schwierige Teil beim Bau eines Agenten ist genau jener, den eine 15-minütige Demo Ihnen nie zeigt. Wenn Ihr Team nicht die Bereitschaft hat, Evals, Leitplanken und den Betrieb zu verantworten, ist das der Grund, zu kaufen oder auszulagern.
Selberbauen, Kaufen oder Auslagern: Welcher Weg passt zu Ihrem Unternehmen?
Hier ist die Einordnung, die die Ratgeber der führenden Labore meiden, weil jeder von ihnen Ihnen das Selberbauen verkaufen will. Es gibt keine allgemeingültige richtige Antwort, nur eine richtige Antwort für Ihre Situation, und sie hängt von drei Dingen ab: Ihrem Reifegrad in Entwicklung und ML, der Unübersichtlichkeit und Sensibilität Ihrer Daten und dem Einsatz, wenn der Agent eine Entscheidung falsch trifft.
| Weg | Am besten, wenn | Was Sie verantworten | Hauptrisiko |
|---|---|---|---|
| Intern bauen | Sie ein Entwicklungsteam, eine Eval-Infrastruktur und maximale Kontrolle wollen | Jede Integration, jede Regression und den Produktivlebenszyklus | Unterschätzung der schwierigen 80 %; Werden zur Wartungswerkstatt |
| No-Code-Produkt kaufen | Der Workflow abgegrenzt und gängig ist und keine unübersichtlichen oder sensiblen Systeme berührt | Konfiguration und Prompts; der Anbieter verantwortet die Plattform | Anstoßen an eine Decke, wenn der Agent über Ihre spezifischen Systeme schlussfolgern muss oder eine Governance-Hürde erfüllen muss |
| Auslagern (Done-for-You, Betreiben-für-Sie) | Der Anwendungsfall hochwertig und spezifisch ist, Ihnen ein dediziertes ML-Team fehlt und Scheitern teuer ist | Das Ergebnis; ein Partner verantwortet Bau und Betrieb | Die Wahl eines Partners, der eine Demo übergibt, statt ein System zu betreiben |
Lesen Sie die Matrix vor dem Hintergrund der Daten. Der Weg des Selberbauens setzt das interne Team und die Eval-Infrastruktur voraus, die die meisten Unternehmen nach McKinseys eigenen Zahlen nicht aufgebaut haben. Der Kaufweg ist für abgegrenzte Workflows wirklich exzellent, weshalb No-Code-Werkzeuge, die sich mit Tausenden Apps verbinden, schnell einen funktionierenden Agenten aufsetzen können; seine Decke zeigt sich in dem Moment, in dem der Agent über Ihre unübersichtlichen, spezifischen Systeme schlussfolgern und Ihre Governance-Hürde nehmen muss. Der Auslagerungsweg existiert für die große Mitte: Unternehmen mit einem hochwertigen Anwendungsfall, echten Daten- und Compliance-Vorgaben und ohne den Wunsch, ein Jahr lang zu einer KI-Entwicklungsorganisation zu werden, nur um herauszufinden, ob es funktioniert.
Ein nützlicher Selbsttest: Wenn der Agent ausschließlich Ihren Regeln über saubere Apps folgt, kaufen Sie. Wenn Sie das Team haben und ihn für immer besitzen wollen, bauen Sie selbst. Wenn er Ermessensentscheidungen innerhalb Ihrer echten, regulierten Systeme treffen und am Montagmorgen zuverlässig sein muss, dann ist das der Ort, an dem ein Bau-und-Betriebs-Partner seinen Platz verdient.
Wie wählen Sie, ohne zu den 40 % zu gehören?
Welchen Weg Sie auch wählen, die Schritte, die Sie schützen, sind dieselben, und sie kommen direkt von den Laboren und der Benchmark-Forschung.
- Wählen Sie einen hochwertigen, messbaren Anwendungsfall. Kein Transformationsprogramm. Einen Workflow, bei dem Sie das Ergebnis und die Kennzahl benennen können, die sich bewegen sollte.
- Verdrahten Sie den Workflow rund um den Agenten neu, nicht umgekehrt. Das ist der Schritt, den McKinsey benennt und den fast niemand operationalisiert. Spitzenreiter gestalten den Prozess neu; Nachzügler schrauben einen Agenten auf einen kaputten Prozess.
- Fordern Sie die Produktivebene von Anfang an ein. Evals, Leitplanken, Human-in-the-Loop und Monitoring sind keine Phase zwei. Wenn ein Anbieter oder ein interner Plan diese nicht beschreiben kann, sehen Sie auf eine Demo, nicht auf ein Produkt.
- Instrumentieren Sie Ergebnisse vom ersten Tag an. Entscheiden Sie vor dem Start, woran Sie erkennen, dass es funktioniert: Kosten, Latenz, Fehlerrate und die Geschäftskennzahl, für die es existiert.
Anthropics drei Engineering-Prinzipien passen darauf: Halten Sie das Design einfach, zeigen Sie die Planungsschritte des Agenten und gestalten Sie die Werkzeugschnittstelle sorgfältig. Wenn der Agent danebenliegt, und das wird er, ist die Planungsspur, wie Sie herausfinden, warum. Dasselbe Labor merkt an, dass es bei seinem eigenen Coding-Agenten mehr Zeit auf die Optimierung der Werkzeuge als auf den Prompt verwendet hat, eine Erinnerung daran, dass die unglamouröse Schnittstellenarbeit, nicht das Modell, einen Agenten meist zuverlässig macht. Beweisen Sie es an einem Workflow, messen Sie es, und skalieren Sie erst dann. Genau diese Abfolge trennt die unter 10 %, die Mehrwert erzielen, von den 40 %, deren Projekte eingestellt werden.
Wenn das Lesen des Produktivabschnitts den Weg des Selberbauens schwerer erscheinen ließ, als Sie tragen wollen, ist das das ehrliche Signal, ihn auszulagern. Wir tun das beruflich: Wir treffen die Entscheidung zwischen Selberbauen und Kaufen gemeinsam mit Ihnen, bauen ihn dann auf dem einfachsten funktionierenden Muster, verbinden ihn mit Ihren echten Systemen und betreiben ihn weiter mit den Evals und Leitplanken, die ihn am Leben halten, im Rahmen unserer Arbeit zur Architektur generativer und agentischer KI. Buchen Sie unten eine kostenlose Beratung, und wir bilden Ihren ersten Agenten und den richtigen Weg gemeinsam ab.