Agent-Washing: So erkennen Sie einen echten KI-Agenten

„Agent-Washing" ist die Praxis, einen Chatbot, einen Assistenten oder eine regelbasierte Automatisierung als „KI-Agent" umzuetikettieren, ohne die Autonomie oder Orchestrierung, die ihn erst dazu macht. Der Begriff ist wichtig, weil der Markt voll davon ist: Gartner schätzt, dass von den Tausenden Anbietern, die agentische KI für sich beanspruchen, nur etwa 130 tatsächlich etwas bauen, das diese Bezeichnung verdient, und erwartet, dass bis Ende 2027 über 40 % der agentischen KI-Projekte eingestellt werden. Für ein Unternehmen, das Software kauft, ist die praktische Frage einfach: Ist dieses Ding ein echter Agent, der Arbeit erledigt, oder ein Chatbot mit einem neuen Anstrich? Dieser Leitfaden liefert Ihnen den Praxistest.

Was ist „Agent-Washing"?

Agent-Washing ist die Variante des Greenwashings auf dem KI-Markt. Gartner prägte den Begriff in seiner Prognose vom Juni 2025, um Anbieter zu beschreiben, die „zum Hype beitragen, indem sie Agent-Washing betreiben, also die Umetikettierung bestehender Produkte wie KI-Assistenten, Robotic Process Automation (RPA) und Chatbots, ohne substanzielle agentische Fähigkeiten."

Der Unterschied hängt an einem einzigen Wort: Handeln. Ein Chatbot beantwortet eine Eingabe. Ein Assistent ruft Informationen ab und formuliert Entwürfe. Ein echter Agent erhält ein Ziel, Zugang zu Tools und Daten sowie genug Autonomie, um Schritte auf ein Ergebnis hinzuarbeiten, und dann geht er sie. Wie eine Forbes-Analyse der Gartner-Daten es formulierte: „Vieles, was als Agent verkauft wird, ist in Wahrheit ein Chatbot mit Ambitionen."

Das ist kein pedantischer Streit um Etiketten. Es verändert, was Sie kaufen, was das Produkt liefern kann und wie viel Governance es braucht. Wir haben die Grenze zwischen beiden Kategorien in KI-Agent vs. Chatbot: Was ist 2026 der Unterschied gezogen; Agent-Washing ist das, was passiert, wenn ein Anbieter diese Grenze absichtlich verwischt.

Warum das Etikett zählt: die 40 %, die eingestellt werden

Die Einstellungswelle, die Gartner voraussagt, hat nichts mit schwachen Modellen zu tun. Das Unternehmen nennt drei Ursachen: steigende Kosten, unklarer Geschäftswert und unzureichende Risikokontrollen. Keine davon lässt sich durch ein intelligenteres Basismodell beheben. Setzen Sie das beste Modell der Welt in ein Projekt ohne definiertes Ergebnis und ohne Verantwortlichen ein, und Sie bekommen einen eloquenteren Fehlschlag.

Die breitere Datenlage sagt dasselbe. Die NANDA-Initiative des MIT stellte fest, dass 95 % der generativen KI-Pilotprojekte in Unternehmen keinerlei messbaren Return lieferten. Forresters Bewertung der Kategorie für 2026 mit dem Titel „Companies Are Chasing, Few Are Catching" ergab, dass rund drei Viertel der Unternehmen agentische KI einführen, aber nur ein Bruchteil sie tatsächlich produktiv betreibt. Das Muster ist konstant: Der Pilot demonstriert sich wunderschön, dann bleibt er auf der unglamourösen letzten Meile aus Datenzugriff, Integration, Verantwortlichkeit und einem Plan für den Fall, dass etwas schiefgeht, stecken.

Agent-Washing gießt Öl ins Feuer. Wenn ein umetikettierter Chatbot als autonomer Agent verkauft wird, kalkuliert der Käufer mit Ergebnissen, für die das Produkt nie gebaut wurde, und die Lücke tritt bei der ersten Auswertung zutage. Die Deployment-Seite davon haben wir in Warum die meisten KI-Piloten nie in Produktion gehen behandelt und die Adoptionsseite in Was agentische KI wirklich für Ihr Unternehmen bedeutet. Dieser Beitrag ist die Beschaffungsseite: wie Sie es vermeiden, von vornherein das Falsche zu kaufen.

Chatbot, Assistent oder Agent? Ein Praxisleitfaden

Die meiste Verwirrung löst sich auf, sobald Sie drei Kategorien trennen, die unter einem Wort verkauft werden. Nutzen Sie diese Übersicht, um jedes Produkt einzuordnen, das ein Anbieter Ihnen anpreist.

