Der Case „#META TITLE#“ zeigt, was möglich ist. Unsere Leistungen bringen es in Ihr Projekt.
Künstliche Intelligenz befindet sich an einem grundlegenden Übergang. Die bisherige Phase war vor allem durch Systeme geprägt, die auf menschliche Eingaben reagierten: Nutzer stellten Fragen, formulierten Aufgaben oder lieferten Daten, woraufhin die AI Informationen, Texte, Empfehlungen oder Entscheidungshilfen erzeugte. Die Handlungshoheit blieb dabei weitgehend beim Menschen. Die AI konnte erläutern, vergleichen, strukturieren und vorschlagen, aber sie war in der Regel nicht befugt, eigenständig in reale Prozesse einzugreifen.
Mit der Entwicklung sogenannter AI-Agenten verändert sich dieses Verhältnis. Agentische Systeme beschränken sich nicht mehr darauf, Antworten bereitzustellen. Sie können Ziele interpretieren, Teilaufgaben planen, Informationen aus unterschiedlichen Quellen zusammenführen, Entscheidungen vorbereiten, externe Systeme ansteuern und Handlungen ausführen. Ein Agent kann beispielsweise Preise überwachen, Reisen zusammenstellen, Termine koordinieren, Produkte bestellen, Verträge verwalten oder auf Veränderungen reagieren, ohne dass der Nutzer jeden einzelnen Schritt erneut anweisen muss.
Damit verschiebt sich künstliche Intelligenz vom Kommunikationsinstrument zum Handlungsträger. Aus einem System, mit dem Menschen sprechen, wird potenziell ein System, das stellvertretend für Menschen handelt.
Diese Entwicklung wird häufig vor allem technisch betrachtet. Im Mittelpunkt stehen dann Leistungsfähigkeit, Automatisierungsgrad, Systemarchitektur oder die Frage, welche Aufgaben ein Agent grundsätzlich übernehmen kann. Für die tatsächliche Verbreitung im Verbrauchermarkt ist jedoch eine andere Frage entscheidend: Welche Aufgaben wollen Menschen überhaupt an ein autonom handelndes System delegieren?
Technische Machbarkeit ist nicht mit psychologischer Akzeptanz gleichzusetzen. Nur weil ein Agent eine Handlung ausführen kann, bedeutet dies nicht, dass Verbraucher ihm diese Handlung auch übertragen wollen. Zwischen der Fähigkeit eines Systems und seiner gesellschaftlichen Nutzung liegt ein komplexer psychologischer Raum aus Vertrauen, Kontrollbedürfnis, Risikowahrnehmung, Verantwortungszuschreibung und emotionaler Bedeutung.
Die zentrale Unsicherheit besteht deshalb nicht darin, ob AI-Agenten technisch möglich sind. Unklar ist vielmehr, ob Verbraucher sie bereits bewusst oder unbewusst einsetzen, in welchen Lebensbereichen sie einen relevanten Nutzen wahrnehmen und bis zu welchem Grad sie bereit sind, eigene Handlungsmacht abzugeben.
Die Nutzung klassischer digitaler Werkzeuge folgt einer eindeutigen Rollenverteilung. Der Mensch formuliert ein Ziel, bedient das Werkzeug und verantwortet die Entscheidung. Selbst komplexe Software bleibt in dieser Logik ein Instrument. Sie erweitert die Handlungsmöglichkeiten des Nutzers, ersetzt ihn jedoch nicht als handelndes Subjekt.
AI-Agenten stellen diese Ordnung infrage. Sie können zwischen Ziel und Handlung treten und Teile des Entscheidungsprozesses selbst übernehmen. Der Nutzer definiert dann nicht mehr zwingend jeden Schritt, sondern lediglich das gewünschte Ergebnis. An die Stelle konkreter Anweisungen tritt eine Delegation von Handlungsspielraum.
Der Unterschied lässt sich an einem einfachen Beispiel zeigen. Ein klassisches Vergleichsportal zeigt verschiedene Stromtarife. Ein AI-Assistent bewertet diese Tarife und empfiehlt einen Anbieter. Ein AI-Agent könnte den Markt dauerhaft beobachten, einen besseren Tarif erkennen, den Wechsel vorbereiten und ihn innerhalb vorher definierter Regeln selbstständig durchführen.
Psychologisch sind dies keine graduell identischen Vorgänge. Zwischen dem Erhalt einer Information und der tatsächlichen Ausführung einer Handlung liegt eine qualitative Grenze. Information erweitert die Entscheidungsfähigkeit. Autonome Handlungsausführung ersetzt einen Teil der Entscheidungstätigkeit.
Der Verbraucher überträgt dem System damit nicht nur Arbeit, sondern auch Urteilskraft, Priorisierung und Kontrolle. Er delegiert einen Teil seiner Handlungsautonomie an eine technische Instanz.
Die Attraktivität von AI-Agenten beruht zunächst auf einem starken Entlastungsversprechen. Moderne Verbraucher sind mit einer wachsenden Zahl von Entscheidungen, Verträgen, Tarifen, Plattformen, Informationsquellen und Verwaltungsanforderungen konfrontiert. Viele dieser Entscheidungen sind weder identitätsstiftend noch emotional bedeutsam. Sie erzeugen Aufwand, ohne einen entsprechenden subjektiven Wert zu schaffen.
Agenten versprechen, diese alltägliche Entscheidungslast zu reduzieren. Sie können Informationen filtern, Optionen begrenzen, Routinen automatisieren und Handlungen koordinieren. Aus psychologischer Sicht übernehmen sie damit Funktionen, die bislang vom bewussten Denken, von Gewohnheiten oder von institutionellen Beratern erfüllt wurden.
Diese Entlastung besitzt jedoch eine ambivalente Struktur. Je mehr ein System übernimmt, desto weniger muss der Nutzer selbst entscheiden. Gleichzeitig verliert er aber Einblick in die Entstehung und Ausführung der Entscheidung. Das System reduziert Komplexität, indem es einen Teil der Komplexität unsichtbar macht.
Genau darin liegt ein zentraler Konflikt: Verbraucher wünschen sich Entlastung, ohne sich entmündigt zu fühlen. Sie wollen Aufwand abgeben, aber nicht notwendig Autorität. Sie wollen Ergebnisse erhalten, ohne die Verantwortung vollständig zu verlieren. Sie wollen, dass ein System selbstständig handelt, gleichzeitig aber das Gefühl behalten, weiterhin die eigentliche Kontrolle auszuüben.
Die Akzeptanz von AI-Agenten dürfte daher weniger von maximaler Autonomie als von einer psychologisch glaubwürdigen Form kontrollierter Autonomie abhängen. Ein Agent muss eigenständig genug sein, um tatsächlich zu entlasten, aber begrenzt genug, um nicht als unkontrollierbare Fremdinstanz erlebt zu werden.
Tiefenpsychologisch betrachtet betrifft die Nutzung eines AI-Agenten mehr als die Organisation praktischer Aufgaben. Sie berührt die Frage, wer innerhalb einer Entscheidung als handelndes Subjekt erlebt wird.
Menschen erleben sich als autonom, wenn sie zwischen Alternativen wählen, Ursachen verstehen und Ergebnisse auf das eigene Handeln zurückführen können. Dieses subjektive Autonomiegefühl ist jedoch nicht identisch mit tatsächlicher vollständiger Kontrolle. Auch heute beruhen viele Entscheidungen auf Empfehlungen, Routinen, institutionellen Vorgaben oder algorithmischen Vorauswahlen. Dennoch bleibt das Selbstbild bestehen, die Entscheidung letztlich selbst getroffen zu haben.
AI-Agenten machen diese Abhängigkeit sichtbarer. Sobald ein System nicht nur Vorschläge liefert, sondern Handlungen ausführt, wird die Grenze zwischen eigener und fremder Entscheidung psychologisch unscharf. Der Verbraucher muss akzeptieren, dass ein Ergebnis entstanden ist, ohne dass er jeden Schritt selbst geprüft oder bewusst entschieden hat.
Dabei kann der Agent unterschiedliche psychologische Rollen einnehmen. Er kann als hilfreiches Werkzeug erlebt werden, als kompetenter Assistent, als fürsorglicher Begleiter, als kontrollierende Instanz oder als potenziell übergriffiger Stellvertreter. Welche Rolle aktiviert wird, hängt nicht allein von der Funktion des Systems ab, sondern auch von der Art der Beziehung, die der Nutzer zu Technik, Institutionen und Kontrolle entwickelt hat.
Ein Agent, der automatisch einen günstigeren Mobilfunktarif auswählt, kann als entlastend erlebt werden, weil die Entscheidung wenig identitätsrelevant erscheint. Ein Agent, der eine medizinische Behandlung priorisiert, eine Geldanlage verändert oder ein Geschenk für eine nahestehende Person auswählt, greift dagegen stärker in Bereiche ein, die mit Verantwortung, Selbstbild und Beziehung verbunden sind.
Je näher eine Entscheidung am persönlichen Selbstverständnis liegt, desto stärker dürfte die Delegation als Verlust eigener Autorenschaft erlebt werden.
AI-Agenten erscheinen häufig als neutrale Vertreter des Verbrauchers. Sie sollen ausschließlich dessen Interessen verfolgen, die besten Optionen identifizieren und rational handeln. Diese Vorstellung ist jedoch problematisch.
