KI-Agenten sind das meistdiskutierte Tech-Thema des Jahres. Wenn du den Ankündigungen glaubst, erledigen sie bald deine komplette Arbeit. Wenn du den Skeptikern glaubst, ist alles nur Hype.
Die Wahrheit liegt, wie so oft, in den Daten. Ich arbeite selbst täglich mit KI-Agenten und habe für diesen Artikel die wichtigsten Studien, Umfragen und Marktdaten zusammengetragen und gegengeprüft. Von der Unternehmens-Adoption über Benchmarks und Produktivitätsstudien bis zu den Milliarden-Investments.
- 23 % der Unternehmen skalieren KI-Agenten bereits in mindestens einer Funktion, 39 % experimentieren damit (McKinsey, Nov. 2025). In Deutschland nutzen 54,5 % der Unternehmen KI (ifo, Mai 2026)
- Der Markt für KI-Agenten liegt 2026 je nach Definition bei 8,5 bis 10,9 Mrd. USD. Die Prognosen reichen von 35 Mrd. USD (2030) bis 199 Mrd. USD (2034), und Investoren steckten 2025 211 Mrd. USD in KI-Startups
- Gartner erwartet, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden. Und in der METR-Studie waren erfahrene Entwickler mit KI-Tools sogar 19 % langsamer statt schneller
1. Was ist ein KI-Agent überhaupt?
Bevor wir zu den Zahlen kommen, lohnt ein kurzer Blick auf die Definition. Denn ein großer Teil der Verwirrung rund um Agenten-Statistiken entsteht genau hier.
1.1. Die Definition
Anthropic unterscheidet in seinem viel zitierten Engineering-Leitfaden zwischen Workflows und Agenten. Workflows folgen fest programmierten Pfaden. Agenten dagegen sind Systeme, in denen das Sprachmodell seinen eigenen Prozess und den Einsatz von Tools dynamisch selbst steuert. Gartner formuliert es ähnlich. Agentic AI plant demnach autonom und führt Aktionen aus, um nutzerdefinierte Ziele zu erreichen.
Der Kern beider Definitionen ist derselbe. Ein Chatbot antwortet auf deine Frage. Ein Agent bekommt ein Ziel und arbeitet selbstständig darauf hin, mit so vielen Schritten, Tool-Aufrufen und Korrekturen, wie er eben braucht.
1.2. Chatbot, Workflow, Agent: der Unterschied
Übrigens hat Gartner Agentic AI im April 2026 auf dem „Peak of Inflated Expectations“ seines Hype Cycles verortet, also am Gipfel der überzogenen Erwartungen. Behalte das beim Lesen der folgenden Prognosen im Hinterkopf.
2. Adoption: Wie viele Unternehmen nutzen KI-Agenten?
Die ehrliche Antwort lautet:
Es experimentieren viel mehr, als wirklich skalieren.
2.1. Vom Experiment zur Skalierung
Die aus meiner Sicht sauberste Datenbasis liefert McKinseys „State of AI“-Befragung von November 2025 (1.993 Teilnehmer aus 105 Ländern). Sie zeigt den Trichter von der allgemeinen KI-Nutzung bis zu skalierten Agenten:
88 % der Unternehmen nutzen KI regelmäßig, und 62 % haben in irgendeiner Form mit Agenten begonnen. Davon stecken aber 39 Prozentpunkte noch im Experimentierstadium, nur 23 % skalieren Agenten in mindestens einer Funktion. Und es kommt noch ernüchternder:
In keiner einzelnen Unternehmensfunktion schaffen es mehr als 10 % der Organisationen, Agenten über das Experimentierstadium hinaus zu bringen. Am weitesten sind Software-Engineering und IT.
2.2. Momentaufnahmen aus anderen Studien
Andere Erhebungen zeichnen ein ähnliches Bild, mit teils deutlich abweichenden Zahlen:
Die Spannbreite von 17 bis 79 % wirkt absurd, hat aber einen einfachen Grund. Jede Studie fragt etwas anderes ab. „Agenten produktiv skaliert“ ist eine völlig andere Messlatte als „irgendwo im Unternehmen wird mit Agenten experimentiert“. Genau deshalb halte ich den McKinsey-Trichter oben für die ehrlichste Darstellung.
