Klarna, der schwedische Zahlungsdienstleister, veröffentlichte im Februar 2024 eine bemerkenswerte Kennzahl: Ein einzelner AI-Agent hatte in seinem ersten Einsatzmonat 2,3 Millionen Kundenanfragen bearbeitet. Die durchschnittliche Bearbeitungszeit sank von elf Minuten auf unter zwei. Das Unternehmen bezifferte die Kapazitätsäquivalenz auf 700 Vollzeitstellen.
Diese Zahlen illustrieren, was die vorherigen Teile dieser Serie theoretisch beschrieben haben. Der Reasoning-Action-Zyklus, das Function Calling, die Werkzeugintegration: Sie manifestieren sich in konkreten Produkten, die bereits heute Geschäftsprozesse prägen. Laut McKinsey nutzen 88 Prozent der Unternehmen KI mittlerweile in mindestens einer Geschäftsfunktion, ein Anstieg von 72 Prozent im Vorjahr [1]. Gartner prognostiziert, dass 40 Prozent aller Unternehmensanwendungen bis 2026 aufgabenspezifische AI-Agenten integrieren werden, gegenüber weniger als fünf Prozent im Jahr 2025 [2].
Dieser Beitrag kartografiert das Terrain. Welche Agentensysteme existieren, in welchen Branchen operieren sie, und welche messbaren Resultate produzieren sie?
Die Werkstatt der Entwickler
Die Softwareentwicklung fungiert als Vorreiter der Agentenadoption. Hier sind die Produktivitätsgewinne unmittelbar messbar, die Risiken kalkulierbar, die Nutzer technisch versiert genug, um Limitationen zu kompensieren.
GitHub Copilot
Das Werkzeug, das die Kategorie definierte. Ursprünglich als Autovervollständigung konzipiert, hat sich Copilot zu einer Agentenplattform entwickelt. Die aktuelle Version navigiert durch Projektstrukturen, analysiert Abhängigkeiten, führt Tests aus und schlägt Refactorings vor, die mehrere Dateien simultan betreffen.
Die Nutzungszahlen sind beachtlich: Bei einem Preis von zehn Dollar monatlich für unbegrenzte Nutzung hat Microsoft ein Werkzeug geschaffen, das für viele Entwickler zur Grundausstattung geworden ist. Der Wettbewerbsvorteil liegt in der Integration. Copilot operiert innerhalb etablierter Entwicklungsumgebungen, ohne Arbeitsabläufe zu unterbrechen. Die direkte Einbettung in Visual Studio Code, JetBrains und andere populäre Editoren senkt die Einstiegshürde auf ein Minimum.
Claude Code
Anthropic positioniert Claude Code als das anspruchsvollere Instrument. Mit einer Lösungsrate von über 72 Prozent auf dem SWE-bench-Benchmark, einem standardisierten Test für autonome Softwarereparatur, demonstriert es, was gegenwärtig technisch möglich ist.
Die jüngsten Erweiterungen sind aufschlussreich: Checkpoints, die den Arbeitszustand sichern und sofortige Rücksetzung ermöglichen. Eine native VS-Code-Extension. Diese Funktionen adressieren ein zentrales Problem autonomer Systeme: die Reversibilität von Aktionen, die sich als fehlerhaft erweisen.
Claude Code richtet sich an Teams, die an komplexen Systemen arbeiten und bereit sind, für erhöhte Autonomie zu zahlen. Es ist kein Werkzeug für Gelegenheitsnutzer.
Cursor
Cursor verfolgt einen anderen Ansatz: statt Integration eine eigenständige Entwicklungsumgebung. Das ermöglicht tiefere Kontrolle. Mit Kontextfenstern von bis zu einer Million Token kann Cursor größere Codebasen im Blick behalten als die Konkurrenz.
Die Multi-Modell-Strategie ist bemerkenswert. Cursor bindet sich nicht an einen einzelnen Anbieter, sondern orchestriert verschiedene Sprachmodelle je nach Aufgabenstellung. Ein architektonischer Entscheid, der Flexibilität über Einfachheit stellt.
Devin
Und dann ist da Devin, das ambitionierteste Projekt der Kategorie. Cognition Labs präsentierte im März 2024 einen Agenten, der den gesamten Entwicklungszyklus abdecken soll: von der natürlichsprachlichen Aufgabenbeschreibung über Implementierung und Debugging bis zum funktionsfähigen Produkt.