Ein Agent handelt niemals vollständig voraussetzungslos. Er benötigt Ziele, Kriterien, Datenquellen und Prioritäten. Soll ein Reiseagent den günstigsten Flug wählen, die kürzeste Reisezeit, den höchsten Komfort oder die geringste Umweltbelastung? Soll ein Einkaufsagent den niedrigsten Preis bevorzugen oder Marken, die der Nutzer bereits kennt? Soll ein Finanzagent Sicherheit maximieren oder Rendite?
In jeder autonomen Handlung sind Wertentscheidungen enthalten. Selbst scheinbar objektive Optimierung erfordert eine Festlegung dessen, was als optimal gilt.
Für Verbraucher entsteht dadurch ein Repräsentationsproblem. Sie müssen darauf vertrauen, dass der Agent ihre Interessen nicht nur technisch verarbeitet, sondern inhaltlich richtig interpretiert. Der Agent muss gewissermaßen verstehen, was der Nutzer wollen würde, auch wenn dieser Wunsch nicht vollständig formuliert wurde.
Damit erhält der Agent eine stellvertretende Funktion. Er handelt nicht nur für den Nutzer, sondern konstruiert ein Modell des Nutzers. Dieses Modell entscheidet darüber, welche Ziele, Präferenzen und Risiken berücksichtigt werden. Je autonomer das System handelt, desto bedeutsamer wird die Frage, wie zutreffend diese digitale Repräsentation ist.
Fehler können deshalb nicht nur als technische Fehlleistungen erlebt werden. Sie können als Form des Missverstandenwerdens erscheinen. Der Agent hat dann nicht lediglich falsch gerechnet, sondern den Nutzer falsch interpretiert.
Eine weitere Herausforderung besteht darin, dass viele Verbraucher möglicherweise bereits agentische Funktionen nutzen, ohne diese als AI-Agenten zu erkennen. Automatische Produktempfehlungen, dynamische Reisevorschläge, Betrugserkennung, intelligente Terminplanung oder automatisierte Vertragsoptionen können Bestandteile agentischer Systeme sein, werden aber nicht notwendig als solche wahrgenommen.
Die Frage nach der heutigen Nutzung lässt sich deshalb nicht allein über den Begriff „AI-Agent“ erfassen. Ein erheblicher Teil der Bevölkerung dürfte keine eindeutige Vorstellung davon haben, was einen Agenten von einem Chatbot, einem Algorithmus oder einer klassischen Automatisierung unterscheidet.
Die Studie muss daher zwischen begrifflicher Bekanntheit, tatsächlicher Nutzung und funktionaler Bereitschaft unterscheiden. Verbraucher können den Einsatz von AI-Agenten ablehnen und gleichzeitig konkrete agentische Leistungen attraktiv finden. Umgekehrt können sie sich grundsätzlich offen gegenüber Agenten zeigen, aber bei realen Handlungen nur sehr geringe Autonomie akzeptieren.
Entscheidend ist deshalb nicht allein die abstrakte Einstellung zur Technologie, sondern die konkrete Reaktion auf Aufgaben, Risiken und Autonomiestufen.
Die Verbraucherrelevanz von AI-Agenten wird nicht in allen Branchen gleichermaßen entstehen. Branchen unterscheiden sich danach, wie häufig Aufgaben auftreten, wie belastend sie sind, wie leicht Ergebnisse überprüft werden können und welche Folgen eine Fehlentscheidung besitzt.
Eine hohe Agentenrelevanz ist dort zu erwarten, wo Aufgaben wiederkehrend, standardisierbar und emotional wenig bedeutsam sind. Dazu können Preisbeobachtungen, Terminabstimmungen, einfache Buchungen, Nachbestellungen oder die Verwaltung alltäglicher Verträge gehören.
Deutlich schwieriger ist die Delegation in Bereichen, in denen Entscheidungen hohe finanzielle, gesundheitliche oder soziale Konsequenzen haben. Hier steigt das Bedürfnis nach Transparenz, persönlicher Bestätigung und menschlicher Verantwortlichkeit. Der Agent kann weiterhin unterstützen, seine Autonomie dürfte jedoch stärker begrenzt werden.
Die entscheidende Trennlinie verläuft daher nicht allein zwischen Branchen, sondern zwischen unterschiedlichen Entscheidungstypen innerhalb einer Branche. Ein Versicherungsagent, der Dokumente sortiert oder einen Schadenstatus verfolgt, kann hohe Akzeptanz erzielen. Derselbe Agent kann auf Widerstand stoßen, wenn er eigenständig Versicherungsleistungen reduziert oder Verträge mit langfristigen Folgen abschließt.
Vor diesem Hintergrund untersucht die Studie AI-Agenten nicht als rein technologische Innovation, sondern als neue Form delegierter Handlungsmacht. Im Mittelpunkt steht die Frage, wo Verbraucher einen realen Entlastungsgewinn erkennen und wo autonome Systeme psychologische Grenzen überschreiten.
Zu klären ist, welche agentischen Anwendungen bereits genutzt werden, welche Branchen und Aufgaben die größte Relevanz besitzen und wie viel Selbstständigkeit Verbraucher einem System tatsächlich zugestehen. Ebenso wichtig ist die Frage, welche Kontrollmechanismen notwendig sind, damit Autonomie nicht als Kontrollverlust erlebt wird.
Die zentrale Annahme lautet: Die Zukunft von AI-Agenten entscheidet sich nicht an der maximal erreichbaren Autonomie, sondern an der maximal akzeptierten Autonomie.
Erfolgreich werden deshalb nicht zwangsläufig jene Systeme sein, die am meisten selbstständig erledigen können. Erfolgreich werden jene Agenten sein, die präzise erkennen lassen, wann sie handeln, in wessen Interesse sie handeln und wie der Nutzer die Kontrolle zurückgewinnen kann.
Die Verbraucherrelevanz von AI-Agenten entsteht damit in einem psychologischen Zwischenraum: zwischen dem Wunsch, nicht mehr alles selbst erledigen zu müssen, und dem Bedürfnis, weiterhin Urheber des eigenen Lebens zu bleiben.
Die öffentliche Diskussion über künstliche Intelligenz verwendet Begriffe wie Chatbot, AI-Assistent und AI-Agent häufig unscharf oder synonym. Für eine belastbare Untersuchung der Verbraucherrelevanz ist diese begriffliche Trennung jedoch zentral. Die drei Systemtypen unterscheiden sich nicht primär durch ihre sprachliche Qualität, sondern durch ihren Handlungsspielraum, ihre Eigenständigkeit und die Art der Verantwortung, die ihnen übertragen wird.
Entscheidend ist somit nicht nur, wie intelligent ein System wirkt, sondern was es im Namen des Nutzers tatsächlich tun darf.
Ein sprachlich hochentwickelter Chatbot kann überzeugend argumentieren, komplexe Fragen beantworten und personalisierte Empfehlungen formulieren, ohne selbst irgendeine Handlung auszuführen. Umgekehrt kann ein vergleichsweise einfaches System agentische Merkmale besitzen, wenn es eigenständig Prozesse überwacht, Entscheidungen nach festgelegten Regeln trifft oder Transaktionen auslöst.
Die zentrale Abgrenzung verläuft daher entlang dreier Dimensionen:
Ein Chatbot ist ein dialogorientiertes System, das auf Eingaben des Nutzers reagiert. Seine primäre Funktion besteht darin, Informationen bereitzustellen, Fragen zu beantworten, Inhalte zu erklären oder einfache Prozesse sprachlich zu begleiten.
Der Chatbot bleibt grundsätzlich reaktiv. Er wartet auf eine konkrete Anfrage und erzeugt daraufhin eine Antwort. Er verfolgt in der Regel kein längerfristiges Ziel, entwickelt keinen eigenständigen Handlungsplan und führt keine realen Aktionen außerhalb des Dialogs aus.
Typische Anwendungen sind:
Ein Chatbot kann beispielsweise erklären, welche Unterlagen für einen Versicherungsfall benötigt werden. Er kann jedoch nicht ohne weitere technische Anbindung die Unterlagen beschaffen, den Schaden einreichen oder den Bearbeitungsprozess eigenständig überwachen.
Psychologisch bleibt der Chatbot ein Auskunftssystem. Er erweitert das Wissen des Nutzers, verändert aber die grundsätzliche Rollenverteilung nicht. Der Mensch fragt, bewertet und handelt. Die Kontrolle bleibt vollständig beim Nutzer.
Dies gilt auch dann, wenn die Antwort sehr persönlich oder intelligent wirkt. Die sprachliche Qualität eines Systems ist kein hinreichendes Kriterium für Agentenfähigkeit. Entscheidend ist, ob das System über den Dialog hinaus eigenständig tätig werden kann.
Ein AI-Assistent geht über die reine Beantwortung von Fragen hinaus. Er unterstützt den Nutzer bei der Strukturierung von Aufgaben, analysiert Informationen, bewertet Optionen und kann konkrete Handlungen vorbereiten.
Im Unterschied zum Chatbot betrachtet der Assistent nicht nur einzelne Fragen, sondern kann ein übergeordnetes Ziel berücksichtigen. Er hilft beispielsweise dabei, eine Reise zu planen, einen Vertrag zu vergleichen, einen Termin vorzubereiten oder eine Kaufentscheidung zu strukturieren.
Typische Funktionen sind:
Ein Reiseassistent könnte etwa Flüge und Hotels vergleichen, eine passende Reiseroute erstellen und die Buchungsdaten vorbereiten. Die abschließende Buchung erfolgt jedoch erst nach ausdrücklicher Freigabe durch den Nutzer.
Der Assistent reduziert damit den kognitiven und organisatorischen Aufwand, ohne die letzte Entscheidung vollständig zu übernehmen. Die Handlungshoheit verbleibt formal beim Menschen. Der Nutzer kann Vorschläge prüfen, verändern oder ablehnen.
