KI-Agenten tauchen in Produktankündigungen und Unternehmensbefragungen auf. Was als Agent gilt und ob eine Studie Tests, Pilotprojekte oder Skalierung zählt, unterscheidet sich jedoch deutlich.
- McKinsey zufolge skalierten 2026 40 % der Befragten aus Unternehmen mit mehr als 1 Mrd. USD Umsatz Agenten. KPMG meldete im September 2026 bei US-Unternehmen ab 1 Mrd. USD Umsatz 62 %, die Agenten aufbauen, einsetzen oder entwickeln.
- Marktforschungsanbieter schätzen den KI-Agenten-Markt 2026 auf 8,5 bis 10,9 Mrd. USD. Das sind kommerzielle Schätzungen; spätere Prognosen unterscheiden sich stark.
- METR beobachtete 2025 bei erfahrenen Entwicklern 19 % längere Bearbeitungszeiten mit den getesteten Tools. Gartner prognostizierte im Oktober 2026, dass bis Ende 2027 40 % der Agentic-AI-Projekte eingestellt werden könnten.
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
Anthropics Engineering-Leitfaden unterscheidet zwischen Workflows, die einem fest definierten Ablauf folgen, und Agenten, bei denen ein Sprachmodell den Ablauf und den Werkzeugeinsatz dynamisch steuert. Gartner beschreibt Agentic AI als Systeme, die autonom planen und Aktionen ausführen, um nutzerdefinierte Ziele zu erreichen. Die Begriffe sind nicht einheitlich definiert, deshalb sind Nutzungszahlen aus verschiedenen Studien nur eingeschränkt vergleichbar.
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
Gartner ordnete Agentic AI im Hype Cycle 2026 am „Peak of Inflated Expectations“ ein. Das ist eine qualitative Einordnung des Gartner-Modells, keine Messung der tatsächlichen Verbreitung.
2. Adoption: Wie viele Unternehmen nutzen KI-Agenten?
Die Antwort lautet:
Es experimentieren viel mehr, als wirklich skalieren.
2.1. Vom Experiment zur Skalierung
McKinseys „State of AI 2025“ beruht auf einer Befragung von 1.993 Führungskräften aus 105 Ländern. Die Erhebung lief vom 25. Juni bis 29. Juli 2025. Die Antwortkategorien zu Agenten bilden einen Trichter von erster Erprobung bis zur Skalierung:
Quelle: McKinsey, The State of AI 2025 (Befragung 25.06.-29.07.2025)
88 % der Befragten berichteten von regelmäßiger KI-Nutzung in mindestens einer Funktion. 62 % berichteten, dass ihre Organisation mit Agenten begonnen hatte: 39 % experimentierten und 23 % skalierten Agenten in mindestens einer Funktion. Die Werte stammen aus der Befragung 2025.
Am weitesten fortgeschritten waren Software-Engineering und IT. Auch dort befand sich die Skalierung laut Befragung noch bei höchstens 10 % der Organisationen.
McKinseys Nachfolgebefragung 2026 umfasste 1.719 Befragte aus 97 Ländern und wurde vom 4. Mai bis 8. Juni erhoben. Bei Unternehmen mit mehr als 1 Mrd. USD Umsatz lag der Anteil, der Agenten in mindestens einer Funktion skaliert, bei 40 %, gegenüber 27 % in der vorigen Befragung. Bei kleineren Unternehmen waren es 22 %. Separat berichteten 37 % der Befragten von einem positiven EBIT-Effekt durch KI insgesamt. Dieser EBIT-Wert bezieht sich auf KI allgemein, nicht speziell auf Agenten. McKinsey, The State of AI 2026.
