Agentic AI Mittelstand: Was der acatech-Report wirklich zeigt

60 Prozent der internationalen FinTechs setzen KI-Agenten produktiv ein. Der bundesweite Durchschnitt liegt bei 10 bis 15 Prozent. Das ist keine Studie – das ist eine Expertenschätzung aus einem acatech-Debattenbeitrag. Und trotzdem erzählt diese Zahl mehr über den deutschen Mittelstand als jede Hochglanzpräsentation.

Was acatech wirklich gesagt hat – und was nicht

Klartext: Der viel zitierte Vergleich zwischen FinTech-Branche und bundesweitem Durchschnitt stammt aus einem Diskussionsbeitrag der Plattform Lernende Systeme bei acatech – keine repräsentative Panelerhebung, kein peer-reviewtes Paper. Das Impulspapier „KI-Agenten im Aufbruch“ beschreibt diese Zahlen offen als Experteneinschätzung aus einer Diskussionsrunde. Wer sie als amtliche Statistik verkauft, schummelt.

Was trotzdem stimmt: Die Richtung ist eindeutig. In der internationalen FinTech-Branche sollen laut diesem Beitrag etwa 60 bis 70 Prozent der Unternehmen agentische KI-Systeme einsetzen. Beim bundesweiten Durchschnitt – gemeint ist die gesamte Unternehmenslandschaft, nicht explizit der Mittelstand – liegt man bei 10 bis 15 Prozent. Der „bundesweite Durchschnitt“ meint nicht den klassischen deutschen Maschinenbauer mit 180 Beschäftigten. Das ist eine wichtige Unterscheidung.

Und acatech beschreibt den Status von Agentic AI in der industriellen Adaption mit einem Vergleich, der sitzen bleibt: vergleichbar mit dem Internet Ende der 1990er Jahre. Frühe Experimente, wenige produktive Kernanwendungen, aber das Momentum ist unverkennbar. KI-Unternehmer Alexander Thamm formuliert es bei acatech noch direkter: Die Technologie werde in der Produktion ihre stärksten Ausprägungen zeigen – Bildverarbeitung, Predictive Maintenance, Supply-Chain-Absicherung. Bald.

Was Agentic AI überhaupt bedeutet – und warum der Begriff verwirrt

Seien wir ehrlich: Drei Viertel aller „KI-Agenten“-Diskussionen in Deutschland verwechseln Äpfel mit Orangen. Chatbots sind keine Agenten. RPA-Bots sind keine Agenten. Ein klassisches Machine-Learning-Modell, das Bildfehler erkennt, ist kein Agent.

acatech definiert das sauber: Agentische KI bezeichnet Systeme, die selbstständig Ziele verfolgen, Pläne erstellen, mit externen Tools interagieren und Aufgaben schrittweise ausführen. Ein KI-Agent liest nicht nur eine E-Mail – er entscheidet, ob er eine Antwort formuliert, einen Termin bucht, ein Dokument anfordert und dabei noch einen zweiten Agenten beauftragen, der die Rückfrage weiterverfolgt. Das ist der Unterschied. Und dieser Unterschied ist riesig.

Die Begriffsverwirrung hat reale Kosten: Mittelständler glauben, sie nutzen bereits KI-Agenten, weil ihr ERP-System jetzt eine Chatbox hat. Faktisch nutzen sie ein LLM mit einer simplen Eingabemaske. Beide Seiten – Anbieter und Einkäufer – haben Interesse, diese Grauzone nicht zu klären. Das ist die harte Wahrheit.

Erschwerend kommt hinzu, dass selbst innerhalb der KI-Branche keine einheitliche Taxonomie existiert. Manche Anbieter bezeichnen bereits regelbasierte Workflows mit einem LLM-Baustein als „agentisch“. Andere setzen die Latte deutlich höher und verlangen echte Planungsfähigkeit, Werkzeugnutzung und Rückkopplungsschleifen. Wer als Mittelständler ein Angebot für ein KI-Agenten-Projekt bewertet, sollte deshalb immer konkret fragen: Welche Entscheidungen trifft das System autonom, ohne menschliche Freigabe? Und welche Konsequenzen hat eine Fehlentscheidung des Systems auf laufende Prozesse? Nur wer diese Fragen schriftlich beantwortet bekommt, kann ein seriöses Angebot von einem Marketingversprechen unterscheiden.