Tiefenpsychologisch besetzt der Assistent die Rolle eines kompetenten Helfers. Er übernimmt Vorarbeit, ohne die Autorenschaft des Nutzers grundsätzlich infrage zu stellen. Der Verbraucher erlebt weiterhin: „Ich entscheide, aber ich muss nicht mehr alles selbst herausfinden.“
Diese Form der Unterstützung besitzt ein hohes Akzeptanzpotenzial, weil sie Entlastung ermöglicht, ohne unmittelbar Kontrollverlust zu erzeugen. Der Nutzer kann Verantwortung delegieren, behält aber die finale Zustimmung.
Die Grenze zum Agenten wird dort erreicht, wo das System nicht mehr nur vorbereitet, sondern selbstständig auswählt, priorisiert und handelt.
Ein AI-Agent ist ein System, das innerhalb festgelegter Ziele und Grenzen eigenständig handeln kann. Er reagiert nicht nur auf einzelne Anweisungen, sondern interpretiert ein Ziel, entwickelt einen Handlungsplan, führt mehrere Schritte aus und passt sein Verhalten an neue Informationen an.
Der Nutzer muss nicht mehr jeden Einzelschritt definieren. Er überträgt dem System vielmehr einen Auftrag oder einen Entscheidungskorridor.
Ein AI-Agent kann beispielsweise die Anweisung erhalten:
„Buche eine Geschäftsreise nach München, maximal 500 Euro, ohne Umstieg und mit Ankunft vor 10 Uhr.“
Das System kann daraufhin selbstständig Verbindungen prüfen, Optionen bewerten, eine Auswahl treffen und die Buchung ausführen. Der Nutzer definiert das Ziel und die Grenzen, nicht mehr zwingend den gesamten Prozess.
Kennzeichnend für einen AI-Agenten sind insbesondere:
Ein Agent kann somit beobachten, entscheiden und handeln. Er kann beispielsweise Preise überwachen, einen geeigneten Kaufzeitpunkt bestimmen und eine Bestellung automatisch auslösen. Er kann Termine koordinieren, Reservierungen ändern oder auf Störungen reagieren, ohne dass der Nutzer jeden Vorgang erneut anstoßen muss.
Damit erhält das System eine Form delegierter Handlungsmacht.
Psychologisch verändert sich die Beziehung zwischen Mensch und Technologie grundlegend. Der Agent ist nicht mehr nur Werkzeug oder Berater, sondern wird zum Stellvertreter. Er handelt im Namen des Nutzers und erzeugt reale Folgen.
Dadurch entstehen neue Anforderungen an Vertrauen, Transparenz und Verantwortlichkeit. Der Nutzer muss nicht nur darauf vertrauen, dass eine Antwort korrekt ist. Er muss darauf vertrauen, dass das System Ziele richtig interpretiert, Grenzen einhält, Risiken erkennt und im Zweifelsfall nicht handelt.
In der Praxis sind Chatbot, Assistent und Agent keine vollständig getrennten Produktkategorien. Ein System kann je nach Anwendung unterschiedliche Rollen einnehmen.
Ein Banking-System kann als Chatbot Kontostände erklären, als Assistent Ausgaben analysieren und als Agent automatisch Geld zwischen Konten verschieben. Die Einordnung hängt deshalb nicht allein vom Namen des Produkts ab, sondern von der konkreten Funktion und dem jeweiligen Handlungsspielraum.
Für die Studie ist es daher sinnvoll, nicht nur nach der Nutzung bestimmter Systeme zu fragen. Untersucht werden müssen konkrete Fähigkeiten und Anwendungssituationen.
Die relevante Frage lautet nicht:
„Nutzen Sie einen AI-Agenten?“
Sondern beispielsweise:
„Würden Sie einem System erlauben, selbstständig einen günstigeren Stromtarif auszuwählen und den Anbieterwechsel durchzuführen?“
Erst auf dieser funktionalen Ebene lässt sich erfassen, ob Verbraucher tatsächlich bereit sind, Entscheidungen und Handlungen an ein AI-System zu delegieren.
Die drei Systemtypen lassen sich abschließend durch die Verteilung der Handlungsmacht unterscheiden:
Der Chatbot informiert.
Er unterstützt das Verstehen, bleibt aber außerhalb des realen Handlungsprozesses.
Der AI-Assistent bereitet vor.
Er strukturiert, bewertet und empfiehlt, benötigt jedoch die Freigabe des Nutzers.
Der AI-Agent handelt.
Er plant und entscheidet innerhalb definierter Grenzen selbstständig und kann reale Aktionen ausführen.
Die entscheidende Entwicklung liegt damit nicht in einer besseren Gesprächsführung. Sie liegt in der Verschiebung von Kommunikation zu Delegation.
Je stärker ein System vom Antworten zum Handeln übergeht, desto größer wird sein potenzieller Nutzen. Gleichzeitig steigen jedoch auch die Anforderungen an Kontrolle, Erklärbarkeit und Vertrauen.
Die begriffliche Abgrenzung bildet deshalb die Grundlage der weiteren Studie: Verbraucherakzeptanz lässt sich nur verstehen, wenn klar unterschieden wird, ob ein System informiert, unterstützt oder stellvertretend handelt.
Die Studie untersucht die Verbraucherrelevanz von AI-Agenten auf Basis einer quantitativen Befragung von 1.200 Personen. Im Mittelpunkt steht nicht allein die allgemeine Einstellung gegenüber künstlicher Intelligenz, sondern die konkrete Bereitschaft, Aufgaben, Entscheidungen und Handlungen an agentische Systeme zu delegieren.
Damit reagiert die Untersuchung auf ein zentrales Defizit der bisherigen Debatte. Die technologische Entwicklung von AI-Agenten wird häufig über ihre Fähigkeiten beschrieben: Systeme können Informationen beschaffen, Prozesse planen, Entscheidungen vorbereiten, Transaktionen ausführen oder auf Veränderungen reagieren. Aus der technischen Möglichkeit folgt jedoch nicht automatisch eine tatsächliche Nutzung. Entscheidend ist, ob Verbraucher in einer konkreten Situation einen relevanten Vorteil erkennen und bereit sind, einem System den dafür notwendigen Handlungsspielraum zu übertragen.
Die Untersuchung mit 1.200 Probanden soll deshalb zwischen abstrakter Technologieoffenheit und konkreter Delegationsbereitschaft unterscheiden. Ein Verbraucher kann AI grundsätzlich positiv bewerten, aber dennoch ablehnen, dass ein Agent selbstständig einen Vertrag kündigt. Umgekehrt kann ein Verbraucher künstlicher Intelligenz eher skeptisch gegenüberstehen und trotzdem bereit sein, wiederkehrende Bestellungen oder Terminabstimmungen automatisieren zu lassen.
Die zentrale Forschungsperspektive lautet daher:
Verbraucher akzeptieren AI-Agenten nicht als einheitliche Technologie. Sie bewerten jede Form der Delegation in Abhängigkeit von Aufgabe, Lebensbereich, Risiko, Kontrollmöglichkeit und erwarteter Entlastung neu.
Die Studie soll sichtbar machen, wo bereits reale Nutzung stattfindet, wo ein zukünftiges Potenzial besteht und wo psychologische oder strukturelle Grenzen der Delegation liegen.
Die erste Forschungsfrage untersucht, in welchem Umfang Verbraucher bereits agentische Systeme verwenden. Dabei besteht eine grundlegende methodische Herausforderung: Der Begriff „AI-Agent“ ist bislang weder im Alltag noch im Markt eindeutig etabliert.
Viele Verbraucher dürften agentische Funktionen nutzen, ohne sie als solche zu bezeichnen. Automatisierte Preisbeobachtungen, intelligente Terminplanung, personalisierte Reiseplanung, automatische Nachbestellungen oder selbstständig optimierende Smart-Home-Systeme können agentische Merkmale besitzen. Nutzer erleben diese Angebote jedoch möglicherweise lediglich als App-Funktion, Empfehlungssystem oder Automatisierung.
Eine direkte Frage wie „Nutzen Sie bereits einen AI-Agenten?“ würde deshalb wahrscheinlich nur einen Teil der tatsächlichen Nutzung erfassen. Sie misst vor allem Bekanntheit und Selbstzuschreibung, nicht zwingend das reale Verhalten.
Die Studie muss daher mehrere Ebenen unterscheiden:
Von besonderem Interesse ist die Differenz zwischen subjektiver und funktionaler Nutzung. Es ist denkbar, dass nur ein kleiner Teil der Befragten angibt, einen AI-Agenten zu verwenden, während ein deutlich größerer Anteil bereits Funktionen nutzt, die Informationen selbstständig beobachten, priorisieren oder Handlungen auslösen.
Die Studie untersucht deshalb nicht nur, ob Verbraucher glauben, Agenten zu nutzen, sondern welche konkreten Vorgänge bereits delegiert werden. Dazu gehören beispielsweise das automatische Nachbestellen von Produkten, das Überwachen von Preisen, das Sortieren von Nachrichten, die Terminfindung, die Reiseplanung oder die Optimierung von Energieverbrauch.
Zusätzlich ist zu klären, welche Nutzergruppen agentische Systeme besonders häufig einsetzen. Analysiert werden können Unterschiede nach Alter, Bildung, Einkommen, Technikaffinität, AI-Nutzungserfahrung und digitaler Selbstwirksamkeit. Dabei ist nicht zwangsläufig davon auszugehen, dass nur besonders technikaffine Verbraucher relevant sind. Gerade Personen mit hoher Alltagsbelastung könnten ein starkes Interesse an agentischer Entlastung entwickeln, auch wenn sie sich selbst nicht als technologische Vorreiter verstehen.