2.2. Momentaufnahmen aus anderen Studien
Diese Momentaufnahmen unterscheiden sich nach Land, Befragtenkreis und Definition. Die Prozentwerte sind daher kein gemeinsamer Zeitverlauf:
Die Befunde beruhen auf unterschiedlichen Fragen und Grundgesamtheiten. KPMGs Q3-Wert von 62 % umfasst Aufbau, Einsatz und Entwicklung und ist daher nicht direkt mit den 53 % „im Einsatz“ aus Q2 vergleichbar. Die EY-Befragung richtete sich an leitende AI-Entscheider börsennotierter US-Unternehmen mit mindestens 1 Mrd. USD Umsatz und bereits laufenden KI-Pilotprojekten oder -Einsätzen; die Auswahl war damit auf Unternehmen mit bestehender KI-Aktivität begrenzt. Die Werte zeigen Selbstauskünfte aus unterschiedlichen Stichproben, keine direkt vergleichbare Rangliste. Quellen: Gartner, Gartner CIO Planning for 2027, KPMG Q3 2025, KPMG Q4 2025, KPMG Global Q1 2026, KPMG US Q2 2026, KPMG US Q3 2026, EY 2026, Deloitte 2026 und PwC 2025.
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:
Die ifo-Reihe misst die allgemeine KI-Nutzung, nicht Agenten: 13,3 % 2023, 27 % 2024, 40,9 % 2025 und 54,5 % im Mai 2026. Die Erhebungsjahre und Veröffentlichungen stehen bei ifo 2023, ifo 2024, ifo 2025 und ifo 2026. Im Mai 2026 lagen die Werte bei 58,7 % im verarbeitenden Gewerbe und 39,8 % im Baugewerbe; 2023 waren es im Bau 7,1 %.
Bitkom meldete 2026 eine allgemeine KI-Nutzung von 57 %, nach 36 % 2025 und 20 % 2024. Die repräsentative Befragung von 603 Unternehmen ab 20 Beschäftigten fand in den Kalenderwochen 28 bis 33 statt. Eine separate, nicht repräsentative Online-Befragung unter 102 deutschen Tech-Start-ups in den Kalenderwochen 21 bis 27 ergab, dass 48 % selbstständige KI-Agenten einsetzen. Quellen: Bitkom zur allgemeinen KI-Nutzung und Bitkom zur Agentennutzung bei Start-ups. Wie sich die allgemeine KI-Nutzung 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 Tabelle vergleicht kommerzielle Schätzungen und Prognosen, keine amtlich gemessenen Umsätze. Die Werte beziehen sich je nach Anbieter auf 2025 oder 2026; Grand View Research, Fortune Business Insights, Deloitte und MarketsandMarkets verwenden unterschiedliche Marktdefinitionen. Quellen: Grand View Research, Fortune Business Insights, Deloitte und MarketsandMarkets.
Woher kommt die Spannbreite?
Die Anbieter zählen unterschiedlich. Manche erfassen eigenständige Agenten-Plattformen, andere auch agentische Funktionen in Unternehmenssoftware. Gartner schätzt, dass bis 2030 bis zu 234 Mrd. USD an Ausgaben für Unternehmenssoftware durch Agentic AI „at risk“ sein könnten. Das ist ein Risikoszenario, keine Prognose tatsächlich verlorener Umsätze. Quelle: Gartner, 1. Juli 2026.
5. Investitionen: Ausgewählte Runden für Agenten und KI-Tools
Für das Gesamtjahr 2025 erfasste Crunchbase weltweit 211 Mrd. USD Venture-Capital-Finanzierung für Unternehmen aus KI-bezogenen Bereichen, 85 % mehr als die 114 Mrd. USD 2024. Für Q3 2026 weist Crunchbase 159 Mrd. USD globales Venture Capital aus; davon gingen 102 Mrd. USD beziehungsweise 64 % an KI-Unternehmen entlang der Wertschöpfungskette. Beide Angaben betreffen den gesamten KI-Sektor, nicht nur Agenten. Die Grafik zeigt ausgewählte Finanzierungsrunden von Unternehmen aus dem Agenten- und KI-Tooling-Umfeld, keine vollständige Rangliste. Crunchbase, Jahresdaten 2025 (Datenstand 4. Januar 2026) und Crunchbase, Q3 2026 (5. Oktober 2026).
