Zwei Kurven, die sich bisher gemeinsam bewegten, sind dieses Jahr auseinandergelaufen. Organisationen mit mehr als 1 Milliarde US-Dollar Jahresumsatz sind beim Skalieren von KI-Agenten in mindestens einer Funktion von 27 % auf 40 % gestiegen. Organisationen unterhalb dieser Grenze sind von 22 % auf 22 % gekommen (McKinsey, 2026).
Nicht langsamer. Unbewegt.
Das ist der Befund, bei dem man in McKinseys State-of-AI-Erhebung verweilen sollte, veröffentlicht am 25. August 2026 — 1.719 Befragte aus 97 Ländern, Feldzeit vom 4. Mai bis 8. Juni, gewichtet nach dem Beitrag jedes Landes zum globalen BIP. In dem Jahr, in dem Agenten aufhörten, eine Demo zu sein, und zum Produktionsmuster wurden, hat eine Kohorte umgesetzt — und die andere gar nicht.
Die Reflexerklärung lautet Budget. Die Daten stützen sie nicht. Die zweite Reflexerklärung lautet Kompetenzen. Die Daten stützen auch das nicht. Was bleibt, ist unbequemer und handlungsnäher: KI-Agenten zu skalieren ist ein Problem der Umsetzungskapazität — und Umsetzungskapazität ist der einzige Input, den ein schlankes Operations-Team nicht per Bestellung kaufen kann.
Was die Erhebung tatsächlich gemessen hat
Zuerst eine Einschränkung, denn sie verändert die Lesart der Zahl. McKinsey schneidet nach Umsatz, nicht nach Mitarbeiterzahl. „Kleinere Organisationen" heißt unter 1 Milliarde US-Dollar Jahresumsatz — eine Gruppe, die viele Unternehmen enthält, die deutlich größer sind als ein 200-Personen-Betrieb. Behandeln Sie die 22 % als Richtungsangabe für den Mid-Market, nicht als Zählung des Mid-Market.
Davon abgesehen ist die Struktur des Befunds ungewöhnlich klar:
- Agenten in einer oder mehreren Funktionen skaliert: Organisationen über 1 Mrd. US-Dollar von 27 % auf 40 %. Kleinere Organisationen unverändert bei 22 %.
- Unternehmensweit skalierte KI (jede KI, nicht nur Agenten): 54 % der großen Organisationen gegenüber rund einem Drittel der kleineren.
- EBIT-Wirkung: 37 % aller Befragten schreiben der KI zumindest eine gewisse Ergebniswirkung zu — unverändert gegenüber dem Vorjahr.
- KI-High-Performer (mindestens 5 % des EBIT der KI zurechenbar, bei selbst als signifikant eingestufter Wirkung): unverändert bei rund 6 % der Befragten.
McKinsey hat den Jahresvergleich zusätzlich gegen die 552 Befragten validiert, die sowohl 2025 als auch 2026 teilgenommen haben. Das zählt: Eine sich weitende Lücke in wiederholten Querschnittserhebungen ist oft nur eine veränderte Stichprobe. Diese hier übersteht die Panelprüfung.
Die aggregierte Geschichte ist also Stillstand: EBIT-Wirkung unverändert, High-Performer unverändert. Unter diesem flachen Aggregat hat sich eine Kohorte um 13 Prozentpunkte abgesetzt — bei genau der Fähigkeit, die das Jahr definiert hat.
Das Budget ist nicht die bindende Restriktion
Die Erklärung, die ich von Operations-Verantwortlichen am häufigsten höre, ist der Kostenpunkt: Agenten seien teuer im Betrieb, Inferenzrechnungen unvorhersehbar, der Konzern könne das auffangen, wir nicht.
Die Erhebung prüft das direkt. Nur etwa einer von fünf Befragten gibt an, dass KI-bezogene Betriebskosten, inklusive Token-Kosten, ihre KI-Nutzung eingeschränkt haben. 60 % erwarten, dass ihre Organisation die KI-Investitionen im kommenden Jahr erhöht. 28 % geben bereits mehr als 10 % des gesamten IKT-Budgets für KI aus (McKinsey, 2026).
Eine Kohorte, die mehr ausgeben will und die Ausgaben nicht als ihre Grenze benennt, wird nicht vom Geld ausgebremst.
Ein verwandter Befund untermauert das leise: 32 % der Befragten haben auf den Kauf mindestens eines Softwareprodukts oder -features verzichtet, weil sie es mit agentischen Coding-Tools intern bauen konnten. Organisationen, die Agenten skalieren, geben nicht nur anders aus. Sie bepreisen Make-or-Buy neu. Das ist eine Fähigkeitsverschiebung, keine Budgetzeile.