Merkmal	Chatbot	Assistent	Echter KI-Agent
Grundverhalten	Antwortet innerhalb eines Skripts oder Flows	Ruft Infos ab, formuliert auf Anfrage	Verfolgt ein Ziel und handelt
Verarbeitet freien Text	Fragil; scheitert an Umformulierungen	Ja, für Fragen und Antworten	Ja, und handelt danach
Nutzt Tools / Systeme	Nein	Begrenzt, nur lesend	Ja: bucht, aktualisiert, ruft APIs auf
Autonomie	Keine	Schlägt vor, wartet	Geht Schritte, meldet dann
Mehrstufige Aufgaben	Nein	Selten	Ja, über einen ganzen Workflow
Menschliche Aufsicht	Nicht nötig (kann nicht handeln)	Optional	Erforderlich: Freigaben, Übergabe, Override

Verräterisch sind die Zeilen „Nutzt Tools" und „Autonomie". Wenn ein Produkt immer nur Text erzeugt und niemals einen Datensatz ändert, eine Nachricht sendet, einen Termin bucht oder ein anderes System aufruft, ist es ein Assistent oder ein Chatbot, ganz gleich, wie die Preisseite es nennt. Das ist keine Kritik an Chatbots, die für das Abrufen von Informationen nützlich sind. Es ist eine Warnung davor, für Chatbot-Fähigkeiten Agenten-Preise zu zahlen.

Fünf Fragen, die einen echten Agenten von einer Umetikettierung trennen

Bevor Sie unterschreiben, stellen Sie den Anbieter auf diese Probe. Echte agentische Systeme beantworten alle fünf Fragen in klarer Sprache. Ein umetikettierter Chatbot lenkt das Thema auf das Modell.

1. Welche Handlung führt es von Anfang bis Ende aus? Bitten Sie um ein konkretes Beispiel, in dem das Produkt eine Aufgabe abschließt, ohne dass ein Mensch den letzten Schritt macht: den Termin buchen, den CRM-Datensatz aktualisieren, die Bestätigung senden. Wenn jede Antwort bei „und dann schlägt es eine Antwort vor" endet, ist es ein Assistent.
2. Welche Tools und Systeme kann es heute tatsächlich erreichen? Ein Agent ist nur so leistungsfähig wie die Systeme, die er anbinden kann. Verlangen Sie die aktuelle Integrationsliste, nicht die Roadmap. Das AI Safety Institute des Vereinigten Königreichs analysierte mehr als 177.000 Agenten-Tools und stellte fest, dass „Handlungs"-Tools von 24 % auf 65 % der Nutzung stiegen innerhalb von sechzehn Monaten, echte Agenten definieren sich also zunehmend über das, was sie tun können, nicht nur sagen.
3. Was ist die schriftlich festgehaltene Erfolgsmetrik, und wer verantwortet sie? Gartners Einstellungen lassen sich auf „unklaren Geschäftswert" zurückführen. Ein echtes Deployment hat eine Zahl an seine Aufgabe geheftet (getätigte Buchungen, zurückgewonnene No-Shows, in unter einer Minute beantwortete Leads) und einen benannten Verantwortlichen. Keine Metrik, keine Rechenschaft, keine Produktion.
4. Wie steuert ein Mensch das Ganze? Autonomie ohne Aufsicht ist ein Risiko, kein Feature. Fragen Sie, wie eine Person den Agenten mitten in einer Aufgabe freigibt, überstimmt oder abschaltet und wo der Prüfpfad liegt. Das entschlüsseln wir in Human-in-the-Loop-KI, erklärt. Wenn die Antwort lautet „es läuft einfach", gehen Sie weiter.
5. Was passiert, wenn es an einem Dienstag scheitert? Demos laufen auf sauberen Daten. Die Produktion läuft auf fehlenden Feldern, doppelten Datensätzen und Richtlinien, die letzte Woche geändert wurden. Fragen Sie, was der Agent tut, wenn er eine Aufgabe nicht abschließen kann, und ob er an einen Menschen eskaliert, statt zu raten.

Wie „Handeln" tatsächlich aussieht

Ein echter Agent wird an Ergebnissen gemessen, nicht an der Länge der Konversation. In der Praxis heißt das: Er liest, was ein Kunde sendet (Text, ein Foto, eine Sprachnachricht, ein PDF), entscheidet, was zu tun ist, nutzt Tools, um es zu tun, und übergibt an einen Menschen, wenn Urteilsvermögen gefragt ist. Das ist ein koordiniertes Team spezialisierter Komponenten mit einem gemeinsamen Kontext, kein einzelnes Modell, das in einer Schleife antwortet.

Entagl ist bewusst so gebaut. Sein Empfang betreibt einen Orchestrator plus parallele Spracherkennung und spezialisierte Domänen-Agenten (Services, Produkte, Buchung, Vertrieb, Support und mehr), mit Tools, die einen Katalog durchsuchen, einen Lead erfassen und einen echten Termin in einen echten Kalender buchen, dazu menschliche Übergabe an einen gemeinsamen Posteingang und Output-Guardrails auf jeder Nachricht. Weil die vier Agenten sich ein Gehirn teilen, kennt der Koordination, der einen Bestätigungsanruf tätigt, bereits den Gesprächsverlauf: kein Kaltstart. Das ist der Unterschied zwischen einem Agenten, der handelt, und einem Chatbot, der redet.