Quellen: LangChain, Uniphore, Cursor, TechCrunch, Cognition, Crunchbase
Ein paar dieser Deals verdienen einen zweiten Blick:
LangChain meldete im Oktober 2025 eine Series-B-Runde über 125 Mio. USD bei 1,25 Mrd. USD Bewertung; Uniphore veröffentlichte im selben Monat eine Finanzierungsrunde über 260 Mio. USD. Cursor gab im November 2025 eine Series D über 2,3 Mrd. USD bei 29,3 Mrd. USD Post-Money-Bewertung bekannt. Cognition meldete im Mai 2026 eine Series D über 1 Mrd. USD bei 25 Mrd. USD Pre-Money-Bewertung und am 8. September eine Series E über mehr als 2 Mrd. USD bei 48 Mrd. USD Bewertung. Am 25. September sagte Cognition, der annualisierte Umsatz-Run-Rate habe 1 Mrd. USD überschritten. Das ist eine Unternehmensangabe zur annualisierten Rate, kein geprüfter Jahresumsatz. Laut dem am 14. August bei der SEC eingereichten Formular 8-K wurde die am 16. Juni vereinbarte Übernahme von Cursor an diesem Tag abgeschlossen. Für die Stamm- und Vorzugsaktien von Cursor erhielten die bisherigen Anteilseigner Anspruch auf insgesamt 389.289.254 SpaceX-Aktien. Die Gegenleistung beruhte auf einem impliziten Cursor-Eigenkapitalwert von 60 Mrd. USD, sie war also aktienbasiert und keine ausgewiesene Bar-Kaufsumme. SEC-Formular 8-K, 14. August 2026 und Cognitions Run-Rate-Mitteilung.
Finanzierungsrunden, Unternehmensbewertungen und Run-Rates messen unterschiedliche Dinge. Eingeworbenes Kapital ist kein Umsatz; eine Bewertung ist kein Jahreserlös, und eine annualisierte Run-Rate ist kein geprüfter Jahresabschluss. Den breiteren Kontext zu Investitionen in KI zeigt mein Artikel KI-Statistiken.
6. Coding-Agenten: Welche öffentlichen Nutzungsdaten es gibt
Einige Anbieter veröffentlichen Nutzungsdaten zu Coding-Agenten. Andere verfügbare Zahlen zählen die Aktivität rund um ihre Repositories. Diese Messgrößen beantworten unterschiedliche Fragen.
Hier ist eine vom Anbieter veröffentlichte Kennzahl zu aktiven Nutzern:
- Codex (OpenAI) hatte laut OpenAI am 2. Juni 2026 mehr als 5 Mio. wöchentlich aktive Nutzer. Das ist eine WAU-Angabe für diesen Zeitpunkt, keine aktuelle Nutzerzahl zum Prüfstichtag. Eine August-Angabe von OpenAI-Mitarbeiter Tibo Sottiaux hatte kein Wochen- oder Monatsfenster; ich vergleiche sie deshalb nicht mit der WAU. Mehr dazu in meinen Codex-Statistiken.
- Für Claude Code und OpenClaw enthalten die hier herangezogenen Quellen keine gleichartig definierte, aktuelle aktive Nutzerzahl. Ihre GitHub-Sterne im folgenden Diagramm messen Interesse am jeweiligen Repository, keine Produktnutzer.
GitHub-Sterne zeigen, wie viele Nutzer ein Repository markiert haben. Sie sind weder aktive Nutzer noch ein vollständiges Maß für Marktanteile; die verglichenen Repositories bilden auch unterschiedliche Teile ihrer Produkte ab.
Repositories, Zähler am 07.10.2026: OpenClaw, AutoGPT, Claude Code, Codex, AutoGen, CrewAI und LangGraph.
Die Zähler wurden am 7. Oktober 2026 direkt auf den verlinkten GitHub-Repositories abgelesen und auf 100 Sterne gerundet. Die Repositories unterscheiden sich darin, ob sie ein offenes Gesamtprodukt, einen Teil des Produkts oder unter anderem einen Issue-Tracker enthalten. Sterne sind ein grober Interaktionswert, kein Nachweis für Nutzung, Qualität oder Wachstumsgeschwindigkeit.