Und es ist auch nicht die Kompetenzlücke
Die zweite Erklärung lautet Talent — der Konzern habe KI-Ingenieure, der Mid-Market nicht.
Die sauberste Gegenevidenz stammt aus einer Erhebung, deren Stichprobe der Mid-Market ist, statt nach unten übersetzter Konzerndaten. Der Heartbeat Index von CLA, im August 2026 über 722 kleine und mittelständische Organisationen veröffentlicht, fand: 69,9 % der Führungskräfte glauben, ihre Belegschaft habe die für künftigen Erfolg nötigen Kompetenzen bereits. Dennoch berichteten nur 49,5 % überhaupt von Effizienzverbesserungen aus jüngeren Technologie- oder KI-Investitionen, und lediglich 20,2 % von deutlich positiven Effekten (CLA, 2026).
Das ist eine Umkehrung, keine Lücke. Die untersuchte Population sagt, die Fähigkeit sei vorhanden und die Ergebnisse fehlten.
Eine Einschränkung bleibt: Selbstberichtetes Kompetenzvertrauen ist ein weiches Instrument, und die 69,9 % messen womöglich Optimismus. Aber selbst abgewertet zeigt die Zahl, was Mid-Market-Führungskräfte glauben — und damit, wo sie das Problem nicht suchen.
Wenn das Budget von denen ausgeschlossen wird, die ausgeben, und die Kompetenzen von denen, die sie haben, bleibt als Kandidat die Arbeit selbst.
Einen Agenten zu skalieren heißt, einen neu entworfenen Prozess zu verantworten
Hier ist der mechanische Unterschied zwischen einem Piloten und einem skalierten Agenten — und es ist nicht die Modellqualität.
Ein Pilot läuft neben dem bestehenden Prozess. Der freie Donnerstag von jemandem, eine Kopie der Daten, ein Output, den ein Mensch prüft und dann ins echte System zurücktippt. Nichts stromabwärts hängt davon ab. Er lässt sich ohne Meeting abbrechen.
Ein skalierter Agent ist der Prozess. Das heißt: Übergaben werden neu geschrieben, der Ausnahmepfad wird definiert und verantwortet, die Nachvollziehbarkeit genügt dem, der freizeichnet, und eine namentlich benannte Person steht gerade, wenn der Agent um zwei Uhr nachts falsch liegt. Nichts davon ist Einkauf. Alles davon ist Organisationschirurgie — durchgeführt von denselben drei Personen, die bereits das Quartal am Laufen halten.
Die Forschung zeigt aus zwei unabhängigen Blickwinkeln in dieselbe Richtung.
Deloittes State of AI in the Enterprise 2026 — 3.235 Führungskräfte in 24 Ländern — findet eine Reaktion auf KI, die zur billigen Intervention hin verzerrt ist. 53 % schulen die Belegschaft, um KI-Fluency zu erhöhen. Nur 30 % denken die Organisation entlang neuer KI-Muster neu, 33 % gestalten Karrierepfade um. Lediglich 34 % nutzen KI, um Produkte, Prozesse oder Geschäftsmodelle tiefgreifend zu transformieren; die anderen zwei Drittel bleiben inkrementell (Deloitte, 2026).
Microsofts Work Trend Index 2026 — 20.000 Beschäftigte in 10 Ländern, Feldzeit 18. Februar bis 20. April — beziffert, was diese Schieflage kostet. Organisationale Faktoren wie Kultur, Führungsunterstützung und Talentpraktiken erklären mehr als das Doppelte der realisierten KI-Wirkung im Vergleich zu individuellen Faktoren: 67 % gegenüber 32 %. Und nur 26 % der KI-Nutzenden berichten, dass die Führung bei der KI-Strategie ausgerichtet ist (Microsoft, 2026).
Schulung ist eine Budgetentscheidung. Einen Prozess neu zu entwerfen ist eine Entscheidung über Entscheidungsrechte. Großkonzerne haben Menschen, deren ganze Aufgabe die zweite Art ist. Operations-Teams im Mid-Market haben dieselben drei Personen, die auch den Monatsabschluss machen.
Das ist die These der Umsetzungskapazität — und um über den epistemischen Status klar zu sein: Der Kausalzusammenhang ist meine Lesart, kein Befund von McKinsey. Was McKinsey belegt, ist, dass die Divergenz existiert und dass Kosten sie nicht erklären.
Der ehrliche Einwand: Vielleicht ist Stillstand richtig
Nehmen wir die Gegenposition ernst, denn Teile davon tragen.
Die aggregierten Erträge haben sich nicht bewegt. Die EBIT-Wirkung liegt unverändert bei 37 %, die High-Performer bei rund 6 %. Eine kleinere Organisation, die ein Jahr ausgesessen hat, in dem sich der messbare Ertrag nicht verbessert hat, hat offensichtlich nichts verloren. Zu warten, bis die Werkzeuge reifen und die Stückkosten sinken, ist eine vertretbare Allokation knapper Aufmerksamkeit.
