Gartner: Warum KI-Projekte im Mittelstand an mangelnder Datenreife scheitern

Die Gartner-Studie im Überblick: Zahlen, Methodik, Kernaussage

Am 7. April 2026 veröffentlichte Gartner die Pressemitteilung „AI Projects in I&O Stall Ahead of Meaningful ROI Returns". Die Datenbasis: 782 Leader aus dem Bereich Infrastructure & Operations (I&O), befragt im November und Dezember 2025. Das ist eine wichtige Präzisierung, die in der Sekundärberichterstattung häufig verloren geht – es handelt sich weder um eine allgemeine „IT-Leader"-Umfrage noch um eine dedizierte Mittelstandsstudie, sondern um eine breite Erhebung unter Verantwortlichen für IT-Betrieb und Infrastruktur in Unternehmen unterschiedlicher Größe.

Die Kernzahlen sind ernüchternd, aber differenzierter, als die meiste Berichterstattung suggeriert: 28 % der KI-Use-Cases erreichen den vollen erwarteten Return on Investment, 52 % liefern einen Teilerfolg – sie funktionieren, bleiben aber hinter den Erwartungen zurück –, und 20 % scheitern vollständig. Anders formuliert: Vier von fünf KI-Projekten liefern zumindest irgendeinen Nutzen, aber nur gut jedes vierte hält, was vorab versprochen wurde.

Methodisch ist wichtig, was Gartner unter „I&O-Leader" versteht: Verantwortliche für IT-Infrastruktur, Betrieb, Cloud-Plattformen und zunehmend auch für die Produktivsetzung von KI-Workloads. Diese Gruppe sitzt näher am tatsächlichen Betrieb von KI-Systemen als reine Strategie- oder Innovationsabteilungen – ihre Einschätzung, welche Use Cases „funktionieren" und welche „scheitern", bezieht sich also auf den laufenden Betrieb, nicht auf Pilotphasen unter Laborbedingungen. Das macht die Zahlen härter, aber auch aussagekräftiger: Ein Use Case, der im Pilotversuch überzeugt und im Rollout an Lastspitzen, Zugriffsrechten oder inkonsistenten Produktivdaten scheitert, zählt hier zu den 20 % Scheiterfällen – unabhängig davon, wie vielversprechend die Demo aussah.

Warum KI-Projekte wirklich scheitern: Skill-Gaps, Workflow-Integration und Datenreife im Zusammenspiel

Fragt man die 782 befragten I&O-Leader direkt nach den Ursachen für Rückschläge, dominiert ein anderer Faktor als erwartet: 38 % nennen fehlende Skills und Kompetenzen im eigenen Team als Hauptbremse. Erst dahinter folgen strukturelle Probleme wie unzureichende Integration in bestehende Systeme und Prozesse. Umgekehrt gilt: Die Projekte, die erfolgreich sind, zeichnen sich vor allem durch zwei Faktoren aus – eine saubere Einbettung in bestehende Workflows und Systeme sowie sichtbaren Rückhalt durch die Geschäftsführung (Executive Sponsorship).

Eine zweite, ältere Gartner-Erhebung liefert die Datenreife-Perspektive

Hier kommt die zweite, oft mit der ersten verwechselte Quelle ins Spiel: Bereits am 26. Februar 2025 hatte Gartner in der Pressemitteilung „Lack of AI-Ready Data Puts AI Projects at Risk" vor einem anderen, aber verwandten Risiko gewarnt. Grundlage war eine Umfrage aus dem dritten Quartal 2024 unter 248 Data-Management-Leadern. Die daraus abgeleitete Prognose: Bis Ende 2026 werden rund 60 % der KI-Projekte, die nicht durch KI-taugliche Daten unterstützt werden, aufgegeben.

Beide Erhebungen sind methodisch unabhängig voneinander – unterschiedliche Stichproben, unterschiedliche Erhebungszeiträume, unterschiedliche Zielgruppen (I&O-Leader versus Data-Management-Leader). Sie erzählen aber dieselbe Grundgeschichte aus zwei Blickwinkeln: Die 782er-Umfrage zeigt, woran Projekte im laufenden Betrieb scheitern (Skills, Integration), während die 248er-Umfrage erklärt, warum Projekte oft gar nicht erst tragfähig werden – weil die Datenbasis fehlt, auf der Skills und Integration überhaupt etwas bewirken können. Eine gute Integration in fehlerhafte, veraltete oder unzugängliche Daten bleibt wertlos.

