Enterprise-KI-Teams scheinen einen Teil der Agentendebatte für sich entschieden zu haben: Sie standardisieren zunehmend auf die großen Plattformen der Modellanbieter. Doch eine neue Reihe von VentureBeat-Pulse-Research-Umfragen legt nahe, dass das schwierigere Problem nicht die Wahl einer Plattform ist. Es geht darum, etwas, das einem verlässlichen, steuerbaren, mehrstufigen Agenten ähnelt, in Produktion zu bringen, ohne Vertrauen, Budgets oder Sicherheit zu gefährden.

Das direkteste Signal stammt aus der Orchestrierungsumfrage von VentureBeat AI vom Juni 2026 unter 101 Unternehmen mit mehr als 100 Mitarbeitenden. Laut dieser Umfrage war Claude von Anthropic für 40 % der Befragten die primäre Orchestrierungsplattform, vor Microsoft mit 18 % und OpenAI mit 13 %. Dieselben Befragten sagten jedoch, dass die meisten ihrer eingesetzten „Agenten“ im strengeren Workflow-Sinn gar keine echten Agenten sind: 71 % gaben an, dass ein Viertel oder weniger ihrer eingesetzten Systeme echte mehrstufige orchestrierte Workflows statt einfacher Chatbot-Hüllen mit einem einzigen Prompt seien.

Für sich genommen wäre das bereits eine nützliche Korrektur der Agenten-Rhetorik des Marktes. Zusammen mit drei weiteren, verwandten VentureBeat-AI-Umfragen zu Kontext, Bewertung und Sicherheit zeichnet es jedoch ein breiteres Muster. Unternehmen binden KI zwar schnell in Geschäftssysteme ein, aber die umgebenden Kontrollschichten sind noch unreif. Abruf-Infrastrukturen sind weit verbreitet, werden aber nicht vollständig vertraut. Evaluationswerkzeuge werden genutzt, sind jedoch schlecht auf die Produktionsrealität abgestimmt. Sicherheitskontrollen werden oft eher von Modellanbietern und Cloud-Plattformen übernommen, als dass sie um autonome Software herum entworfen werden. Das Ergebnis ist weniger ein Plattformkrieg als vielmehr eine Umsetzungslücke.

Orchestrierung konsolidiert sich, aber die Workloads bleiben oberflächlich

Die Orchestrierungsumfrage von VentureBeat AI argumentiert, dass Unternehmenskäufer Plattformen vor allem nach „Modell-Schwerkraft“ auswählen, statt aus Loyalität zu unabhängigen Orchestrierungs-Frameworks. In der Umfrage war der wichtigste Auswahlfaktor die Ausrichtung auf ein bevorzugtes Basismodell, während Flexibilität und einfache Entwicklung dahinter folgten. Die praktische Konsequenz: Unternehmen beginnen oft dort, wo das Modell bereits vorhanden ist, und ergänzen ihre Steuerungslogik später.

Das erklärt, warum Anbieterplattformen bei der gemeldeten Primärnutzung dominierten, während Tools wie LangChain/LangGraph und maßgeschneiderte interne Orchestrierung nur im einstelligen Bereich lagen. Die gleiche Umfrage fand jedoch auch ungewöhnlich hohe Wechselabsichten. VentureBeat AI berichtete, dass 68 % innerhalb eines Jahres eine neue, zusätzliche oder ersetzende Orchestrierungsplattform einführen wollen, und dass die größte Gruppe der Wechselwilligen noch keinen Anbieter in die engere Auswahl genommen hatte.

Das klingt nicht nach einem gefestigten Markt. Es klingt nach einer vorübergehenden Konzentration auf den einfachsten Ausgangspunkt.

Der stärkste Widerspruch in den Daten ist der, den VentureBeat AI selbst hervorgehoben hat: Teams sagen, sie bewerten Orchestrierung an einer zuverlässigen mehrstufigen Ausführung, doch die meisten geben zu, dass ihr eingesetztes Portfolio weiterhin überwiegend aus Chatbot-Hüllen besteht. Das ist für Entwickler und Käufer gleichermaßen wichtig, weil ein Assistent mit einem einzigen Schritt und ein System, das plant, Werkzeuge aufruft, Zustände koordiniert und Aktionen über Unternehmenssysteme hinweg ausführt, sehr unterschiedliche operative Anforderungen erzeugen.