Die erste Forschungsfrage schafft damit eine empirische Ausgangsbasis: Sie trennt tatsächliche Nutzung, wahrgenommene Nutzung und potenzielle Nutzung.
Die zweite Forschungsfrage untersucht, in welchen Branchen und Lebensbereichen AI-Agenten aus Sicht der Verbraucher einen konkreten Mehrwert besitzen.
Dabei ist zwischen technischer Einsatzmöglichkeit und tatsächlicher Relevanz zu unterscheiden. Agenten können theoretisch in nahezu jedem Bereich eingesetzt werden. Für Verbraucher wird ein Einsatz jedoch nur dann relevant, wenn das System ein Problem löst, das als belastend, zeitaufwendig, kompliziert oder vermeidbar erlebt wird.
Die Untersuchung sollte daher mehrere Branchen systematisch vergleichen, beispielsweise:
Für jede Branche ist zu untersuchen, welche Aufgaben Verbraucher als agentenfähig und agentenwürdig betrachten. Diese Unterscheidung ist wichtig: Eine Aufgabe kann technisch gut automatisierbar sein, aber aus Sicht des Nutzers zu unbedeutend, zu selten oder zu sensibel erscheinen.
Hohe Verbraucherrelevanz dürfte vor allem dort entstehen, wo drei Bedingungen zusammentreffen: Die Aufgabe verursacht regelmäßig Aufwand, das Ergebnis lässt sich anhand klarer Kriterien bewerten und eine Fehlentscheidung bleibt korrigierbar.
Preisvergleiche, Nachbestellungen, Reiseoptionen, Terminabsprachen oder Tarifüberwachungen könnten deshalb ein hohes Potenzial besitzen. Dagegen dürften medizinische, finanzielle oder familiäre Entscheidungen stärker von Vorbehalten geprägt sein, insbesondere wenn Konsequenzen schwer umkehrbar sind.
Die Studie soll nicht nur Branchenrankings erzeugen. Ziel ist vielmehr eine differenzierte Landkarte der Agentenrelevanz. Innerhalb derselben Branche können sich sehr unterschiedliche Akzeptanzwerte ergeben. Ein Versicherungsagent, der Unterlagen sortiert oder den Bearbeitungsstand eines Schadens überwacht, kann als hilfreich wahrgenommen werden. Ein Agent, der eigenständig Versicherungsverträge kündigt oder Leistungen verändert, berührt dagegen eine deutlich sensiblere Ebene.
Die zentrale Analyseeinheit ist deshalb nicht allein die Branche, sondern die Kombination aus Branche, Aufgabe und Autonomiegrad.
Die dritte Forschungsfrage richtet sich auf die positive Seite der Delegation. Sie untersucht, welche Tätigkeiten Verbraucher bewusst an einen AI-Agenten übertragen möchten.
Die Bereitschaft zur Delegation dürfte besonders hoch sein, wenn Aufgaben als repetitiv, lästig, unübersichtlich oder emotional wenig bedeutsam erlebt werden. Menschen delegieren nicht notwendigerweise jene Aufgaben, die besonders schwierig sind. Häufig delegieren sie vor allem Tätigkeiten, deren Bearbeitung wenig subjektiven Sinn erzeugt.
Dazu können gehören:
Tiefenpsychologisch liegt darin ein bedeutsames Motiv. Verbraucher wollen nicht nur Zeit sparen. Sie wollen sich von Mikroentscheidungen entlasten, die Aufmerksamkeit binden, ohne Identität oder Selbstwirksamkeit zu stärken.
Ein AI-Agent kann damit zu einer Form ausgelagerter Alltagsorganisation werden. Er übernimmt Tätigkeiten, die bisher vom Nutzer selbst ausgeführt wurden, aber nicht unbedingt als Teil persönlicher Autonomie erlebt werden. Die Delegation bedroht das Selbstbild dann kaum, weil die Aufgabe nicht als Ausdruck eigener Persönlichkeit wahrgenommen wird.
Die Studie muss deshalb neben der funktionalen Entlastung auch die subjektive Bedeutung einer Aufgabe erfassen. Zwei Tätigkeiten können objektiv ähnlich komplex sein, aber psychologisch völlig unterschiedlich bewertet werden. Der Kauf eines Haushaltsartikels kann problemlos delegierbar erscheinen, während die Auswahl eines Geschenks als persönlicher Akt verstanden wird.
Von besonderem Interesse ist außerdem, ob Verbraucher vollständige Aufgaben oder nur Teilprozesse delegieren wollen. Viele Nutzer dürften bereit sein, Informationen sammeln und Optionen vorbereiten zu lassen, aber die finale Auswahl weiterhin selbst treffen wollen.
Die Forschungsfrage untersucht daher nicht nur, ob delegiert wird, sondern welche Bestandteile eines Entscheidungsprozesses delegierbar erscheinen.
Die vierte Forschungsfrage untersucht die Grenzen der agentischen Delegation. Sie richtet den Blick auf Aufgaben, bei denen Verbraucher auch bei hoher technischer Leistungsfähigkeit eine eigenständige Entscheidung oder Handlung des Systems ablehnen.
Dabei ist zu erwarten, dass Ablehnung nicht nur durch objektives Risiko entsteht. Ebenso relevant sind symbolische, emotionale und moralische Bedeutungen.
Bestimmte Entscheidungen werden als Ausdruck persönlicher Verantwortung erlebt. Dazu können medizinische Entscheidungen, größere Geldanlagen, Vertragsabschlüsse mit langfristigen Folgen, Erziehungsfragen, Beziehungsentscheidungen oder sensible Kommunikation gehören.
Die Ablehnung eines Agenten bedeutet hier nicht zwangsläufig Misstrauen gegenüber seiner Kompetenz. Sie kann aus dem Wunsch entstehen, Autor der Entscheidung zu bleiben. Der Nutzer will nicht nur ein gutes Ergebnis, sondern die Entscheidung als eigene Handlung erleben.
Besonders kritisch dürfte die Delegation sein, wenn mindestens eines der folgenden Merkmale vorliegt:
Die Studie soll ermitteln, ob Verbraucher Agenten in solchen Bereichen grundsätzlich ausschließen oder lediglich stärker begrenzen. Es ist beispielsweise denkbar, dass medizinische Informationen oder finanzielle Empfehlungen akzeptiert werden, eine autonome Entscheidung jedoch abgelehnt wird.
Damit wird zwischen funktionaler Unterstützung und normativer Entscheidungsverantwortung unterschieden. Ein Agent darf möglicherweise analysieren, erklären und vorbereiten, aber nicht abschließend handeln.
Diese Grenzbereiche sind für Unternehmen besonders relevant. Sie zeigen, wo zusätzliche technische Leistungsfähigkeit keinen Mehrwert erzeugt, sondern Akzeptanz zerstören kann.
Die fünfte Forschungsfrage untersucht den akzeptierten Handlungsspielraum von AI-Agenten.
Autonomie ist kein binäres Merkmal. Zwischen einer reinen Information und vollständig selbstständigem Handeln liegen mehrere Abstufungen. Verbraucher können einem Agenten erlauben, Optionen vorzuschlagen, Prozesse vorzubereiten, eine Freigabe einzuholen oder innerhalb vorher festgelegter Regeln eigenständig zu handeln.
Die Studie sollte deshalb verschiedene Autonomiestufen testen:
Die zentrale Annahme lautet, dass Akzeptanz nicht linear verläuft. Mehr Autonomie erzeugt zunächst mehr Entlastung, kann ab einem bestimmten Punkt jedoch Kontrollverlust auslösen.
Der relevante Schwellenwert wird je nach Aufgabe unterschiedlich ausfallen. Bei einer wiederkehrenden Bestellung kann autonome Ausführung akzeptiert werden. Bei einer Geldanlage könnte bereits die eigenständige Auswahl einer Option als zu weitgehend erlebt werden.
Die Untersuchung soll deshalb einen „Delegationskorridor“ bestimmen. Dieser beschreibt den Bereich, in dem ein Agent ausreichend autonom ist, um einen spürbaren Nutzen zu erzeugen, aber nicht so autonom, dass der Nutzer seine eigene Kontrolle gefährdet sieht.
Besonders wichtig ist die Frage, ob Autonomie durch Regeln akzeptabler wird. Verbraucher könnten einem System mehr Handlungsspielraum geben, wenn sie klare Grenzen definieren können, beispielsweise Preisobergrenzen, bevorzugte Anbieter, Zeiträume oder Ausschlusskriterien.
Autonomie wird damit nicht notwendigerweise abgelehnt. Sie muss jedoch kontrollierbar, nachvollziehbar und widerrufbar erscheinen.
Die sechste Forschungsfrage untersucht die psychologischen Kernmechanismen der Agentenakzeptanz.
Vertrauen ist notwendig, weil ein Agent in Situationen handelt, in denen der Nutzer nicht jeden Schritt überwacht. Dabei umfasst Vertrauen mehrere Dimensionen:
Das wahrgenommene Risiko dürfte die akzeptierte Autonomie deutlich begrenzen. Je höher die potenziellen Folgen einer Fehlentscheidung, desto stärker wird der Wunsch nach menschlicher Bestätigung.
