Gartner und die Zukunft der KI: Prognosen, Messungen und eine kritische Einordnung
Was prognostiziert Gartner, und wie haben sich die Einschätzungen verändert? Ein historischer Vergleich, Fähigkeitsmessungen von METR, Arbeitsaufgaben in der Anthropic-Studie und unsere kritische Einordnung in neun Infografiken.
Drei verschiedene Fragen zur Zukunft der KI
Für Fähigkeiten, Unternehmensproduktivität und Arbeitsplätze gelten unterschiedliche Kennzahlen. Eine einzelne Kurve passt nicht zu ihnen.
Unsere Meinung: Gartner hilft bei der Organisation der Themen. Zeitschätzungen erfordern eine historische Überprüfung und einen Vergleich mit gemessenen Ergebnissen.
Ich verfolge die Kurven von Gartner seit mehreren Jahren. Sie helfen mir, die technologischen Themen zu ordnen, aber mit ihnen komme ich nach und nach auf eine Frage zurück: Wenn ein bestimmter Ansatz immer wieder in zwei bis fünf Jahren ausgereift sein soll, kommt er dann wirklich dem Ziel näher oder verschiebt sich die Frist selbst? Dieses Jahr interessierte mich besonders die kombinierte KI. Der Name klingt aktuell, doch die Kombination verschiedener Methoden der künstlichen Intelligenz kennen wir schon lange.
Ich sehe eine ähnliche Spannung zwischen dem schnellen Wachstum der Modellfähigkeiten und den vorsichtigeren Prognosen für den Einsatz in Unternehmen. Beides kann gleichzeitig wahr sein: KI kann immer anspruchsvollere Aufgaben bewältigen, und dennoch kann es sein, dass ein bestimmtes Unternehmen nicht den erwarteten Nutzen erzielt. Um zu wissen, wann Vorsicht angebracht ist und wann sie hinter der Entwicklung zurückbleibt, brauchen wir neben Prognosen auch Messungen und einen Blick in die Geschichte.
In seinem Überblick vom Oktober 2026 hebt Gartner eine Verlagerung des Fokus auf die Verantwortung für das KI-Verhalten, seine Kosten und seine Governance hervor. Agenten, Robotik und neue Modelle stoßen weiterhin auf Interesse, decken aber gleichzeitig Schwachstellen bei Unternehmensdaten, Sicherheit und Arbeitsorganisation auf. Gartner über den großen Wandel in der KI im Jahr 2026.
Um diese Entwicklung zu verstehen, ist es notwendig, verschiedene Karten zu unterscheiden. Die allgemeine Kurve der künstlichen Intelligenz erfasst technologische Trends. Weitere Übersichten behandeln generative KI, Agentensysteme und KI in der physischen Welt. In einer separaten Kurve zur Zukunft der Arbeit werden außerdem Fähigkeiten, Personalmanagement und die menschliche Beziehung zur Automatisierung untersucht. Ihre Themen überschneiden sich, sie beantworten jedoch nicht die gleiche Frage.
Zunächst erkläre ich die Kategorien von Gartner und vergleiche sie mit Schätzungen von IDC, Forrester, Deloitte, McKinsey und KI-Anbietern. Anschließend füge ich METR-Messungen, Jobrecherchen von Anthropic und acht historische Beispiele aus den Jahren 2011–2026 hinzu; Für die kombinierte KI vergleiche ich die Jahre 2020, 2023 und 2026. Am Ende werde ich meine eigene kritische Reflexion von den Ansprüchen einzelner Institutionen trennen.
Der Artikel wurde am 10. November veröffentlicht und von 11. November 2026 erweitert. Es basiert auf öffentlichen Berichten, Daten und Diagrammen; für die Jahre 2011, 2020 und 2023, auch aus öffentlich zugänglichen Nachdrucken der Originalberichte. Die vollständigen kostenpflichtigen Profile von Gartner für 2026 sind nicht die Grundlage dieser Analyse. Technische Erläuterungen, eigene Aufschlüsselungen und Autorenreflexion werden von Quellenprognosen unterschieden.
So lesen Sie die Erwartungskurve
Das Modell von Gartner besteht aus fünf Phasen. Die Tabelle beschreibt die fünf Phasen.
| Phase | Was drückt es aus? |
|---|---|
| Innovationsimpuls | Neue Möglichkeiten, erste Versuche und großes Interesse werden auftauchen. Die praktische Anwendbarkeit ist ungewiss. |
| Der Höhepunkt überzogener Erwartungen | Erfolgreiche Demos erwecken den Eindruck einer schnellen und umfassenden Transformation. Erwartungen werden von Erfahrungen überholt. |
| Tal der Nüchternheit | Grenzen, Kosten und gescheiterte Projekte werden aufgezeigt. Ein Teil der Lieferanten und Nutzer fällt weg. |
| Der Hang des Verstehens | Es gibt eine Zunahme wiederholbarer Prozesse und eine klarere Vorstellung davon, wo Technologie einen Mehrwert bringt. |
| Plateau der Produktivität | Etablierte Nutzungen und bekanntere Bedingungen des wirtschaftlichen Nutzens nehmen zu. |
Es handelt sich um einen Managementrahmen zum Nachdenken über Reife und Akzeptanz. Die vertikale Achse zeigt die Erwartungen; Die Horizontale stellt den Entwicklungsfortschritt ohne regelmäßige Kalenderskala dar. Die konkrete Zeitschätzung wird durch das Etikett neben dem Artikel angezeigt. Offizielle Erklärung der Gartner-Methodik.
Dies führt zu erheblichen Einschränkungen der Interpretation. Ein Abfall der Kurve bedeutet nicht einen Rückgang der Rechenleistung oder eine Verschlechterung aller Produkte. Die Technik im Tal kann für eine bestimmte Aufgabe sehr nützlich sein. Andererseits ist die Technologie an der Spitze möglicherweise noch nicht für den breiten Einsatz bereit. Die Höhe des Punktes gibt keinen Aufschluss über die Gefährlichkeit, den Umsatz oder die Erfolgswahrscheinlichkeit.
Die Zeit muss mit der gleichen Vorsicht gelesen werden. „Zwei bis fünf Jahre bis zur Produktivität“ ist nicht das Datum der Erfindung, des ersten Produkts oder der ersten rückzahlbaren Bestellung. Es handelt sich um eine Schätzung des verbleibenden Weges bis zur weiteren Reife der jeweiligen Kategorie. Für das Diagramm vom August 2026 können die Intervalle grob wie folgt umgerechnet werden:
| Eine Markierung im Diagramm | Ungefähre Kalenderbedeutung |
|---|---|
| Weniger als zwei Jahre | Ausblick bis etwa zum zweiten Halbjahr 2028 |
| Zwei bis fünf Jahre | Etwa 2028 bis 2031 |
| Fünf bis zehn Jahre | Ungefähr 2031 bis 2036 |
| Mehr als zehn Jahre | Jenseits des Horizonts von 2036 |
Bei dieser Konvertierung handelt es sich um eine einfache Neuberechnung der Intervalle, nicht um eine weitere Vorhersage. Die Intervalle sind keine statistischen Konfidenzintervalle. Für ein bestimmtes Unternehmen kann das Ergebnis deutlich früher, später oder gar nicht eintreten.
Selbst der Markenname auf Basismodellen bedeutet daher nicht, dass Unternehmen sie in zwei Jahren einsetzen werden. Eine im März 2025 veröffentlichte McKinsey-Umfrage ergab bereits, dass 71 Prozent der Befragten angeben, regelmäßig generative KI in mindestens einer Geschäftsfunktion einzusetzen. Dabei handelt es sich um die befragten Organisationen, nicht um eine Volkszählung aller Unternehmen. Breiter Einsatz und vorhersehbarer wirtschaftlicher Nutzen sind zwei verschiedene Dinge. Gleichzeitig sollte der Analyst darlegen, nach welchen beobachtbaren Kriterien das Plateau bereits erreicht sein wird. Ohne sie ist die Schätzung schwer zu überprüfen. McKinsey: Einsatz generativer KI in Organisationen.
Wenn Gartner eine breitere Produktivität erwartet
Schätzungen vom August 2026. Technologien können heute eingesetzt werden; Die Grafik sagt nicht, wann sie erfunden werden.
Der Begriff Produktivität ist nicht der Begriff Erfindung. Dies ist eine ungefähre Neuberechnung der Intervalle ab August 2026. Für die allgemeine KI ist dies keine Vorhersage des Datums ihrer Entstehung.
Benutzerdefinierte Infografik von Gartners Diagramm 2026, Seite 3.Was genau steht in der Technologielandkarte für 2026?
Ein allgemeiner Bericht über KI wurde von 28. August 2026 veröffentlicht. Die Grafik selbst zeigt die Situation im August. Dies ist wichtig, um ihn vom Artikel vom Oktober zu unterscheiden, der den Bericht populär macht. Öffentliche Aufzeichnung des Gartner-Berichts.
Gartners Original-Chart für 2026. Die Position zeigt die Erwartungsphase. Für genaue Zeitintervalle wird die Legende der Originalübersicht und die folgende Tabelle verwendet. Quelle und vollständige Übersicht.
Auf dem Diagramm ist 27 Artikel. Die folgende Tabelle übersetzt ihre Namen und fügt eine kurze sachliche Erklärung hinzu. Die Zeitschätzungen werden von den Markierungen im Originaldiagramm überschrieben; Die Begriffserklärungen dienen als Glossar für den Leser und ersetzen nicht die lizenzierten Definitionen von Gartner.