Selbst grundlegende Finanzkontrollen wirken dünn. In der Orchestrierungsumfrage sagten 27 %, dass sie keine echtzeitfähige programmatische Möglichkeit hätten, einen außer Kontrolle geratenen Agenten zu stoppen, bevor die Rechnung eintrifft. Weitere 32 % verließen sich vollständig auf native Obergrenzen und Drosselungen der Anbieter. Nur Minderheiten berichteten, benutzerdefinierte Gateways oder Multi-Model-Routing aufgebaut zu haben, um Ausgaben deterministischer zu steuern.

Die fehlenden Schichten sind Kontext, Bewertung und Identität

Die Orchestrierungsergebnisse werden noch bedeutender, wenn man sie den parallelen Juni-2026-Umfragen von VentureBeat AI zum restlichen Enterprise-Agenten-Stack gegenüberstellt.

In der Kontext-Umfrage mit 101 Unternehmen sagten 57 %, dass ihre KI-Agenten in den vergangenen sechs Monaten selbstbewusste, aber falsche Antworten geliefert hätten, weil geschäftlicher Kontext fehlte oder inkonsistent war. Retrieval-Augmented Generation wurde von 38 % der Organisationen als primäre Kontextquelle genannt und war damit der häufigste Ansatz. Auch herstellereigene Abrufsysteme lagen bei der gemeldeten Produktionsnutzung vorn, mit OpenAI file search bei 40 % und Google Vertex AI Search bei 38 %, vor dedizierten Vektor-Tools wie Pinecone, Weaviate, Milvus und Qdrant.

Diese Kombination ist wichtig. Die Marktgespräche behandeln Retrieval oft als gelöstes Infrastrukturproblem und Vektor-Infrastruktur als ausgereifte Kategorie. Doch diese Umfrage legt nahe, dass das eigentliche Unternehmensproblem nicht ist, ob ein Team Dokumente abrufen kann. Entscheidend ist vielmehr, ob der abgerufene Kontext ausreichend gesteuert, konsistent, zugriffsbewusst und vertrauenswürdig ist, um Geschäftsentscheidungen zu unterstützen.

VentureBeat AIs Evaluationsumfrage mit 157 Unternehmensbefragten weist auf eine ähnliche Diskrepanz hin. Die Hälfte sagte, sie habe bereits eine Agenten- oder LLM-Funktion ausgeliefert, die interne Tests bestanden und dann in einer kundenexternen Umgebung versagt habe. Nur 5 % sagten, sie vertrauten automatisierter Bewertung vollständig. Dennoch erlaubten 66 % entweder bereits eine Bereitstellung ohne Human-in-the-Loop für risikoarme Agenten oder entwickelten innerhalb eines Jahres darauf hin.

Auch der Markt für Evaluationswerkzeuge wirkte in dieser Umfrage früh und fragmentiert. OpenAIs native Evals und Traces lagen gemeinsam mit „gar keinem dedizierten Tool“ als häufigstes primäres Setup gleichauf, jeweils bei 17 %, während Anthropics Claude Console Evals und unabhängige Werkzeuge wie DeepEval, Braintrust, LangSmith, Weave, Promptfoo, Langfuse und Arize auf kleinere Anteile verteilt waren.

Das ist wichtig, weil Orchestrierung ohne vertrauenswürdige Bewertung zu einer Möglichkeit wird, falsches Vertrauen zu skalieren. Ein bestandener Benchmark oder eine interne Testsuite ist nicht dasselbe wie der Nachweis, dass ein Agent sich unter realer Arbeitslast, realen Daten und echten Kundenbedingungen korrekt verhält.

Sicherheit ist der Punkt, an dem die Umsetzungslücke zum Unternehmensrisiko wird

Das konkretste Risikosignal in dieser Gruppe kommt aus VentureBeat AIs Sicherheitsumfrage unter 107 Unternehmen. Sie ergab, dass 54 % bereits entweder einen bestätigten Sicherheitsvorfall mit einem KI-Agenten oder beinahe einen Vorfall erlebt hatten. Nur 32 % sagten, jeder Agent habe eine eigene, klar abgegrenzte und verwaltete Identität. Die Mehrheit berichtete von irgendeiner Form der Weitergabe von Anmeldedaten, und nur 30 % schirmten ihre risikoreichsten Agenten in einer Sandbox ab.

