Warum über 40 % der KI-Agenten-Projekte scheitern werden – und was das mit Ihren CRM-Daten zu tun hat

Die Prognose, die gerade jeder zitiert – und meistens falsch

Im Juni 2025 veröffentlichte Gartner eine Prognose, die seitdem durch jede Keynote wandert: Mehr als 40 % der agentischen KI-Projekte werden bis Ende 2027 eingestellt. Die genannten Gründe: steigende Kosten, unklarer Geschäftswert und unzureichende Risikokontrollen. Analystin Anushree Verma ergänzte, die meisten Agentenprojekte seien derzeit Experimente oder Proofs of Concept, getrieben vom Hype und oft falsch eingesetzt.

In Blogs und Vendor-Präsentationen ist daraus inzwischen etwas anderes geworden: „40 % der KI-CRM-Projekte scheitern wegen schlechter Daten.“ Das steht so nicht bei Gartner. Was es gibt, ist eine zweite, ältere Gartner-Prognose vom Februar 2025: Bis Ende 2026 werden Unternehmen 60 % der KI-Projekte aufgeben, die nicht durch AI-ready Data gestützt sind. Dazu passt die Gartner-Umfrage unter Datenmanagement-Verantwortlichen vom Juli 2024, nach der 63 % der Organisationen keine oder unklare Datenmanagement-Praktiken für KI haben.

Beide Aussagen sind richtig, und zusammen sind sie unbequemer als die verkürzte Version. Denn sie sagen: Agentenprojekte scheitern an Kosten, Nutzen und Kontrolle – und alle drei hängen daran, ob die Daten, auf denen der Agent arbeitet, etwas taugen. Im CRM ist das die Kernfrage. Ein Agent, der Leads qualifiziert, Deals überwacht oder Service-Anfragen löst, ist exakt so gut wie der Datensatz, den er öffnet.

Dieser Artikel zeigt, wie der Zusammenhang konkret aussieht, woran Sie erkennen, ob Ihr CRM agentenreif ist, und in welcher Reihenfolge Sie vorgehen sollten, damit Ihr Projekt nicht in die 40 % fällt.

Drei offizielle Gründe, eine gemeinsame Ursache

Gartner-Scheitergrund	Wie er im CRM-Alltag aussieht	Was dahinter steckt
Steigende Kosten	Der Agent wird pro Aktion oder Credit abgerechnet. Er arbeitet Dubletten doppelt ab, reichert Karteileichen an, fragt bei fehlenden Feldern den Menschen – jede Runde kostet.	Unsaubere Daten vervielfachen die Zahl der Aktionen, die ein Agent braucht, um zum selben Ergebnis zu kommen.
Unklarer Geschäftswert	Der Lead-Score ist da, aber niemand traut ihm. Die Deal-Zusammenfassung klingt plausibel, verweist aber auf einen Ansprechpartner, der seit einem Jahr nicht mehr im Unternehmen ist. Das Team nutzt den Agenten nach vier Wochen nicht mehr.	Ein Agent auf veralteten Daten produziert Output, der nach Arbeit aussieht, aber keine Entscheidung verbessert. Der Nutzen ist nicht messbar, weil er nicht da ist.
Unzureichende Risikokontrolle	Der Service-Agent schickt eine Rechnungskopie an die alte Adresse. Der Nachfass-Agent schreibt einen Kontakt an, der der Verarbeitung widersprochen hat, weil das Opt-out in einem Freitextfeld steht.	Ohne strukturierte, aktuelle und vollständige Daten kann kein Guardrail greifen. Die Regel „nie an Opt-out-Kontakte“ ist nur so gut wie das Opt-out-Feld.

Der Punkt ist nicht, dass Datenqualität ein vierter Grund wäre. Sie ist der Mechanismus, über den die drei offiziellen Gründe entstehen. Ein Agent ist ein Verstärker: Gute Prozesse auf guten Daten werden schneller. Schlechte Daten werden zu schnellen, teuren, unkontrollierten Fehlern.

Das erklärt auch, warum so viele Pilotprojekte in der Demo überzeugen und im Betrieb enttäuschen. Ein typisches Beispiel: Die Demo läuft auf zwanzig handverlesenen Datensätzen. Der Betrieb läuft auf 38.000 Kontakten, von denen ein Drittel seit 2021 nicht angefasst wurde.

