verfasst von Philipp Sturm, Director bei BearingPointVor einigen Monaten saß ich mit einem Kunden zusammen, der sich intensiv mit dem Einsatz von AI im Salesforce-Umfeld beschäftigte. Es war ein angenehmes Gespräch, geprägt von Neugier und Aufbruchstimmung. Wir sprachen über AI Agents, Automatisierungspotenziale und die beeindruckenden Möglichkeiten, die Salesforce mit Agentforce mittlerweile bietet. Die Begeisterung im Raum war spürbar und nachvollziehbar.
Dann fiel ein Satz, der mir seitdem nicht mehr aus dem Kopf geht:
„Wenn wir die richtige AI-Lösung einführen, werden viele unserer aktuellen Herausforderungen automatisch verschwinden."
Ich habe kurz innegehalten. Nicht, weil der Satz falsch war. Sondern weil er so vertraut klang. Ich höre ihn in ähnlicher Form in fast jedem zweiten Kundengespräch. Und jedes Mal offenbart er ein Missverständnis, das derzeit in vielen Unternehmen zu beobachten ist: die Vorstellung, dass neue Technologie bestehende Probleme automatisch löst.
Diese Vorstellung ist verlockend. Sie vermittelt das beruhigende Gefühl, dass der nächste Technologiesprung der entscheidende Hebel sein wird. Doch die Realität sieht anders aus. Ein Bild, das ich gerne verwende, bringt es auf den Punkt:
Genau an diesem Punkt befinden sich derzeit viele Unternehmen. Die Technologie entwickelt sich schneller als jemals zuvor. Die Plattformen, Prozesse und Betriebsmodelle dahinter jedoch häufig nicht.
Die Zahlen sprechen eine unmissverständliche Sprache: Gartner prognostiziert, dass bis Ende 2026 rund 40 Prozent aller Enterprise-Applikationen aufgabenspezifische AI Agents integriert haben werden, gegenüber weniger als fünf Prozent im Jahr 2025. Allein Salesforce hat mit Agentforce in weniger als zwei Jahren 29.000 Enterprise-Deals abgeschlossen und ein Annual Recurring Revenue von 800 Millionen US-Dollar erreicht. Mehr als 60 Prozent der Q4-Buchungen kamen dabei von bestehenden Kunden, die ihre Deployments erweitern – kein Experimentierstadium, sondern echte Produktivskalierung. Und laut McKinseys aktuellem „State of AI"-Report setzen bereits 88 Prozent aller befragten Unternehmen AI in mindestens einer Geschäftsfunktion ein
Fragt man dieselben Unternehmen nach den tatsächlichen Ergebnissen, zeigt sich ein anderes Bild. McKinsey berichtet, dass fast zwei Drittel aller Organisationen noch immer in der Experimentier- oder Pilotphase stecken. Nur 39 Prozent sehen einen messbaren EBIT-Effekt auf Unternehmensebene und gerade einmal sechs Prozent gelten als „High Performer", die signifikanten Geschäftswert aus AI generieren. Gartner geht einen Schritt weiter und prognostiziert, dass mehr als 40 Prozent der 2025 gestarteten Agentic-AI-Projekte bis Ende 2027 eingestellt, grundlegend überarbeitet oder deutlich reduziert werden. Die Gründe? Nicht technische Limitierungen. Sondern unklar definierter Scope, fehlende Governance-Frameworks und die Kluft zwischen Prototyp und Produktivbetrieb.
Mit anderen Worten: Die Frage lautet längst nicht mehr, ob Unternehmen AI einsetzen werden. Die Frage lautet, ob ihre Organisation und ihre Plattformen darauf vorbereitet sind.
In der Realität treffen AI Agents auf fragmentierte Daten, gewachsene Prozesse, individuelle Workarounds und klassische Ticket-basierte Support-Modelle. AI verbessert nicht automatisch die Qualität der Prozesse, auf denen sie aufsetzt. Sie hinterfragt keine ineffizienten Abläufe, korrigiert keine fehlerhaften Datenstrukturen und beseitigt keine organisatorischen Reibungsverluste. Stattdessen verstärkt sie das, was bereits vorhanden ist. Gute Strukturen werden besser. Schlechte werden schneller sichtbar.
