Was sind die Unterschiede zwischen skalierbaren Automatisierungsprojekten und solchen, die scheitern?

Wo agentische Automatisierung tatsächlich funktioniert – und warum die IT im Mittelstand diesem Beispiel folgen sollte.

Der Markt für agentische Automatisierung verzeichnet ein rasantes Wachstum. Laut Fortune Business Insights wird der weltweite Markt für agentische KI im Jahr 2026 auf rund 9,14 Milliarden US-Dollar geschätzt und könnte bis 2034 um über 40 Prozent zulegen. Gartner prognostiziert, dass bis zum Ende dieses Jahres 40 Prozent der Unternehmensanwendungen mit aufgabenspezifischen KI-Agenten ausgestattet sein werden – eine signifikante Steigerung von weniger als 5 Prozent im Jahr 2025.

Die Dynamik der agentischen Automatisierung ist unbestreitbar; mittelständische Unternehmen partizipieren aktiv an dieser Entwicklung. Es stellt sich die Frage, welche Faktoren die Einführung agentischer Automatisierung im Mittelstand begünstigen. Ferner ist zu analysieren, in welchen Bereichen sie bislang am häufigsten Anwendung fand und inwieweit die gesetzten Erwartungen erfüllt wurden.

Agentische Automatisierung: Einsatz bei hohem Volumen und begrenztem Risiko

Verschiedene Marktdaten, wie die Umfrage von Zapier zum Stand der Einführung agentischer KI, weisen darauf hin, dass KI-Automatisierungsworkflows primär in Bereichen mit hohem Arbeitsvolumen, relativ stabilen Regeln und begrenzten Fehlerkosten implementiert werden. Zu den häufig genannten Anwendungsfällen in der Produktion zählen Datenmanagement, Triage und Bearbeitung im Kundensupport, Dokumentenanalyse und -zusammenfassung sowie die Berichtserstellung.

Dieses Anwendungsmuster wird durch die Beobachtungen von IT-Führungskräften bestätigt, mit denen MES Computing im Gespräch war. Muhammad Atif, CTO bei PureLogics, merkte an, dass die meisten mittelständischen Unternehmen agentische Automatisierung häufig in sich wiederholenden, volumenintensiven Arbeitsabläufen einsetzen, die erhebliche Arbeitszeit der Teams binden. Atif identifizierte Kundensupport, Lead-Qualifizierung, interne Wissensabfrage und die Automatisierung der Berichterstellung als typische Einstiegspunkte. Er begründete die Priorisierung dieser Workflows damit, dass sie schnell einen messbaren Return on Investment (ROI) liefern und die Abhängigkeit von manuellen Prozessen reduzieren, ohne weitreichende Infrastrukturänderungen zu erfordern.

Nach Angaben von Arpit Sabherwal, Softwareentwickler bei Plaid, zählen volumenstarke, strukturierte Entscheidungen – etwa Finanzabstimmung, API-Fehlertriage oder die Überprüfung von Compliance-Flaggen – zu den agentenbasierten Automatisierungen, die am schnellsten in die Produktion integriert werden. Sabherwal betonte, dass diese Workflows nicht primär aufgrund ihrer Komplexität, sondern wegen ihrer optimalen Testbarkeit ausgewählt werden. Er ergänzte, dass bei einer fehlerhaften Entscheidung des Agenten die Abweichung sofort erkennbar sei und die Kosten des Fehlers begrenzt blieben.

Ein steigendes Interesse an Automatisierung ist auch im Finanz- und Rechnungswesen festzustellen. Elaheh Nouri, AI- und Innovationsmanagerin bei Tecnet Canada, hob hervor, dass der Fokus hierbei auf „Workflows zur Rechnungsbearbeitung, deterministischen Betriebsprozessen und zeitaufwändigen Tätigkeiten liegt, die sich direkt auf größere Geschäftsabläufe wie den Order-to-Cash-Prozess auswirken können“. Unternehmen neigen dazu, Bereiche zu automatisieren, in denen Verzögerungen, wiederholte Validierungen und manuelle Bearbeitung Engpässe schaffen, die Kaskadeneffekte auf andere Abteilungen haben, erklärte Nouri.

Fachkräftemangel und Zeitdruck als Katalysatoren für Automatisierung im Mittelstand

Dan Zaniewski, CTO bei Auvik, identifiziert den Fachkräftemangel und die Notwendigkeit, repetitive Aufgaben zu beschleunigen, als entscheidende Triebkräfte der Automatisierung. Er erläuterte, dass IT-Teams in mittelständischen Unternehmen strategische Kapazitäten durch reaktive Tätigkeiten einbüßen. Laut dem IT-Trendbericht von Auvik verbringt nahezu die Hälfte der IT-Fachkräfte wöchentlich 10 bis 20 Stunden mit der Bearbeitung von Tickets. Zaniewski zufolge suchen diese Teams „nach Möglichkeiten, weniger Zeit mit der Ermittlung der Ursachen und der Festlegung des richtigen Behebungsweges zu verbringen, während gleichzeitig sichergestellt wird, dass die kritischsten Probleme zuerst angegangen werden“. Agenten übernehmen diese wiederkehrenden Arbeitsaufgaben und ermöglichen es kleineren Teams, sich auf Projekte zu konzentrieren, die Entscheidungsfindung erfordern. Demzufolge sind Ticketbearbeitung und Infrastrukturüberwachung zu frühen Zielen für den Einsatz im Mittelstand avanciert.

