Der erste Starter ist nicht der erste mit Rendite
Die Studie beruht auf einer doppelblinden Befragung von 2.025 Entscheidern in 20 Ländern, durchgeführt vom 14. bis 28. Mai 2026. Alle Befragten beeinflussen Kaufentscheidungen rund um KI-Agenten. 30 Prozent betreiben Agenten produktiv, 47 Prozent pilotieren, 23 Prozent evaluieren noch. Die meisten Ergebnisse beziehen sich auf die 30 Prozent, die schon live sind.
Der Kernbefund widerspricht der üblichen Dringlichkeitsrhetorik. Die Branchen mit dem höchsten Anteil voll ausgerollter Agenten sind nicht die mit dem schnellsten ROI. Professional & Business Services und Supply Chain & Logistics gehören zu den Sektoren mit dem kleinsten Anteil produktiver Deployments, erreichen aber am schnellsten messbaren Ertrag, nach 6,5 Monaten. High Tech rollt viel aus und braucht 10,1 Monate.
Die Durchschnittswerte der Deployer:
- Messbarer ROI nach etwa acht Monaten
- Nutzung durch 53 Prozent der Mitarbeiter
- Anstieg der Kundenzufriedenheit um durchschnittlich 29 Prozent
- Laut Plattformdaten haben sich Agent-Deployments im vergangenen Jahr mehr als verdoppelt; Händler mit Agenten steigerten den Online-Umsatz viermal so schnell wie Händler ohne
Perfekte Daten sind keine Voraussetzung, aber sie zahlen sich aus
Nur 31 Prozent der Deployer hatten ihre Daten vor dem Start vollständig vereinheitlicht. Die übrigen 69 Prozent integrierten noch, arbeiteten um Lücken herum oder liefen auf fragmentierten Quellen. Aufgehalten hat sie das nicht. Belohnt wurde die Vorarbeit trotzdem: Wer die relevanten Daten vorher zusammengeführt hatte, erreichte ROI nach 7,3 Monaten, wer erst danach aufräumte, nach 8,8.
Joe Inzerillo, President Enterprise & AI Technology bei Salesforce, formuliert die Konsequenz: nicht den ganzen Ozean kochen, sondern Use Case für Use Case die Daten korrekt, maschinell verfügbar und semantisch beschrieben machen, damit der Agent versteht, was er vor sich hat. Die beiden Faktoren, die Deployer am häufigsten für den Erfolg ihrer autonomsten Agenten nennen, sind genau diese: saubere Daten im Moment der Aktion und ein eng begrenzter Anwendungsfall.
Eingebettet schlägt angeflanscht
Die befragten Organisationen betreiben im Schnitt 58 Geschäftsanwendungen, aber nur 42 Prozent haben KI nativ darin eingebettet. Wo KI im Kernsystem sitzt, nutzen sie 55 Prozent der Mitarbeiter regelmäßig, wo sie nur angebunden daneben läuft, 47 Prozent. 94 Prozent der Deployer sagen, dass KI in bestehenden Workflows mehr Wert liefert als ein eigenständiges Tool. Der Abstand bei der Nutzung ist kleiner als man erwarten würde, die Richtung aber eindeutig.
Governance kommt spät, und das ist ein echter Zielkonflikt
Deployer hatten vor dem Start im Schnitt zwei Governance-Strukturen wie Echtzeit-Monitoring, Eskalationsrahmen oder Audit-Logs, danach drei. Die Reihenfolge hat einen Preis und einen Nutzen. Organisationen mit leichterer Aufsicht erreichten positiven ROI nach 7,2 Monaten, die mit schwerer nach 9,3. Dafür entdeckten 32 Prozent der Organisationen mit unterdurchschnittlicher Governance einen Agenten außerhalb seiner Parameter erst nach einem folgenreichen Fehler, gegenüber 18 Prozent bei überdurchschnittlicher Governance.
Von denen, deren Initiativen ins Stocken gerieten oder scheiterten, nennen 38 Prozent stärkere Governance und Eskalationsprotokolle als das, was sie anders machen würden. Inzerillos Maßstab dafür: gut genug zum Lernen. Leitplanken vernünftig definieren, aber nicht so überbauen, dass nichts mehr entsteht.
Beispiel aus der Studie
Asymbl, ein Anbieter für Workforce-Orchestrierung, baute nach starkem Wachstum den Recruiting-Agenten „Rosa“: Stellenbeschreibungen entwerfen, Kandidaten vorsortieren, Interviews planen, Angebote verschicken. Rosa läuft in Slack, wo das Recruiting-Team ohnehin arbeitet, greift auf eine zentrale Datenbasis zu und zieht per Integration Daten aus GitHub, Google Drive und weiteren Systemen. Ergebnis laut Salesforce: 100 Einstellungen in 100 Tagen bei 96 Prozent Verbleibquote.
Einordnung
Alle Ergebniszahlen sind selbst berichtet, und der Auftraggeber verkauft mit Agentforce genau das Produkt, um das es geht. Die Zahlen also nicht als Benchmark für den eigenen Business Case übernehmen. Das Muster dahinter ist trotzdem plausibel und deckt sich mit dem, was aus Projekten zu hören ist. Für den eigenen Rollout lassen sich drei Prüfpunkte ableiten, bevor der erste Agent live geht:
- Sind die Daten für genau diesen Use Case sauber und beschrieben? Nicht für alle
- Ist der Scope schriftlich so eng, dass klar ist, was der Agent nicht tut?
- Steht fest, an welchem Punkt ein Mensch übernimmt, und gibt es Monitoring und Audit-Log ab Tag eins?
Fazit
Die Studie nimmt Druck aus der Debatte: Wer noch keinen Agenten produktiv hat, hat nicht verloren. Wer aber startet, sollte die drei Dinge zuerst klären, die die schnellsten Deployer gemeinsam haben, statt möglichst schnell irgendetwas auszurollen. Governance kann wachsen, ein Minimum aus Monitoring, Eskalation und Protokoll gehört aber von Anfang an dazu.