Merkmal	Umfrage 1: I&O-Leader (April 2026)	Umfrage 2: Data-Management-Leader (Feb. 2025)
Stichprobe	782 I&O-Leader	248 Data-Management-Leader
Erhebungszeitraum	Nov./Dez. 2025	Q3 2024
Veröffentlicht	7. April 2026	26. Februar 2025
Kernzahl	28% Erfolg / 52% Teilerfolg / 20% Scheitern	60% Abbruch bis Ende 2026 ohne AI-ready Data
Hauptaussage	Skill-Gaps (38%) und Workflow-Integration entscheiden	Fehlende Datenreife gefährdet das Fundament

Für die Praxis heißt das: Wer die Studien vermischt und behauptet, „Gartner sagt, 60 % der Projekte scheitern an schlechten Daten", zitiert falsch. Wer aber beide Studien ignoriert, weil er nur die aktuellere kennt, übersieht das strukturelle Risiko, das die 782er-Umfrage indirekt bestätigt: Ohne belastbare Datenbasis kann auch die beste Workflow-Integration und das kompetenteste Team ein Modell nicht zuverlässig machen.

Auffällig ist zudem, dass Skill-Gaps und Datenreife in der Praxis selten unabhängig voneinander auftreten – sie verstärken sich. Ein Team ohne ausreichende Erfahrung in Datenmodellierung und Prompt-Engineering übersieht Datenqualitätsprobleme eher, weil ihm der Referenzrahmen fehlt, um eine unplausible Modellantwort von einer plausiblen zu unterscheiden. Umgekehrt kaschiert eine saubere, gut dokumentierte Datenbasis auch mittelmäßige Modellauswahl oder suboptimale Prompt-Strategien, weil die zugrunde liegenden Fakten stimmen. Genau das erklärt, warum Unternehmen mit vergleichbarem KI-Budget und vergleichbarer Teamgröße völlig unterschiedliche Ergebnisse erzielen: Der entscheidende Unterschied liegt selten im gewählten Sprachmodell, sondern in der Kombination aus Teamkompetenz, Prozessintegration und Datenfundament.

Die Agenten-Lücke: 40-Prozent-Ziel für 2026 trifft auf fehlendes Datenfundament

Parallel zu den ROI-Zahlen läuft eine zweite Entwicklung mit hoher Dynamik: Am 26. August 2025 prognostizierte Gartner, dass bis Ende 2026 rund 40 % aller Enterprise-Anwendungen aufgabenspezifische KI-Agenten integrieren werden – gegenüber unter 5 % im Jahr 2025. Das ist eine der steilsten Adoptionskurven, die Gartner für eine Unternehmenssoftware-Kategorie je prognostiziert hat.

Genau hier entsteht die eigentliche Risikozone für den Mittelstand: Ein KI-Agent, der eigenständig Entscheidungen trifft, Tickets weiterleitet, Bestellungen auslöst oder Kundendaten verarbeitet, ist nur so gut wie die Datenbasis, auf der er operiert. Ein Chatbot mit falscher Antwort ist ärgerlich. Ein Agent, der auf Basis veralteter Lagerbestände automatisch nachbestellt oder auf Basis inkonsistenter Kundendaten falsche Rechnungen versendet, verursacht realen wirtschaftlichen Schaden – und das automatisiert, in Serie, ohne dass ein Mensch jeden Einzelfall prüft.

Diese Verbindung ist der eigentliche Grund, warum Datenreife 2026 kein akademisches Thema mehr ist, sondern ein Vorstandsthema: Die Zahl der Agenten, die auf Unternehmensdaten zugreifen, wächst um das Achtfache, während die zugrunde liegende Datenqualität in den meisten Mittelstandsunternehmen unverändert bleibt. Wer Agent-Orchestrierung plant, ohne die Datenbasis vorher zu härten, skaliert im Zweifel nicht Produktivität, sondern Fehlerquote.

Hinzu kommt ein Effekt, der in vielen Rollout-Plänen unterschätzt wird: Ein einzelner Agent lässt sich noch stichprobenartig durch Menschen kontrollieren. Sobald mehrere Agenten miteinander interagieren – etwa ein Bestell-Agent, der Ausgaben eines Lager-Agenten weiterverarbeitet, der wiederum auf Daten eines Reporting-Agenten zugreift –, pflanzen sich Datenfehler entlang der Kette fort und verstärken sich mit jeder Übergabe. Ein einzelner fehlerhafter Datensatz in einem vorgelagerten System kann so am Ende einer mehrstufigen Agenten-Pipeline zu einer Entscheidung führen, die mit der ursprünglichen Absicht nichts mehr zu tun hat. Je stärker Unternehmen 2026 auf orchestrierte Multi-Agenten-Systeme statt auf isolierte Einzel-Bots setzen, desto teurer wird jede ungeprüfte Datenquelle in der Kette.