3. Deutschland: KI-Nutzung mehr als vervierfacht
Für Deutschland gibt es keine belastbare Einzelzahl speziell zu KI-Agenten. Die allgemeine KI-Adoption zeigt aber, wie schnell sich die Basis entwickelt, auf der Agenten aufsetzen:
Von 13,3 % im Jahr 2023 auf 54,5 % im Mai 2026. Mehr als eine Vervierfachung in drei Jahren. Nach Branchen führt das verarbeitende Gewerbe mit 58,7 %, selbst die Baubranche kommt inzwischen auf 39,8 % (drei Jahre zuvor: 7,1 %).
Der Bitkom kommt mit anderer Methodik (Unternehmen ab 20 Beschäftigten, Befragung Anfang 2026) auf 41 % KI-Nutzung und nennt KI-Agenten explizit als einen der drei am schnellsten wachsenden Einsatzbereiche. Wie sich die KI-Nutzung insgesamt entwickelt, kannst du in meinem Artikel Wie viele Menschen nutzen KI? nachlesen.
4. Marktgröße: Milliardenmarkt mit Definitionsproblem
Wie groß ist der Markt für KI-Agenten? Das hängt komplett davon ab, wen du fragst:
Die aktuelle Marktgröße liegt also je nach Definition bei rund 8,5 bis 10,9 Mrd. USD für 2026. Bei den Prognosen klafft die Schere weiter auseinander, von konservativen 35 Mrd. USD (Deloitte, 2030) bis zu 199 Mrd. USD (Precedence, 2034).
Woher kommt die Spannbreite?
Die Anbieter zählen unterschiedlich. Manche messen nur eigenständige Agenten-Plattformen, andere rechnen jede in Unternehmenssoftware eingebettete Agentenfunktion mit ein. Kleines Detail am Rande: Die Zahlen von Grand View und MarketsandMarkets stammen aus deren „AI Agents“-Reports; beide Häuser führen daneben separate „Agentic AI“-Reports mit nochmals anderen Zahlen. Interessant finde ich vor allem eine Gartner-Zahl vom Juli 2026: 234 Mrd. USD an Enterprise-Software-Ausgaben stehen demnach bis 2030 „at risk“, weil Agenten klassische Anwendungen ersetzen könnten. Der eigentliche Hebel liegt also weniger im Agenten-Markt selbst als in dem, was er verdrängt.
5. Investitionen: Milliarden für Agent-Startups
2025 floss fast die Hälfte des weltweiten Venture Capitals in KI: 211 Mrd. USD, ein Plus von 85 % gegenüber den 114 Mrd. USD von 2024 (Crunchbase). Ein wachsender Teil davon geht an Agent-Startups. Die wichtigsten Runden der letzten zwölf Monate:
Ein paar dieser Deals verdienen einen zweiten Blick:
Cognition, die Firma hinter dem Coding-Agenten Devin, hat seinen ARR binnen zwölf Monaten von 37 auf 492 Mio. USD gesteigert, das 13-Fache. Nach eigenen Angaben schreibt Devin 89 % des firmeneigenen Codes. Sierra von Ex-Salesforce-Chef Bret Taylor steigerte seine Bewertung binnen acht Monaten von 10 auf 15,8 Mrd. USD. Meta wollte im Dezember 2025 das chinesische Agent-Hype-Startup Manus für über 2 Mrd. USD kaufen, doch die chinesischen Behörden untersagten den Deal im April 2026 und ordneten die Rückabwicklung an. Und den größten Exit gab es im Juni 2026: SpaceX übernimmt Cursor-Macher Anysphere für 60 Mrd. USD in Aktien.
Meine Lieblingsanekdote in dieser Liste ist allerdings die kleinste Runde. Beim Startup Lyzr hat der firmeneigene Agent „SivaClaw“ die 100-Mio.-USD-Runde im Juli 2026 selbst geleitet und dafür über 130 Investoren kontaktiert. Wie das gesamte KI-Investitionsgeflecht aussieht, zeige ich in meinen KI-Statistiken.
6. Coding-Agenten: Wo Agenten schon Alltag sind
Während Unternehmens-Agenten oft noch im Pilotstadium stecken, ist eine Kategorie längst im Massenmarkt angekommen: Coding-Agenten.
Die Zahlen sprechen eine deutliche Sprache:
- Codex (OpenAI) erreichte im Juni 2026 über 5 Mio. wöchentlich aktive Nutzer, 14 Monate nach Launch. Mehr dazu in meinen Codex-Statistiken.
- Claude Code (Anthropic) kommt auf über 366 Mio. kumulative npm-Downloads (Stand Ende Juni 2026) und eine geschätzte Run Rate von 2,5 Mrd. USD (Stand Februar 2026). Details in meinen Claude-Code-Statistiken.