| Bereich | Was man sich darunter vorstellen kann | Eine Schätzung des Produktivitätsplateaus |
|---|---|---|
| Komposite KI | Kombination mehrerer Ansätze, wie z. B. Lernen aus Daten, Regeln, Optimierung und Wissensstrukturen. | Weniger als 2 Jahre |
| Basismodelle | Umfangreich vorab trainierte Modelle, die als Grundlage für viele Spezialanwendungen dienen. | Weniger als 2 Jahre |
| Edge-KI | Auswertung auf einem Telefon, einer Maschine, einem Fahrzeug oder einem lokalen Gerät in der Nähe der Datenquelle. | Weniger als 2 Jahre |
| Generative KI | Systeme, die Text, Bilder, Ton, Code und andere Inhalte erstellen. | Weniger als 2 Jahre |
| KI basiert auf Grundprinzipien | Verknüpfung des Lernens mit physikalischen Gesetzen, Domänenregeln und anderen bekannten Problemstrukturen. | 2 bis 5 Jahre |
| Kausale KI | Modellierung von Kausalzusammenhängen und Konsequenzen von Interventionen. | 2 bis 5 Jahre |
| Identität von KI-Agenten | Anerkennung eines bestimmten Agenten, seiner Autorität, vertretenen Person und Verantwortlichkeiten. | 2 bis 5 Jahre |
| Softwareentwicklung, die von Grund auf auf KI basiert | Ein Entwicklungsprozess, bei dem KI Teil von Design, Implementierung, Verifizierung und Wartung ist. | 2 bis 5 Jahre |
| Entscheidungsintelligenz | Verknüpfung von Daten, Modellen, Entscheidungsregeln und Feedback zu Ergebnissen. | 2 bis 5 Jahre |
| Finanzielles Management von KI-Operationen | Kontinuierliche Überwachung und Optimierung der KI-Kosten im Verhältnis zum erzielten Wert. | 2 bis 5 Jahre |
| Souveräne KI | Kontrolle über Daten, Modelle, Infrastruktur und Abhängigkeiten von Lieferanten oder Gerichtsbarkeiten. | 2 bis 5 Jahre |
| KI-Engineering | Praktiken zum zuverlässigen Erstellen, Bereitstellen, Bewerten und Betreiben von KI-Systemen. | 2 bis 5 Jahre |
| KI-Agenten | Systeme, die Schritte auswählen und Werkzeuge innerhalb eines bestimmten Ziels verwenden. | 2 bis 5 Jahre |
| Multimodale KI | Modelle, die mehrere Arten von Eingaben oder Ausgaben verbinden, z. B. Text, Bild und Ton. | 2 bis 5 Jahre |
| KI-fähige Daten | Daten in ausreichender Qualität, verfügbar, beschrieben und für die jeweilige Aufgabe rechtmäßig nutzbar. | 2 bis 5 Jahre |
| Synthetische Daten | Künstlich generierte Beispiele für Training, Test oder Simulation. | 2 bis 5 Jahre |
| Wissensgraphen | Strukturierte Erfassung von Objekten, deren Eigenschaften und gegenseitigen Beziehungen. | 2 bis 5 Jahre |
| KI-Beobachtbarkeit | Herausfinden, was das System tatsächlich tut, wo es schief geht und wie sich sein Verhalten ändert. | 5 bis 10 Jahre |
| KI-Fabriken | Rechen-, Daten- und Betriebseinheiten zur kontinuierlichen Erstellung und Bereitstellung von KI. | 5 bis 10 Jahre |
| Quantencomputing für KI | Der Einsatz von Quantencomputermethoden bei KI-bezogenen Aufgaben. | 5 bis 10 Jahre |
| Handel über Agenten | Auswahl, Vergleich oder Ausführung von Geschäftsaktionen durch Software-Agenten. | 5 bis 10 Jahre |
| KI-Cybersicherheitsmanagement | Regeln, Verantwortlichkeiten und Kontrolle der mit KI verbundenen Cyberrisiken. | 5 bis 10 Jahre |
| KI in der physischen Welt | Systeme, die die Umwelt wahrnehmen und über Maschinen und Geräte in sie eingreifen. | 5 bis 10 Jahre |
| Simulation mit KI | Verknüpfung von KI und Simulationen beim Modellieren, Testen und Finden geeigneter Verfahren. | 5 bis 10 Jahre |
| Technologie zur Verwaltung und Überwachung von KI | Tools für Systemprotokollierung, Regeldurchsetzung, Überwachung und Risikomanagement. | 5 bis 10 Jahre |
| Modelle der Welt | Modelle, die die Umgebung darstellen und ihre möglichen nächsten Zustände vorhersagen. | 5 bis 10 Jahre |
| Allgemeine künstliche Intelligenz | Weitgehend verallgemeinerbare intellektuelle Fähigkeiten, die über eng definierte Aufgaben hinausgehen. | Mehr als 10 Jahre |
Zeitstempelquelle: Original-Gartner-Rezension, Seite 3. Die Summe repräsentiert vier Elemente im kürzesten Horizont, dreizehn im Intervall von zwei bis fünf Jahren, neun im Intervall von fünf bis zehn Jahren und eines außerhalb des Zehnjahreshorizonts.
Die letzte Zeile verdient besondere Aufmerksamkeit. Die Note für allgemeine künstliche Intelligenz drückt den Abstand zum Produktivitätsplateau im Gartner-Modell aus. Es ist nicht gerade eine Vorhersage des Datums der ersten allgemeinen künstlichen Intelligenz. Darüber hinaus unterscheiden sich die Definitionen dessen, was ein solches System erfüllen müsste.
Auch bei Wissensgraphen oder Kombinationsmethoden kann der Horizont überraschen: Ihre Prinzipien sind älter als die aktuelle Welle generativer KI. Das Alter der Methode, der Reifegrad des Produkts und der Umfang des jeweiligen Einsatzes variieren. Aber damit ist die Frage noch nicht erschöpft. Wenn derselbe Name und eine ähnliche Zeitschätzung wiederholt werden, müssen wir die ursprüngliche Definition mit der neuen vergleichen und sehen, was sich geändert hat. Nachfolgend präsentiere ich einen historischen Vergleich.
Ebenso ist der Einsatz von Codegeneratoren nicht automatisch mit der Entwicklung von Software von Grund auf auf Basis von KI gleichzusetzen. Der zweite Begriff kann die Änderung des gesamten Prozesses umfassen: Anforderungsspezifikation, Design, Verifizierung, Bereitstellung und Wartung. Eine im Jahr 2026 veröffentlichte Forschungsvision beschreibt Tools zur Erstellung von Konversations-Apps als frühe Manifestation einer umfassenderen Transformation. Der Einsatz des Assistenten allein entscheidet also nicht über die Reife des gesamten Prozesses; Für die Prognoseauswertung muss diese Differenz jedoch vorab ermittelt werden. Eine Forschungsvision der KI-basierten Softwareentwicklung.
Sechs Technologiebereiche und ihre praktischen Hürden
Ein starkes Modell garantiert keinen Nutzen.
Vier Risiken, die aus einer vielversprechenden Demo einen teuren Betrieb machen können. Zu jedem Risiko gehört eine konkrete Prüfung.
Eine überzeugende, aber fehlerhafte Antwort
Überprüfen Sie Datenquellen, Aktualität und Relevanz.
Fehler können verkettet werden
Beschränken Sie Berechtigungen und kontrollieren Sie wichtige Schritte.
Billige Antwort, teures Ergebnis
Beziehen Sie Wiederholungen, Korrekturen und menschliche Kontrolle ein.
Verlust von Erfahrung und Urteilsvermögen
Behalten Sie Ihr Urteilsvermögen, Lernen und Wissen über Ausnahmen bei.
Eigene Synthese der im Artikel diskutierten Risiken. Dies ist keine Rangfolge der Wahrscheinlichkeit eines Scheiterns.
Zur Orientierung lassen sich die 27 Items in sechs Themenbereiche unterteilen. Bei dieser Aufschlüsselung handelt es sich um die eigene Synthese des Lesers und nicht um eine andere offizielle Gartner-Klassifizierung. Die Kategorien überschneiden sich: Beispielsweise kann ein multimodales Modell sowohl Teil eines Roboters als auch eines Büroassistenten sein.
Wissensmodelle und Darstellungen. Dazu gehören grundlegende, generative und multimodale Modelle, Wissensgraphen, kombinierte und kausale KI, Modelle der Welt oder auf Grundprinzipien basierende KI. Eine häufige Frage ist, wie man die Flexibilität des Lernens mit überprüfbaren Informationen und den Einschränkungen eines bestimmten Fachgebiets kombinieren kann.
Das technische Risiko besteht darin, Überzeugungskraft mit Korrektheit zu verwechseln. Ein linguistisches Modell kann eine plausible Erklärung vorschlagen, ohne die Ursache richtig zu erfassen. Ein Wissensgraph kann Zusammenhänge verdeutlichen, enthält jedoch veraltete Daten. Eine physikalische Randbedingung kann die Maschinenmodellierung verbessern, wenn sie mit dem tatsächlichen Betriebsmodus übereinstimmt. Jede dieser Methoden verändert die Art der Fehler; keines allein beweist die Richtigkeit des gesamten Systems.
Der KI-Agent Agenten und Arbeitsautomatisierung. bietet die Möglichkeit, Antworten zu generieren: Suchen, Werkzeuge auswählen, Vorgänge ausführen und auf das laufende Ergebnis reagieren. Dazu gehören auch der Agentenhandel und die Transformation der Softwareentwicklung.
Allerdings steigt mit zunehmender Schrittzahl auch die Fehlertoleranz. Betrachten Sie ein rein illustratives Modell: Jeder der zwanzig unabhängigen Schritte gelingt mit einer Wahrscheinlichkeit von 98 Prozent, und alle sind für das Ergebnis notwendig. Die Wahrscheinlichkeit eines makellosen Ganzen beträgt dann 0,98 pro Zwanzigstel, also etwa 67 Prozent. Tatsächliche Fehler sind nicht unabhängig und Agenten können einige korrigieren, daher ist dies kein Maß für ihre aktuelle Zuverlässigkeit. Das Beispiel zeigt den Zuverlässigkeitsanspruch eines mehrstufigen Verfahrens, nicht die langfristige Grenze der KI-Fähigkeiten. Es arbeitet mit einer festen Fehlerrate; Echte Systeme verbessern sich, nutzen Tests und beheben fehlgeschlagene Versuche. Es sind die METR-Messungen unten, die zeigen, dass die Länge unabhängig zu bewältigender Aufgaben schnell zunimmt. Daher kann das aktuelle Problem nicht ohne weiteres auf fünf Jahre projiziert werden. Gehen Sie zum METR-Diagramm.
Daten und Simulationen. Datenqualität umfasst Korrektheit, Aktualität, Repräsentativität und Bedeutung in einem bestimmten Prozess. Die Tabelle ist möglicherweise ohne technische Mängel, aber für Entscheidungen ungeeignet: Sie enthält beispielsweise historische Regeln, die vom Unternehmen nicht mehr verwendet werden. Synthetische Daten können seltene Situationen ergänzen, gleichzeitig aber auch die blinden Flecken des Modells wiederholen, das sie erstellt hat.
Untersuchungen von Shumailov und Co-Autoren, die 2024 in der Zeitschrift Nature veröffentlicht wurden, zeigen das Risiko einer Verschlechterung beim iterativen Lernen aus modellgenerierten Daten, einschließlich des Verlusts seltener Teile der ursprünglichen Verteilung. Dies ist eine Warnung vor einer bestimmten Methode des wiederholten Trainings und kein Beweis dafür, dass alle synthetischen Daten schädlich sind. Für die Praxis ergibt sich daraus die Notwendigkeit, den Ursprung der Beispiele zurückzuverfolgen und die Ergebnisse anhand unabhängiger realer Daten zu überprüfen. Eine Studie zum Modellkollaps beim rekursiven Training.
Betrieb, Aufsicht und Sicherheit. Diese Gruppe umfasst KI-Engineering, Beobachtbarkeit, Modell- und Anwendungsmanagement, Agentenidentität und Cybersicherheit. Gartner identifiziert die Beobachtbarkeit als ein wichtiges neues Thema: Bei der routinemäßigen Verfügbarkeitsüberwachung kann es sein, dass ein System nicht erkannt wird, das schnell, aber falsch reagiert. Ihm zufolge bleibt der aktuelle Werkzeugmarkt fragmentiert. Gartner über Beobachtbarkeit und Kontrolle von KI.