Entscheidend ist jedoch nicht nur das objektive Risiko, sondern die subjektive Kontrollierbarkeit. Ein Vorgang kann finanziell überschaubar sein und dennoch als problematisch erlebt werden, wenn unklar bleibt, warum der Agent gehandelt hat oder wie die Entscheidung rückgängig gemacht werden kann.
Kontrolle wirkt deshalb als vermittelnde Variable zwischen Vertrauen und Autonomie. Verbraucher müssen nicht jeden Schritt selbst ausführen, um Kontrolle zu erleben. Häufig genügt es, Regeln festlegen, Entscheidungen nachvollziehen, Benachrichtigungen erhalten und Handlungen stoppen oder widerrufen zu können.
Die Studie untersucht somit, welche Kontrollmechanismen notwendig sind, damit Delegation psychologisch akzeptabel wird. Dazu gehören beispielsweise Freigabeschritte, transparente Begründungen, Protokolle, Limits, Eskalationsmöglichkeiten und menschliche Ansprechpartner.
Die zentrale Hypothese lautet:
Verbraucher akzeptieren AI-Agenten nicht primär dann, wenn sie ihnen vollständig vertrauen, sondern dann, wenn sie trotz Delegation das Gefühl behalten, im entscheidenden Moment eingreifen zu können.
Die Forschungsfragen bilden gemeinsam die Grundlage der Studie. Sie ermöglichen eine differenzierte Analyse, die Nutzung, Marktpotenzial, Delegationsbereitschaft, Autonomiegrenzen und psychologische Akzeptanzbedingungen miteinander verbindet. Ziel ist nicht, abstrakt zu bewerten, ob Verbraucher AI-Agenten wünschen. Ziel ist zu bestimmen, wo sie Agenten brauchen, wofür sie ihnen Verantwortung übertragen und an welchem Punkt aus Entlastung Kontrollverlust wird.
Die Verbraucherakzeptanz von AI-Agenten lässt sich nicht als einfache Zustimmung oder Ablehnung erfassen. Entscheidend ist vielmehr, wie weit ein System in einen Entscheidungs- und Handlungsprozess eingreifen darf. Zwischen einer unverbindlichen Information und einer selbstständig ausgeführten Handlung liegen mehrere qualitativ unterschiedliche Stufen der Autonomie.
Diese Stufen unterscheiden sich nicht nur technisch. Sie verändern auch die psychologische Beziehung zwischen Verbraucher und System. Mit jeder höheren Stufe verschiebt sich ein Teil der Wahrnehmung, Bewertung, Entscheidung und Verantwortung vom Menschen auf den Agenten. Gleichzeitig steigt der potenzielle Entlastungsgewinn. Der Nutzer muss weniger selbst recherchieren, vergleichen, koordinieren und ausführen. Dem steht jedoch ein wachsendes Risiko gegenüber, dass die Delegation als Kontrollverlust, Abhängigkeit oder Entmündigung erlebt wird.
Autonomie ist daher nicht allein eine Eigenschaft des Systems. Sie ist ein psychologisches Verhältnis zwischen dem Handlungsspielraum des Agenten und dem Kontrollbedürfnis des Nutzers.
Die Studie unterscheidet fünf Autonomiestufen:
Das Modell bildet ein Kontinuum vom wissensbereitstellenden System bis zum eigenständig handelnden Stellvertreter. Es ermöglicht zu untersuchen, an welcher Stelle Verbraucher einen Agenten als hilfreich erleben und an welchem Punkt die Delegation zu weit geht.
Auf der ersten Stufe liefert der Agent Informationen, ohne diese verbindlich zu bewerten oder daraus eine Handlung abzuleiten. Der Nutzer stellt eine Frage oder formuliert ein Informationsziel. Das System sammelt, strukturiert und verdichtet relevante Inhalte.
Beispiele wären:
Die Handlungshoheit verbleibt vollständig beim Verbraucher. Das System verändert den Wissensstand, greift jedoch nicht in die Entscheidung selbst ein. Es zeigt Möglichkeiten, ohne eine davon als eindeutig vorzugswürdig festzulegen.
Psychologisch ist diese Stufe vergleichsweise unkritisch. Der Nutzer erlebt das System als Informationsquelle oder erweitertes Suchwerkzeug. Die eigene Autorenschaft wird kaum berührt, weil Auswahl, Bewertung und Handlung weiterhin beim Menschen liegen.
Der zentrale Nutzen besteht in der Reduktion von Informationsaufwand. Der Agent kann größere Datenmengen durchsuchen, relevante Inhalte vorsortieren und komplexe Sachverhalte verständlich aufbereiten. Er entlastet damit vor allem die Wahrnehmungs- und Rechercheebene.
Gleichzeitig bleibt die Verantwortung eindeutig zugeordnet. Der Verbraucher kann Informationen akzeptieren, ignorieren oder durch andere Quellen ergänzen. Fehler des Systems besitzen zunächst keine unmittelbaren realen Folgen, solange aus ihnen keine Handlung entsteht.
Diese niedrige Autonomiestufe dürfte besonders in sensiblen Bereichen eine hohe Akzeptanz erreichen. Auch bei medizinischen, rechtlichen oder finanziellen Themen können Verbraucher bereit sein, Informationen durch einen Agenten aufbereiten zu lassen, obwohl sie eine autonome Entscheidung ablehnen würden.
Die Grenze dieser Stufe liegt jedoch im begrenzten Entlastungsgewinn. Informationen zu erhalten bedeutet noch nicht, eine Entscheidung getroffen zu haben. Der Nutzer muss weiterhin bewerten, priorisieren und handeln. In Situationen mit hoher Komplexität kann die Informationsbereitstellung sogar zusätzliche Belastung erzeugen, wenn zahlreiche Möglichkeiten sichtbar werden, ohne dass eine klare Orientierung entsteht.
Auf der zweiten Stufe liefert der Agent nicht nur Informationen, sondern bewertet die verfügbaren Optionen. Er priorisiert Möglichkeiten und formuliert eine Empfehlung.
Aus der Frage „Welche Optionen gibt es?“ wird die Frage:
„Welche Option ist für mich am besten?“
Der Agent berücksichtigt dabei bestimmte Kriterien, etwa Preis, Qualität, Zeitaufwand, Sicherheit, bisherige Präferenzen oder persönliche Nutzungsdaten. Er reduziert die Zahl der Alternativen und schlägt eine Handlung vor, führt diese jedoch nicht aus.
Beispiele sind:
Psychologisch markiert diese Stufe einen ersten Übergang von Information zu Urteil. Der Agent erhält die Befugnis, Optionen nicht nur darzustellen, sondern zu gewichten. Damit übernimmt er einen Teil der kognitiven Bewertungsarbeit.
Für Verbraucher kann dies eine erhebliche Entlastung bedeuten. Viele Entscheidungen scheitern nicht am Mangel an Informationen, sondern an der Schwierigkeit, zahlreiche Kriterien gegeneinander abzuwägen. Der Agent kann diese Komplexität reduzieren und ein handhabbares Ergebnis erzeugen.
Gleichzeitig entsteht ein neues Vertrauensproblem. Der Verbraucher muss nicht mehr nur darauf vertrauen, dass die Informationen korrekt sind. Er muss auch darauf vertrauen, dass die Bewertungskriterien angemessen gewählt wurden.
Eine Empfehlung ist niemals vollständig neutral. Sie hängt davon ab, welche Ziele priorisiert werden. Ein Reiseagent kann den günstigsten Flug, die kürzeste Verbindung oder den komfortabelsten Reiseverlauf empfehlen. Ein Finanzagent kann Sicherheit, Liquidität oder Rendite stärker gewichten. Ein Einkaufsagent kann Preis, Marke, Nachhaltigkeit oder Liefergeschwindigkeit bevorzugen.
Die psychologische Akzeptanz hängt deshalb davon ab, ob der Nutzer die Bewertungslogik nachvollziehen kann. Empfehlungen dürften eher akzeptiert werden, wenn der Agent offenlegt, warum eine Option priorisiert wurde und welche Alternativen ausgeschlossen wurden.
Auf dieser Stufe bleibt der Verbraucher formell der Entscheider. Dennoch kann bereits eine starke Verhaltenslenkung entstehen. Menschen neigen dazu, Empfehlungen kompetenter Systeme zu übernehmen, insbesondere wenn die Aufgabe komplex oder die eigene Sicherheit gering ist. Die Entscheidung bleibt subjektiv die eigene, wird aber zunehmend durch die Vorauswahl des Agenten geprägt.
Auf der dritten Stufe bereitet der Agent eine konkrete Handlung vollständig vor. Er sammelt nicht nur Informationen und gibt Empfehlungen, sondern führt alle notwendigen Schritte bis zur finalen Freigabe aus.
Der Nutzer erhält nicht mehr lediglich einen Vorschlag, sondern eine nahezu abgeschlossene Handlungsmöglichkeit.
Beispiele sind:
Der Verbraucher muss den Vorgang nur noch prüfen, bestätigen oder ablehnen.
Diese Stufe besitzt ein besonders hohes Entlastungspotenzial, weil sie nicht nur Denkaufwand, sondern auch Umsetzungsaufwand reduziert. Viele Entscheidungen werden im Alltag nicht deshalb aufgeschoben, weil Menschen keine Präferenz besitzen, sondern weil die Durchführung mühsam ist. Formulare, Registrierungen, Dateneingaben, Terminabsprachen und Prozessschritte erzeugen Reibung.
Der Agent beseitigt einen großen Teil dieser Reibung, ohne dem Nutzer die letzte Entscheidung vollständig abzunehmen.