Warum der „Handeln"-Teil sich auszahlt: Die Geschwindigkeit echten Handelns ist einer der wirkungsvollsten Hebel, die ein Unternehmen hat. In der Entagl Response Velocity Study (2026) konvertierten Konversationen, die innerhalb von 60 Sekunden beantwortet wurden, mit 35,1 %, ein 2,9- bis 4,9-facher Zuwachs gegenüber langsameren Antworten, und 78,4 % der Käufer bei Anfragen an mehrere Anbieter kauften bei demjenigen, der zuerst reagierte. Ein Chatbot kann eine schnelle Antwort posten. Ein Agent kann schnell antworten und die Buchung abschließen, und das ist das Ergebnis, das eine Budgetprüfung übersteht. Wenn Sie die dahinterstehende Make-or-Buy-Entscheidung abwägen, gehen wir sie in KI-Agenten selbst bauen oder kaufen: die echten Kosten des Selbermachens durch.

FAQ

Was ist Agent-Washing, einfach erklärt?

Es bedeutet, einen Chatbot, einen Assistenten oder eine regelbasierte Automatisierung als autonomen „KI-Agenten" zu vermarkten, ohne die Toolnutzung, Orchestrierung und Autonomie, die einen solchen definieren. Gartner benannte die Praxis im Juni 2025 und schätzte, dass nur etwa 130 der Tausenden selbsternannten agentischen Anbieter echt sind.

Wie erkenne ich, ob ein Produkt ein echter KI-Agent ist?

Prüfen Sie, ob es von Anfang bis Ende handelt. Ein echter Agent nutzt Tools, um etwas in der Welt zu verändern (bucht einen Termin, aktualisiert einen Datensatz, sendet eine Nachricht, ruft eine API auf), statt nur Text zu erzeugen. Bitten Sie um ein konkretes Beispiel, das ohne einen Menschen für den letzten Schritt abschließt, um die aktuelle Integrationsliste, eine schriftliche Erfolgsmetrik mit Verantwortlichem sowie den Override- und Eskalationspfad für Menschen.

Warum werden so viele agentische KI-Projekte eingestellt?

Gartner führt die prognostizierten Einstellungen von über 40 % bis 2027 auf steigende Kosten, unklaren Geschäftswert und unzureichende Risikokontrollen zurück, nicht auf schwache Modelle. Das MIT stellte fest, dass 95 % der generativen KI-Pilotprojekte in Unternehmen keinen messbaren Return erzielten. Die Fehlschläge drehen sich überwiegend um Deployment-Disziplin: Scoping, Datenzugriff, Verantwortlichkeit und Governance.

Ist ein Chatbot dasselbe wie ein KI-Agent?

Nein. Ein Chatbot beantwortet Fragen innerhalb eines Skripts oder Flows. Ein KI-Agent erhält ein Ziel und die Autonomie, es mit Tools zu verfolgen, sodass er mehrstufige Aufgaben abschließen und echte Handlungen ausführen kann. Ein Chatbot ist nützlich zum Abrufen von Informationen; ihn als Agenten zu bezahlen, ist der Punkt, an dem Käufer draufzahlen.

Braucht ein echter Agent trotzdem noch Menschen?

Ja, und das ist ein Feature. Weil ein echter Agent handeln kann, benötigt er Human-in-the-Loop-Kontrollen: Freigaben für sensible Schritte, Übergabe an eine Person, wenn Urteilsvermögen gefragt ist, einen Override, um ihn mitten in der Aufgabe zu stoppen, und einen Prüfpfad. Ein Produkt, das „einfach läuft" ohne Aufsicht, ist ein Risiko, kein Verkaufsargument.

Der Kauf agentischer KI ist ein Due-Diligence-Problem, bevor er ein Technologieproblem ist. Bewerten Sie jeden Anbieter anhand der obigen fünf Fragen, bestehen Sie auf sichtbarem Handeln und einem Menschen, der es steuern kann, und Sie umgehen die 40 %, die eingestellt werden.

Sehen Sie einen echten Agenten handeln, nicht nur reden. Buchen Sie eine 30-minütige Demo und beobachten Sie, wie Entagl eine Nachricht liest, über Kanäle hinweg antwortet und den Termin bucht, mit einem Menschen, der die ganze Zeit die Kontrolle behält.

Quellen: Gartner, „Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027" (25. Juni 2025); Forbes, „Why 40% Of Agentic AI Projects May Be Canceled By 2027" (7. Juli 2026), unter Berufung auf das UK AI Safety Institute und Forresters „Companies Are Chasing, Few Are Catching" (2026); Fortune, „MIT report: 95% of generative AI pilots at companies are failing" (18. Aug. 2025), zur MIT-NANDA-Studie „State of AI in Business 2025." First-Party-Daten aus der Entagl Response Velocity Study (2026). Angaben mit Stand Juli 2026.