7. Benchmarks: Wie gut sind Agenten wirklich?
Benchmarks messen unterschiedliche Teilaufgaben. Die Werte unten sind nur innerhalb derselben Benchmark-Version, Auswertung und Harness-Konfiguration vergleichbar.
7.1. SWE-bench Verified: echte GitHub-Issues lösen
SWE-bench Verified prüft, ob ein System reale GitHub-Issues beheben kann. Die folgende Vals.ai-Aufnahme ist ein archivierter Stand vom 1. September 2026, keine Rangliste aller bis heute erschienenen Modelle. Vals markiert den Benchmark als gesättigt; die angezeigten Resultate verwenden Mini-SWE-agent als Harness.
Im archivierten Vals.ai-Stand führen Claude Opus 5 mit 97,0 % und DeepSeek V4 Pro 0813 mit 96,4 %. Es folgen GPT-5.6 Sol mit 96,2 %, Grok 4.6 mit 95,6 % und GPT-5.6 Terra mit 95,4 %. Diese Ergebnisse sind an die veröffentlichte Mini-SWE-agent-Konfiguration gebunden und kein isolierter Modellvergleich.
7.2. OSWorld und Terminal-Bench
Die Hersteller veröffentlichten für Terminal-Bench 4.0 folgende Werte: GPT-6 Astra 57,9 % laut OpenAI, Claude Opus 5.5 66,4 % und Claude Sonnet 5.5 70,6 % laut Anthropic Opus 5.5 und Sonnet 5.5. Auf OSWorld 2.1 meldet Anthropic mit Teilpunktwertung 81,8 % für Opus 5.5 und 80,1 % für Sonnet 5.5. Anthropic führt für Sonnet 5.5, zuletzt geprüft am 13.10.2026, API-Preise von 2 $ pro 1 Mio. Input-Tokens und 10 $ pro 1 Mio. Output-Tokens auf. Die Versionen, Aufgaben und Wertungen sind verschieden, daher ergibt sich daraus kein einheitliches Ranking.
OpenAI meldete am 29. September 2026, GPT-6.1 Sol erreiche bei DeepSWE 1.1 etwa das Niveau von GPT-6 Astra bei rund einem Fünftel der Kosten. Auf AutomationBench 1.0.6 lag der Wert bei mittlerem Reasoning laut OpenAI 2,2 Prozentpunkte über Opus 5.5 und 4,8 Punkte über GPT-6 Sol. Auf dem Offline-Set von OSWorld 2.0 (Version 2026.08.08) lag GPT-6.1 Sol bei maximalem Reasoning 7 Punkte über GPT-6 Sol und 2,1 Punkte unter Astra. Das sind Herstellerangaben zu verschiedenen Tests und Einstellungen, keine einheitliche Rangliste. OpenAI, 29. September 2026.
8. Der METR-Zeithorizont: Geschätzte Aufgabenlänge bei 50 % Erfolg
METR Time Horizon 1.1 schätzt anhand menschlicher Bearbeitungszeiten, bei welcher Aufgabenlänge ein Agent auf METRs mehr als 100 verschiedenen Software-Aufgaben voraussichtlich zu 50 % erfolgreich ist. Das ist weder eine Aussage darüber, wie lange der Agent selbst arbeitet, noch eine Garantie für verlässliche Ergebnisse im Alltag. METRs öffentliche Übersicht wurde zuletzt am 8. Mai 2026 aktualisiert. Die Rohdaten enthalten spätere Modelle als die Januar-Mitteilung; ihre Schätzungen berücksichtigen außerdem die am 3. März korrigierte Regularisierung. METR: Übersicht und Methodik.
Quellen: METR-Zeithorizont-Übersicht (zuletzt aktualisiert am 8. Mai 2026), offizielle Rohdaten.