Die Realität ist differenzierter als die Ankündigung. Devin liefert bei klar definierten, abgrenzbaren Aufgaben. Bei komplexen Systemen mit implizitem Wissen über Geschäftslogik und Architekturentscheidungen stößt es an Grenzen. Dennoch: Für Unternehmen, die repetitive Entwicklungsaufgaben automatisieren wollen, bietet Devin einen Vorgeschmack auf die Zukunft.
Die Unternehmensgiganten
Während spezialisierte Werkzeuge einzelne Berufsgruppen adressieren, positionieren sich die großen Technologiekonzerne breiter. Ihre Agentenplattformen zielen auf die Automatisierung ganzer Geschäftsprozesse.
Microsoft Copilot
Microsoft hat Copilot zum Sammelbegriff für seine gesamte KI-Strategie gemacht. Der Kern: Agenten, die direkt mit der Microsoft-Produktlandschaft interagieren. Excel, Teams, SharePoint, Dynamics, Azure.
Im vierten Quartal 2024 wurden über 400.000 benutzerdefinierte Agenten im Copilot Studio erstellt. Nahezu 70 Prozent der Fortune-500-Unternehmen nutzen die Plattform. Diese Zahlen reflektieren weniger technologische Überlegenheit als vielmehr die Macht existierender Infrastruktur: Wer bereits auf Microsoft setzt, findet den Einstieg in Copilot friktionsarm.
Die Architektur basiert auf der Power Platform. Ein Agent kann einen Flow in Power Automate auslösen, der eine SQL-Datenbank aktualisiert, eine Teams-Nachricht versendet und ein SharePoint-Dokument erstellt, alles in einer einzigen Transaktion. Diese horizontale Integration über das gesamte Unternehmenssoftware-Spektrum ist Microsofts zentrales Differenzierungsmerkmal.
Google Vertex AI
Google strukturiert sein Angebot anders. Vertex AI Agent Builder ist eine Entwicklerplattform, kein Endnutzerprodukt. Das Python-basierte Agent Development Kit wurde seit seiner Veröffentlichung über sieben Millionen Mal heruntergeladen.
Die Markteinführung von Gemini 3 Pro markierte einen Wendepunkt. Google bezeichnet es als sein bislang leistungsfähigstes agentisches Modell. Die Integration in Agent Builder ermöglicht es Entwicklern, produktionsreife Agenten mit unter hundert Zeilen Code zu erstellen, zumindest in einfachen Fällen.
Mit Agentspace hat Google zudem eine Schnittstelle für Unternehmensanwender geschaffen, die Agenten verschiedener Herkunft, von Google, von Drittanbietern oder selbst entwickelt, unter einheitlicher Governance zusammenführt.
Salesforce Agentforce
Salesforce differenziert sich durch Autonomie. Während Copilot als Assistent konzipiert ist, ein System, das Menschen bei Aufgaben unterstützt, positioniert Agentforce seine Agenten als digitale Arbeitskräfte, die Workflows eigenständig ausführen.
Der Atlas Reasoning Engine, das technologische Fundament, ermöglicht es Agenten, Anfragen zu verstehen, Entscheidungen zu treffen und Aktionen durchzuführen, ohne auf menschliche Bestätigung zu warten. Das Einsatzgebiet ist klar umrissen: Customer 360, also Vertrieb, Service, Marketing. Innerhalb dieser Domäne operiert Agentforce mit einer Tiefe, die horizontale Plattformen nicht erreichen.
Die strategische Frage für Unternehmen lautet entsprechend: Benötige ich einen Assistenten, der überall hilft, oder einen Spezialisten, der in einem definierten Bereich autonom agiert?
Europas Antwort: SAP und Siemens
Europa entwickelt eigene Agentenstrategien, geprägt von spezifischen Stärken in Unternehmenssoftware und Industrieautomatisierung.
SAP Joule
Der deutsche Softwarekonzern SAP hat mit Joule einen generativen KI-Kopiloten geschaffen, der im Oktober 2024 grundlegend erweitert wurde [3]. Im Herbst 2025 kündigte SAP 14 neue Joule-Agenten an, die Aufgaben in Vertrieb, Beschaffung, Finanzwesen und Personalmanagement koordinieren, entscheiden und ausführen.