McKinseys High Performer belegen das eindrucksvoll: Sie berichten von 10 bis 20 Prozent Kostenreduktion im Software Engineering und IT-Bereich sowie Umsatzsteigerungen von über 10 Prozent in Marketing und Produktentwicklung. Dort kann AI ihr Potenzial entfalten, weil die Rahmenbedingungen stimmen.
In Organisationen mit fragmentierten Datenbeständen und komplexen Abstimmungsprozessen zeigt sich der gegenteilige Effekt. Salesforces eigener Connectivity Report 2026 beziffert die Dimension: Unternehmen betreiben heute im Durchschnitt 957 Applikationen, von denen nur 27 Prozent miteinander integriert sind. Und 50 Prozent aller AI Agents operieren in isolierten Silos.
Besonders deutlich wird dies im Salesforce-Umfeld und hier liegt das Thema, das mich in den letzten Monaten am meisten beschäftigt hat.
Viele Unternehmen betreiben ihre Salesforce-Plattform noch immer nach Modellen, die für eine andere Ära entwickelt wurden. Anforderungen werden als Tickets erfasst, priorisiert und abgearbeitet. Betrieb, Entwicklung und Optimierung sind organisatorisch getrennt. Die Plattform wird verwaltet, gewartet und stabil gehalten. Für klassische CRM-Anforderungen war dieser Ansatz über viele Jahre erfolgreich.
Doch die Anforderungen moderner AI-Plattformen unterscheiden sich grundlegend. AI Agents arbeiten nicht innerhalb einzelner Tickets. Sie bewegen sich entlang vollständiger Geschäftsprozesse, betreffen mehrere Systeme gleichzeitig, verändern Datenstrukturen, beeinflussen Prozesse end-to-end und müssen iterativ verbessert werden. Ein klassisches Ticket-Modell zerlegt genau das: Anforderungen werden isoliert betrachtet, Zusammenhänge gehen verloren, Verantwortung ist fragmentiert.
Die Folge: AI bleibt Stückwerk. Potenziale werden nicht gehoben. Und jede Verbesserung wird unnötig teuer.
KPMG bestätigt dieses Muster branchenübergreifend: Neun von zehn Führungskräften geben an, dass transaktionale Service-Delivery-Modelle ihre Anforderungen nicht mehr erfüllen. Arbeitskraftbasierte Outsourcing-Modelle werden laut aktueller Prognose innerhalb von zwei Jahren von 55 auf 37 Prozent fallen, während softwarebasierte Service-Delivery von 14 auf 30 Prozent steigt.
Es lohnt sich, diesen Punkt noch schärfer zu betrachten. Denn das Problem ist nicht, dass bestehende Support-Modelle schlecht wären. Sie wurden für Stabilität optimiert – klar definierte Tickets, abgegrenzte Changes, priorisierte Abarbeitung. Für den Betrieb in bestehenden Strukturen funktioniert das gut. Für die Weiterentwicklung einer Plattform mit neuen Technologien jedoch nicht.
TSIA beschreibt diesen Wandel als die neue ökonomische Realität: Wert ist nicht mehr an den Zugang zu einer Technologie gebunden, sondern an die tatsächlich erbrachte Arbeit und die erzielten Ergebnisse. Salesforce selbst hat mit den „Agentic Work Units" bereits eine neue Metrik eingeführt, die nicht Nutzer oder Lizenzen zählt, sondern tatsächlich erledigte Aufgaben – 2,4 Milliarden davon allein im Geschäftsjahr 2026.
Die Unternehmen, die heute bereits messbare und nachhaltige Erfolge mit AI erzielen, verfolgen genau diesen Ansatz. Sie betrachten ihre Plattform nicht als Software, sondern als Produkt. Und sie messen ihren Betrieb nicht an der Effizienz der Ticketbearbeitung, sondern an den Ergebnissen, die die Plattform für das Geschäft liefert.