Der praktische Unterschied zeigt sich am Agenten, der mit den Rechnungen arbeitet. Wir müssen wissen, welches Dokument er gelesen hat, welche Daten er daraus entnommen hat, mit welcher Befugnis er den Datensatz geändert hat und wer die Änderung genehmigen kann. Die Feststellung, dass „das Modell erfolgreich reagiert hat“, beantwortet diese Fragen nicht. Ebenso ist es notwendig, eine gefährliche Anweisung, die in ein fremdes Dokument eingebettet ist, von einer legitimen Benutzereingabe zu unterscheiden. Eine größere Autonomie erweitert die Auswirkungen einer solchen Verwirrung.
Wirtschaft, Infrastruktur und Souveränität. KI-Fabriken, Finanzmanagement ihres Betriebs, lokale Berechnungen, Quantenmethoden und souveräne Infrastruktur lösen verschiedene Aspekte der Frage, unter welchen Bedingungen KI langfristig betrieben werden kann.
Aus wirtschaftlicher Sicht ist es sinnvoller, den Preis eines akzeptierten Ergebnisses zu messen als den Preis einer einzelnen Antwort. Ein billiges Modell erfordert möglicherweise viele Iterationen und menschliche Korrekturen. Ein teureres Modell kann insgesamt niedrigere Kosten verursachen, wenn es die Arbeit gleich beim ersten Mal richtig erledigt. Im Falle der Souveränität ist es notwendig, den Speicherort der Daten, die Kontrolle über deren Verarbeitung, die Verfügbarkeit von Berechnungen und die Möglichkeit eines Lieferantenwechsels zu trennen. Die Adresse des Rechenzentrums allein deckt nicht alle diese Abhängigkeiten ab.
Aus Kostengründen empfiehlt Gartner daher, die Modellebene nach Bedarf zu wählen, individuelle Laufbudgets einzuführen und automatische Stopps bei Überschreitung von Grenzwerten einzuführen. Sein Argument ist operativ: Der Verbrauch muss bereits während des Anlagenbetriebs beeinflusst werden. Gartner soll die KI-Kosten verwalten.
Physikalische Systeme. Robotik und andere in der realen Welt tätige KI verbinden das Modell mit Sensoren, Bewegungssteuerung, Mechanik und dem umgebenden Verkehr. Ein Fehler kann sich in einem beschädigten Objekt oder einer gefährlichen Bewegung äußern. Hier trifft probabilistisches KI-Verhalten auf die Anforderung vorhersehbarer Sicherheit.
Der Grund für den längeren Horizont lässt sich am Roboter im Lager nachvollziehen. Es muss das Paket erkennen, es sicher greifen, zwischen einem Hindernis und einer Person unterscheiden, auf einen Sensorausfall reagieren und mit anderen Maschinen kooperieren. Ein besseres Sprachmodell kann das Verständnis der Anweisung verbessern, löst jedoch nicht alle diese Einschränkungen. Die folgende Gartner-Aufschlüsselung zeigt, warum Sie das gesamte System bewerten müssen.
Warum Gartner separate Berichte für generative, agentische und physische KI veröffentlicht
Bei generativer KI unterscheidet Gartner in der öffentlichen Interpretation vier Bereiche: Modelle, Engineering, Agenten und Anwendungen, Infrastruktur und Supportmethoden. Ihr Zweck besteht darin, die Fähigkeit des Modells von der Fähigkeit zur Bereitstellung eines funktionalen Dienstes zu unterscheiden. Derselbe Bericht prognostiziert, dass bis 2028 bei mindestens der Hälfte der generativen KI-Projekte aufgrund ungeeigneter Architektur und unzureichender Betriebserfahrung Kostenüberschreitungen auftreten werden. Übersicht über generative KI von Gartner, 22. Juli 2026.
Ein Beispiel für eine Architekturentscheidung ist, ob jede Abfrage an das größte Modell gesendet werden soll oder ob zwischen einfacher Suche, regelbasierter Berechnung und komplexer Analyse unterschieden werden soll. Ein weiterer Grund ist der Umfang der jeder Anfrage beigefügten Informationen. Selbst bei sinkenden Rechenkosten kann der Gesamtverbrauch steigen, wenn die Anwendung auf mehr Aufgaben, mehr Benutzer und mehr wiederholte Schritte ausgeweitet wird.
Bei agentischer KI hebt Gartner das gesamte Ökosystem hervor: Entwicklungs- und Verwaltungsplattformen, Agentenkoordination, Kommunikation, Kontextmanagement, Entwicklungslebenszyklus, Sicherheit und Kosten. Der öffentlichen Interpretation zufolge haben 17 Prozent der Organisationen Agenten eingesetzt und mehr als 60 Prozent planen, diese in den nächsten zwei Jahren einzusetzen. Die Daten stammen aus der Umfrage unter Technologievorständen für das Jahr 2026. Die Pläne der Befragten werden jedoch nicht an der künftigen Umsetzung gemessen. Übersicht über die Agent-KI von Gartner.
Für den Leser ist es hilfreich, zwischen einem Assistenten, einer hartcodierten Automatisierung und einem Agenten zu unterscheiden. Der Assistent hilft bei jedem Schritt. Die Automatisierung folgt einem vorgegebenen Ablauf. Der Agent kann je nach Ziel und Situation die nächste Vorgehensweise wählen. Ein bestimmtes Produkt kann alle drei Modi kombinieren. Die Bezeichnung „Agent“ allein sagt daher nicht aus, wie groß die Autonomie oder die erforderliche Aufsicht ist.
Für den physische KI nennt Gartner fünf miteinander verbundene Schichten:
| Schicht | Was beinhaltet es? |
|---|---|
| Physikalische Systeme | Roboter, Drohnen, autonome Fahrzeuge und andere Geräte. |
| Modelle und Methoden der Intelligenz | Die Umwelt wahrnehmen, Verhalten planen und anpassen. |
| Daten und Simulationen | Schulungsmaterialien, Simulationszwillinge und Umgebungsmodellierung. |
| Berechnungen und Management | Lokale Verarbeitung, Sensoren, Reaktionsfähigkeit und Infrastrukturresilienz. |
| Betriebssicherheit und Koordination | Flottenüberwachung, sicheres Failover und Konnektivität industrieller Systeme. |
Laut Gartner schränkt eine Schwäche in einer Schicht das Ganze ein. Er macht insbesondere auf den Unterschied zwischen simulierten und realen Umgebungen und die Schwierigkeit aufmerksam, eine allgemeinere physische Autonomie zu überprüfen. Gartners Interpretation der physischen KI, Stand 30. September 2026.
Für die Bereitstellung ziehe ich daraus einen einfachen Maßstab: Bewerten Sie nicht nur die beste Demo. Überprüfen Sie außerdem auf Änderungen der Beleuchtung, ungewöhnliche Objekte, fehlende Daten, Verbindungsabbrüche und unsicheres Verhalten. Ein verwalteter Durchschnittsfall sagt nicht genug über die Sicherheit von Ausnahmesituationen aus.
Die Zukunft der Arbeit hat ihre eigene Karte
Der separate Zukunft der Arbeitskurve für 2026 fängt den Status von Juli ein. Gartner hat es im September öffentlich vorgestellt. Es enthält 40 benannte Themen, von denen viele nicht technologiespezifisch sind: Es geht auch um Fähigkeiten, Psychologie, Arbeitsrollen und Formen der Zusammenarbeit. Das Originaldiagramm zur Zukunft der Arbeit.
Zur Zukunft der Arbeit gehören neben der Technologie auch die menschlichen Fähigkeiten und die Arbeitsorganisation. Quelle: Gartner, Stand Juli 2026.
Gartner beschreibt vier wesentliche Veränderungen in diese Richtung:
- Erweitern Sie die menschlichen Fähigkeiten durch Zusammenarbeit mit KI. Der Fokus liegt auf Urteilsvermögen, Kreativität und Verantwortung.
- Bauen Sie Mitarbeiter auf, die zur kontinuierlichen Anpassung fähig sind. Es reicht nicht aus, ein Werkzeug einmal zu beherrschen; Aufgaben und erforderliche Fähigkeiten ändern sich.
- Den Kontext, das Urteilsvermögen und die Bedeutung der Arbeit stärken. Organisationen sollten darüber im Klaren sein, warum ein bestimmtes Verfahren verwendet wird.
- Voraussetzungen für spätere Leistungen schaffen. Erfahrung, Infrastruktur und Fähigkeiten sollen den weiteren Einsatz von KI verbilligen und verbessern.
Ein Teil der Botschaft ist die Prognose, dass bis 2027 drei Viertel der Unternehmen, die sich darauf konzentrieren, KI-Produktivität in erster Linie in Einsparungen umzuwandeln, von Wettbewerbern überholt werden, die die Vorteile in Innovation, Modernisierung und Bildung umwandeln. Allerdings übersetzt der öffentliche Bericht den Begriff „überholt“ nicht in eine klare Messgröße. Gartner über vier Veränderungen in der Zukunft der Arbeit, 9. September 2026.
Um sich in den vierzig Artikeln zurechtzufinden, werden sie in der folgenden Tabelle nach ihrem praktischen Kontext gruppiert. Auch hier geht es um die eigene Spaltung des Lesers. Die Bezeichnungen erläutern die Originalbeschriftung der Grafik.
| Schaltung | Diagrammelemente | Die Frage, die sie stellen |
|---|---|---|
| Zusammenarbeit von Menschen und Agenten | Die Erfahrung einer Person bei der Zusammenarbeit mit einem Agenten; das gemeinsame Arbeitsumfeld von Menschen und Agenten; KI als Arbeitspartner; kognitive Aufgaben an die KI verlagern; Identität der Agenten; Agenten-Marktplatz. | Welche Schritte sind zu delegieren, wie behält man den Überblick und wer ist für das Ergebnis verantwortlich? |
| Fähigkeiten und Führung | Alphabetisierung in KI; praktisches Wissen über KI bei leitenden Führungskräften; KI-gestützte Führung; Kontinuierliche Aktualisierung der Fähigkeiten der KI; digitale Geschicklichkeit; digitale Coaching-App. | Lernen die Menschen, das Tool zu nutzen und bewerten sie gleichzeitig selbstständig seine Ergebnisse? |
| Menschenkenntnis und Entscheidungsfindung | Analyse von Arbeitsgewohnheiten; mit menschlicher Einsicht arbeiten; Cyberpsychologie; KI zur Emotionsschätzung; Aufmerksamkeit lenken; Entscheidungsintelligenzplattform. | Hilft die Messung des Verständnisses bei der Arbeit oder führt es zu irreführenden Indikatoren? |
| Digitale Darstellung des Arbeitnehmers | KI-Mitarbeiter-Avatar; Digitaler Zwilling des Mitarbeiters. | Was darf die Darstellung und wie getreu erfasst sie die Fähigkeiten und Befugnisse einer Person? |
| Schnittstelle und Zugriff auf Tools | Schnittstelle ohne herkömmliche Bedienelemente; generierte Benutzeroberfläche; Konversationsschnittstelle; Browser mit Agentenfunktionen; tragbare Geräte mit KI. | Versteht der Benutzer, was das System tun wird, und kann er es stoppen oder reparieren? |
| Erstellung von Aufgaben und Lösungen | Agenten erstellen, ohne Code zu schreiben; Aufgaben- und Kontextdesign; Aufgabenbibliothek; Eingabemethodik mit der Markierung PERFEKT; Generieren von Code durch Eingabe in natürlicher Sprache; ein Ingenieur, der direkt bei der Implementierung der Lösung beim Kunden arbeitet. | Wie wird aus einem schnellen Entwurf eine wartbare und bewährte Lösung? |
| Anwendungs- und Modellebene | Generative Verzweigungsmodelle; multimodale generative KI; KI-Agenten; In einem Gerät verkörperte KI; Simulatoren mit generativer KI; alltäglicher Einsatz von KI; generative KI; virtuelle Assistenten mit generativer KI. | Welches System ist für die Aufgabe geeignet und welche Voraussetzungen sind dafür erforderlich? |
| Glaubwürdigkeit des Angebots | Übermäßiger Marketinggebrauch des KI-Labels. | Ist die versprochene Leistungsfähigkeit nachweisbar oder handelt es sich vor allem um einen neuen Namen für das Produkt? |
Bei einigen Titeln ist die öffentliche Grafik wesentlich prägnanter als das tatsächliche Tech-Profil. Beispielsweise kann im Fall des PERFECT-Labels die Aufschlüsselung der Abkürzungen oder eine bestimmte Methodik nicht zuverlässig aus dem Bild selbst abgeleitet werden. Ebenso bedeutet die „Arbeit mit menschlicher Einsicht“ nicht, dass es ein allgemein gültiges Instrument zur Messung des menschlichen Urteilsvermögens gibt. Solche Begriffe sollten als Definition des überwachten Themas gelesen werden.