Was bedeutet „AI-ready Data" konkret? Fünf Kriterien für Datenreife

„Datenreife" bleibt ein diffuser Begriff, solange er nicht heruntergebrochen wird. In der Praxis lassen sich fünf Kriterien unterscheiden, an denen sich ein KI-Projekt vor dem Start messen lassen sollte:

1. Datenqualität. Vollständigkeit, Korrektheit, Konsistenz über Systeme hinweg. Ein Kundendatensatz, der in CRM, ERP und Excel-Liste drei unterschiedliche Adressen führt, ist nicht KI-tauglich – unabhängig davon, wie gut das Modell ist.
2. Aktualität. Daten, die ein RAG-System oder einen Agenten füttern, müssen den aktuellen Geschäftszustand widerspiegeln. Ein monatlich exportiertes CSV ist für viele Anwendungsfälle bereits zu alt.
3. Zugänglichkeit und Governance. Wer darf auf welche Daten zugreifen, wer ist für Qualität und Pflege verantwortlich, und wie werden Zugriffe protokolliert? Ohne klare Governance-Rollen bleibt Datenqualität ein Zufallsprodukt.
4. Struktur und Metadaten. Unstrukturierte Dokumente brauchen Metadaten – Ersteller, Datum, Gültigkeitsbereich, Vertraulichkeitsstufe –, um in einer Knowledge-Base sinnvoll auffindbar und filterbar zu sein.
5. Sicherheits- und Datenschutzkonformität. Jeder Datensatz, der in ein KI-System einfließt, muss DSGVO-konform verarbeitet, klassifiziert und – wo nötig – anonymisiert oder pseudonymisiert sein, bevor er als Trainings- oder Kontextgrundlage dient.

Diese fünf Kriterien sind keine akademische Checkliste, sondern die technische Voraussetzung dafür, dass Bausteine wie RAG, Knowledge-Base oder Grounding überhaupt zuverlässig funktionieren. Grounding – die Verankerung von Modellantworten in geprüften, aktuellen Fakten statt in antrainiertem, potenziell veraltetem Wissen – ist ohne saubere, aktuelle Datenbasis technisch nicht herstellbar.

Wichtig ist dabei die Reihenfolge, in der Unternehmen die fünf Kriterien angehen sollten. Datenqualität und Aktualität lassen sich in der Regel am schnellsten spürbar verbessern, weil sie an konkreten, sichtbaren Fehlern ansetzen – einer doppelten Kundennummer, einem veralteten Preis. Governance und Struktur/Metadaten sind dagegen Daueraufgaben, die sich nicht in einem einmaligen Projekt „erledigen" lassen, sondern kontinuierlich gepflegt werden müssen. Wer Governance-Rollen als einmaliges Dokumentationsprojekt behandelt statt als laufenden Prozess mit klaren Verantwortlichkeiten, erlebt nach sechs bis zwölf Monaten denselben Qualitätsverfall, den er ursprünglich beheben wollte. Die Sicherheits- und Datenschutzkonformität schließlich sollte nicht als letzter, sondern als paralleler Schritt mitgedacht werden – nachträgliches Anonymisieren einer bereits produktiv genutzten Datenbasis ist regelmäßig aufwendiger als eine von Beginn an konforme Datenhaltung.

Die Mittelstands-Realität: Warum KMU beim Thema Datenreife besonders gefordert sind

Wichtige Einordnung vorab: Die genannten Gartner-Zahlen stammen aus breiten Erhebungen, nicht aus einer dedizierten Mittelstandsstudie. Was folgt, ist unsere fachliche Einschätzung aus Projekten mit produzierenden und dienstleistenden Mittelständlern in der Region – keine von Gartner selbst erhobene Mittelstandszahl.

Konzerne mit eigenen Data-Governance-Teams, Chief Data Officers und dedizierten Datenqualitäts-Budgets sind in einer strukturell anderen Ausgangslage als ein Mittelständler mit 80 bis 400 Mitarbeitern. Dort gibt es selten eine eigene Data-Governance-Funktion; Datenverantwortung liegt informell bei denjenigen, die die jeweilige Fachanwendung am längsten betreuen. Über Jahre gewachsene Alt-Systeme – ein ERP aus 2011, eine CRM-Insel im Vertrieb, eine Warenwirtschaft, die nie sauber an die Buchhaltung angebunden wurde – erzeugen genau die Silo-Struktur, die KI-Projekte ausbremst.