- OpenClaw zählt 3,2 Mio. monatlich aktive Nutzer und 38 Mio. monatliche Website-Besucher (Stand April 2026). Mehr in meinen OpenClaw-Statistiken.
Auch auf GitHub zeigt sich, wie sehr Agenten die Entwickler-Community dominieren:
Zur Einordnung: Die Repos von Claude Code und Codex-CLI dienen teils als Issue-Tracker beziehungsweise enthalten nur Teile des Produkts, die Kernprodukte sind proprietär; OpenClaw, Hermes Agent und AutoGPT sind dagegen vollständig quelloffen. OpenClaw hat mit knapp 383.000 Stars sogar AutoGPT überholt, das Projekt, mit dem der Agenten-Hype 2023 begann. Zum am schnellsten wachsenden Agenten hat sich Hermes Agent entwickelt, das in gut fünf Monaten von 0 auf über 214.000 Stars kam (mehr dazu in meinen Hermes-Agent-Statistiken).
7. Benchmarks: Wie gut sind Agenten wirklich?
Die Agenten-Fähigkeiten der Modelle lassen sich am besten an drei Benchmark-Familien ablesen: Software-Engineering (SWE-bench), Computer-Bedienung (OSWorld) und Terminal-Arbeit (Terminal-Bench).
7.1. SWE-bench Verified: echte GitHub-Issues lösen
SWE-bench Verified misst, wie gut Modelle echte Bugs aus Open-Source-Repos beheben. So sieht die Spitze aus (unabhängiges Vals.ai-Leaderboard, einheitliche Messung, Stand 9. Juli 2026):
Claude Fable 5 führt mit 95,0 %. Zur Einordnung: Ende 2024 lagen die besten breit verfügbaren Modelle noch unter 50 %, die 80-%-Marke fiel erst im November 2025.
7.2. OSWorld und Terminal-Bench
Auf OSWorld-Verified, dem Benchmark für echte Computer-Bedienung (Browser, Dateien, Apps), hält Claude Fable 5 mit 85,0 % die Bestmarke (Anthropic, Juni 2026). Auf Terminal-Bench 2.1 führt OpenAIs GPT-5.6 Sol Ultra mit 91,9 % (OpenAI, Juli 2026).
8. Der METR-Zeithorizont: Agenten schaffen immer längere Aufgaben
Die spannendste Einzelmetrik zur Agenten-Entwicklung kommt vom Forschungsinstitut METR. Sie misst, wie lange eine Aufgabe sein darf, damit ein Modell sie noch mit 50 % Erfolgsquote schafft:
Claude Opus 4.5 bewältigt Aufgaben von rund 5,3 Stunden Länge mit 50 % Erfolgsquote. Zum Vergleich: GPT-2 schaffte 2019 nur Aufgaben von wenigen Sekunden, die GPT-4-Generation Anfang 2023 etwa 4 Minuten.
Noch wichtiger als der absolute Wert ist das Tempo:
Seit 2024 verdoppelt sich dieser Zeithorizont laut METR etwa alle drei Monate (88,6 Tage). Hält der Trend auch nur grob an, sind Aufgaben von mehreren Arbeitstagen Länge keine ferne Zukunft mehr.
9. Produktivität: Was Agenten wirklich bringen
Und was heißt das alles für die tägliche Arbeit? Hier wird die Datenlage überraschend widersprüchlich.
Auf der einen Seite stehen die positiven Befunde. Die kontrollierte GitHub-Studie (95 professionelle Entwickler) zeigte mit Copilot eine um 55 % schnellere Task-Erledigung. Anthropics Economic Index vom Juni 2026 fand, dass 93 % der Claude-Konversationen konkrete Arbeitsergebnisse produzieren, und dass Claude Code deutlich autonomer arbeitet als der Chat. Für einen Blogartikel brauchten Nutzer im Chat und in Cowork median 13 Gesprächsrunden, in Claude Code einen einzigen Prompt.
Auf der anderen Seite steht die für mich wichtigste KI-Studie des Jahres 2025:
METR ließ 16 erfahrene Open-Source-Entwickler 246 echte Aufgaben in ihren eigenen Repos bearbeiten. Mit KI-Tools waren sie 19 % langsamer, nicht schneller. Das Verrückte daran ist die Wahrnehmungslücke. Die Entwickler glaubten selbst im Nachhinein, 20 % Zeit gespart zu haben. Fairerweise hat METR das Ergebnis von Anfang an als Momentaufnahme von Anfang 2025 eingeordnet und hält es selbst für wahrscheinlich, dass aktuelle Tools besser abschneiden.