Wo KI-Agenten-Adoption im Mittelstand wirklich steht

Simon Boffen, stellvertretender Leiter „MISSION KI“ bei acatech, wird in einem EuroCloud-Beitrag deutlich: Der Mittelstand hinkt bei der Nutzung von KI-Agenten erheblich hinterher. Konkrete Prozentwerte zur Agentic-AI-Adoption im deutschen Mittelstand nennt er nicht – weil es sie nicht gibt. Zumindest nicht als belastbare Erhebung.

Was es gibt: qualitative Einschätzungen, Pilotprojekte, frühe Anwenderberichte. Mehrere Beratungsunternehmen und Anbieter adressieren gezielt den Mittelstand mit Webinaren und Whitepapers zu KI-Agenten-Themen. Das zeigt steigendes Interesse – aber keine flächendeckende Nutzung. Der Marktaufbau ist im Gange. Produktiver Betrieb ist die Ausnahme, nicht die Regel.

Ehrlich gesagt finde ich diese Lücke zwischen Debatte und Realität bezeichnend. Die Konferenzen sind voll, die LinkedIn-Posts euphorisch, die Pilotprojekte zahlreich. Und trotzdem: Wer wirklich schaut, wie viele Mittelständler heute einen echten KI-Agenten produktiv in einem Kernprozess betreiben, kommt schnell auf überschaubare Zahlen. Der Mittelstand experimentiert. Das ist gut. Er deployt. Das ist selten.

FinTech als Ausreißer – und was dahintersteckt

Die hohe Adoptionsrate in der FinTech-Branche ist kein Zufall. Mehrere Strukturmerkmale begünstigen frühe KI-Agenten-Adoption: digitale Geschäftsmodelle ohne physische Produktion, hoher Anteil an wiederkehrenden, standardisierten Prozessen, starker Wettbewerbsdruck durch internationale Player, und – entscheidend – eine Infrastruktur, die von Anfang an API-first gebaut wurde. Wer sein ganzes Geschäftsmodell auf programmierbaren Schnittstellen aufgebaut hat, integriert agentische Systeme strukturell leichter.

Der klassische Mittelständler baut Maschinen, produziert Spezialteile oder betreibt B2B-Services – oft mit gewachsenen ERP-Systemen, heterogenen Datenlandschaften und einem IT-Team, das für den Tagesbetrieb zuständig ist, nicht für KI-Experimente. Das ist keine Entschuldigung. Aber es ist der Kontext, den man braucht, um die Diskrepanz zu verstehen.

Dazu kommt das Governance-Problem, das acatech in seinem Positionsbeitrag „Agentische KI: große Potenziale, viele Risiken und eine Chance für Europa“ klar benennt: Mit wachsender Autonomie wächst die Angriffsfläche. Besonders in Finanzsystemen, kritischer Infrastruktur und Messaging-Systemen entstehen neue Risiken. Kristian Kersting bringt es auf den Punkt: KI-Systeme sprechen nicht mehr nur, sie handeln. Das erfordert andere Absicherungskonzepte als ein Chatbot.

Multi-Agenten-Systeme: Das eigentliche Versprechen

Einzelne KI-Agenten sind interessant. Multi-Agenten-Systeme sind das, worüber acatech als wirklich disruptiv spricht. Die Idee: Mehrere spezialisierte Agenten arbeiten kooperativ, kontrollieren sich gegenseitig und lösen komplexe Probleme, die kein einzelner Agent alleine bewältigen könnte.

Ein Beispiel aus dem acatech-Kontext: Ein Agent analysiert Kundenbedürfnisse, ein zweiter generiert Angebote, ein dritter überwacht den Gesamtprozess und schlägt Korrekturen vor. Kein Mensch genehmigt jeden Zwischenschritt. Das ist genau der Paradigmenwechsel, den acatech beschreibt – von der „Erlöserfantasie“ der allwissenden Superintelligenz hin zu einem Netzwerk spezialisierter, koordinierter Agenten, die sich in Kernprozesse integrieren.