Agent Washing: Nicht alles, was Agent heißt, ist einer

Gartner nennt einen zweiten Grund für die hohe Abbruchquote, der weniger zitiert wird: Agent Washing. Anbieter benennen bestehende Produkte – Assistenten, RPA-Bots, Chatbots – in „Agenten“ um, ohne dass echte Autonomie dazukommt. Gartner schätzt, dass von Tausenden selbsternannten Agentic-AI-Anbietern nur rund 130 tatsächlich agentische Fähigkeiten liefern.

Für Sie als Käufer heißt das: Fragen Sie nicht, ob das Produkt einen Agenten hat. Fragen Sie, was er ohne menschlichen Anstoß tut.

Das ist (noch) kein Agent	Das ist einer
Fasst auf Knopfdruck eine E-Mail zusammen	Erkennt selbst, dass ein Angebot seit 10 Tagen unbeantwortet ist, und legt Aufgabe plus Entwurf an
Schlägt beim Tippen eine Antwort vor	Beantwortet die Statusanfrage, prüft dazu das ERP und schließt das Ticket
Führt einen vorab geklickten Wenn-dann-Workflow aus	Entscheidet anhand von Kontext, welcher von mehreren Pfaden passt, und begründet die Wahl im Datensatz
Erstellt einen Report, wenn man ihn bittet	Meldet montags unaufgefordert die fünf Deals mit dem höchsten Stillstandsrisiko

Warum das für das Datenthema relevant ist: Ein Assistent, der auf eine schlechte Zusammenfassung trifft, kostet den Nutzer zehn Sekunden Stirnrunzeln. Ein echter Agent, der auf falschen Daten selbstständig handelt, erzeugt Vorgänge, Nachrichten und Feldänderungen, bevor jemand hinschaut. Je echter der Agent, desto höher die Anforderung an die Daten – und desto höher der Schaden, wenn sie fehlen.

Fünf Fehlerbilder: So machen CRM-Daten einen Agenten kaputt

Aus unseren Projekten kennen wir immer dieselben Muster. Keines davon ist exotisch. Alle fünf finden sich in praktisch jedem CRM, das älter als drei Jahre ist.

1. Dubletten: Der Agent sieht nur einen Teil des Kunden

Ein Beispiel: Die Müller GmbH ist seit vier Jahren Kunde. Im CRM existiert sie aber dreimal – als „Müller GmbH“, „Mueller GmbH“ und „Müller Gmbh (alt)“. Die gewonnenen Deals und die Gesprächshistorie hängen am ersten Eintrag, die beiden anderen sind leer bis auf ein paar Kontakte.

Jetzt füllt ein neuer Ansprechpartner von Müller ein Formular aus. Der Agent sucht im CRM nach der passenden Organisation, findet „Mueller GmbH“, hängt den Kontakt dort an und prüft: keine Deals, keine Historie – also ein Neukunde. Er vergibt einen Neukunden-Score, startet die Neukunden-Sequenz und schickt den Lead an das Akquise-Team statt an den zuständigen Account-Manager. Dass das Unternehmen längst Kunde ist, steht nur im ersten Eintrag, den der Agent nie angesehen hat.

Nebeneffekt: Wenn der Agent pro Aktion abgerechnet wird, reichert er alle drei Einträge einzeln an – Sie zahlen dieselbe Information dreimal.

2. Leere Pflichtfelder: Der Agent rät – und tut so, als wüsste er

Fehlt die Rolle des Kontakts, fehlt die Branche, fehlt der Deal-Wert, dann füllt ein Sprachmodell die Lücke mit dem Wahrscheinlichsten. Das klingt in der Zusammenfassung überzeugend und ist oft falsch. Das Gefährliche: Niemand erkennt am Output, welche Angaben auf Daten und welche auf Annahmen beruhen.

3. Veraltete Datensätze: Der Agent schreibt Menschen an, die es nicht mehr gibt

Ansprechpartner wechseln die Firma, Firmen fusionieren, Projekte sind längst entschieden. Ein Agent, der auf einen „heißen“ Lead von 2023 reagiert, produziert peinliche Nachfass-Mails und falsche Forecasts. Pipedrive stellt in seinem CRM Trends Report 2026 fest, dass administrative Arbeit den Vertriebsalltag noch immer dominiert – mit der Folge, dass genau diese Pflege liegen bleibt.

4. Freitext statt Struktur: Die Regel existiert, aber der Agent kann sie nicht lesen

„Bitte nicht mehr anrufen, nur E-Mail“ steht in einer Notiz von 2024. Das Opt-out-Feld ist leer. Der Agent hält sich an das Feld. Dasselbe gilt für Rabattvereinbarungen, Rahmenverträge und Eskalationshistorien, die nur in Gesprächsnotizen leben. Für einen Menschen ist das lesbar, für einen Guardrail nicht.