Hinzu kommt der in fast jedem Mittelstandsprojekt anzutreffende „Excel-Wildwuchs": Preislisten, Kundenlisten, Projektpläne und Kennzahlen, die in Dutzenden lokalen Arbeitsmappen auf Einzelplätzen liegen, nie synchronisiert, mit abweichenden Formatierungen und Formeln. Für den Tagesbetrieb funktioniert das seit Jahren – als Grundlage für einen KI-Agenten, der automatisiert Entscheidungen treffen soll, ist es ungeeignet.

Ein weiterer struktureller Unterschied zum Konzern betrifft die Personalressourcen: Wo ein Großunternehmen eine Datenbereinigung als eigenständiges Projekt mit dediziertem Team über mehrere Monate stemmen kann, muss ein Mittelständler diese Arbeit meist neben dem Tagesgeschäft leisten – mit denselben zwei oder drei IT-Mitarbeitern, die ohnehin für Serverbetrieb, Helpdesk und Fachanwendungen zuständig sind. Das führt in der Praxis häufig zu einer von zwei Reaktionen: Entweder wird das Datenreife-Thema aus Zeitmangel komplett verschoben, bis ein KI-Projekt daran scheitert – oder es wird, mit externer Unterstützung, gezielt auf einen klar abgegrenzten Bereich fokussiert, statt die gesamte Datenlandschaft auf einmal anzugehen. Die zweite Variante ist in unserer Projekterfahrung die deutlich erfolgreichere.

Die Hausaufgaben: Schritt-für-Schritt zu einer AI-ready-Datenbasis

Der Weg zu einer belastbaren Datenbasis lässt sich in fünf aufeinander aufbauende Schritte gliedern, die sich auch mit begrenztem internen IT-Team umsetzen lassen:

1. Dateninventur. Erfassen, welche Datenquellen überhaupt existieren – Systeme, Dateiformate, Ablageorte, Verantwortliche. Ohne diesen Schritt bleibt jede weitere Maßnahme ein Blindflug.
2. Qualitätsaudit. Stichprobenartige Prüfung der wichtigsten Datenquellen auf Vollständigkeit, Aktualität und Konsistenz. Hier zeigt sich meist zuerst, wo die größten Lücken liegen.
3. Governance-Rollen festlegen. Wer ist Dateneigentümer für welchen Bereich? Wer genehmigt Zugriffe? Diese Rollen müssen nicht neu geschaffen, sondern oft nur formalisiert werden – die Person, die die Daten faktisch pflegt, wird explizit benannt.
4. Metadaten und Knowledge-Base aufbauen. Unstrukturierte Dokumente werden mit Metadaten versehen und in eine durchsuchbare Struktur überführt – die technische Grundlage für spätere RAG-Anwendungen.
5. Pilotprojekt mit begrenztem Datenumfang. Statt sofort unternehmensweit zu starten, empfiehlt sich ein eng abgegrenzter Anwendungsfall mit überschaubarer, bereits geprüfter Datenmenge – etwa ein RAG-gestützter Assistent für einen einzelnen Fachbereich.

Für viele Mittelständler ist genau dieser fünfte Schritt der pragmatischste Einstieg: Eine sauber kuratierte Knowledge-Base für einen abgegrenzten Bereich – etwa technische Dokumentation oder Vertriebsunterlagen – liefert schneller sichtbaren Nutzen als der Versuch, die gesamte Unternehmensdatenlandschaft in einem Zug zu bereinigen.

Realistisch lässt sich dieser Fünf-Schritte-Fahrplan für einen einzelnen, klar abgegrenzten Fachbereich in sechs bis zehn Wochen durchlaufen – Dateninventur und Qualitätsaudit benötigen dabei erfahrungsgemäß zusammen etwa ein Drittel der Zeit, der Aufbau von Metadaten und Knowledge-Base ein weiteres Drittel, der eigentliche Pilotbetrieb den Rest. Wichtig ist, diesen Zeitrahmen nicht künstlich zu verkürzen: Die meisten gescheiterten Pilotprojekte, die uns in Beratungsgesprächen begegnen, wurden nicht durch die Fachlichkeit des KI-Systems gebremst, sondern dadurch, dass die vorgelagerte Datenaufbereitung von vornherein zu knapp bemessen war.