Für den Mittelstand klingt das abstrakt. Wird es aber konkret, wenn man an Onboarding-Prozesse denkt: Agent eins prüft eingehende Bewerbungsunterlagen auf Vollständigkeit, Agent zwei terminiert Erstgespräche, Agent drei erstellt Einarbeitungspläne basierend auf Stellenprofil und Vorkenntnissen. Kein einziges dieser Elemente ist science fiction. Einzelne Schritte davon laufen bereits in Pilotprojekten.

Was der Staat bereits tut – und was das für Unternehmen bedeutet

Das Bundesministerium für Digitales und Staatsmodernisierung ist kein typisches Vorbild für technologische Frühnutzung. Umso bemerkenswerter: Das BMDS hat den „Agentic AI Hub“ gestartet und 18 Pilotprojekte in Kommunen aufgesetzt. Laut BMDS-Pressemitteilung sollen autonome Agenten Anträge auf Vollständigkeit prüfen, fehlende Dokumente nachfordern, Unterlagen analysieren und Entscheidungsvorschläge machen. Das ist konkret. Das ist produktiv. Das passiert jetzt.

Was bedeutet das für den Mittelstand? Erstens: Wenn die Verwaltung pilotiert, ist die Technologie reif genug für strukturierte Erprobung. Zweitens: Wer auf die Förderprogramme wartet, wartet zu lang. Der Agentic AI Hub adressiert aktuell Verwaltungen – aber er zeigt, dass Deutschland den Aufbau von Kompetenz in diesem Bereich ernst nimmt. Drittens: Wer jetzt KI-Agenten-Projekte in Backoffice-Prozessen startet, baut Kompetenz auf, die in drei Jahren teuer erkauft werden muss, wenn alle gleichzeitig nachrüsten.

Schluss damit, auf den perfekten Moment zu warten. Den gibt es nicht.

Typische Stolpersteine – und wie man sie vermeidet

Wer die bisherigen Pilotprojekte im deutschen Mittelstand analysiert, erkennt wiederkehrende Muster, an denen Projekte scheitern oder nicht in den produktiven Betrieb übergehen. Der häufigste Grund ist nicht die Technologie, sondern die Datenlage. KI-Agenten brauchen strukturierten, konsistenten Zugriff auf Unternehmensdaten – Dokumentenarchive ohne einheitliche Benennung, ERP-Systeme mit redundanten Feldern oder fehlende API-Schnittstellen zu Altsystemen machen jeden Agenten-Piloten zur Sisyphusarbeit. Wer das im Vorfeld nicht klärt, verliert sechs Monate in der Datenbereinigung statt in der eigentlichen Agenten-Entwicklung.

Der zweite Stolperstein ist die Frage der Verantwortung. Wenn ein KI-Agent autonom eine Bestellung auslöst oder eine Kundenanfrage ablehnt – wer haftet bei einem Fehler? Diese Frage klingt theoretisch, ist aber hochpraktisch. Mittelständler, die keine klare Antwort darauf haben, bevor das System in Betrieb geht, riskieren nicht nur rechtliche Probleme, sondern auch Vertrauensverlust bei Kunden und Mitarbeitern. acatech empfiehlt deshalb ausdrücklich, Governance-Strukturen von Anfang an als Teil des Projekts zu behandeln, nicht als späteren Compliance-Baustein.

Ein dritter, oft unterschätzter Faktor ist die interne Akzeptanz. Mitarbeiter, deren Aufgaben ein KI-Agent übernimmt oder verändert, reagieren nicht automatisch positiv – selbst wenn die Prozessverbesserung objektiv messbar ist. Projekte, die Betroffene frühzeitig einbinden, klar kommunizieren, was der Agent übernimmt und was nicht, und die einen menschlichen Kontrollpunkt explizit vorsehen, zeigen deutlich höhere Akzeptanzraten. Das ist kein weiches Thema. Es entscheidet darüber, ob ein Pilotprojekt nach dem ersten Rollout weiterlebt oder still eingestellt wird.

