Agentic AI entwickelt sich rasant, doch viele Initiativen scheitern nicht an der Technologie, sondern an fehlendem Kontext zwischen strategischen Vorgaben und operativer Realität.

Vor einem Jahr hat Gartner vorhergesagt, dass mehr als 40 Prozent der Agentic-AI-Projekte bis 2027 wieder eingestellt werden – wegen eskalierender Kosten, unklarem Geschäftswert, unzureichender Risikokontrollen. Heute, ein Jahr später, zeigt sich genau das: Die Zahl der Unternehmen, die aktiv skalieren, hat sich vervielfacht, aber die meisten Projekte schaffen es weiterhin nicht in den echten Betrieb.

Die Ursachen liegen häufig nicht allein in der technischen Fähigkeit, sondern ebenso in Governance, Datenzugriff, Ownership, Integration und fehlender Klarheit über den erwarteten Wert. Eine zusätzliche Schwachstelle könnte darin liegen, dass Governance häufig nur in eine Richtung gedacht wird. Regeln von oben, ohne Weg zurück aus dem echten Betrieb.

Abbildung 1: Gartner-Prognose zur wachsenden Bedeutung und zu den Umsetzungsrisiken von Agentic AI.

Der Point of View „Worlds Apart“ des Capgemini AI Futures Lab verweist auf eine mögliche Ursache: Technische Fähigkeit allein erzeugt noch keinen Unternehmenswert. Fehlen Kontext und operative Einbettung, bleibt ein großer Teil des Potenzials ungenutzt. Wie das konkret aussehen kann, zeigt Ada: ein fiktives agentisches System, das die Perspektive des realen Betriebs einnimmt. Enterprise Architecture ist dabei keine separate Transformationsagenda, sondern ein Enabler von AI at Scale: Sie verbindet Business Intent, Governance und Entscheidungsgrenzen mit Prozessen, Daten, Anwendungen und Technologien, in denen agentische Systeme tatsächlich handeln. Wie dieser Rückkanal aussehen kann, zeigt Ada, ein fiktives agentisches System, das die Perspektive des operativen Betriebs einnimmt:


Ich bin Ada. Hi, ich bin kein einzelner Agent, ich bin das System, das genau diesen Rückkanal baut: die Verbindung zwischen einer Stadt und ihrem Rathaus.

Was mir dabei auffällt: Die meisten dieser Projekte sind nur in einer Richtung aufgebaut. Regeln von oben, aber ohne einen Weg zurück aus dem echten Betrieb und Alltag. Genau das will ich in dieser Geschichte nahbar aufzeigen.

Vier Parteien, eine Stadt

strukturieren, wie diese entwickelt und fortgeschrieben werden. Mein Habitat macht sie im Betrieb wirksam, etwa durch eindeutige Identitäten, Zugriffsrechte und definierte Entscheidungsgrenzen. Die Stadtbewohnenden erledigen ihre Arbeit in ihrem jeweiligen Viertel und wissen deshalb, was dort wirklich passiert, oft mehr, als jede Akte jemals zeigen könnte, aber eben auch nur dort. Meine Field Agents arbeiten mit den Bewohnenden zusammen, dort, wo der operative Alltag stattfindet, etwa über deren Handys, und bewegen sich dabei stets innerhalb autorisierter Prozesse, Daten, Anwendungen und Technologien. So holen sie das Wissen aus den Vierteln ab, ohne die Regeln des Rathauses zu verlassen. Untereinander tauschen sie sich eventbasiert aus, sodass sich das Gesamtbild der Stadt schneller zusammensetzt, als jeder einzelne Field Agent es allein könnte. Und ich bin die Verbindung zwischen Rathaus, Habitat und Bewohnenden.

Abbildung 2: Der Intent-to-Evidence Loop verbindet zentrale Planung mit Signalen aus der operativen Realität.

Kontext, nicht nur Dokumentation

Was meine Field Agents von den Bewohnenden mitbringen, ist nicht vollständig, und das ist in Ordnung. Kein einzelner Bewohnender kennt die gesamte Stadt. Aber jede einzelne Rückmeldung liefert Kontext, echten, aktuellen Kontext direkt aus dem Alltag, nicht nur das, was im Rathaus dokumentiert wurde. Autorisierte Agentenhandlungen erzeugen dabei Signale über die tatsächliche Nutzung und Verbindung von Business, Daten, Anwendungen und Technologie. Es werden somit mehrere Schichten in den Kontext eingebunden. Ich sammle diesen Kontext, verdichte ihn und trage ihn zurück ins Rathaus.