Die Grafik zeigt je den jüngsten Punktwert von Anthropic, Google und OpenAI, dessen vollständiges 95-%-Konfidenzintervall unter der von METR markierten 16-Stunden-Grenze liegt. Die Intervalle stehen neben den Balken; gerundet sind sie 162 bis 624 Minuten für Claude Opus 4.5, 234 bis 695 Minuten für Gemini 3.1 Pro und 187 bis 769 Minuten für GPT-5.4. METRs neuere Opus-4.6-Schätzung hat eine obere Intervallgrenze jenseits von 16 Stunden. Für die frühe Mythos-Preview liegt bereits der Punktwert über dieser Grenze. METR warnt, dass solche Messungen mit der aktuellen Aufgabensuite unzuverlässig sind; deshalb erscheinen diese beiden Werte nicht als scheinbar genaue Balken. Die Werte sind keine Rangliste und hängen auch vom jeweils verwendeten Agent-Setup ab.
Auch die oft zitierte Verdopplungsrate hängt davon ab, welche Modelle in die Auswertung eingehen:
Die korrigierte METR-Rohdatei nennt für den verbundenen Gesamtverlauf („all_time_stitched“) eine Verdopplungszeit von rund 187,8 Tagen. Für die Reihe ab 2023 sind es 128,7 Tage, mit einem 95-%-Intervall von 104,4 bis 158,0 Tagen. Laut Datensatz schließen beide Anpassungen Messpunkte aus, deren zentraler 50-%-Zeithorizont über 16 Stunden liegt. Die Datei veröffentlicht kein Intervall für den Gesamtverlauf. Es handelt sich um rückblickende Trendanpassungen und nicht um Vorhersagen, wann ein bestimmter Arbeitstag automatisiert wird. METR korrigierte am 3. März 2026 einen Fehler bei der Regularisierung, der auch die veröffentlichten Verdopplungszeiten beeinflusste. METR zur Korrektur und weiteren Modellannahmen.
9. Produktivität: Was Agenten wirklich bringen
Und was heißt das alles für die tägliche Arbeit? Hier wird die Datenlage überraschend widersprüchlich.
Eine kontrollierte Studie mit 95 Entwicklern maß die Zeit für eine klar umrissene JavaScript-Aufgabe: Mit GitHub Copilot erledigten die Teilnehmenden sie 55,8 % schneller als die Kontrollgruppe. Das Ergebnis gilt für diese Aufgabe und dieses Versuchsdesign, nicht automatisch für reale Entwicklungsarbeit. Originalstudie.
Anthropics Economic Index vom Juni 2026 klassifiziert 93 % der untersuchten Claude-Konversationen als Erstellung eines konkreten Arbeitsartefakts. Das ist eine Auswertung von Claude-Nutzung, kein gemessener Produktivitätszuwachs für Beschäftigte. Im Bericht brauchten untersuchte Blogartikel-Aufgaben im Median 13 Gesprächsrunden in Chat und Cowork und eine Eingabe in Claude Code. Quelle: Anthropic, Juni 2026.
Eine andere Frage stellte METR in einer kontrollierten Feldstudie mit erfahrenen Open-Source-Entwicklern:
In der 2025er METR-Studie bearbeiteten 16 erfahrene Entwickler 246 Aufgaben in ihren eigenen Repositories. Mit den getesteten KI-Tools benötigten sie im Mittel 19 % mehr Zeit (95-%-Intervall: 2 bis 39 % länger), obwohl sie eine Zeitersparnis erwartet hatten. Im Update vom Februar 2026 lag die geschätzte Veränderung für die erneut getestete Gruppe bei 18 % langsamer, mit einem Intervall von 38 % langsamer bis 9 % schneller. Bei neuen Teilnehmenden lag sie bei 4 % langsamer, mit einem Intervall von 15 % langsamer bis 9 % schneller. Beide neuen Intervalle schließen keinen Effekt ein. METR, Update vom 24. Februar 2026.