Was die Arbeitskurve über die Zeit aussagt
Im Juli-Diagramm sind generative KI, ihre virtuellen Assistenten und die Codegenerierung durch natürliche Typisierung mit weniger als zwei Jahre gekennzeichnet. Für Agenten, Domänenmodelle, multimodale generative KI und digitale Agilität ist zwei bis fünf Jahre geeignet. Menschliche Agentenerfahrung, Agentenmarktplatz, Mitarbeiter-Avatar, KI-Wearables und Emotionsschätzung sind fünf bis zehn Jahre. Diese Intervalle werden ab Juli 2026 berechnet. Zeitstempel im ursprünglichen Arbeitsdiagramm.
Der Kontrast zwischen der raschen Ausweitung der Codegenerierung und der umfassenderen Transformation der Softwareentwicklung ist auffällig. Prototyping und die Erstellung eines gut verwalteten Dienstes sind unterschiedliche Herausforderungen. Ebenso kann ein Assistent schnell zu einer Büroanwendung hinzugefügt werden, während die Transformation von Entscheidungsprozessen, Verantwortlichkeiten und beruflichem Lernen länger dauert.
Warum wird so viel über Fachwissensverlust und ungerechtfertigte Entlassungen geredet?
Die prominenteste Mitarbeiterprognose besagt, dass der 30 Prozent der Mitarbeiter entlassen und durch KI ersetzt bis 2029 wieder eingeführt werden muss, oft zu höheren Kosten. Gartner führt dies in seiner Ankündigung vom Oktober auf eine unzureichende Planung zukünftiger Arbeiten zurück. In einer Juli-Umfrage unter 297 Personalleitern identifizierten nur 19 Prozent der Unternehmen Planungspraktiken als effektiv. Prognose und Studie von Gartner veröffentlicht am 28. Oktober 2026.
Die 30-Prozent-Prognose ist nicht das Ergebnis einer Betrachtung des zukünftigen Jahres 2029. Und die Umfrage unter 297 Direktoren selbst zeigt nicht öffentlich, auf welcher Berechnung dieser Anteil basieren würde. Wichtig ist auch, den Nenner beizubehalten: Es geht nicht um 30 Prozent aller Erwerbstätigen oder eine Prognose der Gesamtarbeitslosigkeit.
Gartner hat die versteckten Personalkosten bereits im Juni 2026 hervorgehoben. Neben der Neueinstellung wurden auch die Kosten für seltene Fähigkeiten, deren schnelle Veralterung und das Missverhältnis zwischen veränderter Produktivität und Vergütung erwähnt. Zudem ging die Juni-Formulierung von einem Anteil von „bis zu 30 Prozent“ aus, während spätere Mitteilungen von 30 Prozent sprechen. Gartner über die versteckten Kosten des Personalwandels.
Der Risikomechanismus kann erklärt werden, ohne den Anspruch auf Genauigkeit dieser Zahl zu erheben. Ein Arbeitsplatz umfasst in der Regel mehrere Aktivitäten. Neben der üblichen Fallbearbeitung befasst sich eine Person mit Ausnahmen, stellt Unstimmigkeiten fest, pflegt Beziehungen und gibt Erfahrungen weiter. Wenn ein Unternehmen nur die Geschwindigkeit des Routineteils misst, unterschätzt es möglicherweise die verbleibende Arbeit. Mit dem Ausscheiden des Mitarbeiters verschwindet auch das Wissen, das nicht im System erfasst wurde.
Ein weiteres mögliches Problem ist die Ausdünnung von Berufseinstiegsstellen. Einfache Aufgaben bieten Raum zum Lernen. Ihre Automatisierung kann von Vorteil sein, aber die Bildungsfunktion muss ersetzt werden. Andernfalls kann sich eine kurzfristige Ersparnis Jahre später in einem Mangel an Personen manifestieren, die in der Lage sind, schwierige Fälle zu lösen. Es handelt sich um einen organisatorischen Mechanismus, dessen Stärke von der Branche und der Implementierung der KI abhängt, und nicht um ein zwangsläufiges Ergebnis jeder Automatisierung.
Eine ähnliche Vorsicht ist bei der kognitiven Erleichterung geboten. Hilfe bei der Recherche oder einem Vorschlag kann die Kapazität für anspruchsvolleres Denken freisetzen. Allerdings kann die passive Annahme von Antworten die Kontrolle schwächen. Den Unterschied macht der Arbeitsablauf: ob man die Annahmen und Argumente überprüft oder nur die fertige Ausgabe bestätigt. Das amerikanische NIST zählt unangemessenes Vertrauen, Systemabhängigkeit und andere Probleme bei der Gestaltung menschlicher Zusammenarbeit mit KI zu den Risiken generativer Systeme. NIST-Framework für generative KI-Risiken.
Das Einschätzen von Emotionen erfordert besondere Vorsicht
Die Einbeziehung einer Technologie in eine Prognose ist keine Bestätigung ihrer wissenschaftlichen Gültigkeit. Die Rezension von Barrett und Co-Autoren zeigt, dass die Beziehung zwischen Gesichtsbewegungen und Emotionen stark situativ, kulturell und personenspezifisch ist. Der gleiche Ausdruck kann verschiedene Zustände begleiten. Die genaue Erkennung eines Ausdrucks führt daher nicht automatisch zu einer genauen Bestimmung einer Emotion. Eine wissenschaftliche Überprüfung der Grenzen der Schlussfolgerung von Gesichtsemotionen.
Der EU AI Act setzt auch rechtliche Grenzen: Artikel 5 Absatz 1 Buchstabe f) des europäischen KI-Gesetzes verbietet bestimmte Anwendungen von KI zur Ableitung von Emotionen am Arbeitsplatz und in Bildungseinrichtungen, mit Ausnahmen aus Gesundheits- oder Sicherheitsgründen. Ein fünf- oder zehnjähriger Markthorizont kann daher nicht gegen eine zukünftige Genehmigung zur Nutzung des Systems auf diese Weise eingetauscht werden. Die aktuelle konsolidierte Fassung der europäischen Verordnung.
Spezifische Prognosen und deren Termine
Es ist sinnvoll, die Zeitmarkierungen auf den Kurven durch separate quantitative Prognosen zu ergänzen. Diese Daten haben unterschiedliche Veröffentlichungsdaten, unterschiedliche Nenner und unterschiedliche Bedingungen. Sie können nicht addiert oder als eine gemeinsame Statistik betrachtet werden.
| Frist | Gartner behauptet | Wie man sie richtig versteht |
|---|---|---|
| Ende 2027 | Mehr als 40 Prozent der Projekte mit agentischer KI werden aufgrund von Kosten, unklarem Wert oder unzureichendem Risikomanagement abgesagt. | Die Prognose betrifft den Anteil der Projekte, die eingestellt werden. |
| Das Jahr 2028 | Mindestens 15 Prozent der täglichen Arbeitsentscheidungen werden von der Agenten-KI autonom getroffen. | Eine Sicht auf die Entscheidungsfindung, nicht ein Prozentsatz aller Jobs. |
| Das Jahr 2028 | Agent AI wird Teil von 33 Prozent der Unternehmenssoftwareanwendungen sein. | Das Vorhandensein einer Funktion in einer Anwendung sagt nicht aus, wie umfangreich oder selbstständig der Kunde diese nutzt. |
Alle drei genannten Prognosen wurden bereits von Gartner 25. Juni 2025 veröffentlicht. Ihre Wiederholung in den Materialien von 2026 erinnert an die ältere Schätzung. Gleichzeitig warnte Gartner davor, gängige Assistenten und Automatisierung in Agent-Produkte umzubenennen. Ursprüngliche Vorhersagen zur Agenten-KI.
Daneben stehen die bereits genannten Ausblicke für dieses Jahr: die Überschreitung des Budgets von mindestens der Hälfte der generativen Projekte bis 2028, die mögliche Wiederaufnahme entlassener Personen bis 2029 und der Wettbewerbsvorteil durch die Reinvestition von Leistungen bis 2027. Jeder blickt auf einen anderen Teil des Problems: Umsetzungskosten, Personalplanung oder eine Produktivitätsauslastungsstrategie.
Die neuesten Jobaussichten bis 2030
Für 10. November 2026 veröffentlichte Gartner eine weitere Prognose. Bis 2030 erwartet er die Schaffung von 10,6 Millionen KI-bezogenen Arbeitsplätzen und das Verschwinden von 8,9 Millionen, also ein Nettogewinn von 1,7 Millionen Sitzplätzen. Er arbeitet unabhängig mit fünf Millionen ausstehenden Möglichkeiten zur Rekrutierung oder Schaffung von Stellen. Es betont die Unterschiede zwischen den Disziplinen und den Wandel der Arbeit, auch wenn die Position nicht verschwindet. Gartner-Beschäftigungsprognose vom 10. November 2026.
Eine positive globale Bilanz bedeutet nicht, dass die Veränderung für alle von Vorteil ist. Eine neue Stelle kann in einem anderen Land entstehen, andere Fähigkeiten erfordern oder erst nach längerer Zeit verfügbar sein. Darüber hinaus stellt die verspätete Schaffung einer Stelle ein anderes Phänomen dar als die Entlassung einer Person aus einer bestehenden Stelle. Daher können diese Kategorien ohne Kenntnisse der Methodik nicht einfach voneinander subtrahiert werden.
Selbst dieser Ausblick allein bestätigt nicht die frühere Prognose, 30 Prozent der Entlassenen wieder einzustellen. Das eine beschreibt die allgemeinen Arbeitsabläufe, das andere eine spezifische Gruppe betroffener Mitarbeiter. Sie können gleichzeitig logisch kompatibel sein, aber jede erfordert ihre eigene empirische Überprüfung.