Realistische Einstiegspunkte: Wo Mittelständler heute starten können

Die acatech-Debatte und begleitende Praxisberichte nennen konkrete Einstiegsbereiche, die für KMU geeignet sind. Dokumentenbasierte Prozesse stehen ganz oben: Eingangsrechnungen prüfen, Angebote vergleichen, Verträge auf Klauseln scannen. Hier sind die Daten strukturiert genug und die Fehlerfolgen kalkulierbar, um agentische Systeme mit vertretbarem Risiko einzusetzen.

Service und Support folgen direkt dahinter. Nicht als simpler Chatbot, sondern als Agent, der Anfragen klassifiziert, relevante Systeme abfragt, Lösungsvorschläge generiert und bei Bedarf einen menschlichen Mitarbeiter einbezieht. Das reduziert Bearbeitungszeiten messbar – und ist technisch heute umsetzbar.

Produktion und Predictive Maintenance bleiben das mittelfristige Ziel – dort, wo Alexander Thamm das größte Potenzial sieht. Bildverarbeitung mit agentischer Steuerung, autonome Eskalation bei Anomalien, KI-gestützte Supply-Chain-Überwachung. Diese Bereiche sind komplexer zu integrieren, weil sie in physische Prozesse und gewachsene OT-Umgebungen eingreifen. Aber sie sind es, die langfristig den größten Unterschied machen werden.

Was bei allen Einstiegspunkten gilt: Wer eine heterogene ERP-Landschaft, fehlende API-Dokumentation oder Datenschutz-Ungeklärtheiten hat, braucht zuerst Datenstrategie – dann KI-Agenten. Kein Agent macht schlechte Dateninfrastruktur besser. Das ist ein Grundprinzip, das in der Euphorie regelmäßig untergeht.

KI-Agenten Adoption: Was Sie jetzt tun sollten

Kein Impulsvortrag, keine Roadmap-Präsentation – sondern drei konkrete Handlungsschritte. Erstens: Bestandsaufnahme. Welche Prozesse in Ihrem Unternehmen sind repetitiv, regelbasiert und datenreich? Das sind die natürlichen Kandidaten für erste KI-Agenten-Piloten. Wenn Sie diese Liste nicht haben, fangen Sie dort an.

Zweitens: Begriffe klären. Bevor Sie ein Budget freigeben, lassen Sie sich vom Anbieter exakt erklären, was sein System eigenständig entscheidet und was nicht. Wenn die Antwort vage bleibt, ist es kein Agent – es ist ein Chat-Interface. Diese Unterscheidung kostet Sie sonst sechs Monate und viel Geld.

Drittens: Klein anfangen, aber ernsthaft. Ein Pilotprojekt in einem abgegrenzten Prozess, mit klaren Erfolgskriterien, echten Produktivdaten und einem konkreten Zeitplan für die Bewertung. Kein Sandbox-Spielzeug, das nie in den Betrieb kommt. acatech betont dabei: Die Governance-Fragen – Haftung, Monitoring, Sicherheitsarchitektur – müssen von Anfang an Teil des Projekts sein, nicht ein Nachgedanke nach dem ersten Rollout.

Die Nachfrage nach KI-Experten im deutschen Markt steigt deutlich, während das verfügbare Talent knapp bleibt. Wer intern kein spezialisiertes Team aufbauen kann oder will, braucht Partnernetzwerke und klare Build-vs-Buy-Entscheidungen. Auch das ist eine Antwort – aber eine, die man bewusst treffen muss, nicht durch Unterlassung.

Die harte Wahrheit: Der Abstand zwischen FinTech-Adoptern und dem deutschen Durchschnitt wächst nicht, weil der Mittelstand die Technologie nicht versteht. Er wächst, weil die Strukturbedingungen different sind und weil zögerliches Pilotieren seltener in produktivem Betrieb endet als in der nächsten Evaluierungsrunde. Welche Ihrer Prozesse könnten morgen von einem KI-Agenten bearbeitet werden – und was hält Sie konkret davon ab, das heute zu testen?