On-Premise und Datenhoheit als Beschleuniger der Datenreife

Ein strukturell relevanter, aber selten diskutierter Aspekt: Wer seine Daten und KI-Systeme on-premise betreibt, hat einen direkteren Zugriff auf die eigene Datenlandschaft als bei über mehrere Cloud-Dienste verteilten Datensilos. Das ist keine automatische Garantie für bessere Datenqualität – aber ein struktureller Vorteil bei der Umsetzung der oben genannten fünf Kriterien.

Konkret: Governance-Entscheidungen (wer darf worauf zugreifen) lassen sich in einer selbst kontrollierten Infrastruktur direkter durchsetzen und protokollieren als bei einem Flickenteppich aus SaaS-Tools mit jeweils eigenen Zugriffsmodellen. Auch das Compliance-Mapping für DSGVO-Anforderungen ist einfacher, wenn Datenflüsse innerhalb der eigenen vier Wände nachvollziehbar bleiben, statt über mehrere externe Verarbeiter mit eigenen Auftragsverarbeitungsverträgen zu laufen. Diese Argumentation ist als struktureller Vorteil zu verstehen, nicht als Kausalbehauptung – On-Premise-Betrieb ersetzt keine Datenqualitätsarbeit, er erleichtert aber deren Durchsetzung und Nachweisbarkeit.

Ein weiterer, oft übersehener Aspekt: Bei On-Premise-Betrieb liegt die gesamte Kette von Rohdaten über Knowledge-Base bis zur Modellantwort in einer einzigen technischen Umgebung, die vollständig protokollierbar ist. Das erleichtert nicht nur die Fehlersuche, wenn ein Agent eine falsche Entscheidung trifft, sondern auch die für Art. 5 und weitere AI-Act-Vorgaben zunehmend relevante Nachweisführung, welche Datenquelle zu welcher Modellausgabe geführt hat. Bei einer über mehrere Cloud-Anbieter verteilten Architektur ist eine solche lückenlose Rückverfolgung deutlich aufwendiger herzustellen, weil Protokollformate, Aufbewahrungsfristen und Zugriffsmodelle zwischen den Anbietern variieren.

Typische Fallstricke bei der Datenaufbereitung für KI-Agenten

In der Projektpraxis wiederholen sich bestimmte Fehler auffällig oft:

• Unstrukturierte Dokumente ungefiltert ins RAG-System kippen. Wer alle vorhandenen PDFs, E-Mails und Wikis unkuratiert in eine Vektordatenbank lädt, ohne Aktualität und Widersprüche zu prüfen, riskiert, dass das System veraltete oder sich widersprechende Informationen als gleichwertig behandelt.
• Fehlende Aktualisierungsprozesse. Eine Knowledge-Base, die einmalig befüllt und danach nicht mehr gepflegt wird, verliert innerhalb weniger Monate an Relevanz – mit dem Risiko, dass ein Agent auf Basis überholter Informationen handelt.
• Keine klare Verantwortlichkeit für Datenqualität. Wenn niemand explizit für die Pflege einer Datenquelle zuständig ist, verschlechtert sich deren Qualität schleichend, bis sie im laufenden Betrieb auffällt – meist durch einen sichtbaren Fehler des KI-Systems.
• Unterschätztes Halluzinations- und Grounding-Risiko. Ein Modell, das auf eine schlechte Datenbasis trifft, generiert nicht seltener, sondern eher öfter plausibel klingende, aber falsche Antworten – weil ihm die verlässlichen Fakten zum Verankern fehlen.
• Fehlende Versionierung von Dokumenten. Wenn mehrere Versionen desselben Dokuments – etwa eine alte und eine aktualisierte Preisliste – gleichzeitig im System liegen, kann ein RAG-System nicht zuverlässig erkennen, welche Version gültig ist, und liefert je nach Formulierung der Anfrage widersprüchliche Antworten.
• Kein Feedback-Loop aus dem Livebetrieb. Fehler, die Nutzer im laufenden Betrieb an einem Agenten oder Assistenten bemerken, fließen ohne strukturierten Meldeweg selten zurück in die Datenpflege – dieselben Fehlerquellen bleiben so über Monate unentdeckt bestehen.