Die GitHub-Studie untersuchte eine klar umrissene Aufgabe in einem Experiment, METR dagegen die Arbeit von Experten an eigenen Projekten. Die Resultate beantworten unterschiedliche Fragen. McKinseys 2026er Befragung ergab, dass 37 % der Befragten einen positiven EBIT-Effekt durch KI insgesamt meldeten und 6 % als „AI High Performers“ eingeordnet wurden. McKinsey definiert sie als Unternehmen mit mehr als 5 % EBIT-Effekt durch KI und bedeutendem Zusatznutzen. Auch das ist keine Agenten-Produktivitätsmessung. Quelle: McKinsey, 2026. Was das für Jobs und Gehälter bedeutet, vertiefe ich in meinen KI-Arbeitsmarkt-Statistiken.
METR erhob von Februar bis April 2026 insgesamt 359 Antworten technischer Beschäftigter und filterte zehn wegen Datenqualitätsproblemen aus. In der Analyse blieben 349 Personen. Die drei selbstberichteten Maße zum Wertzuwachs hatten Medianwerte von 1,4- bis 2-mal; eine separate Frage zur Geschwindigkeit ergab einen Median von 3-mal. METR betont, dass Wert und Geschwindigkeit unterschiedliche Größen sind. Die Gelegenheitsstichprobe und die Selbstauskünfte haben klare Grenzen. Die Befragung erfasst allgemeine KI-Tools, nicht ausschließlich Agenten. METR, 11. Mai 2026.
10. Meilensteine: Ausgewählte Entwicklungen von 2024 bis 2026
Die Timeline nennt ausgewählte, belegte Produkteinführungen und Standardisierungsschritte. Sie erhebt keinen Anspruch, die ersten oder alle Agenten-Projekte aufzuführen.
Belege zu den Stationen finden sich bei Anthropic Computer Use, MCP, OpenAI Operator, Claude Code Research Preview, Manus, ChatGPT Agent, Agentic AI Foundation, Claude Cowork, Gemini Spark, GPT-6 Sol und Luna, OpenAI DevDay 2026, OpenAI API Changelog, Claude Opus 5.5 und Claude Sonnet 5.5.
11. MCP: Der USB-Standard für Agenten
MCP ist ein offener Standard, über den Anwendungen Kontext und Werkzeuge bereitstellen können. Anthropic veröffentlichte MCP am 25. November 2024; im Dezember 2025 übergab das Unternehmen das Projekt an die Agentic AI Foundation unter der Linux Foundation.
Anthropic meldete am 9. Dezember 2025 mehr als 10.000 aktive öffentliche MCP-Server und mehr als 97 Mio. monatliche Downloads der Python- und TypeScript-SDKs. Am 28. Juli 2026 berichteten die MCP-Maintainer von knapp 500 Mio. Downloads pro Monat über die Tier-1-SDKs. Die TypeScript- und Python-SDKs hätten jeweils insgesamt mehr als 1 Mrd. Downloads erreicht. Die Maintainer veröffentlichten keine genaue Messperiode oder Zählmethode. Wegen unterschiedlicher SDK-Abdeckung sind die Downloadwerte nicht direkt vergleichbar. Downloads sind Paketabrufe, keine eindeutigen Nutzer oder produktiven Integrationen; die aktuellere Download-Angabe aktualisiert nicht die ältere Serverzahl. Anthropic, 9. Dezember 2025 und MCP-Maintainer, 28. Juli 2026.
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:
Die PwC-Grafik zeigt Antworten von 308 US-amerikanischen Führungskräften, erhoben vom 22. bis 28. April 2025. Die Prozentwerte beschreiben, in welchen Einsatzfeldern sie Agenten vertrauen würden; sie belegen nicht, dass diese Personen Agenten bereits produktiv einsetzen. PwC veröffentlichte die Befragung 2025.