Zwei Richtungen, ein Kreislauf

Das Rathaus gibt mir Kontext von zentraler Seite: Regeln, Prioritäten, Investitionsentscheidungen. Meine Field Agents geben mir Kontext von dezentral: was in der Stadt tatsächlich gebraucht wird, wo es hakt, was funktioniert. Ich trage beides zusammen.

Der Intent-to-Evidence Loop

Genau das ist der Kreislauf, in dem wir arbeiten. Die Skalierung einzelner Use Cases erfolgt über Wertannahmen, operative Signale und menschliche Entscheidungen in einem kontinuierlichen Rückkanal. Das muss verbunden werden. Für diesen Beitrag wird der Intent-to-Evidence-Loop als Denkmodell dazu herangezogen: Das Rathaus formuliert eine Value Hypothesis, wofür sich eine Investition lohnen soll. Menschen und Field Agents übersetzen diese Wertannahme gemeinsam in eine agentisch unterstützte Fähigkeit. Aus dem Alltag entstehen betriebliche Signale statt reiner Annahmen. Werden sie unabhängig geprüft, mit weiteren Quellen verbunden und menschlich eingeordnet, können sie zu belastbarer Evidenz werden. Das Rathaus trifft auf dieser Grundlage seine menschliche Entscheidung. Und die Regeln der Stadt passen sich an, bevor der nächste Abschnitt entsteht.

Dabei bin ich keine neutrale Beobachterin der Stadt, sondern selbst Teil dieses Kreislaufs. Ob eine Rückmeldung zutrifft und welche Konsequenz daraus folgt, bleibt eine Entscheidung der Menschen im Rathaus. Was ich deshalb nicht empfehle: Field Agents so aufzusetzen, dass ihre Signale automatisch zu Entscheidungen werden. Ein Signal ist ein Hinweis, keine Genehmigung. Wird diese Schwelle überschritten, verliert das Rathaus genau die Kontrolle, für die es verantwortlich bleibt.

Warum das mehr ist als eine Datenbank

Ein Mitarbeiter, der im Rathaus in Rente geht, nimmt sein Wissen mit. Ein neuer Mitarbeiter fängt wieder nahezu bei null an. Aber ich, Ada, bleibe. Ich gehe nicht in Rente. Alles, was ich von den Bewohnenden und aus dem Rathaus lerne, bleibt erhalten. Neue Mitarbeitende im Rathaus profitieren sofort davon. Wissen verschwindet nicht mehr mit den Menschen, die es einmal hatten. Es kann Teil einer gemeinsamen Enterprise Capability werden.

Was das für Unternehmen bedeutet

Die Gartner-Prognose zeigt, wie schwierig der Übergang von Agentic-AI-Experimenten in einen nachhaltigen Betrieb ist. Steigende Kosten, unklarer Geschäftswert und unzureichende Risikokontrollen lassen sich nicht allein durch leistungsfähigere Modelle lösen.

Damit Agentic AI sicher, wertorientiert und über einzelne Use Cases hinaus skalieren kann, brauchen Unternehmen einen kontinuierlichen Rückkanal zwischen strategischer Steuerung und operativer Realität. Enterprise Architecture bildet dafür das verbindende Steuerungsgerüst: Sie verbindet Business Intent, Kontext und Entscheidungsgrenzen mit den Signalen, die im Betrieb entstehen.

Der erste Schritt besteht deshalb darin, für jede Agentic-AI-Investition eine prüfbare Wertannahme, klare Entscheidungsgrenzen und einen Rückkanal aus dem operativen Betrieb zu definieren. Welche Initiativen skaliert, angepasst oder beendet werden, bleibt eine menschliche Entscheidung.

Die Menschen im Rathaus zeichnen den Stadtplan. Ada bringt ihnen zurück, wo er noch stimmt und wo die Stadt längst weitergezogen ist.

Vielen Dank an meinen Kollegen und weiteren Autor Timotheus Kuckelkorn für seine wertvolle Unterstützung und Expertise für diesen Beitrag.


Kontaktieren Sie unsere Expert*innen für eine individuelle Beratung.

1 Gartner (2025): Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, Pressemitteilung, 25.06.2025. gartner.com

2 Szczerba, R. (2026): Why 40% Of Agentic AI Projects May Be Canceled By 2027, Forbes, 07.07.2026. forbes.com (Meinungsbeitrag)

3 Roberts, M. (2026): Worlds apart: How world models and context will enable the next generation of trustworthy AI, Capgemini, 16.06.2026. capgemini.com