Laut VentureBeat AI war der für diese Bereitstellungen verwendete Sicherheitsstack überwiegend herstellernativ. OpenAI Guardrails führten mit 51 % bei der gemeldeten Nutzung, zusammen mit Kontrollen großer Cloud- und Modellanbieter wie Google, Microsoft und Anthropic. Spezialisierte Kategorien wie Palo Alto Prisma AIRS, CrowdStrike, Cisco AI Defense, HiddenLayer, Zenity, Check Point, Lakera, Okta for AI Agents und breitere Plattformen für nicht-menschliche Identitäten tauchten in dieser Stichprobe nur in geringem Umfang auf.

Das Kernargument der Umfrage lautet, dass das Unternehmensproblem nicht mangelndes Bewusstsein ist, sondern eine Diskrepanz zwischen der gewährten Autonomie und den Containment-Systemen darum herum. Agenten erhalten bereits echten Zugriff auf interne Systeme und Daten, bevor pro Agent zugewiesene Identität, Least-Privilege-Zugriff, Isolation und Laufzeitdurchsetzung breit etabliert sind.

Hier wird die Feststellung, dass die meisten Chatbots Agenten nennen, mehr als nur Semantik. Wenn viele Produktionsbereitstellungen immer noch nur Hüllen um Prompts sind, ist die heutige Sicherheitslage womöglich bereits schwach. Wenn sich diese Systeme zu autonomeren, mehrstufigen Agenten mit Werkzeugzugriff entwickeln, vergrößert sich die Angriffsfläche weiter.

Belege, Vorbehalte und was diese Umfragen beweisen können und was nicht

Die gesamte Evidenz in dieser Geschichte stammt aus VentureBeat AIs eigenen Pulse-Research-Umfragen, die im Juni 2026 durchgeführt wurden. Die Berichte zu Orchestrierung und Kontext befragten jeweils 101 Unternehmen, der Sicherheitsbericht 107 und der Evaluationsbericht 157. Alle Stichproben schlossen sehr kleine Unternehmen aus und waren eher auf den Mid-Market oder KI-aktive Unternehmensbefragte ausgerichtet. VentureBeat AI weist wiederholt darauf hin, dass die Umfragen selbstselektiert, querschnittlich und richtungsweisend und keine Wahrscheinlichkeitsstichproben sind.

Dieser Vorbehalt ist wichtig. Die Zahlen sollten nicht als definitive Marktanteile, exakte Inzidenzraten oder geprüfte Adoptionsstatistiken verstanden werden. Sie spiegeln wider, was eine bestimmte Gruppe von Befragten VentureBeat AI über ihre eigenen Implementierungen und Pläne erzählt hat. Anbieteranteile zwischen den Umfragen sollten ebenfalls nicht übermäßig miteinander verglichen werden, da sich Stichproben und Fragestellungen unterscheiden.

Dennoch ist die richtungsweisende Konsistenz über die vier Berichte hinweg bemerkenswert. Bei der Orchestrierung konzentrieren sich Unternehmen auf Anbieterplattformen, erwarten aber hybride Kontrolle. Beim Kontext nutzen sie gebündeltes Retrieval, wollen aber Best-of-Breed-Unabhängigkeit. Bei der Bewertung misstrauen sie automatisierten Tests, bauen aber die Automatisierung aus. Bei der Sicherheit berichten sie von Vertrauen in herstellernative Kontrollen und planen nach Vorfällen und Beinahe-Vorfällen dennoch Tool-Wechsel.

Die stärksten Aussagen zu Adoption und Wirksamkeit in dieser Gruppe stammen daher aus den Umfragen selbst und sind nicht unabhängig verifiziert. Aber das Muster ist kohärent genug, um relevant zu sein.