Alternative Prognosen großer Analystenunternehmen
Fünf Zahlen. Fünf verschiedene Fragen.
Die Zunahme des KI-Einsatzes kann mit der Unterbrechung von Projekten einhergehen. Institutionen überwachen unterschiedliche Mengen.
Agentenprojekte sollen abgebrochen werden.
Projekte zählen, nicht Jobs.
Unternehmen sollen die meisten Prozesse vor allem mithilfe von KI abwickeln.
Die Menschen sollten weiterhin überwachen und Entscheidungen treffen.
Es wird erwartet, dass die Ausgaben für Unternehmenstechnologie für KI zurückgehen.
Ausgaben allein belegen noch keinen Ertrag.
Eine grundlegende Schätzung des Marktes für autonome Agenten.
Bis zu 45 Milliarden sind ein bedingt günstiges Szenario.
Befragte aus Organisationen, die KI einsetzen, berichten von einem Rückgang der Beschäftigung, der auf KI zurückzuführen ist.
Ein Jahr zuvor hatten 32 % damit gerechnet. Dabei geht es nicht um den Anteil der wegfallenden Stellen.
Zahlen können nicht direkt verglichen oder addiert werden. Die überwachte Population, der Zeitraum und die Methodik unterscheiden sich. Einzelheiten und Links zu Originalquellen finden Sie in den folgenden Abschnitten.
Der Vergleich verschiedener Institutionen ist nur dann sinnvoll, wenn wir die Unterschiede zwischen ihren Fragestellungen wahren. Marktwachstum, Projektrendite, Anzahl der Unternehmen, die KI nutzen, und Anzahl der Arbeitsplätze sind unterschiedliche Größen. Ein hoher Anteil gescheiterter Versuche kann mit einer schnellen Zunahme erfolgreicher Anträge einhergehen.
| Institution und Hintergrund | Was schaut er? | Hauptansicht oder Befund | Art der Beweise |
|---|---|---|---|
| IDC, Ausblick für 2027 | Geschäftsprozesse | Bis 2029 werden voraussichtlich 60 Prozent der Unternehmen die meisten Prozesse mit KI als zentraler Arbeitsweise betreiben. | Analytische Prognose |
| Forrester, Vorhersagen für 2027 | Ausgaben und Bereitschaft des Unternehmensumfelds | KI soll im Jahr 2027 ein Fünftel der Technologieausgaben von Unternehmen ausmachen; Es wird erwartet, dass nur ein Viertel der Enterprise-Kontextschichtinitiativen den Produktionsmaßstab erreichen. | Analytische Prognosen |
| Deloitte, Technologieausblick 2026 | Markt für autonome Agenten | Die Basismarktschätzung für 2030 liegt bei 35 Milliarden US-Dollar; die bedingte Option erreicht etwa 45 Milliarden. | Zusammenfassung der Marktschätzungen und des bedingten Szenarios |
| McKinsey, Der Stand der KI im Jahr 2026 | Erfahrung mit Arbeitsorganisationen | Einen Personalrückgang, der auf KI zurückzuführen ist, gaben 14 Prozent der Befragten an; im Vorjahr hatten 32 Prozent damit gerechnet. | Ergebnisse des Fragebogens |
IDC prognostiziert eine schnellere Transformation von Geschäftsprozessen
In einem Ende Oktober 2026 veröffentlichten Ausblick geht IDC davon aus, dass der 60 Prozent der Unternehmen bis 2029 die meisten Prozesse so betreiben wird, dass die Arbeit hauptsächlich von KI erledigt wird. Für das Jahr 2026 sind es 13 Prozent. Agenten sollen die Arbeit erledigen und Menschen sollen helfen, überwachen und Entscheidungen gemäß den festgelegten Regeln treffen. Die öffentliche Erklärung liefert kein Unsicherheitsintervall für diese Vorhersage. IDC über die Aussichten für 2027 und darüber hinaus.
Dies ist eine ehrgeizige Prognose für die Geschwindigkeit organisatorischer Veränderungen. Allerdings lässt sich das nicht direkt aus Gartners abgebrochenen Agentenprojekten ableiten: IDC zählt Unternehmen und die Gestaltung ihrer Prozesse zu Gartner-Projekten. Ein Unternehmen kann mehrere Versuche beenden und gleichzeitig eine erfolgreiche Lösung ausbauen. Eine entscheidende Frage für die spätere Validierung durch IDC wird sein, wie „die meisten Prozesse“ gemessen werden und wie groß der Anteil der Arbeit tatsächlich von der KI übernommen wird.
Forrester erwartet hohe Investitionen und schwierige Arbeit mit dem Kontext
Im Oktober 2026 prognostizierte Forrester, dass KI bis 2027 jeden fünften Dollar der Technologieausgaben von Unternehmen ausmachen würde. Es handelt sich um eine Marktschätzung und nicht um einen obligatorischen Anteil von zwanzig Prozent am Budget jedes Unternehmens. Gleichzeitig geht er davon aus, dass nur ein Viertel der Initiativen zum Aufbau der Unternehmenskontextschicht in der Lage sein wird, Agenten-KI im Produktionsmaßstab zu unterstützen. Forresters Prognosen für 2027.
Mithilfe der Kontextschicht kann man sich vorstellen, wie ein Agent aussagekräftige und korrekte Informationen über ein Unternehmen erhält: was ein bestimmter Datensatz bedeutet, wer zur Nutzung berechtigt ist und wie er mit anderen Daten verknüpft ist. Ein praktisches Hindernis kann somit zwischen einem leistungsstarken Modell und einem desorganisierten Unternehmensumfeld liegen. Forresters Kombination aus Ausgabenwachstum und begrenztem Implementierungserfolg ist ein Beweis dafür, warum das Investitionsvolumen nicht mit einem nachgewiesenen Wert verwechselt werden kann.
Deloitte zeigt die Differenz zwischen der Basisschätzung und dem günstigen Szenario
Deloitte arbeitet in seinem am 18. November 2025 veröffentlichten Ausblick für 2026 mit dem Durchschnitt der Marktschätzungen für autonome KI-Agenten: 8,5 Milliarden US-Dollar im Jahr 2026 und 35 Milliarden US-Dollar im Jahr 2030. Fügt ein benutzerdefiniertes bedingtes Szenario hinzu. Eine bessere Koordination von Agenten und Risikomanagement könnte die Marktaussichten um 15 bis 30 Prozent auf etwa 45 Milliarden US-Dollar erhöhen. Deloitte über die Koordinierung der Agenten und ihre Marktaussichten.
Daher kann der Betrag von 45 Milliarden nicht als sicheres Ergebnis dargestellt werden. Damit ist die Voraussetzung verbunden, dass ein Teil der betrieblichen Hindernisse gelöst werden kann. Darüber hinaus sind Lieferanteneinnahmen nicht dasselbe wie Kundennutzen oder gesamtwirtschaftliche Produktivität. Diese Prognose ist nützlich, um die Feldgröße zu berücksichtigen, ersetzt jedoch nicht die Berechnung eines bestimmten Einsatzes.
McKinsey vergleicht Entlassungserwartungen mit späteren Erfahrungen
In einem Bericht vom 25. August 2026 sagt McKinsey, dass 14 Prozent der Befragten aus Organisationen, die KI einsetzen seinen Beitrag zum Gesamtrückgang der Mitarbeiterzahl im vergangenen Jahr gemeldet hat. Ein Jahr zuvor erwarteten 32 Prozent einen solchen Rückgang. Neu 39 Prozent erwarten dies für das Folgejahr. An der Umfrage nahmen 1.719 Teilnehmer aus 97 Ländern teil; Die Autoren untersuchten auch eine Gruppe von 552 Personen, die in beiden Jahren anwesend waren, und kommen zu derselben grundlegenden Schlussfolgerung. McKinsey zum Stand der KI im Jahr 2026.
Dies ist eine besonders wertvolle Ergänzung zur Prognose: Erwartungen können mit später berichteten Erfahrungen verglichen werden. Es geht immer noch um die Antworten der Befragten, nicht um die Buchführung aller verschwundenen Orte. Und der Anteil der Organisationen, in denen sich etwas geändert hat, spiegelt nicht die Zahl der betroffenen Arbeitnehmer wider. Dennoch zeigen die Ergebnisse, dass die Erwartungen des Managements möglicherweise über dem tatsächlichen Ausmaß der Veränderung liegen.
Allgemeine KI: Warum Hersteller und Gartner scheinbar ein Jahrzehnt auseinander liegen
Im März 2025 erwartete Anthropic Ende 2026 oder Anfang 2027 sehr leistungsfähige Systeme. Darin wurden interdisziplinäre Fähigkeiten sowie unabhängige Lösungen für lange Aufgaben beschrieben. Es handelt sich um eine datierte Prognose eines Herstellers mit eigener Zieldefinition. Anthropics ursprüngliche Prognose.
In einem Interview im Mai 2026 sprach Demis Hassabis von Google DeepMind über AGI um 2030 und berücksichtigte dabei das Jahr 2029. Selbst diese Aussage ist nicht identisch mit einer Schätzung der allgemeinen Unternehmensproduktivität. Interview mit Demis Hassabis.
| Aussage | Was sagt es voraus? | Wie man es liest |
|---|---|---|
| Anthropic, März 2025: Ende 2026 / Anfang 2027 | Die Entstehung von Systemen mit spezifisch beschriebenen sehr hohen Fähigkeiten. | Prognose des Herstellers; Das Datum allein beweist nicht das Erreichen von Fähigkeiten. |
| Hassabis, Mai 2026: etwa 2030, möglicherweise 2029 | Allgemeine Intelligenz erreichen. | Datierte Stellungnahme des Leiters des Forschungslabors. |
| Gartner, August 2026: mehr als ein Jahrzehnt | Produktivitätsplattform der Kategorie AGI. | Es ist nicht genau das Datum des ersten Systems. |
Daher kann Gartners Markierung nicht dahingehend umgeschrieben werden, dass AGI nicht vor 2036 auftreten kann. Das unterschiedliche Ziel der Vorhersage erklärt einen Teil der Diskrepanz, rechtfertigt jedoch nicht automatisch einen der beiden Begriffe. Produzenten haben Zugriff auf interne Ergebnisse, aber auch auf Geschäftsinteressen. Analytics-Unternehmen hingegen beobachten den Einsatz in Unternehmen und haben ihr eigenes Geschäftsmodell. Zum Vergleich benötigen wir eine gemeinsame Definition der Fähigkeiten, die Wahrscheinlichkeit ihrer Erreichung und einen festen Zeitpunkt der Bewertung.
Das Weltwirtschaftsforum bietet eine andere Perspektive auf die Beschäftigung
Das Weltwirtschaftsforum ist kein direkter Konkurrent von Gartner in der Technologieberatung, sein Stellenbericht bietet jedoch einen nützlichen Vergleich. Für den Zeitraum 2025 bis 2030 berichtet 170 Millionen Arbeitsplätze geschaffen und 92 Millionen Arbeitsplätze verloren als Ergebnis des Zusammentreffens technologischer, demografischer, wirtschaftlicher und anderer Veränderungen. Diese Zahlen können nicht vollständig der KI zugeschrieben werden.