Das Joule Studio ermöglicht seit dem vierten Quartal 2024 die Erstellung eigener Agenten in einer Low-Code-Umgebung. Unternehmen können damit spezifische Workflows automatisieren, ohne tiefgreifende Programmierkenntnisse zu benötigen. Ein Quote Creation Agent wandelt beispielsweise E-Mail-Anfragen automatisch in versandfertige Angebote um.
Bemerkenswert ist die Interoperabilität: SAP hat eine Zwei-Wege-Integration zwischen Joule und Microsoft 365 Copilot etabliert. Beide Assistenten kommunizieren miteinander und tauschen Unternehmensdaten aus. SAP berichtet von über 400 KI-gestützten Anwendungsfällen, die mittlerweile in seine Anwendungen eingebettet sind.
Siemens Industrial Copilot
Siemens präsentierte auf der Hannover Messe 2024 den ersten generativen KI-Assistenten, der explizit für industrielle Umgebungen konzipiert wurde [4]. Der Industrial Copilot ist in das Totally Integrated Automation Portal eingebunden und unterstützt Ingenieure bei der Code-Erstellung, Konfiguration und Prozessoptimierung.
Die Resultate sind konkret: Ingenieure erstellen Panel-Visualisierungen in 30 Sekunden. Generierter Code erfordert nur 20 Prozent Anpassung. ThyssenKrupp Automation Engineering setzt den Copilot bereits für Maschinen ein, die Batteriequalität in Elektrofahrzeugen prüfen [5]. Der KI-Assistent generiert strukturierten Steuerungscode, integriert ihn automatisch in das TIA Portal und erstellt Maschinenvisualisierungen.
Siemens plant die Erweiterung um multimodale Fähigkeiten und agentenbasierte Automatisierung. Der Ansatz: Komplexe Aufgaben werden in ausführbare Teilaufgaben zerlegt, mit Echtzeit-Erkenntnissen angereichert und auf dem Shopfloor automatisiert entschieden. Ein Agenten-Marktplatz soll künftig die Zusammenarbeit zwischen Agenten verschiedener Hersteller ermöglichen. Für datensensible Umgebungen bietet Siemens eine On-Premises-Konfiguration an, die Datenverarbeitung direkt auf dem Shopfloor ermöglicht, ohne Internetverbindung.
Chinas parallele Plattformlandschaft
Während westliche Beobachter oft auf Silicon Valley fokussieren, hat China eine eigenständige Agentenlandschaft entwickelt. Der Gesamtwert der chinesischen KI-Industrie wird 2025 auf 1,2 Billionen Yuan (etwa 171 Milliarden Dollar) geschätzt [6].
Alibaba und Qwen
Alibaba Cloud führt den chinesischen KI-Cloud-Markt mit 33 Prozent Marktanteil an. Das Unternehmen kündigte Investitionen von 53 Milliarden Dollar über drei Jahre in Cloud-Computing und KI-Infrastruktur an, mehr als die gesamten KI- und Cloud-Ausgaben des vergangenen Jahrzehnts [7].
Der AgentBuilder auf Basis von Alibabas Tongyi Qianwen ermöglicht die Erstellung von Agenten für Marketing, Produktmanagement und Kundeninteraktion. Alibaba erwartet eine 100-prozentige Adoptionsrate bei seinen Händlern bis Ende 2025. Die Qwen-Modellfamilie umfasst mittlerweile 74.300 derivative Modelle und hat damit Metas Llama als größte generative Sprachmodellfamilie weltweit überholt.
Baidu ERNIE und Qianfan
Baidu präsentierte im November 2025 ERNIE 5.0, ein nativ multimodales Basismodell, das Text, Bilder, Audio und Video gemeinsam modelliert [8]. Über 85.000 Unternehmenskunden nutzen Qianfan, Baidus Model-as-a-Service-Plattform, und haben darauf 190.000 KI-Anwendungen erstellt.
GenFlow 3.0, Baidus allgemeiner KI-Agent zur Automatisierung von Aufgaben und Workflows, zählt über 20 Millionen aktive Nutzer. Auf der AgentBuilder-Plattform wurden bis April 2024 über 30.000 Agenten erstellt. Mit Famou präsentierte Baidu zudem den nach eigenen Angaben weltweit ersten kommerziell verfügbaren selbstentwickelnden Agenten.