Wie passt das zusammen? Die GitHub-Studie testete abgegrenzte Standardaufgaben in fremdem Code, METR echte Arbeit von Experten in ihren eigenen Projekten. Agenten glänzen bei Routine und unbekanntem Terrain. Wo ein Mensch schon Experte ist, kostet das Prüfen der KI-Vorschläge schnell mehr Zeit, als es spart. Das deckt sich übrigens auch mit McKinsey. Nur 39 % der Unternehmen sehen überhaupt einen EBIT-Effekt durch KI, und nur rund 6 % zählen zu den „AI High Performern“ (EBIT-Effekt über 5 % plus deutlicher Zusatznutzen). Was das alles für Jobs und Gehälter bedeutet, vertiefe ich in meinen KI-Arbeitsmarkt-Statistiken.
10. Meilensteine: Von AutoGPT bis Claude Cowork
Wie schnell sich das Feld entwickelt hat, zeigt der Blick zurück. Vor gut drei Jahren gab es noch keinen einzigen brauchbaren KI-Agenten:
Auffällig finde ich den Rhythmus. 2023 waren Agenten ein Open-Source-Experiment, 2024 kamen die Standards und ersten Produkte, 2025 die Massen-Tools fürs Programmieren, und 2026 erreichen Agenten mit Claude Cowork und Gemini Spark die Nicht-Programmierer.
11. MCP: Der USB-Standard für Agenten
Damit Agenten wirklich arbeiten können, brauchen sie Zugriff auf Tools und Daten. Der Standard dafür heißt Model Context Protocol (MCP), und seine Adoptionskurve gehört zu den steilsten der jüngeren Software-Geschichte:
Innerhalb eines Jahres haben mit OpenAI, Google und Microsoft alle großen Konkurrenten den Standard des Wettbewerbers Anthropic übernommen. 97 Millionen monatliche SDK-Downloads (Stand Dezember 2025) sprechen für sich. Seit der Übergabe an die Linux Foundation ist MCP zudem herstellerneutral aufgestellt.
12. Vertrauen: Die Akzeptanz-Lücke
Bleibt die Frage, ob die Menschen den Agenten das Arbeiten überhaupt anvertrauen wollen. Die Antwort fällt je nach Aufgabe sehr unterschiedlich aus:
Selbst US-Führungskräfte, die mehrheitlich bereits Agenten einsetzen, vertrauen ihnen bei Geld nur zu 20 %. Bei der breiten Bevölkerung ist die Skepsis noch größer:
In YouGov-Umfragen vom Dezember 2025 vertrauten nur 18 % der US-Amerikaner KI-Systemen, die eigenständig Entscheidungen treffen und Aktionen ausführen. 68 % würden eine KI grundsätzlich nicht ohne explizite Freigabe handeln lassen. Und schon 2024 fand Salesforce unter rund 6.000 befragten Knowledge Workern zwar 77 %, die autonomer KI „irgendwann“ vertrauen wollen, aber nur 10 %, die es damals schon taten.
Diese Akzeptanz-Lücke ist aus meiner Sicht die eigentliche Bremse der Agenten-Adoption. Die Technik skaliert schneller als das Vertrauen.
13. Fazit: Zwischen Hype-Gipfel und echtem Umbruch
Die KI-Agenten-Statistiken 2026 erzählen zwei Geschichten gleichzeitig.
Die Wachstumsgeschichte ist real. Coding-Agenten haben Millionen wöchentliche Nutzer, der METR-Zeithorizont verdoppelt sich alle paar Monate, MCP hat sich in Rekordzeit als Standard etabliert, und die Investitionen erreichen Rekordniveau. Wer Agenten für reinen Hype hält, ignoriert harte Nutzungszahlen.
Die Ernüchterungsgeschichte ist genauso real. Nur 23 % der Unternehmen skalieren Agenten, Gartner erwartet den Abbruch von über 40 % der Projekte bis Ende 2027, und die METR-Produktivitätsstudie zeigt, dass „fühlt sich schneller an“ und „ist schneller“ zwei verschiedene Dinge sind.
Beide Geschichten passen zusammen, wenn du den Gartner Hype Cycle ernst nimmst. Agenten stehen am Gipfel der überzogenen Erwartungen, und gleichzeitig entsteht darunter echte, messbare Infrastruktur. Meine Einschätzung: Die Frage ist nicht mehr, ob Agenten Arbeit übernehmen, sondern wie schnell Governance, Vertrauen und Prozesse hinterherkommen. Die Modell-Seite dieser Entwicklung findest du in meinen LLM-Statistiken.