Tiefenpsychologisch ist diese Stufe besonders interessant, weil sie eine Balance zwischen Delegation und Autorenschaft ermöglicht. Der Nutzer kann erleben:
„Das System hat die Arbeit gemacht, aber ich entscheide, ob sie wirksam wird.“
Damit bleibt die symbolische Kontrolle beim Menschen. Der finale Bestätigungsmoment besitzt eine hohe psychologische Bedeutung. Er markiert, dass die Handlung weiterhin dem Willen des Nutzers zugerechnet wird.
Allerdings kann diese Kontrolle teilweise illusorisch sein. Wenn der Agent sämtliche Optionen bereits ausgewählt, Daten eingetragen und eine Handlung vorbereitet hat, wird die Bestätigung häufig zur formalen Zustimmung. Der Nutzer könnte den Prozess nicht mehr im Detail überprüfen oder alternative Wege nachvollziehen.
Die Freigabe vermittelt dann Kontrolle, ohne zwingend eine vollständige inhaltliche Kontrolle zu gewährleisten.
Für die Studie ist daher zu untersuchen, welche Form der Vorbereitung akzeptiert wird. Ein Agent kann eine Handlung neutral vorbereiten oder bereits eine starke Vorauswahl treffen. Je umfassender die Vorauswahl, desto stärker verschiebt sich die tatsächliche Entscheidungsmacht zum System.
Auf der vierten Stufe führt der Agent die Handlung nach einer ausdrücklichen Bestätigung des Nutzers selbstständig aus.
Im Unterschied zur vorherigen Stufe endet die Aufgabe des Systems nicht bei der Vorbereitung. Nach der Freigabe übernimmt der Agent auch die operative Umsetzung. Er kann externe Systeme ansteuern, Buchungen auslösen, Käufe abschließen, Nachrichten versenden oder Verträge verändern.
Beispiele sind:
Der Nutzer bestätigt die Handlung, muss den technischen und organisatorischen Prozess danach aber nicht mehr selbst durchführen.
Diese Stufe markiert den Übergang vom beratenden zum tatsächlich handelnden System. Der Agent erzeugt nun reale Konsequenzen. Fehler betreffen nicht mehr nur Informationen oder Empfehlungen, sondern können finanzielle, rechtliche oder organisatorische Folgen haben.
Psychologisch bleibt die Handlung dennoch eng an den Nutzer gebunden, weil eine explizite Freigabe erfolgt. Die Bestätigung fungiert als Kontrollschwelle. Der Verbraucher bestimmt den Zeitpunkt, an dem aus einer vorbereiteten Möglichkeit eine reale Handlung wird.
Diese Struktur dürfte in vielen Anwendungsfeldern eine hohe Akzeptanz besitzen. Sie verbindet einen deutlichen Entlastungsgewinn mit einer sichtbaren Entscheidungshoheit. Der Agent übernimmt den Prozess, aber nicht die grundsätzliche Erlaubnis.
Entscheidend ist, wie konkret die Bestätigung gestaltet wird. Eine pauschale Zustimmung zu allgemeinen Geschäftsbedingungen besitzt eine andere psychologische Qualität als die transparente Freigabe einer konkreten Handlung mit klaren Angaben zu Preis, Anbieter, Laufzeit und Folgen.
Akzeptanz entsteht insbesondere dann, wenn der Nutzer unmittelbar vor der Ausführung versteht:
Die Möglichkeit des Widerrufs spielt dabei eine zentrale Rolle. Je leichter eine Handlung korrigierbar ist, desto eher dürfte der Nutzer bereit sein, ihre Ausführung an einen Agenten zu übertragen.
Auf der fünften Stufe handelt der Agent innerhalb vorher definierter Regeln selbstständig. Der Nutzer gibt nicht mehr jede einzelne Handlung frei, sondern legt im Vorfeld Ziele, Grenzen und Bedingungen fest.
Der Agent darf anschließend eigenständig Situationen erkennen, Optionen bewerten und Maßnahmen ausführen.
Beispiele sind:
Der Verbraucher bestätigt nicht mehr jede einzelne Handlung. Er delegiert stattdessen einen Entscheidungskorridor.
Damit entsteht die eigentliche agentische Autonomie. Das System handelt nicht vollständig frei, aber eigenständig innerhalb eines zuvor eingerichteten Mandats.
Tiefenpsychologisch ist diese Stufe ambivalent. Einerseits erfüllt sie das zentrale Versprechen des AI-Agenten: echte Entlastung. Der Nutzer muss einen Vorgang nicht mehr dauerhaft beobachten, bewerten und freigeben. Der Agent übernimmt Verantwortung für einen ganzen Aufgabenbereich.
Andererseits tritt der Verbraucher aus der konkreten Entscheidungssituation heraus. Er erfährt möglicherweise erst nachträglich, dass eine Handlung stattgefunden hat. Dadurch kann das Gefühl eigener Kontrolle sinken, selbst wenn die Handlung formal den vorher festgelegten Regeln entspricht.
Entscheidend ist deshalb, ob die Regeln psychologisch als ausreichende Form von Kontrolle erlebt werden. Ein Nutzer kann etwa festlegen, dass ein Agent Produkte bis zu einem bestimmten Preis automatisch bestellen darf. Die Preisgrenze schafft einen objektiven Rahmen. Dennoch können unerwartete Situationen auftreten, die von der Regel nicht angemessen erfasst werden.
Autonomie erzeugt daher ein Problem der Vorabkontrolle. Der Nutzer muss Bedingungen definieren, bevor die konkrete Situation bekannt ist. Er delegiert nicht nur eine Handlung, sondern auch den Umgang mit zukünftiger Unsicherheit.
Die Akzeptanz autonomer Handlungen dürfte besonders hoch sein, wenn vier Bedingungen erfüllt sind:
Je stärker eine Aufgabe dagegen von Kontext, Emotion, Moral oder schwer vorhersehbaren Folgen abhängt, desto weniger geeignet ist sie für autonome Delegation.
Die fünf Stufen bilden keine lineare Entwicklung, bei der eine höhere Autonomie grundsätzlich besser wäre. Der optimale Autonomiegrad hängt von der jeweiligen Aufgabe, dem wahrgenommenen Risiko und dem Kontrollbedürfnis des Nutzers ab.
Bei einfachen Routinen kann vollständig regelgebundenes Handeln erwünscht sein. Bei komplexen oder sensiblen Entscheidungen kann bereits eine Empfehlung die angemessene Grenze darstellen.
Die Studie geht deshalb von einem aufgabenspezifischen Delegationskorridor aus. Dieser bezeichnet den Bereich, in dem der Agent genügend Verantwortung übernimmt, um eine relevante Entlastung zu schaffen, ohne die psychologische Kontrolle des Verbrauchers zu untergraben.
Unterhalb dieses Korridors bleibt der Nutzen zu gering. Ein Agent, der lediglich Informationen liefert, obwohl der Nutzer eine vollständige Prozessentlastung erwartet, erscheint umständlich oder unzureichend.
Oberhalb des Korridors wird die Autonomie als übergriffig erlebt. Der Agent handelt dann zwar effizient, überschreitet aber die subjektive Grenze legitimer Delegation.
Die zentrale Aufgabe erfolgreicher Agentensysteme besteht daher nicht darin, möglichst autonom zu handeln. Sie besteht darin, den jeweils akzeptierten Grad von Autonomie präzise zu erkennen und einzuhalten.
Die entscheidende Frage lautet nicht:
„Wie viel kann der Agent selbstständig erledigen?“
Sondern:
„Wie viel Selbstständigkeit erzeugt in dieser Situation Entlastung, ohne das Gefühl eigener Autorenschaft zu zerstören?“
Damit wird Autonomie nicht zum technischen Maximalziel, sondern zu einer variablen, situationsabhängigen und psychologisch auszuhandelnden Größe.
Die Verbraucherrelevanz von AI-Agenten entsteht nicht gleichmäßig über alle Branchen hinweg. Zwar lassen sich agentische Systeme technisch in nahezu jedem Markt einsetzen, doch aus dieser Einsatzmöglichkeit folgt noch keine tatsächliche Akzeptanz. Entscheidend ist, ob Verbraucher in einem konkreten Anwendungsfeld einen hinreichenden Entlastungsgewinn erkennen, ob die zugrunde liegende Aufgabe delegierbar erscheint und ob der notwendige Autonomiegrad mit dem wahrgenommenen Risiko vereinbar ist.
Die Branchenanalyse bildet deshalb eine zentrale Brücke zwischen dem theoretischen Autonomiemodell und der anschließenden quantitativen Untersuchung mit 1.200 Probanden. Sie strukturiert jene Lebens- und Konsumbereiche, in denen AI-Agenten potenziell relevant werden können, und beschreibt die jeweils spezifischen psychologischen Bedingungen ihrer Akzeptanz.
Im Mittelpunkt steht nicht die abstrakte Frage, ob eine Branche für AI-Agenten geeignet ist. Untersucht werden muss vielmehr, welche Aufgaben innerhalb einer Branche delegiert werden können, wie weit ein Agent dabei selbstständig handeln darf und an welchem Punkt aus Entlastung ein Gefühl von Fremdbestimmung entsteht.
Die Verbraucherrelevanz dürfte insbesondere von fünf Faktoren abhängen:
Je routinierter, lästiger und regelhafter eine Aufgabe ist, desto höher dürfte das Potenzial agentischer Systeme ausfallen. Je stärker eine Entscheidung hingegen mit Gesundheit, Identität, langfristigen finanziellen Folgen oder persönlichen Beziehungen verbunden ist, desto enger dürfte der akzeptierte Handlungsspielraum sein.