DeepSeek: Der Kostendisruptor
DeepSeek erschütterte im Januar 2025 die KI-Branche. Das Startup aus Hangzhou überholte ChatGPT als meistgeladene App im US-amerikanischen iOS App Store und löste einen 18-prozentigen Kurssturz bei Nvidia aus [9].
Die Zahlen sind aufschlussreich: DeepSeek V3 wurde mit 5,5 Millionen Dollar trainiert, während GPT-4 über 100 Millionen Dollar kostete. Die API-Preise liegen bei 0,55 Dollar pro Million Input-Tokens gegenüber 15 Dollar bei OpenAI. Diese Kosteneffizienz verschiebt die Wirtschaftlichkeitsrechnung für Agentenanwendungen grundlegend.
Mit durchschnittlich 38 Millionen monatlich aktiven Nutzern im April 2025 und 22 Millionen täglichen Website-Besuchern hat DeepSeek eine beachtliche Nutzerbasis aufgebaut. In China nutzen über 67 Prozent der Berufstätigen DeepSeek bei der Arbeit, gefolgt von Doubao mit 66 Prozent. ChatGPT liegt mit 32 Prozent auf dem dritten Platz.
Die Kundenservice-Front
Nirgendwo ist die Adoption von AI-Agenten weiter fortgeschritten als im Kundenservice. Die Gleichung ist simpel: hohe Volumina repetitiver Anfragen, messbare Erfolgskriterien, tolerierbare Fehlerkosten.
Klarna: Die Referenzimplementierung
Die eingangs zitierten Zahlen verdienen Kontextualisierung. Klarnas Agent bearbeitet nicht jede Anfrage gleich erfolgreich. Er liefert bei Standardszenarien: Zahlungsstatus, Rückgabeprozesse, Kontoänderungen. Bei komplexen Streitfällen oder emotionalen Eskalationen übergibt er an menschliche Mitarbeiter.
Das Unternehmen beziffert die Profitverbesserung durch KI-Effizienz im Jahr 2024 auf etwa 40 Millionen Dollar. Die Kosten pro Transaktion sanken seit Anfang 2023 um 40 Prozent. Dies sind keine Pilotprojekt-Kennzahlen, sondern operative Realität im Maßstab eines börsennotierten Finanzdienstleisters.
ServiceNow: Interne Transformation
ServiceNow wendet seine eigene Technologie auf sich selbst an, ein Ansatz, den das Unternehmen als Now-on-Now bezeichnet. Die Resultate: 54 Prozent Deflektionsrate bei einem häufig genutzten Problemformular. Zwölf bis siebzehn Minuten eingesparte Bearbeitungszeit pro Fall. Annualisierte Einsparungen von etwa 5,5 Millionen Dollar durch vermiedene Tickets.
Diese Zahlen sind instruktiv, weil sie von einem Unternehmen stammen, das seine eigene Infrastruktur versteht. Die Integration ist optimal, die Wissensbasis gepflegt, die Prozesse dokumentiert. Sie repräsentieren, was unter idealen Bedingungen erreichbar ist.
Branchenübergreifende Muster
Equinix berichtet von 68 Prozent Deflektionsrate bei Mitarbeiteranfragen. Esusu automatisiert 64 Prozent seiner E-Mail-basierten Kundeninteraktionen bei einer Steigerung der Kundenzufriedenheit um zehn Punkte. Toyota hat in Kooperation mit Cognigy einen E-Care-Agenten implementiert, der proaktiv Kunden kontaktiert, wenn Fahrzeugsensoren Wartungsbedarf signalisieren.
Das konsistente Muster: Reife Agentensysteme erreichen Deflektionsraten zwischen 40 und 70 Prozent, vorausgesetzt die Wissensbasis ist gepflegt und die Workflows sind integriert.
Die spezialisierten Domänen
Jenseits horizontaler Plattformen und Kundenservice entstehen Agenten für spezialisierte Wissensarbeit.
Rechtswesen: Harvey AI
Harvey AI hat sich als dominanter Akteur im legalen Sektor etabliert. Das Unternehmen wurde 2022 gegründet und erreichte Ende 2025 eine Bewertung von acht Milliarden Dollar bei etwa 100 Millionen Dollar Jahresumsatz, eine Trajektorie, die das Investoreninteresse an vertikalen KI-Anwendungen illustriert.