Fazit: Erst die Daten, dann die Agenten

Die Gartner-Zahlen sind kein Grund zur Panik, aber ein klarer Weckruf: Wenn 20 % der KI-Use-Cases vollständig scheitern und weitere 52 % hinter den Erwartungen zurückbleiben, während gleichzeitig die Zahl produktiv eingesetzter KI-Agenten um das Achtfache steigen soll, wächst die Lücke zwischen Ambition und Fundament schneller als die Fähigkeit vieler Unternehmen, sie zu schließen. Die eine Umfrage zeigt, woran es im laufenden Betrieb hakt – Skills und Integration. Die andere zeigt, was viele dieser Probleme erst ermöglicht: eine Datenbasis, die nicht KI-tauglich ist.

Für den Mittelstand lautet die praktische Konsequenz: Vor dem nächsten Agenten-Rollout steht ein ehrlicher Datenreife-Check. Wer diesen Schritt überspringt, riskiert nicht nur ein gescheitertes Pilotprojekt, sondern einen produktiv eingesetzten Agenten, der auf falscher Grundlage falsche Entscheidungen automatisiert. Erst die Daten, dann die Agenten – diese Reihenfolge ist 2026 kein technisches Detail mehr, sondern eine unternehmerische Grundsatzentscheidung.

Quellen & Primärbelege

Alle Zahlen, Fristen und Studienangaben in diesem Beitrag wurden vor der Veröffentlichung gegen die folgenden Primärquellen geprüft.

1. Gartner: AI Projects in I&O Stall Ahead of Meaningful ROI Returns (7.4.2026) Primärquelle für die 782-Leader-Umfrage: 28% voller Erfolg, 52% Teilerfolg, 20% Scheitern; Hauptfaktoren Skill-Gaps (38%) und fehlende Workflow-Integration.
2. Gartner: Lack of AI-Ready Data Puts AI Projects at Risk (26.2.2025) Quelle für die 60%-Abbruchprognose bis Ende 2026 wegen fehlender KI-tauglicher Daten; Basis: Q3-2024-Umfrage unter 248 Datenmanagement-Leadern.
3. Gartner: 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026 (26.8.2025) Primärquelle für die bestätigte 40%-Prognose zu aufgabenspezifischen KI-Agenten in Enterprise-Apps bis Ende 2026.

Häufig gestellte Fragen zur Gartner-Datenreife-Studie

Stimmt es, dass 782 IT-Leader von Gartner befragt wurden?

Ja, die Zahl ist korrekt – allerdings handelt es sich um 782 I&O-Leader (Infrastructure & Operations), befragt im November/Dezember 2025. Gartner veröffentlichte die Ergebnisse am 7. April 2026 in der Pressemitteilung „AI Projects in I&O Stall Ahead of Meaningful ROI Returns". Es ist keine reine Mittelstandsstudie, sondern eine breite Erhebung unter IT-Betriebsverantwortlichen verschiedener Unternehmensgrößen.

Scheitern KI-Projekte laut Gartner tatsächlich primär an mangelnder Datenreife?

Teilweise. Die 782-Leader-Umfrage von April 2026 nennt vor allem Skill-Gaps (38 % der Leader mit Rückschlägen) und fehlende Integration in bestehende Workflows als Haupthürden; nur 28 % der Use Cases erreichen die volle ROI-Erwartung, 20 % scheitern komplett. Die vielzitierte Aussage „Datenreife ist der Hauptgrund" stammt aus einer separaten, früheren Gartner-Prognose (Februar 2025, Basis: Q3-2024-Umfrage unter 248 Datenmanagement-Leadern), wonach bis Ende 2026 rund 60 % der KI-Projekte ohne KI-taugliche Daten aufgegeben werden. Beide Quellen gehören zusammen in den Artikel, dürfen aber nicht vermischt werden.

Ist die Prognose zu 40 % der Enterprise-Apps mit KI-Agenten bis Ende 2026 korrekt?

Ja, das ist eine bestätigte Gartner-Prognose aus der Pressemitteilung vom 26. August 2025: 40 % der Enterprise-Anwendungen sollen bis Ende 2026 aufgabenspezifische KI-Agenten integrieren, gegenüber unter 5 % im Jahr 2025.

Warum wurden die ursprünglich vorgeschlagenen Quellen (mybusinessfuture.com, kanerika.com) ausgetauscht?

Die 72-Prozent-Zahl auf mybusinessfuture.com ließ sich in keiner Gartner-Originalquelle bestätigen und wirkt wie eine Fehlinterpretation oder Verwechslung der 60-Prozent-Prognose. Der Kanerika-Artikel behandelt einen McKinsey-Report und ist für dieses Gartner-Thema nicht einschlägig. Beide wurden durch die drei passenden Original-Pressemitteilungen von Gartner ersetzt.