Für die engere Kategorie der KI- und Informationsverarbeitungstechnologie werden etwa 11 Millionen Arbeitsplätze geschaffen und 9 Millionen Arbeitsplätze verloren aufgeführt. Dieser Ausblick ähnelt eher dem November-Vergleich von Gartner, verwendet jedoch immer noch andere Definitionen und Methoden. Die Analyse verknüpft die Erwartungen der Arbeitgeber mit Arbeitsmarktstatistiken. Die abgedeckten Berufe entsprechen etwa 1,18 Milliarden Arbeitnehmern, und der Bericht erhebt nicht ausdrücklich den Anspruch, alle weltweiten Beschäftigungsverhältnisse abzudecken. Weltwirtschaftsforum, Beschäftigungsausblick 2025.
Interessant ist die Ähnlichkeit der Nettozugänge von rund zwei Millionen für diese engere Kategorie und 1,7 Millionen für Gartner. Allerdings ist es an sich noch kein Beweis für die Richtigkeit. Für einen echten Vergleich müssten wir die Ausgangspopulation, den Zeitraum, die Jobdefinition und die Art und Weise der Zuschreibung von KI-Änderungen vereinheitlichen.
Das gemeinsame Bild dieser Schätzungen ist durchaus verständlich: Starkes Interesse und steigende Investitionen können mit langsameren Arbeitstransformationen und großen Unterschieden zwischen erfolgreichen und erfolglosen Organisationen einhergehen. Sie unterscheiden sich hauptsächlich in der Geschwindigkeit und in welchem Teil dieses Prozesses sie messen.
Was unabhängige Untersuchungen sagen
Ein wissenschaftlicher Ansatz erfordert die Unterscheidung zwischen Marktprognose, Absicht des Befragten im Fragebogen, Beobachtung im Unternehmen und Experiment. Jede Art von Beweisen beantwortet eine andere Frage.
METR: Wie schnell wächst die Fähigkeit, Aufgaben selbständig zu erledigen
METR misst die Länge von Aufgaben anhand der Zeit eines menschlichen Experten und schätzt, wie lange ein Agent sie mit einer Erfolgsquote von 50 % oder 80 % erledigen wird. Es geht nicht um die kontinuierliche Laufzeit. Die Tests bestehen hauptsächlich aus klar definierten Aufgaben aus den Bereichen Software Engineering, maschinelles Lernen und Cybersicherheit. Definition des METR-Zeithorizonts.
Aufgaben, die eigenständig bearbeitet werden können, verlängern sich
Die beiden Erfolgsstufen zeigen den Leistungszuwachs sowie den Unterschied zwischen Erfolg in der Hälfte und in vier Fünfteln der Zeit.
Auf einem schmaleren Bildschirm kann das Diagramm zur Seite verschoben werden.
Wachstum ist das Maß, Trendfortsetzung ist die Annahme. Es ist die Zeit einer Person für die gleiche Aufgabe. Das aktuelle Testset misst bereits Werte über 16 Stunden unzuverlässig.
Eigene Grafik von öffentliche Daten METR TH 1.1, heruntergeladen am 11.11.2026. Ausgewählte Datensätze markierten mit METR die jeweiligen Leistungsgrenzen. Das Diagramm verwendet spätere Punktschätzungen; Die aufgeführten Verdopplungszeiten stammen von Veröffentlichung vom 29.01.2026.In einem Januar-Update beschrieb METR ein etwa exponentielles Wachstum: eine Verdoppelung in etwa sieben Monaten auf lange Sicht und in 131 Tagen nach der neueren Methodik für den Zeitraum ab 2023. Die Zusammensetzung der Aufgaben beeinflusst das Ergebnis, die Unsicherheitsintervalle bleiben groß und einige der menschlichen Zeiten werden geschätzt. Änderungen an Methodik und Aufgabensatz.
Die Grafik zeigt später veröffentlichte Messungen, keine Rekonstruktion des Januar-Ergebnisses. Stand September 2026 markiert METR die Übersicht als nicht aktiv aktualisiert; Das letzte in der Datei verwendete Modell stammt aus dem April. Es handelt sich also nicht um eine vollständige Liste der im November verfügbaren Modelle. Die gezeigten Punktschätzungen weisen Unsicherheiten auf und versprechen nicht die gleiche hohe Leistung bei vage spezifizierten Routinearbeiten. Überblick über Status und Einschränkungen.
Für Prognosen ist es wichtig, dass wir die aktuelle Fehlerquote nicht einfrieren und auf ihrer Grundlage die ferne Zukunft erklären können. Ebenso lässt sich der Zeitpunkt der Ersetzung eines bestimmten Berufsstandes nicht bedingungslos aus der bestehenden Exponentialfunktion ableiten. Wir müssen überwachen, ob das Wachstum anhält, ob es sich auf schwierigere Aufgaben überträgt und wie viel Kontrolle das erreichte Ergebnis erfordert.
Anthropisch: Welche Arbeitsaufgaben sind der KI ausgesetzt?
Eine Studie von Maxim Massenkoff und Peter McCrory vom 5. März 2026 kombiniert amerikanische Berufsbeschreibungen, Schätzungen der Sprachmodellfähigkeiten und die Verwendung von Claude. Sein Indikator berücksichtigt eher die automatisierte als die assistierte Nutzung. Es vergleicht die theoretischen Möglichkeiten mit der beobachteten Aufgabenabdeckung im bekannten Strahldiagramm. Zur besseren Lesbarkeit präsentiere ich hier ein Balkendiagramm der zehn am stärksten exponierten Berufe aus öffentlichen Daten. Studie und Originalgrafiken von Anthropic.
Die Exposition gegenüber KI ist kein Indikator für Entlassungen
Zehn Berufe mit der höchsten Abdeckung beruflicher Aufgaben nach dem Indikator von Anthropic.
Auf einem schmaleren Bildschirm kann das Diagramm zur Seite verschoben werden.
Der Prozentsatz bezieht sich auf berufliche Aufgaben. Ein Beruf vereint verschiedene Tätigkeiten. Außerdem decken die Nutzungsdaten einzelner Anbieter nicht den gesamten KI-Markt ab.
Eigene Darstellung anhand von Daten zum Anthropic Economic Index, Datei job_exposure.csv (CC BY). Berufsnamen werden übersetzt und abgekürzt. Das Paar 94 % und 33 % ergibt sich aus Originalstudie; es bezieht sich auf eine größere Gruppe als die Programmierer selbst.In dieser März-Studie stellten die Autoren keinen systematischen Anstieg der Arbeitslosigkeit unter den am stärksten exponierten Arbeitnehmern fest. Sie beschrieben jedoch erste Anzeichen einer schwächeren Akzeptanz bei jungen Menschen. Dies ist keine Garantie für die zukünftige Entwicklung oder ein Beweis dafür, dass kein Ort verschwunden ist. Ergebnisse und Grenzen der Studie.
Zusätzlich zu Entlassungen finde ich es nützlich, Einstellungen, Änderungen in der Stellenbeschreibung und Löhne zu überwachen. Ein Unternehmen kann den gleichen Arbeitsaufwand ohne einen geplanten neuen Mitarbeiter bewältigen, ohne jemanden zu entlassen. Oder er kann die Ersparnisse nutzen, um den Service zu erweitern. Der Expositionswert allein entscheidet nicht zwischen diesen Szenarien.
Die Produktivität in einem bestimmten Job kann sich unterschiedlich entwickeln
Eine 2025 im Quarterly Journal of Economics veröffentlichte Studie von Brynjolfsson, Li und Raymond analysierte die Einführung des Assistenten bei 5.172 Kundenbetreuer. Die Anzahl der pro Stunde gelösten Fälle stieg im Durchschnitt um 15 Prozent, wobei der Nutzen stark von der Erfahrung der Mitarbeiter abhängt. Das Ergebnis zeigt den Nutzen einer bestimmten Arbeitsregelung, stellt jedoch keine Schätzung der Auswirkungen auf die Beschäftigung in der gesamten Wirtschaft dar. Eine empirische Studie zur generativen KI bei der Arbeit.
Ein anderes Bild lieferte METRs Experiment mit Tools aus dem ersten Halbjahr 2025. Sechzehn erfahrene Entwickler lösten 246 reale Aufgaben in bekannten Projekten. Bei aktivierter KI dauerten Aufträge im Durchschnitt 19 Prozent länger. Gleichzeitig nahmen die Teilnehmer die Beschleunigung subjektiv wahr. Das Ergebnis verdeutlicht den Unterschied zwischen dem Gefühl der Produktivität und der gemessenen Zeit; Seine Gültigkeit wird durch die Werkzeuge, Menschen und Aufgaben der Zeit begrenzt. Die randomisierte METR-Studie 2025.
Deshalb ist es wichtig, aktuellere Informationen bereitzustellen. Im Februar 2026 berichtete METR über die fortlaufende Forschung, die Anzeichen einer Beschleunigung, aber auch schwerwiegender Auswahlverzerrungen zeigte: Einige Entwickler wollten nicht an einem Experiment teilnehmen, das Nicht-KI-Arbeit erforderte, und auch die Auswahl der Aufgaben änderte sich. Daher betrachteten die Autoren eine einfache zusammenfassende Schätzung nicht als verlässliches Bild des aktuellen Nutzens. Ältere Verlangsamungen können nicht als allgemeines Urteil über das heutige Programm gewertet werden. METR-Aktualisierung und Änderung des Forschungsverfahrens.
Eine noch aktuellere METR-Bewertung vom 5. November 2026 von Anthropic deutet auf eine deutliche Beschleunigung der Entwicklung von KI-Fähigkeiten hin. Allerdings weisen die Autoren ausdrücklich auf die hohe Unsicherheit und redaktionelle Eingriffe hin, die es der Öffentlichkeit nicht ermöglichen, einen wesentlichen Teil der Dokumente zu beurteilen. Dies ist ein wertvolles Beispiel dafür, warum die Aufzeichnungsbeschränkungen zusammen mit der Schlussfolgerung veröffentlicht werden sollten. Darüber hinaus lässt sich die Beschleunigung der Forschung innerhalb eines KI-Labors nicht direkt auf die Produktivität jedes Unternehmens übertragen. Unabhängige METR-Bewertung November 2026.
Diese Ergebnisse schließen sich nicht unbedingt gegenseitig aus. KI kann einen weniger erfahrenen Menschen bei einer standardisierten Aufgabe erheblich unterstützen und gleichzeitig einem Experten in einer komplexen Umgebung Kontrollarbeit abnehmen. Es kann sich auch ändern, mit welchen Aufgaben Menschen überhaupt beginnen. Es sind die Unterschiede zwischen Menschen, Aufgaben und Arbeitsabläufen, die erklären, warum eine einzige universelle Produktivitätszahl wenig nützt.
Fünfzehn Jahre im Rückblick: acht verschiedene Geschichten über KI
Ich verfolge Gartner seit mehreren Jahren, aber um seine Schätzungen zu bewerten, bin ich noch weiter zurückgegangen: zu den Dokumenten aus der 2011–2026-Periode. Die beiden benachbarten Jahrgänge weisen ein eher geringfügiges Update auf. Ein größerer Abstand hilft zu erkennen, ob die ursprüngliche Erwartung wirklich kurz vor der Erfüllung stand. Und ein ausgewählter Fall reicht nicht aus: Zusätzlich zu den verschobenen Fristen müssen wir auch Reifefortschritte und Änderungen in den Kategorien selbst sehen.