Der Personalengpass wird durch den Wettbewerbsdruck akzentuiert. Mittelständische Firmen beobachten, dass größere Wettbewerber agentenbasierte Arbeitsabläufe implementieren und dadurch Durchlaufzeiten verkürzen, was die Rechtfertigung von Untätigkeitskosten gegenüber dem Vorstand erschwert. Oliver Shaw, Geschäftsführer von Orgvue, resümierte diesen Sachverhalt im Rahmen der Umfrage 2026 des Unternehmens unter über 1.100 hochrangigen Entscheidungsträgern: „Im Jahr 2026 sehen wir eine Dringlichkeit bei Führungskräften, damit zu beginnen, Mehrwert zu schaffen und die Belegschaft umzugestalten, bevor es ihre Konkurrenten tun“. Diese wahrgenommene Dringlichkeit ist faktisch begründet, denn Orgvue stellte fest, dass 57 Prozent der Führungskräfte KI gezielt wegen der entsprechenden Aktivitäten von Wettbewerbern einführten, wobei übereilte Implementierungen gleichzeitig eine Hauptursache für das Scheitern von Projekten darstellten.

Faktoren für erfolgreiche Skalierung im Gegensatz zu gescheiterten Pilotprojekten

Die Implementierung von Agenten im passenden Workflow ist lediglich ein Teil des Erfolgs. Die Orgvue-Umfrage von 2026 ergab, dass etwa 78 Prozent der Unternehmen Automatisierungsprojekte erlebten, die in der Pilotphase scheiterten oder stagnierten. Dies impliziert, dass die Qualität der Umsetzung eine höhere Relevanz besitzt als die bloße Auswahl des Automatisierungsbereichs.

Adam Field, Chief AI Officer bei Tungsten Automation, identifizierte gegenüber MES Computing die „Disziplin beim Anwendungsfall“ als zentralen Faktor, der erfolgreiche Implementierungen von gescheiterten Pilotprojekten differenziert. Field kritisierte, dass „zu viele Unternehmen immer noch auffälligen KI-Experimenten hinterherjagen, anstatt sich auf messbare Geschäftsergebnisse zu konzentrieren“. Die ertragreichsten Initiativen seien jene, die sich auf die Automatisierung alltäglicher, dokumentenorientierter Workflows konzentrieren, welche unmittelbar mit Finanzen und Betriebsabläufen verknüpft sind – Tätigkeiten, für die Mitarbeiter ursprünglich nicht eingestellt wurden. Nach Fields Auffassung liegt der entscheidende Unterschied zwischen einem rentablen Automatisierungsprojekt und einer ungenutzten Demo darin, Mitarbeiter in den Prozess einzubinden und zu gewährleisten, dass die Technologie nahtlos in deren bestehende Arbeitsweise integriert wird.

Nouri hob hervor, dass Unternehmen, die schneller skalieren, „klare Zuständigkeiten für die Validierung von Outputs, die Überprüfung von Ergebnissen und die Qualitätsüberwachung zuweisen“. Sie bemerkte, dass die Entwicklung des Agenten häufig nicht der komplexeste Aspekt sei. Die primäre Herausforderung liege vielmehr in der Integration in den täglichen Betrieb, der Festlegung der Ergebnisinterpretation und der Definition von Verantwortlichkeiten.

Sabherwal erklärte, dass Unternehmen, die mit ihren Automatisierungsprojekten Produktionsreife erzielen, „die Grenzen der autonomen Entscheidungsfindung oft bereits vor der Inbetriebnahme festlegen, nicht erst nach dem ersten Vorfall“. Er ergänzte, dass die frühzeitige Einholung der rechtlichen und Compliance-Genehmigung für diese Grenzen der signifikanteste von ihm beobachtete Unterscheidungsfaktor sei. Ungeachtet des wachsenden Interesses an Automatisierung im Mittelstand präferieren die meisten Unternehmen weiterhin, dass ein Mensch Teil des Kontrollkreislaufs bleibt. Diese bewusste Vorsicht, kombiniert mit klar definierten Zuständigkeiten und Leitplanken, entscheidet letztlich über die Skalierbarkeit oder das Scheitern von Automatisierungsprojekten.

--

Dieser Artikel erschien ursprünglich auf unserer Schwester-Website MES Computing.