Die Agenten-Skalierungsquote ist kein Geschäftsergebnis. Sie ist eine Input-Kennzahl. Ihr hinterherzulaufen, weil eine Erhebung sagt, dass der Konzern ihr hinterherläuft, ist die reinste Form von Pilotitis — Bewegung finanzieren, um einen Benchmark zu schließen statt eine Restriktion.
Konzern-Skalierung ist teilweise ein Nenner-Artefakt. Ein Unternehmen mit 40.000 Beschäftigten hat mehr Funktionen, also steigt die Wahrscheinlichkeit, dass mindestens eine einen Agenten skaliert hat, mechanisch mit der Größe. Ein Teil der 13 Punkte ist Oberfläche, nicht Überlegenheit.
Wo der Einwand scheitert, ist beim Preis des späten Starts. Die Fähigkeit, die in diesen 13 Punkten aufgebaut wird, ist keine Agenten-Expertise. Es ist der Muskel, einen Prozess end-to-end neu zu architektieren und mit den Folgen zu leben — der sich aufbaut, sich zwischen Funktionen übertragen lässt und später nicht im Eiltempo gekauft werden kann. Ein Wettbewerber, der dieses Jahr Order-to-Cash neu entworfen hat, entwirft nächstes Jahr Quote-to-Contract schneller neu. Sie kalkulieren dann noch Ihren ersten Redesign.
Die richtige Schlussfolgerung lautet nicht „Agenten skalieren". Sie lautet: Führen Sie dieses Jahr einen echten Redesign durch, damit die Fähigkeit existiert, wenn die Erträge kommen.
Der Ein-Prozess-Test
Der praktische Zug ist, das Finanzieren eines Pilotportfolios einzustellen und in diesem Quartal genau einen Prozess end-to-end neu zu architektieren. Wählen Sie ihn mit vier Fragen. Fällt ein Kandidat bei einer davon durch, ist es der falsche Prozess — nicht weil Agenten es nicht könnten, sondern weil Sie nicht fertig werden.
- Verantwortet eine einzige Person den gesamten Pfad? Kreuzt der Prozess eine Grenze, an der sich zwei Führungskräfte einigen müssen, kaufen Sie eine Verhandlung, kein Deployment. Bleiben Sie beim ersten innerhalb einer Führungsspanne.
- Haben Sie eine Baseline, die Sie vor dem Eingriff gemessen haben? Durchlaufzeit, Fehlerquote, Kosten pro Transaktion, Volumen. Ohne eine Zahl vor dem Deployment können Sie echten Gewinn nicht von plausibler Geschichte unterscheiden — und landen bei „fühlt sich schneller an".
- Gibt es einen definierten Ausnahmepfad mit benanntem Verantwortlichen? Agenten scheitern nicht laut; sie scheitern plausibel. Entscheiden Sie jetzt, wer welchen Anteil der Durchläufe prüft und was passiert, wenn der Agent selbstsicher falsch liegt.
- Ist er langweilig, hochvolumig und intern sichtbar? Hohes Volumen liefert statistisches Signal innerhalb des Quartals. Interne Sichtbarkeit macht den ersten Fehlschlag zur Lektion statt zum Kundenvorfall.
Und dann setzen Sie ein Entscheidungs-Gate. Am Quartalsende ist der Prozess skaliert, eingestellt oder ausdrücklich mit neuer Hypothese neu angesetzt. Stilles Dahintreiben — der Pilot, der weder stirbt noch in Produktion geht — ist genau das, was ein Jahr lang eine flache Linie bei 22 % erzeugt.
Die Lücke verzinst sich, und sie besteht nicht aus Geld
Die Zahl, die Sie beunruhigen sollte, ist nicht 40 %. Es sind 22 % — dieselben 22 % wie im Vorjahr, in einer Kohorte, die sagt, sie sei nicht durch Kosten beschränkt, und die ihre Leute für bereit hält.
Unverändert, bei verfügbarem Geld und selbstberichtet vorhandenen Kompetenzen, ist kein Ressourcenproblem. Es ist ein Reihenfolgeproblem. Organisationen, denen das Skalieren von KI-Agenten gelungen ist, haben nicht mehr gekauft: Sie haben sich verpflichtet, einen neu entworfenen Prozess bis zum Ausnahmepfad durchzuverantworten.
Bevor dieses Quartal schließt: Benennen Sie den einen Prozess, den Sie end-to-end neu architektieren, benennen Sie die verantwortliche Person, und schreiben Sie heute die Ausgangszahl auf — solange sie noch messbar ist.