Die Produktpalette hat sich über einfache Recherchetools hinaus entwickelt. Deep Research ermöglicht mehrstufige juristische Analysen. Agentic Search geht über reine Informationsabfrage hinaus und plant, verfeinert und kontextualisiert Suchanfragen. In Kooperation mit A&O Shearman entwickelt Harvey agentische Systeme für komplexe rechtliche Workflows.
Die Zielgruppe erweitert sich: Ursprünglich auf Kanzleien fokussiert, adressiert Harvey zunehmend Unternehmen in Branchen wie Finanzdienstleistungen und Gesundheitswesen, die anspruchsvolle interne Rechtsabteilungen unterhalten.
Gesundheitswesen: Die stille Explosion
Die Investitionen in Healthcare-KI erreichten 2025 etwa 1,4 Milliarden Dollar, nahezu das Dreifache des Vorjahres und mehr als der gesamte vertikale KI-Markt 2024 zusammen [10].
Abridge, spezialisiert auf klinische Dokumentation, wurde mit 5,3 Milliarden Dollar bewertet. Hippocratic AI, das Sprachmodelle für medizinische Anwendungen entwickelt, erreichte 3,5 Milliarden. EliseAI, mit Fokus auf Patienteninteraktion und Verwaltung, 2,2 Milliarden.
Die Anwendungskategorien sind heterogen: Ambient Clinical Documentation, also Systeme, die Arzt-Patienten-Gespräche transkribieren und strukturieren. Coding und Billing Automation, die Übersetzung medizinischer Leistungen in Abrechnungscodes. Prior Authorization, die automatisierte Bearbeitung von Genehmigungsanfragen bei Versicherungen. Patientenkommunikation, von Terminvereinbarung bis Nachsorge.
Die Dynamik ist bemerkenswert: Patientenengagement wuchs um den Faktor 20 gegenüber dem Vorjahr, Prior Authorization um den Faktor zehn. Dies sind nicht inkrementelle Verbesserungen, sondern kategoriale Verschiebungen.
Regulatorische Rahmenbedingungen
Die EU hat mit dem AI Act das weltweit erste umfassende rechtliche Rahmenwerk für KI-Systeme geschaffen [11]. Das Gesetz trat am 1. August 2024 in Kraft und wird ab August 2026 vollständig anwendbar sein. Verbote für bestimmte KI-Praktiken und KI-Kompetenzanforderungen gelten bereits seit Februar 2025.
Für AI-Agenten ist der risikobasierte Ansatz des AI Act relevant. Anwendungen werden nach Risikokategorien klassifiziert, von minimal bis unakzeptabel. Hochrisiko-KI-Systeme, etwa solche in regulierten Produkten oder kritischer Infrastruktur, unterliegen strengen Anforderungen an Dokumentation, menschliche Aufsicht und Transparenz.
Obwohl der AI Act nicht ursprünglich mit Agenten im Sinn konzipiert wurde, gilt er für sie. Dennoch bestehen Lücken, die zusätzliche Leitlinien der Europäischen Kommission und Aktualisierungen technischer Standards erfordern [12]. Bei Verstößen drohen Bußgelder von bis zu 35 Millionen Euro oder sieben Prozent des weltweiten Jahresumsatzes.
Die kritische Einordnung
Die präsentierten Zahlen sind beeindruckend. Sie erfordern dennoch kritische Reflexion.
Survivorship Bias
Die Unternehmen, die über ihre Agentenprojekte berichten, sind jene, bei denen sie funktionieren. Die gescheiterten Implementierungen, die Projekte, die nach sechs Monaten eingestellt wurden, die Abteilungen, die zur manuellen Bearbeitung zurückkehrten: Sie erscheinen in keiner Pressemitteilung. Gartner prognostiziert, dass über 40 Prozent der agentischen KI-Projekte bis Ende 2027 abgebrochen werden, aufgrund eskalierender Kosten, unklaren Geschäftswerts oder unzureichender Risikokontrollen [13].
Kontextabhängigkeit
Klarnas Erfolg basiert auf jahrelanger Investition in strukturierte Daten, dokumentierte Prozesse und eine technisch versierte Organisation. Nicht jedes Unternehmen kann diese Voraussetzungen replizieren.
Messbarkeit
Die spektakulärsten Resultate stammen aus Domänen mit klaren Erfolgskriterien, also bearbeitete Tickets, Deflektionsraten, Bearbeitungszeiten. In Bereichen, wo Qualität schwieriger zu quantifizieren ist, sind die Berichte vager.