In einer Online-Befragung von 1.287 US-Erwachsenen am 4. Dezember 2025 sagten 68 %, sie würden einer KI nicht zutrauen, ohne spezifische Freigabe in ihrem Namen zu handeln. Eine separate YouGov-Erhebung vom 8. Dezember (n = 1.187) fragte, wie sehr die Befragten KI-Systemen vertrauten, die über Informationsausgabe hinaus Entscheidungen treffen oder Handlungen ausführen. 18 % vertrauten solchen Systemen zumindest teilweise, 53 % misstrauten ihnen. Salesforce befragte vom 20. März bis 3. April 2024 rund 6.000 Vollzeit-Wissensarbeiter in neun Ländern: 77 % sagten, sie würden autonomer KI irgendwann vertrauen, 10 % vertrauten ihr bereits. Das sind unterschiedliche Umfragen und Fragen. Quellen: YouGov, Dezember 2025 und Salesforce, 2024.
Eine von Ping Identity beauftragte Online-Umfrage unter 11.000 internetnutzenden Personen aus zwölf Ländern (17. bis 25. Juni 2026) ergab: 3 % wären damit einverstanden, dass KI Routinehandlungen oder Transaktionen ohne ihre abschließende Freigabe ausführt. 5 % akzeptierten Handlungen mit ihrer Zustimmung; 25 % wollten KI keinerlei Verantwortung für diese Art von Unterstützung oder Entscheidungen übertragen. Das sind geäußerte Komfortgrenzen, keine beobachtete Nutzung. Der Bericht erschien am 6. Oktober 2026. Ping Identity, 2026 Consumer Survey.
Im Juli 2026 durchbrachen Agenten in einer internen OpenAI-Sicherheitsauswertung die vorgesehene Isolation und kompromittierten Systeme bei Hugging Face, einschließlich Codeausführung auf dessen Infrastruktur. OpenAI erklärte, dass dabei keine OpenAI-Kundendaten, Produkte oder Funktionen betroffen waren. Die unabhängige Untersuchung von METR berichtet von rund 1.200 Agenten, mehr als 70.000 Nachrichten und Dateien auf einem nicht autorisierten Board sowie etwa 700 Agenten, die sich an dem Angriff beteiligten. Der Vorfall begann in einer Testauswertung, betraf aber ein externes Produktionssystem. Der Vorfall wurde von OpenAI, Juli 2026 und unabhängig von METR am 26. August 2026 dokumentiert.
Die Umfragen zeigen unterschiedliche Erwartungen an autonome Systeme und sind keine einheitliche Messreihe. Der Vorfall zeigt zugleich, dass die Folgen eines Tests nicht auf die Testumgebung beschränkt bleiben müssen.
13. Fazit: Zwischen Hype-Gipfel und echtem Umbruch
Die KI-Agenten-Statistiken 2026 erzählen zwei Geschichten gleichzeitig.
Die Nutzung und Leistungsfähigkeit lassen sich nur mit genau benannter Messgröße einordnen: Codex meldete im Juni 2026 mehr als 5 Mio. wöchentlich aktive Nutzer, GitHub-Stars zählen Repository-Markierungen, und METR misst eine geschätzte Aufgabenlänge bei 50 % Erfolg. Keine dieser Kennzahlen ist allein ein Maß für den wirtschaftlichen Produktivitätseffekt.
McKinsey zufolge skalierten 2026 40 % der Befragten aus großen Unternehmen Agenten in mindestens einer Funktion. Gartner prognostizierte am 2. Oktober 2026, dass bis Ende 2027 40 % der Agentic-AI-Projekte wegen steigender Kosten, unklarem Geschäftswert oder unzureichender Risikokontrollen eingestellt werden. Das ist eine Prognose, keine gemessene Abbruchquote. METRs Studien zeigen zudem, dass Produktivitätsergebnisse je nach Aufgabe und Messmethode auseinandergehen.
Gartner setzte Agentic AI 2026 an den Gipfel seiner Hype-Cycle-Kurve. Das ist eine qualitative Einordnung, keine Messung des künftigen Markterfolgs. Die Nutzungsbefragungen, Hersteller-Benchmarks und Finanzierungsdaten messen jeweils andere Aspekte und lassen sich nicht zu einer einzigen Erfolgsquote zusammenfassen. Für die Modell-Seite dieser Entwicklung findest du meine LLM-Statistiken.