Wie weit gehen die verfügbaren Dokumente?
Gartner verwendet die Erwartungskurve von im Jahr 1995. In seiner eigenen Pressemitteilung aus dem Jahr 2011 erinnerte er daran, dass die Spracherkennung zu diesem Zeitpunkt bereits in den Kinderschuhen steckte und noch nicht ausgereift war. Die Geschichte ist also länger als dreißig Jahre, aber das bedeutet nicht, dass es dreißig Jahre lang eine unveränderliche Datenbank aller heutigen Kategorien gibt. Pressemitteilung von Gartner vom 10. August 2011, archivierter Nachdruck.
Für diesen Artikel habe ich nach einem vollständigen allgemeinen Überblick über die neuen Technologien des Jahres 2011 gesucht. Die Revisionshistorie des KI-Berichts von Gartner verdeutlicht zusätzlich die Nachfolgeserie: intelligente Maschinen in den Jahren 2014–2016, künstliche Intelligenz unter diesem Namen seit 2017. Öffentliche Nachdrucke von Berichten, Originalpräsentationen, Diagrammen und Pressemitteilungen sind verfügbar. Vollständige Profile aller Jahrgänge sind jedoch nicht gleichermaßen verfügbar. Bericht 2011, Revisionshistorie im Bericht 2023, Seite 108.
Es folgen acht Fälle mit größeren Kontrollpunktabständen. Fünfzehn Jahre geben die Spanne der verwendeten Basiswerte an, nicht eine fünfzehnjährige ununterbrochene Serie jedes Artikels. Neuere Konzepte können nicht wieder in alte Diagramme abgebildet werden. Ich zähle immer die Zeitstempel ab dem Jahr der jeweiligen Schätzung; Die Position auf der Kurve gebe ich gesondert an.
Ältere Konzepte: Reife, langes Warten und Abteilungswechsel
Ältere Kurven erzählen keine einheitliche Geschichte
Vier langfristig überwachte Bereiche. Für jedes Jahr sind das Jahr und die Schätzung bzw. Änderung der Klassifizierung zu diesem Zeitpunkt angegeben.
Fortschritt zur Reife
2011: 2–5 Jahre
2017: Bahnsteigpunkt, unter 2 Mark
2020: Wechsel zum Sprachbericht
Der Horizont wird kürzer
2017: 5-10 Jahre
2020: 2-5 Jahre
2023: weniger als 2 Jahre
Die Kategorie ist geteilt
2017: 5-10 Jahre
2021: 5-10 Jahre
2023: Aufteilung in mehrere Technologien
Immer noch hinter dem Jahrzehnt
2017: mehr als 10 Jahre
2021: mehr als 10 Jahre
2026: mehr als 10 Jahre
Das Verschwinden aus dem Diagramm ist kein Testergebnis. Es kann Fälligkeit, Übertragung, Umbenennung oder Teilung bedeuten. Darüber hinaus bestimmt das offene Intervall für AGI nicht das letzte Jahr der Erfüllung.
Benutzerdefinierter Vergleich der ursprünglichen Gartner-Daten aus den Jahren 2011, 2017, 2020, 2021, 2023 und 2026. Details und Links folgen.1. Spracherkennung: eine lange Geschichte, aber auch ein nachweisbarer Fortschritt. In der Matrix von 2011 hatte es einen Horizont von 2–5 Jahren. Auf der KI-Kurve 2017 liegt ihr Punkt bereits im Bereich des Produktivitätsplateaus, mit einer Marke, die weniger als zwei Jahre alt ist. Der Bericht 2020 erklärt seine spätere Entfernung von der allgemeinen KI-Landkarte durch die Verlagerung in eine spezielle Sparte für Sprachtechnologien. Dies ist ein wichtiges Gegenbeispiel zu der Behauptung, dass sich alle Technologien nur auf unbestimmte Zeit weiterentwickeln. Das genaue Jahr der Erfüllung der ursprünglichen Schätzung lässt sich allein aus diesen drei Punkten nicht ermitteln. Matrix 2011, Seite 11, Gartner-Chartpräsentation 2017, Seite 3, Erläuterung des Umzugs im Bericht 2020, Seite 7.
2. Computer Vision: ein Beispiel für zeitkompatible Entwicklung. Im Jahr 2017 verbleiben noch 5–10 Jahre, im Jahr 2020 noch 2–5 Jahre und im Jahr 2023 weniger als zwei Jahre. Das ursprüngliche Kalenderfenster von 2022–2027 und die spätere Prognose bis etwa 2025 widersprechen sich nicht. Wir sehen hier nicht den gleichen Pushback wie bei der kombinierten KI. Dies steht im Einklang mit Gartners eigenen Schätzungen; Eine unabhängige Bestätigung der tatsächlichen Marktreife würde einen anderen Benchmark erfordern. Diagramm 2017, Matrix 2020, Matrix 2023, Anhang 1A.
3. Verarbeitung natürlicher Sprache: gleiches Intervall, dann Kategoriewechsel. Es hat einen Horizont von 5-10 Jahren in den Jahren 2017 und 2021. Es vergingen also vier Jahre, aber der verbleibende Zeitraum verkürzte sich nicht. Im Jahr 2023 verschwindet der Gegenstand von der KI-Karte; Der Bericht weist in einer speziellen Sprachübersicht explizit auf die Aufteilung in mehrere Technologien hin. Aus diesem Schritt lässt sich weder auf die Erfüllung noch auf das Scheitern der Prognose schließen. Auch die heutige generative KI kann nicht ohne Weiteres weitergeführt werden, als wäre sie ein unveränderter Gegenstand. Diagramm 2017, Diagramm 2021, Erläuterung der Änderung im Bericht 2023, Seite 5.
4. Allgemeine künstliche Intelligenz: Neun Jahre mit der gleichen offenen Grenze. In den Jahren 2017, 2021 und 2026 hat AGI die Marke „mehr als zehn Jahre“ erreicht. Seine kalendarische Bedeutung verschiebt sich über 2027, 2031 und 2036 hinaus. Es handelt sich um einen schwach überprüfbaren Ausblick: Der Anspruch von 2017 versprach nicht, im Jahr 2027, sondern in mehr als zehn Jahren erreicht zu werden. Es handelt sich also nicht um drei nachgewiesene Fehler. Eine berechtigte Frage ist, wie viele neue Informationen eine solche wiederholte Marke mit sich bringt und wie Gartner die Veränderung der Wahrscheinlichkeit des Auftretens von AGI bewertet. Diagramm 2017, Diagramm 2021, Übersicht 2026, Seite 3.
Kombinierte KI und andere neuere Konzepte: ein Rückblick nach drei Jahren
Für mich ist das Beispiel der kombinierten KI das persönlichste. Wenn ich über die Kombination von Lernen, Regeln, Wissensstrukturen und Optimierung lese, erinnere ich mich an frühere Debatten über hybride künstliche Intelligenz. Gartner selbst nennt im Jahr 2025 kombinierte und hybride KI als alternative Bezeichnungen. Dies beweist jedoch nicht die Existenz des gleichen Zeitprofils vor 2020. Gartners Erklärung der Beziehung zwischen den beiden Namen.
In der getrackten KI-Reihe wird die kombinierte KI 2020 neu aufgenommen. Gleichzeitig erkennt das damalige Profil selbst an, dass die Grundideen nicht neu sind. Deshalb verlängere ich die Prognosehistorie nicht künstlich auf fünfzehn Jahre. Ich vergleiche den 2020 → 2023 → 2026, also die gleichen Dreijahresintervalle. Bericht 2020: Neuheiten und Profil der kombinierten KI.
Sechs Jahre sind vergangen. Das Ziel liegt noch vor uns.
Die gleiche Kategorie in regelmäßigen Abständen von drei Jahren. Die Karten zeigen die verbleibende Zeit bis zum Produktivitätsplateau zu diesem Zeitpunkt.
2022–2025
2025–2028
bis ca. 2028
Das Zeitfenster 2020 ist bereits zu Ende. Andererseits überschneiden sich die Aussichten für 2023 und 2026. Es ist also nicht bei jedem Update die gleiche Verschiebung.
Benutzerdefinierter Vergleich der Gartner-Berichte von Juli 2020, Juli 2023 und August 2026. Kalenderjahre sind Näherungswerte; Die Diagramme selbst bestimmen nicht die Ursache der Änderungen.| Bereich | 2020: verbleibende Zeit | 2023: verbleibende Zeit | 2026: verbleibende Zeit |
|---|---|---|---|
| 5. Kombinierte KI | 2-5 Jahre | 2-5 Jahre | Weniger als 2 Jahre |
| 6. Generative KI | 2-5 Jahre | 2-5 Jahre | Weniger als 2 Jahre |
| 7. KI direkt in Geräten | 2-5 Jahre | Weniger als 2 Jahre | Weniger als 2 Jahre |
| 8. Wissensgraphen | 5-10 Jahre | 2-5 Jahre | 2-5 Jahre |
Zeitstempelquellen: Matrix 2020, Seite 6, Matrix 2023, Anhang 1A, Übersicht 2026, Seite 3.
Gemischte und generative KI: Das ursprüngliche Fenster 2020 endete etwa 2025. Laut der Karte 2026 ist die Plattform immer noch die Zukunft. Hierbei handelt es sich nachweislich um eine Diskrepanz zwischen dem ursprünglichen Zeitfenster und der späteren Beurteilung. Gleichzeitig stellt generative KI ein früh erkanntes Thema vor dem Masseneinsatz von Konversationsmodellen dar. Das Erkennen der Bedeutung eines Themas und das Timing seiner Reife sind zwei verschiedene Errungenschaften.
Auch zwischen 2023 und 2026 ist eine KI direkt in Geräten:-Verschiebung zu erkennen. Bereits im Jahr 2023 dürfte die Plattform weniger als zwei Jahre, also bis etwa 2025, auf sich warten lassen. Im Jahr 2026 liegt die gleiche Kategorie noch vorn. Dies ist ein spezifischerer Anreiz für eine retrospektive Erklärung als der allgemeine Eindruck, dass sich alle Begriffe verschieben.
Das Bild des Wissensgraphen: ist weniger klar. Das ursprüngliche Fenster 2025–2030 und das neue Fenster 2028–2031 überschneiden sich erheblich. Zwischen 2023 und 2026 wird sich das Intervall von 2-5 Jahren wiederholen, es wäre jedoch nicht fair, die gesamte ursprüngliche Prognose als widerlegt zu bezeichnen.
Acht Fälle zeigen, warum ich nicht schreiben würde, dass Gartner „nie etwas erreicht“. Wir sehen einen Fortschritt bis zur Reife, sich überschneidende Schätzungen, Verschiebungen über das ursprüngliche Fenster hinaus und eine Aufschlüsselung der Kategorien. Es handelt sich um einen Vergleich historischer Aussagen, nicht um eine Berechnung des Erfolgs aller Prognosen. Darüber hinaus garantiert der gleiche Name keine invariante Definition. Nur ein Vergleich vollständiger Profile und unabhängiger Ergebnisse kann den Unterschied zwischen Fehleinschätzung, Marktveränderung und Definitionsänderung erklären. Das ist genau die Art von Erklärung, die ich von der Neuauflage erwarten würde.
