KI-Agenten scheitern nicht an der Technologie – sie scheitern an den Daten

KI-Agenten scheitern nicht an der Technologie – sie scheitern an den Daten

Als Salesforce-CEO Marc Benioff 2024 verkündete, sein Unternehmen sei „all in on Agentforce", klang das wie der Startschuss für eine neue Ära im CRM. KI-Agenten sollten Kampagnen steuern, Leads qualifizieren, Kundenservice übernehmen – autonom, rund um die Uhr, ohne menschliches Zutun.

Zwei Jahre später sieht die Bilanz anders aus. Nur 34 Prozent der Salesforce-Kunden haben Agentforce überhaupt eingeführt. Der Börsenwert des Unternehmens ist um mehr als 200 Milliarden Dollar eingebrochen. Analysten sprechen inzwischen offen davon, dass die Technologie „nicht bereit für die Praxis" sei.

Das ist bemerkenswert, weil es hier nicht um ein Nischenprodukt geht, sondern um den Platzhirsch im CRM-Markt – mit den größten Entwicklungsbudgets, den meisten Kundendaten und dem stärksten Partnernetzwerk der Branche. Wenn selbst Salesforce an der Adoption scheitert, lohnt sich die Frage: Woran genau liegt das? Und was bedeutet die Antwort für alle anderen Unternehmen, die gerade über den Einstieg in agentische KI nachdenken?

Der Fall reiht sich ein in ein Muster, das sich branchenweit beobachten lässt: Die Investitionsbereitschaft in KI ist hoch, die tatsächliche Reife der Organisationen hinkt hinterher. Was bei Agentforce sichtbar wird, ist letztlich nur die zugespitzte Version eines Problems, das viele Marketing- und Vertriebsabteilungen im Kleinen längst kennen.

Zwei Gründe, ein Muster

Die Analysten von KeyBanc haben sich das genauer angeschaut und zwei Hauptgründe für die schleppende Adoption identifiziert.

Der erste: mangelnde Datenreife. KI-Agenten treffen Entscheidungen und erledigen Aufgaben nur so gut, wie die Daten, auf denen sie basieren. In den meisten Unternehmen sind CRM-Datensätze aber fragmentiert, Systeme nicht miteinander verbunden, Kundeninformationen inkonsistent gepflegt. Ein Agent, der auf dieser Grundlage arbeiten soll, trifft im Zweifel die falsche Entscheidung – oder besser gesagt: gar keine, weil er die Situation gar nicht zuverlässig einschätzen kann.

Der zweite Grund: mangelnde Produktreife. Aus Gesprächen mit Salesforce-Partnern und -Kunden schließen die Analysten, dass sich viele Agentforce-Projekte noch im Proof-of-Concept-Stadium befinden – begrenzt auf einzelne Teams oder Anwendungsfälle, nicht im breiten, unternehmensweiten Rollout. Pilotprojekte laufen, liefern erste Ergebnisse, bleiben aber genau das: Pilotprojekte, die nie in die Fläche skaliert werden.

Beide Punkte hängen eng zusammen. Eine noch nicht ausgereifte Technologie trifft auf eine noch nicht ausgereifte Datenbasis – und das Ergebnis ist Stillstand, trotz enormer Investitionen und noch größerer Erwartungen auf beiden Seiten.

Das eigentliche Problem sitzt tiefer

Die naheliegende Schlussfolgerung wäre: Salesforce muss die Technologie verbessern, dann klappt es auch mit der Adoption. Das greift zu kurz.

Die eigentliche Erkenntnis aus dem Agentforce-Fall ist eine andere: Die Herausforderung liegt nicht darin, Unternehmen vom Potenzial agentischer KI zu überzeugen. Dieses Potenzial ist inzwischen kaum noch umstritten. Die eigentliche Herausforderung liegt darin, die Daten- und Prozessgrundlage zu schaffen, auf der dieses Potenzial überhaupt zum Tragen kommen kann.

Wer heute in KI-Agenten investiert, ohne vorher die eigene CRM-Landschaft aufgeräumt zu haben, kauft sich im Grunde ein sehr leistungsstarkes Auto und stellt es auf eine Straße voller Schlaglöcher. Die PS sind da. Die Strecke ist es nicht.

Das gilt umso mehr für den deutschen Mittelstand. Viele Unternehmen haben in den vergangenen Jahren mehrere CRM- und Marketing-Tools parallel eingeführt, oft historisch gewachsen, selten von Anfang an konsequent integriert. Kundendaten liegen in Excel-Listen, im Newsletter-Tool, im ERP-System und im Kopf einzelner Vertriebsmitarbeiter – aber selten an einem Ort, in einem konsistenten Format, jederzeit abrufbar.

Was das für Marketing-Verantwortliche bedeutet

Für CMOs und Marketing-Leiter, die gerade über den Einstieg in agentische KI nachdenken, ergeben sich daraus drei konkrete Implikationen:

• Dateninventur vor Agenten-Rollout. Bevor ein KI-Agent Kampagnen steuert, Leads bewertet oder mit Kunden kommuniziert, sollte klar sein, wo die relevanten Daten liegen, wie vollständig sie sind und wie aktuell sie gepflegt werden.

• Integration schlägt Funktionsumfang. Ein CRM-System, das sauber mit Marketing-Automation, Vertrieb und Service verbunden ist, liefert mehr Wert als ein hochentwickelter Agent, der auf einer lückenhaften Datenbasis arbeitet.

• Governance von Anfang an mitdenken. Wer frühzeitig festlegt, welche Daten wie gepflegt, freigegeben und genutzt werden dürfen, verhindert, dass Agenten-Projekte im Pilotstadium steckenbleiben – genau das Muster, das KeyBanc bei Agentforce beobachtet hat.

Der Fall Agentforce zeigt: Selbst ein Weltkonzern mit nahezu unbegrenzten Ressourcen kann dieses Fundament nicht überspringen. Für Unternehmen mit deutlich begrenzteren Budgets und IT-Teams gilt das erst recht – und macht die Reihenfolge der Investitionen zur strategischen Entscheidung, nicht zur Fußnote.

Wichtig ist dabei: Es geht nicht darum, agentische KI aufzuschieben, bis irgendwann die perfekte Datenlage erreicht ist – die gibt es in der Praxis nie. Es geht darum, ehrlich zu bewerten, welche Prozesse und Datensätze bereits robust genug für einen Agenten sind, und dort zu starten, statt mit dem ambitioniertesten, aber datentechnisch instabilsten Use Case zu beginnen.

Die AVENTHO-Perspektive

Bei AVENTHO sehen wir in Kundenprojekten regelmäßig, wie stark der Erfolg von KI-Initiativen von der Qualität der zugrunde liegenden CRM-Struktur abhängt – oft mehr als von der gewählten Technologie selbst. Als Microsoft- und Creatio-Partner beginnen wir deshalb bei Marketing- und Vertriebsprojekten häufig nicht bei der KI, sondern bei der Datenarchitektur: Wie sind Systeme verbunden, wie konsistent sind Prozesse, wie sauber sind Datensätze gepflegt. Erst wenn dieses Fundament trägt, entfaltet agentische KI tatsächlich den Wert, den sich Unternehmen davon versprechen.