Reifegrad
Eine McKinsey-Erhebung zeigt, dass 23 Prozent der Unternehmen agentische KI-Systeme skalieren, während weitere 39 Prozent mit Agenten experimentieren [14]. Unter jenen, die bereits Agenten einsetzen, berichten 66 Prozent von höherer Produktivität. Das bedeutet auch: 34 Prozent tun es nicht. Bei einer derart jungen Technologie ist das keine Überraschung, aber es ist eine Mahnung zur Nüchternheit.
Agent Washing
Viele Anbieter betreiben, was Gartner als 'Agent Washing' (Agenten-Schönfärberei) bezeichnet: Sie benennen bestehende Produkte wie KI-Assistenten, RPA-Lösungen oder Chatbots um, ohne substanzielle agentische Fähigkeiten hinzuzufügen. Von den Tausenden von Anbietern, die agentische KI anbieten, schätzt Gartner nur etwa 130 als authentisch ein [15].
Ausblick
Entwicklungswerkzeuge, die Programmierern Stunden sparen. Unternehmensplattformen, die Geschäftsprozesse automatisieren. Kundenservice-Agenten, die Millionen von Anfragen bearbeiten. Spezialisierte Systeme für Recht und Medizin. Das Muster erstreckt sich über drei Kontinente: Microsoft und Google in den USA, SAP und Siemens in Europa, Alibaba und Baidu in China.
In meiner eigenen Arbeit mit diesen Systemen zeigt sich: Die beeindruckenden Zahlen erzählen nur die halbe Geschichte. Hinter jeder erfolgreichen Implementierung stehen Monate der Integration, gepflegte Datenbestände und Teams, die wissen, wann sie dem Agenten vertrauen können, und wann nicht. Die Technologie ist da, aber der Erfolg hängt von der Umsetzung ab.
Wer heute Agenten einsetzen will, sollte mit klar abgegrenzten Aufgaben beginnen, messbare Erfolgskriterien definieren und Ressourcen für die Integration einplanen. Die Frage ist nicht mehr ob, sondern wie und wo.
Doch mit zunehmender Autonomie wachsen auch die Risiken. Falsche Entscheidungen, unklare Haftung, mangelnde Kontrolle: Der nächste Teil widmet sich genau diesen Fragen.
Weiter mit Teil 4: Risiken: Wenn AI-Agenten versagen.
Quellenverzeichnis
[1] McKinsey & Company: 'The state of AI in 2025: Agents, innovation, and transformation', McKinsey Global Survey, 2025.
[2] Gartner: 'Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026', Gartner Press Release, August 2025.
[3] SAP SE: 'SAP Supercharges Copilot Joule with Collaborative Capabilities to Ignite Enterprise AI Revolution', SAP News Center, Oktober 2024.
[4] Siemens AG: 'Siemens Debuts Generative AI-Powered Industrial Copilot at Hannover Messe 2024', Siemens Press Release, April 2024.
[5] Siemens AG: 'Siemens' Industrial Copilot Adopted by ThyssenKrupp', Siemens News, November 2024.
[6] World Economic Forum: 'Blueprint to Action: China's Path to AI-Powered Industry Transformation', WEF Report, 2025.
[7] Alibaba Group: 'How Alibaba's Investment Surges AI and Cloud Expansion', Technology Magazine, 2025.
[8] Baidu Inc.: 'Baidu Unveils ERNIE 5.0 and a Series of AI Applications at Baidu World 2025', PR Newswire, November 2025.
[9] Business of Apps: 'DeepSeek Revenue and Usage Statistics 2025', Business of Apps Research, 2025.
[10] CB Insights: 'State of Healthcare AI 2025', CB Insights Industry Report, 2025.
[11] European Commission: 'AI Act enters into force', European Commission Press Release, August 2024.
[12] The Future Society: 'How AI Agents Are Governed Under the EU AI Act', Policy Analysis, 2025.
[13] Gartner: 'Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027', Gartner Press Release, Juni 2025.
[14] McKinsey & Company: 'The state of AI in 2025', McKinsey Global Survey, 2025.
[15] Gartner: 'The 2025 Hype Cycle for Artificial Intelligence Goes Beyond GenAI', Gartner Research, 2025.