5. Inkonsistente Phasen und Definitionen: Jedes Team meint etwas anderes

In Team A heißt „Angebot“ verschickt, in Team B besprochen, in Team C mündlich zugesagt. Der Stillstands-Agent feuert in A zu früh und in C zu spät. Der Forecast-Agent summiert Werte, die nicht vergleichbar sind. Das ist kein Datenfehler im engeren Sinne, sondern ein fehlendes gemeinsames Datenmodell – und es sabotiert jeden Agenten, der über Teams hinweg arbeitet.

Gemeinsamer Nenner: In allen fünf Fällen arbeitet der Agent technisch einwandfrei. Er tut genau das, was die Daten ihm sagen. Das Projekt scheitert trotzdem – und es wird als „KI funktioniert bei uns nicht“ verbucht.

Der CRM-Datencheck: 10 Fragen, bevor Sie an Agenten denken

Gartner versteht unter AI-ready Data Daten, die den konkreten Anwendungsfall repräsentativ abbilden und deren Eignung über Metadaten, Governance und Qualitätssicherung nachgewiesen ist – und stellt klar: Daten mit Problemen sind nicht bereit für KI. Für das CRM lässt sich das auf vier Eigenschaften herunterbrechen: vollständig, konsistent, verbunden, aktuell. In Kennzahlen, die Sie in einer Stunde erheben können:

	Prüffrage	Schwelle für „agentenreif“	So messen Sie es
1	Wie viele Organisationen haben eine Dublette?	unter 3 %	Dubletten-Report des CRM; alternativ Export und Abgleich ähnlicher Firmennamen und identischer E-Mail-Domains
2	Wie viele offene Deals haben Wert, Abschlussdatum und Phase gefüllt?	über 95 %	Gespeicherter Filter „Deal offen UND Feld leer“
3	Wie viele aktive Kontakte haben Rolle/Funktion und Firma zugeordnet?	über 90 %	Filter auf Kontakte mit Aktivität in 12 Monaten
4	Wie viele Kontakte wurden seit 24 Monaten nicht berührt?	unter 20 % des Bestands	Filter „letzte Aktivität vor Datum X“
5	Gibt es ein strukturiertes Feld für Kommunikations-Opt-out und bevorzugten Kanal?	Ja, befüllt und im Marketing-Tool gespiegelt	Feldliste prüfen, Stichprobe gegen Notizen
6	Sind Deal-Phasen schriftlich definiert mit Eintritts- und Austrittskriterien?	Ja, eine Definition für alle Teams	Dokument vorhanden? Von Teams bestätigt?
7	Wie viele Deals stehen länger als die doppelte Durchschnittsdauer in einer Phase?	unter 10 %	Phasen-Verweildauer-Report
8	Sind E-Mail, Kalender und Telefonie ins CRM integriert?	Ja, automatisch, für alle Vertriebler	Integrationseinstellungen, Stichprobe Aktivitäten pro Nutzer
9	Werden Kundenstammdaten aus dem ERP synchronisiert statt manuell gepflegt?	Ja, mit führendem System je Feld	Integrationsarchitektur prüfen
10	Gibt es einen Verantwortlichen für Datenqualität mit wöchentlichem Report?	Ja, namentlich	Organigramm, Report vorhanden?

Auswertung: Zählen Sie, wie viele der zehn Schwellenwerte Sie erreichen. Bei 8 bis 10: Ihre Datenbasis ist stabil genug, um einen überwachten Agenten in Routineprozessen einzusetzen. Bei 5 bis 7: Beginnen Sie mit Automationen und Agenten, die die Daten verbessern – also Anreicherung, Gesprächsnachbereitung und Datenhygiene – und noch nicht mit solchen, die auf Basis der Daten Entscheidungen treffen. Bei weniger als 5: Ein Agentenprojekt wäre zum jetzigen Zeitpunkt verlorenes Geld. Investieren Sie die nächsten drei Monate in die Datenbasis.

Die Schwellenwerte sind Erfahrungswerte aus unseren CRM-Projekten, keine Normen. Sie dienen dazu, die Diskussion von „unsere Daten sind eigentlich ganz okay“ auf Zahlen zu bringen. Die zehn Fragen sind übrigens dieselben, mit denen wir jedes CRM-Einführungs- und Bereinigungsprojekt starten – lange bevor irgendjemand das Wort Agent sagt.