So bewerten Sie Gartner selbst wissenschaftlich
Gartner-Kurven sind als organisierter Überblick über Themen und Analyseerwartungen wertvoll. Sie liefern jedoch keinen experimentellen Beweis dafür, dass jede Technologie den gleichen Weg einschlagen wird. In einer Studie aus dem Jahr 2016 beschrieben Dedehayir und Steinert bereits Inkonsistenzen bei der empirischen Untersuchung des Modells anhand von Gartners eigenen Aufzeichnungen. Expertenstudie zu den Möglichkeiten und Grenzen des Erwartungskurvenmodells.
Ich würde daher vier Dinge benötigen, um eine bestimmte Vorhersage beurteilen zu können. Zunächst eine genaue Definition des beobachteten Phänomens: zum Beispiel, was als Agentenprojekt gilt und wann es als abgebrochen gilt. Zweitens die Ausgangspopulation und die Methode der Datenauswahl. Für den dritten Unsicherheitsgrad und die Bedingungen, unter denen die Prognose gültig ist. Viertens eine spätere Bewertung anhand eines vorgegebenen Kriteriums.
Die Vorhersage „40 Prozent der Projekte werden zu einem bestimmten Datum abgeschlossen sein“ kann überprüft werden, wenn eine definierte Gruppe von Projekten und Tracking-Regeln vorhanden sind. Behauptungen, dass Unternehmen „aus dem Wettbewerb geraten“ werden, sind schwieriger zu bewerten, bis festgestellt ist, ob es sich um Umsatz, Rentabilität, Produktivität oder Marktanteil handelt. Eine genau aufgedruckte Prozentangabe ersetzt nicht die genaue Definition der Messgröße.
Ebenso ist es notwendig, die Beziehung zwischen Ursache und Zusammenhang zu wahren. Wenn Organisationen mit guter Planung eher dazu neigen, ihre wirtschaftlichen Ziele zu übertreffen, kann die Planung zum Ergebnis beitragen, aber auch eine kompetentere Führung, eine höhere Investitionskapazität oder andere Merkmale können zum Ergebnis beitragen. Ohne ein geeignetes Forschungsdesign kann das Ausmaß des Zusammenhangs nicht automatisch als Auswirkung eines einzelnen Managementwechsels interpretiert werden.
Eine ehrliche historische Prüfung würde einen vorab ausgewählten Satz von Kategorien verfolgen, einschließlich derjenigen, die später verschwanden oder ihren Namen änderten. Es würde die ursprünglichen Definitionen beibehalten, relative Horizonte in feste Daten umwandeln und ein unabhängiges Maß für die Reife verwenden. Das Ergebnis sollte auch mit einer einfachen Schätzung ohne analytische Fachkenntnisse verglichen werden. Nur dann kann festgestellt werden, ob die Kurve über die normale Erwartung einer allmählichen Expansion hinaus einen Vorhersagewert bietet.
Daher eignet sich die Erfahrung mit der Kurve am besten als Quelle für Hypothesen. Wenn Gartner die Kostenunsicherheit der Makler hervorhebt, lohnt es sich, sie zu messen. Wenn es auf den Kontextverlust in der Automatisierung hinweist, lohnt es sich, auf Ausnahmen und Wissensweitergabe zu achten. Die Gültigkeit einer bestimmten Entscheidung muss jedoch durch die Ergebnisse in der Umgebung, für die wir uns entscheiden, nachgewiesen werden.
Was Sie aus den Prognosen für Ihre eigene Organisation ziehen können
Der erste Schritt sollte darin bestehen, die Aufgabe und das Ergebnis zu definieren. Anstelle des vagen Ziels von „Implementing Agents“ kann beispielsweise die Bearbeitungszeit einer bestimmten Art von Anfrage bei gleichbleibender Qualität überwacht werden. Zeit für Inspektion, Reparaturen, Betriebskosten und Ausnahmebehandlungsarbeiten müssen gleichzeitig berechnet werden.
Der zweite Schritt ist der Vergleich mit dem Ausgangszustand. Wenn es die Rahmenbedingungen zulassen, empfiehlt es sich, vergleichbare Aufgaben oder Teams auf unterschiedliche Verfahren aufzuteilen und im Vorfeld Benchmarks festzulegen. Andernfalls besteht die Gefahr, dass wir eine veränderte Zusammensetzung der Fälle, eine größere Erfahrung der Arbeitnehmer oder die Auswahl einfacherer Aufgaben als Beitrag der KI bezeichnen.
Der dritte Schritt ist die Abstufung der Autonomie. Antwortentwurf, interne Datensatzänderung und irreversibler Vorgang haben unterschiedliche Schweregrade. Der Umfang der Berechtigungen sollte den Folgen des Fehlers entsprechen. Die Erfahrungen aus der zuverlässigen, engen Bereitstellung können dann die weitere Expansion unterstützen.
Der vierte Schritt besteht darin, die Fähigkeiten der Menschen zu überwachen. Zeitersparnis ist wertvoller, wenn sie bessere Arbeit, neue Dienste oder Lernen ermöglicht. Wenn daraus lediglich mehr unkontrollierter Output entsteht, kann die scheinbare Aktivität zunehmen, ohne dass es zu einer entsprechenden Verbesserung des Outputs kommt.
Die vorteilhafteste Interpretation der Gartner-Prognosen liegt also darin, konkrete Fragen zu stellen: Verfügen wir über die richtigen Daten für die vorliegende Entscheidung? Können wir den Fehler erkennen? Wissen wir, wie viel das erhaltene Ergebnis kostet? Gibt es in der Organisation eine Person, die die Situation selbstständig beurteilen kann? Und messen wir nach der Einführung die gleiche Menge wie vorher?
Die Antworten auf diese Fragen bestimmen, ob sich technologische Fortschritte in einen Wert umsetzen lassen. Die Kurve hilft dabei, Bereiche zu lokalisieren, auf die man achten sollte. Die Wirksamkeit einer bestimmten Lösung wird nur durch ihren überprüften Betrieb bestimmt.
Unsere kritische Reflexion: Was wir aus den Prognosen mitnehmen und was wir noch nicht glauben
Nachdem ich es mehrere Jahre lang verfolgt habe, habe ich eine doppelte Beziehung zu Gartner. Ich schätze, dass er Modelle, Daten, Arbeitsorganisation und betriebliche Verantwortung gegenüberstellen kann. Bei den Zeitstempeln selbst bin ich vorsichtiger. Die Beispiele kombinierter KI und KI direkt in Geräten sind für mich Anlass, um eine Erklärung des Wandels zu bitten. Die Geschichte der Spracherkennung und des Computersehens zeigt gleichzeitig Fortschritte in Richtung Reife. Die Kritik sollte einzelne Ergebnisse hervorheben und die ursprünglichen Begriffe bewahren und nicht nur Fälle auswählen, die ihr passen.
Was für eine gute Prognose sollte sein
Unsere Kriterien für Gartner, Modellbauer und unsere eigenen Schätzungen.
Was genau soll passieren?
Modellfähigkeit, Unternehmensgröße und wirtschaftliche Auswirkungen haben unterschiedliche Maßstäbe.
Was kam letztes Mal heraus?
Vergleichen wir die neuen Begriffe mit den ursprünglichen, einschließlich der Änderungen in Namen und Definitionen.
Wie schnell ändern sich die Optionen?
Die heutigen Einschränkungen sind nicht behoben. Ein exponentieller Trend ist jedoch keine Garantie für die Zukunft.
Was würde unsere Meinung ändern?
Vorgegebenes Ergebnis, Datum und kontinuierlich verfügbare Messung.
Zur Orientierung nutzen wir die Karte von Gartner. Darüber hinaus stützen wir unsere Entscheidungen auf Fähigkeitsmessungen, die Ergebnisse konkreter Einsätze und die Auswertung früherer Schätzungen.
Als schwächsten Punkt halte ich den unklaren Zusammenhang zwischen der Zeitschätzung und der Bedingung für deren Erfüllung. Wenn die Technologie bereits weit verbreitet ist, die Plattform aber noch die Nase vorn hat, müssen wir wissen, was noch fehlt. Es kann eine legitime Forderung nach wirtschaftlicher Reife sein. Ohne ein vorgegebenes Kriterium kann sich jedoch die Erfolgsschwelle mit der Prognose verschieben.
Ich würde in der Bewertung eher die Geschwindigkeit des technischen Fortschritts betonen. Aus der Form der Gartner-Kurve kann nicht geschlossen werden, dass er mit einem linearen Zeitmodell arbeitet. Im diesjährigen Kommentar spricht er selbst davon, dass die Technologie schneller voranschreitet als erwartet. Die öffentliche Grafik zeigt jedoch nicht die Berechnung, mit der diese Beschleunigung auf einzelne Horizonte projiziert wird. Gartner-Kommentar zu 2026.
Die METR-Messung ist hierbei ein wichtiges Gegengewicht. Wir fragen uns, ob das Problem, das die Autonomie heute einschränkt, auch in mehreren Modellgenerationen bestehen bleibt. Gleichzeitig würde ich nicht automatisch die gleiche Geschwindigkeit auf die gesamte Wirtschaft projizieren: Die Veränderung der Modellfähigkeiten, die Neugestaltung von Geschäftsprozessen und die messbaren Auswirkungen auf die Beschäftigung können sich unterschiedlich entwickeln. KI kann auch die Implementierung anderer Systeme beschleunigen; aber wir müssen die Größe dieses Effekts überprüfen.
Die optimistischen Versprechen der Hersteller verdienen die gleiche Strenge. Der Zugriff auf die neuesten Modelle ist eine wertvolle Information und keine Garantie für die Richtigkeit. Für AGI benötigen wir eine klare Definition und einen Testtermin. Bei Arbeitsplätzen müssen wir zwischen Neuzuweisung, Einstellungsbeschränkungen und tatsächlichem Arbeitsplatzverlust unterscheiden. Keine eindrucksvolle Visualisierung kann diese Unterschiede ausgleichen.
Unsere Schlussfolgerung ist daher bewusst vorläufig: Gartner bietet einen nützlichen Überblick über die Themen, aber ohne nachgewiesene historische Genauigkeit können wir ihm nicht die Autorität eines zuverlässigen KI-Entwicklungskalenders zuschreiben. Mehr Gewicht wird auf transparente Messungen und Schätzungen gelegt, bei denen sowohl Erfolg als auch Fehler im Nachhinein erkennbar sind. Sollte sich herausstellen, dass Gartner nach der Vereinheitlichung der Definitionen und einem vollständigen historischen Vergleich die Begriffe gut einschätzt, ist es angebracht, die Meinung zu ändern. Ebenso müssen wir die Erwartungen an eine schnelle Automatisierung anpassen, wenn sich das Wachstum der Fähigkeiten verlangsamt oder sich nicht in reguläre Arbeit umsetzt.