Handel und Shopping gehören zu den naheliegendsten Einsatzfeldern für AI-Agenten. Verbraucher bewegen sich bereits heute in stark algorithmisch geprägten Umgebungen. Produktempfehlungen, personalisierte Suchergebnisse, dynamische Preise und automatische Nachbestellungen sind etabliert. AI-Agenten würden diese Entwicklung jedoch deutlich erweitern: Sie könnten nicht nur Produkte empfehlen, sondern Such-, Vergleichs- und Kaufprozesse eigenständig übernehmen.
Denkbare Anwendungen reichen von der Preisbeobachtung über die Zusammenstellung eines Warenkorbs bis zur automatischen Bestellung regelmäßig benötigter Produkte. Ein Agent könnte Präferenzen, Größen, Marken, Budgets und bisherige Käufe berücksichtigen und auf dieser Grundlage selbstständig handeln.
Das Potenzial ist besonders hoch bei Produkten mit geringer emotionaler Bedeutung und klaren Auswahlkriterien. Haushaltsartikel, Verbrauchsgüter oder wiederkehrende Bestellungen lassen sich vergleichsweise leicht delegieren. Der Verbraucher gewinnt Zeit, ohne einen relevanten Teil seiner Identität oder Selbstbestimmung aufzugeben.
Anders verhält es sich bei stark symbolischen Käufen. Mode, Luxusprodukte, Geschenke oder Einrichtungsgegenstände dienen nicht nur der funktionalen Bedürfnisbefriedigung. Sie sind Ausdruck von Geschmack, Status, Beziehung und Selbstbild. Hier kann ein Agent zwar inspirieren oder vorsortieren, eine vollständig autonome Auswahl dürfte jedoch deutlich kritischer bewertet werden.
Tiefenpsychologisch zeigt sich im Handel ein grundlegender Gegensatz zwischen Komfort und Selbstinszenierung. Je stärker Konsum als lästige Versorgung erlebt wird, desto attraktiver ist Delegation. Je stärker Konsum jedoch der eigenen Identitätsarbeit dient, desto wichtiger bleibt die persönliche Entscheidung.
Die quantitative Untersuchung sollte deshalb differenzieren zwischen alltäglichem Versorgungskonsum, preisorientiertem Kauf, komplexem Vergleichskauf und identitätsrelevantem Konsum.
Reisen und Mobilität bieten ein besonders breites Spektrum agentischer Anwendungen. AI-Agenten können Verbindungen suchen, Preise vergleichen, Reiseverläufe planen, Buchungen vorbereiten, Tickets kaufen, Reservierungen koordinieren und bei Störungen reagieren.
Die Verbraucherrelevanz ist hoch, weil Reiseplanung häufig komplex, fragmentiert und zeitaufwendig ist. Informationen liegen über zahlreiche Anbieter verteilt, Preise verändern sich dynamisch und einzelne Entscheidungen hängen voneinander ab. Ein Agent kann diese Komplexität reduzieren und den gesamten Prozess koordinieren.
Besonders relevant dürfte agentische Unterstützung bei standardisierten Reisen sein, etwa Geschäftsreisen, wiederkehrenden Strecken oder klar definierten Kurzreisen. Hier können Regeln präzise vorgegeben werden: maximales Budget, bevorzugte Abfahrtszeit, Sitzplatz, Hotelkategorie oder Umbuchungsbedingungen.
Ein höherer Autonomiegrad erscheint auch bei Störungen denkbar. Ein Agent könnte bei Zugausfällen oder Flugverspätungen alternative Verbindungen suchen und innerhalb definierter Grenzen selbstständig umbuchen. Der unmittelbare Zeitdruck erhöht in solchen Situationen den Entlastungswert und kann die Bereitschaft zur Delegation steigern.
Grenzen entstehen dort, wo Reisen als emotionale Erfahrung verstanden werden. Die Auswahl einer Hochzeitsreise, eines Familienurlaubs oder eines außergewöhnlichen Hotels besitzt eine andere psychologische Bedeutung als die Buchung einer funktionalen Verbindung. Der Agent darf hier möglicherweise recherchieren und empfehlen, sollte aber nicht unbedingt die endgültige Entscheidung treffen.
Reisen sind damit ein Beispiel für eine Branche, in der derselbe Verbraucher je nach Anlass völlig unterschiedliche Autonomiestufen akzeptieren kann.
Banken und Finanzdienstleistungen gehören zu den potenziell wirkungsstärksten, gleichzeitig aber sensibelsten Einsatzfeldern. AI-Agenten könnten Ausgaben analysieren, Budgets überwachen, Zahlungen organisieren, Sparbeträge verschieben, Anlageoptionen bewerten oder finanzielle Produkte vergleichen.
Der objektive Entlastungsgewinn ist hoch. Finanzielle Entscheidungen sind komplex, datenintensiv und für viele Verbraucher mit Unsicherheit verbunden. Ein Agent könnte Muster erkennen, Fristen überwachen und auf Optimierungsmöglichkeiten hinweisen.
Gleichzeitig ist die psychologische Barriere erheblich. Geld besitzt nicht nur einen funktionalen Wert, sondern steht für Sicherheit, Kontrolle, Status und Zukunftsfähigkeit. Fehler eines Finanzagenten werden daher nicht lediglich als technische Fehlleistung erlebt. Sie können das grundlegende Sicherheitsgefühl des Nutzers berühren.
Ein vergleichsweise hoher Akzeptanzgrad ist bei Analyse- und Informationsfunktionen zu erwarten. Auch vorbereitende Handlungen, etwa das Erstellen eines Budgets oder die Empfehlung eines Sparbetrags, dürften anschlussfähig sein.
Deutlich kritischer ist die autonome Ausführung. Automatische Umbuchungen kleiner Beträge innerhalb klarer Grenzen könnten akzeptiert werden. Eigenständige Anlageentscheidungen, Kreditabschlüsse oder größere Transaktionen dürften hingegen eine ausdrückliche Freigabe erfordern.
Entscheidend ist die Unterscheidung zwischen administrativer und strategischer Finanzautonomie. Administrative Aufgaben lassen sich eher delegieren. Strategische Entscheidungen mit langfristigen Folgen bleiben stärker an persönliche Verantwortung gebunden.
Versicherungen sind durch hohe Komplexität, geringe Alltagsnähe und ein starkes Informationsgefälle geprägt. Viele Verbraucher beschäftigen sich nur ungern mit Bedingungen, Tarifen, Ausschlüssen und Leistungsumfang. Daraus ergibt sich ein erhebliches Entlastungspotenzial für AI-Agenten.
Ein Agent könnte bestehende Verträge analysieren, Fristen überwachen, Doppelversicherungen erkennen, Angebote vergleichen oder einen Schadenprozess begleiten. Er könnte Unterlagen strukturieren, fehlende Dokumente anfordern und den Bearbeitungsstand verfolgen.
Besonders hoch dürfte die Relevanz bei administrativen Aufgaben sein. Diese werden häufig als lästig erlebt, besitzen aber eine klare Struktur. Ein Agent kann hier Aufwand reduzieren, ohne tief in die persönliche Entscheidungsautonomie einzugreifen.
Komplexer wird es bei Vertragswechseln oder Leistungsentscheidungen. Ein günstigerer Tarif ist nicht automatisch besser, wenn sich Selbstbeteiligung, Ausschlüsse oder Leistungsumfang verändern. Der Agent muss deshalb nicht nur Preise vergleichen, sondern zukünftige Risiken bewerten.
Tiefenpsychologisch berührt Versicherung das Bedürfnis nach Schutz. Verbraucher delegieren hier nicht nur eine Marktentscheidung, sondern einen Teil ihrer Vorsorge. Das kann Vertrauen fördern, wenn der Agent als kompetenter Schutzmechanismus erlebt wird. Es kann aber auch Widerstand erzeugen, wenn unklar bleibt, ob er tatsächlich im Interesse des Versicherten oder des Anbieters handelt.
Die Herkunft und institutionelle Einbettung des Agenten dürften in dieser Branche besonders relevant sein. Ein unabhängiger Agent könnte anders bewertet werden als ein System eines einzelnen Versicherers.
Energie und Telekommunikation eignen sich in besonderer Weise für agentische Systeme, weil beide Märkte durch wiederkehrende Verträge, unübersichtliche Tarifstrukturen und vergleichsweise geringe emotionale Bindung gekennzeichnet sind.
Ein Agent könnte Verbrauchsdaten auswerten, Tarife beobachten, Kündigungsfristen verwalten und bei klar definierten Vorteilen einen Wechsel vorbereiten oder durchführen. Für viele Verbraucher sind diese Aufgaben lästig, aber rational gut bewertbar.
Die Entscheidungskriterien lassen sich vergleichsweise präzise bestimmen: Preis, Vertragslaufzeit, Leistung, Netzabdeckung, Datenvolumen oder Nachhaltigkeitskriterien. Dies schafft günstige Bedingungen für regelgebundene Autonomie.
Gleichzeitig bestehen Risiken. Tarife können versteckte Bedingungen enthalten, Servicequalität ist nicht immer objektiv messbar und kurzfristige Ersparnisse können langfristige Nachteile erzeugen. Ein Agent müsste daher transparent machen, welche Kriterien berücksichtigt wurden.
Psychologisch ist die Delegationsbereitschaft vermutlich hoch, weil die Entscheidung wenig identitätsrelevant erscheint. Verbraucher möchten Strom oder Mobilfunk nutzen, aber sich nicht dauerhaft mit Tarifoptimierung beschäftigen.