McKinseys Analyse der High Performer zeigt konkret, was anders läuft: Sie sind 3,6-mal häufiger bereit, ihre Geschäftsprozesse grundlegend zu verändern. 55 Prozent von ihnen überarbeiten ihre Workflows fundamental, bevor sie AI einsetzen, nicht danach.
In einem klassischen Support-Modell stellt ein Dienstleister ein Team bereit, das auf Basis von Stundenkontingenten arbeitet. Tickets werden erfasst, priorisiert, abgearbeitet. Erfolg wird an Reaktionszeiten und SLA-Einhaltung gemessen. Der Dienstleister liefert Stunden – das Unternehmen hofft auf Ergebnisse.
In einem Outcome-based Model kehrt sich diese Logik um.
Der Ausgangspunkt ist nicht „Wie viele Stunden benötigen wir?", sondern „Welche Ergebnisse wollen wir erzielen?".
Messbare Ziele ersetzen offene Kontingente: eine nachhaltige Reduktion des Ticketvolumens durch systematische Ursachenanalyse, eine Steigerung der Plattformstabilität, eine Verbesserung der Time-to-Production – nicht durch mehr Ressourcen, sondern durch intelligentere Prozesse und bessere Plattformqualität.
Die Plattform wird professionell betrieben, Incidents werden nicht nur gelöst, sondern systematisch auf Muster und Ursachen untersucht und die identifizierten Potenziale fließen in konkrete Verbesserungsmaßnahmen zurück. Das Ergebnis ist kein statischer Support, sondern ein sich selbst verbesserndes System.
Das verändert auch die ökonomische Dynamik grundlegend. In einem stundenbasierten Modell hat der Dienstleister keinen wirtschaftlichen Anreiz, die Ticketanzahl zu reduzieren – jedes Ticket bedeutet Umsatz. In einem Outcome-based Model ist es genau umgekehrt: Je stabiler die Plattform, desto mehr Kapazität steht für wertschöpfende Aktivitäten zur Verfügung, für beide Seiten. IDC prognostiziert, dass bis 2029 30 Prozent aller vertraglichen Engagements mit Service-Providern ergebnisbasiert sein werden.
Genau diesen Ansatz verfolgen wir bei BearingPoint mit unseren Salesforce Platform Services. Unser Modell verbindet Betrieb, Optimierung und Innovation zu einer integrierten Plattformverantwortung. Wir starten mit einem strukturierten Assessment der aktuellen Plattformlandschaft, Betriebsprozesse und Datenqualität. Daraus entsteht ein klares Bild, wo die größten Reibungsverluste liegen und welche Prozesse AI-ready sind – und welche zuerst optimiert werden müssen. Die anschließende Transition erfolgt innerhalb weniger Wochen über einen bewährten Übernahmeprozess.
Jetzt kostenlosen Beratungstermin vereinbarenIm laufenden Betrieb arbeiten wir konsequent nach dem Operate–Improve–Analyze-Kreislauf.
Die Diskussion wird sich in den kommenden Monaten zunehmend verschieben – weg von einzelnen Features, Modellen und AI Agents, hin zu der Frage, wie Plattformen betrieben werden müssen, um diese Technologien nachhaltig nutzen zu können.
Unternehmen werden nicht deshalb erfolgreicher sein, weil sie früher Zugang zu einer bestimmten AI-Funktion hatten. Sie werden erfolgreicher sein, weil ihre Plattformen schneller lernen, sich schneller anpassen und neue Technologien schneller integrieren können.
Die spannendste Frage lautet deshalb nicht mehr: Welche AI-Funktion führen wir als Nächstes ein? Die strategisch wichtigere Frage lautet: Ist unsere Plattform bereit für die Zukunft, die wir mit AI erreichen wollen?
Unternehmen, die diese Frage heute beantworten, schaffen die Grundlage für nachhaltige Produktivitätssteigerungen, niedrigere Betriebskosten und erfolgreiche AI-Initiativen. Unternehmen, die sie ignorieren, werden weiterhin versuchen, einen Formel-1-Motor in einen Traktor einzubauen und sich wundern, warum sie trotzdem kein Rennen gewinnen.