Die richtige Reihenfolge: Daten, Prozess, Agent

Die meisten gescheiterten Projekte, die wir gesehen haben, sind in der falschen Reihenfolge gestartet: Agent kaufen, Prozess drumherum bauen, Daten später aufräumen. Die Reihenfolge, die funktioniert, ist umgekehrt – und die ersten vier Schritte sind klassische CRM-Arbeit, für die es keinen einzigen Agenten braucht.

1. Datenmodell festziehen (2–4 Wochen). Eine Phasendefinition für alle Teams. Pflichtfelder je Objekt, nicht mehr als nötig. Strukturierte Felder für alles, worauf später ein Guardrail prüfen soll: Opt-out, Kanalpräferenz, Rahmenvertrag, Kundensegment. Führendes System je Feld festlegen, wenn ERP oder Marketing-Tool beteiligt sind.

2. Bestand bereinigen und anreichern (4–8 Wochen). Dubletten zusammenführen, Karteileichen archivieren statt löschen, Pflichtfelder für aktive Datensätze nachtragen, Firmen- und Kontaktdaten aus externen Quellen anreichern (Branche, Größe, Rolle, aktuelle Ansprechpartner). Das ist der Schritt, der am häufigsten unterschätzt und am häufigsten aufgeschoben wird – mit Skripten, Anreicherungsdiensten und klaren Regeln geht er deutlich schneller als von Hand.

3. Zufluss sichern (parallel). E-Mail-, Kalender- und Telefonie-Integration für alle. Formulare mit Pflichtfeldern und Validierung. Automationen, die Pflichtfelder beim Phasenwechsel erzwingen und neue Leads automatisch anreichern und zuweisen. Meeting-Nachbereitung durch Copilot, damit neue Daten strukturiert ankommen statt in Freitext. Sonst ist der bereinigte Bestand in sechs Monaten wieder verschmutzt.

4. Prozess beschreiben, bevor der Agent ihn ausführt. Wenn Sie den Prozess einem neuen Mitarbeiter nicht in einer Seite erklären können, kann ihn auch kein Agent zuverlässig ausführen. Welche Signale, welche Aktionen, welche Ausnahmen, wer prüft.

5. Agent einführen – überwacht, mit Messung. Starten Sie mit einem Routineprozess wie Lead-Anreicherung, Gesprächsnachbereitung oder Stillstands-Erkennung. Definieren Sie vorher die Kennzahl: gesparte Stunden, Reaktionszeit, Feldvollständigkeit. Vier Wochen Schattenbetrieb, dann Freigabe.

6. Datenqualität dauerhaft messen. Die zehn Fragen aus dem Check werden zum monatlichen Report. Ein Agent, der auf sich verschlechternden Daten läuft, wird nicht langsam schlechter, sondern irgendwann plötzlich abgeschaltet – und dann steht er in der 40-%-Statistik.

Wer diese Reihenfolge einhält, braucht in der Regel ein Quartal, bis der erste Agent produktiv läuft. Das klingt langsam. Es ist deutlich schneller als ein Pilot, der nach sechs Monaten eingestellt wird und das Thema intern für zwei Jahre verbrennt.

Fazit: Die 40 % sind kein Technologieproblem

Gartners Prognose ist keine Warnung vor KI-Agenten. Sie ist eine Warnung vor Agentenprojekten ohne Fundament. Kosten laufen davon, wenn der Agent auf Dubletten arbeitet. Der Nutzen bleibt unklar, wenn niemand seinem Output traut. Die Risikokontrolle versagt, wenn die Regel in einem Freitextfeld steht.

Die gute Nachricht: Anders als bei Modellfähigkeiten, auf die Sie keinen Einfluss haben, liegt die Datenqualität vollständig in Ihrer Hand. Sie ist der Teil des Agentenprojekts, den Sie heute anfangen können – unabhängig davon, welches CRM Sie nutzen und welchen Agenten Sie später einführen.

Nächster Schritt: Beantworten Sie die zehn Fragen aus dem Datencheck für Ihr CRM. Wenn Sie dabei Zahlen sehen, die Ihnen nicht gefallen: Genau das ist unser Tagesgeschäft. Wir bereinigen und reichern CRM-Daten an, definieren Phasen und Pflichtfelder mit Ihrem Team und bauen die Automationen, die den Bestand sauber halten – in HubSpot, Pipedrive oder Salesforce.

Kostenloses Erstgespräch buchen