Was das für Entwickler und Unternehmenskäufer bedeutet

Für KI-Entwickler lautet die Botschaft, dass der Markt das Wort „Agent“ möglicherweise überstrapaziert und zu wenig in die umliegenden Systeme investiert, die Agenten operativ glaubwürdig machen. Eine Hülle um Claude, OpenAI oder Microsoft auszuliefern ist vergleichsweise einfach. Einen Workflow zu bauen, der den richtigen Kontext abrufen, realistisch bewerten, abgegrenzten Zugriff durchsetzen und sich vor überhöhten Kosten selbst stoppen kann, ist schwieriger und wird zunehmend der Maßstab für Wertschöpfung.

Für Unternehmenskäufer legen die Umfragen nahe, dass „Plattformstandardisierung“ nicht mit Reife in der Bereitstellung gleichzusetzen ist. Ein Team kann Anthropic, OpenAI, Microsoft, Google oder Amazon wählen und dennoch die Kontrollen vermissen, die wichtig sind, sobald KI-Systeme echte Geschäftsprozesse berühren. Der wahrscheinliche Einkaufswechsel geht in Richtung hybrider Stacks: herstellernative Bausteine für schnelle Starts, ergänzt durch unabhängige Schichten für Kontrolle, Governance, Identität, Beobachtbarkeit und Kostenlenkung.

Für Startups ist das die Chance. Die Geschichte des unabhängigen Frameworks wirkte in der aktuellen Primärnutzung der Orchestrierungsumfrage schwach, in der künftigen Betrachtung aber stärker. Das Gleiche gilt für angrenzende Schichten: Qdrant und Milvus beim Retrieval, DeepEval und Braintrust bei der Bewertung sowie einige Sicherheitsanbieter in der Erwägung, selbst wenn die aktuelle Bereitstellung noch gering bleibt. Das ist noch kein Beweis für Gewinner, deutet aber auf Unzufriedenheit mit dem gebündelten Standard hin.

Worauf als Nächstes zu achten ist

Das nächste Signal, auf das man achten sollte, ist, ob die Reife der Orchestrierung tatsächlich zunimmt oder ob der Markt Assistenten weiter als Agenten umetikettiert. Ein steigender Anteil echter mehrstufiger Workflows wäre aussagekräftiger als die nächste Runde von Plattform-Branding.

Zweitens sollte man beobachten, ob hybride Kontrolle zu Architektur statt zu einem bloßen Wunsch wird. Wenn Unternehmen Entscheidungslogik, Routing, Berechtigungen und Ausgabenkontrollen zunehmend außerhalb der Anbieterplattformen halten, sollten unabhängige Control-Plane-Anbieter und interne Plattformen an Boden gewinnen.

Drittens gilt es zu verfolgen, ob die Vertrauensschichten aufholen. In der Praxis bedeutet das mehr produktiven Einsatz gesteuerter semantischer Schichten, mehr Live-Monitoring der Ausgabequalität, mehr Identität pro Agent und mehr Sandboxen für risikoreichere Systeme.

Schließlich sollte die Budgetdurchsetzung beobachtet werden. Wenn Token-Ausgaben und Kosten für Tool-Aufrufe weiter steigen, könnten Echtzeit-Routing und Kill-Switch-Kontrollen für Unternehmen wichtiger werden, als viele aktuelle Produkt-Roadmaps annehmen.

Creati.ai-Perspektive

Die klarste Lehre aus dieser Umfragegruppe ist, dass Enterprise-KI nicht primär unter einem Mangel an Plattformen leidet. Sie leidet unter einem Überschuss an verfrühtem Vertrauen. Teams können Orchestrierung, Retrieval, Bewertung und Guardrails bereits von denselben wenigen Anbietern kaufen. Was sie noch nicht konsistent schaffen, ist, diese Komponenten in Produktionssysteme zu verwandeln, denen man bei Kosten, Sicherheit und fachlicher Korrektheit vertrauen kann.

Darum könnte sich der wichtigste Wettbewerb weg vom Zugang zu Basismodellen und hin zur operativen Schicht darum herum verlagern. Die Gewinner werden nicht nur „Agenten“ versprechen. Sie werden es schwerer machen, eine Chatbot-Hülle mit einem gesteuerten autonomen Workflow zu verwechseln, und leichter beweisen, wann ein System sicher, bezahlbar und tatsächlich bereit für den Unternehmenseinsatz ist.