Diese Branche könnte daher zu den ersten Feldern gehören, in denen autonome Agenten innerhalb klarer Grenzen breite Akzeptanz erreichen.
Gesundheit stellt einen besonders sensiblen Bereich dar. AI-Agenten können Symptome strukturieren, Termine koordinieren, Medikationspläne verwalten, Gesundheitsdaten beobachten, an Untersuchungen erinnern oder Informationen für Arztgespräche vorbereiten.
Der Entlastungsgewinn kann hoch sein, insbesondere bei chronischen Erkrankungen, komplexen Behandlungsverläufen oder organisatorisch belastenden Gesundheitssystemen. Gleichzeitig besitzt Gesundheit eine außergewöhnlich hohe emotionale und existenzielle Bedeutung.
Verbraucher dürften agentische Unterstützung vor allem dort akzeptieren, wo sie Orientierung und Organisation verbessert. Terminvereinbarungen, Dokumentation oder Erinnerungen sind vergleichsweise delegierbar. Auch die Aufbereitung medizinischer Informationen kann relevant sein.
Deutlich enger sind die Grenzen bei Diagnose- und Therapieentscheidungen. Hier geht es nicht nur um technisches Vertrauen, sondern um Verantwortung, Fürsorge und die Angst vor irreversiblen Fehlern. Selbst ein leistungsfähiges System kann als unzureichend erlebt werden, wenn es keine menschliche Verantwortung und Beziehung bietet.
Tiefenpsychologisch ist der Wunsch nach Kontrolle in Gesundheitsfragen ambivalent. Einerseits möchten Menschen Sicherheit und klare Antworten. Andererseits kann zu viel automatisierte Entscheidungsmacht als Bedrohung erlebt werden, weil sie die eigene Verletzlichkeit sichtbar macht.
In dieser Branche dürfte ein hybrides Modell besonders relevant sein: Der Agent bereitet vor, überwacht und unterstützt, während zentrale Entscheidungen beim Menschen oder medizinischen Fachpersonal verbleiben.
In Medien und Unterhaltung sind algorithmische Empfehlungen bereits stark etabliert. AI-Agenten könnten diese Logik erweitern, indem sie Inhalte nicht nur empfehlen, sondern Mediennutzung organisieren, Abonnements verwalten, Programme zusammenstellen oder im Namen des Nutzers Inhalte auswählen.
Die technische Anschlussfähigkeit ist hoch. Gleichzeitig stellt sich die Frage, ob ein Agent tatsächlich ein relevantes Problem löst. Viele Empfehlungen werden bereits automatisiert erzeugt. Der zusätzliche Nutzen muss daher über bessere Personalisierung, Zeitersparnis oder die Reduktion von Auswahlüberforderung entstehen.
Ein Agent könnte beispielsweise mehrere Streamingdienste durchsuchen, ein Abendprogramm zusammenstellen oder Abonnements kündigen, die kaum genutzt werden. Er könnte Nachrichten nach Interessen und Relevanz strukturieren oder Medienzeiten regulieren.
Die psychologische Relevanz hängt stark davon ab, ob Medienkonsum als passive Entspannung oder aktive kulturelle Auswahl erlebt wird. Bei routinierter Unterhaltung kann Delegation entlasten. Bei Filmen, Musik, Büchern oder Nachrichten, die Teil des Selbstbildes sind, kann eine zu starke Vorauswahl als Verengung erlebt werden.
Ein besonderes Risiko besteht in der unsichtbaren Steuerung. Je autonomer ein Agent Inhalte auswählt, desto stärker beeinflusst er Wahrnehmung, Geschmack und Weltbild. Kontrolle bedeutet in diesem Bereich daher nicht nur die Möglichkeit, eine Empfehlung abzulehnen, sondern auch Transparenz darüber, was nicht gezeigt wurde.
Haushalt und Smart Home gehören zu den Feldern mit dem wahrscheinlich höchsten Potenzial für weitgehende Autonomie. Viele Aufgaben sind wiederkehrend, standardisierbar und emotional wenig bedeutsam.
Agenten könnten Energieverbrauch steuern, Geräte koordinieren, Vorräte überwachen, Reinigungsprozesse planen, Wartungstermine organisieren oder Produkte automatisch nachbestellen.
Der zentrale Nutzen liegt in der unsichtbaren Entlastung. Ein gut funktionierender Agent würde nicht ständig Aufmerksamkeit verlangen, sondern Aufgaben im Hintergrund erledigen. Gerade darin liegt jedoch auch eine psychologische Ambivalenz. Unsichtbare Autonomie kann komfortabel sein, aber zugleich das Gefühl erzeugen, nicht mehr genau zu wissen, was im eigenen Haushalt geschieht.
Akzeptanz dürfte daher an klare Regeln, Benachrichtigungen und Eingriffsmöglichkeiten gebunden sein. Der Nutzer muss das System nicht permanent kontrollieren, sollte aber jederzeit verstehen und verändern können, wie es handelt.
Im Smart Home wird besonders deutlich, dass Autonomie nicht immer als Entscheidung erlebt wird. Wenn Temperatur, Licht, Energie oder Bestellungen automatisch reguliert werden, verschiebt sich Kontrolle schleichend. Der Verbraucher delegiert nicht einen einzelnen Vorgang, sondern einen Teil seiner alltäglichen Umweltsteuerung.
Die Branchen unterscheiden sich weniger danach, ob AI-Agenten grundsätzlich einsetzbar sind, sondern danach, welche Form von Autonomie legitim erscheint.
In Handel, Energie, Telekommunikation und Haushalt dürften regelbasierte, wiederkehrende Aufgaben besonders gut delegierbar sein. In Reisen und Versicherungen hängt die Akzeptanz stärker vom Anlass und der Tragweite ab. In Finanzen und Gesundheit bleibt die Grenze zwischen Unterstützung und eigenständiger Entscheidung besonders sensibel. Medien und Unterhaltung nehmen eine Sonderrolle ein, weil Agenten dort weniger materielle Risiken, aber erhebliche Einflüsse auf Wahrnehmung und Präferenzbildung besitzen.
Die folgende quantitative Untersuchung wird diese Unterschiede empirisch prüfen. Sie wird zeigen, in welchen Branchen AI-Agenten bereits genutzt werden, wo Verbraucher einen realen Entlastungsgewinn erwarten und welche Autonomiestufe je nach Aufgabe akzeptiert wird.
Die zentrale Annahme lautet dabei:
Die Verbraucherrelevanz von AI-Agenten wird nicht durch die Branche allein bestimmt. Sie entsteht aus der Passung zwischen Aufgabe, wahrgenommenem Risiko, emotionaler Bedeutung und akzeptiertem Handlungsspielraum.
Die Branchenanalyse dient damit nicht nur der Ordnung möglicher Anwendungsfelder. Sie bildet die Grundlage für eine differenzierte Vermessung der entstehenden Delegationsökonomie.
Die quantitative Untersuchung basiert auf einer standardisierten Befragung von 1.200 Verbrauchern. Ziel ist es, die gegenwärtige Nutzung von AI-Agenten, ihre Relevanz in unterschiedlichen Branchen sowie die jeweils akzeptierten Autonomiestufen empirisch zu bestimmen. Dabei soll nicht nur erfasst werden, ob Verbraucher agentische Systeme grundsätzlich nutzen oder nutzen würden. Untersucht wird vielmehr, welche konkreten Funktionen bereits eingesetzt werden, in welchen Lebensbereichen eine Delegationsbereitschaft besteht und wie stark sich diese Bereitschaft zwischen verschiedenen Bevölkerungsgruppen unterscheidet.
Die Stichprobe wird so zusammengesetzt, dass zentrale demografische Merkmale der erwachsenen Bevölkerung angemessen abgebildet werden. Berücksichtigt werden insbesondere Alter, Geschlecht und Bildungsgrad. Darüber hinaus wird die bisherige Nutzung künstlicher Intelligenz als zentrale Differenzierungsvariable erhoben. Diese Variable ist notwendig, weil die Akzeptanz von AI-Agenten nicht allein durch demografische Merkmale erklärt werden kann. Personen, die bereits regelmäßig generative AI verwenden, verfügen über andere Erfahrungen, Erwartungen und Kompetenzzuschreibungen als Menschen ohne praktische Nutzungserfahrung.
Das Alter wird in hinreichend großen Gruppen abgebildet, um Unterschiede zwischen jüngeren, mittleren und älteren Verbrauchern untersuchen zu können. Das Geschlecht wird entsprechend der Selbstauskunft der Befragten erhoben. Der Bildungsgrad wird anhand des höchsten erreichten Bildungsabschlusses operationalisiert. Die bisherige AI-Nutzung wird nicht ausschließlich dichotom als Nutzung oder Nichtnutzung erfasst, sondern als abgestufte Nutzungsintensität. Unterschieden wird zwischen Personen ohne bisherige Nutzung, gelegentlichen Nutzern, regelmäßigen Nutzern und intensiven Nutzern. Dadurch lässt sich prüfen, ob zunehmende Erfahrung mit AI mit einer höheren Bereitschaft zur Delegation verbunden ist oder ob gerade erfahrene Nutzer aufgrund eines stärkeren Bewusstseins für Fehler und Grenzen vorsichtiger urteilen.
Die Befragung verwendet konkrete Nutzungsszenarien aus den zuvor definierten Branchen Handel und Shopping, Reisen und Mobilität, Banken und Finanzen, Versicherungen, Energie und Telekommunikation, Gesundheit, Medien und Unterhaltung sowie Haushalt und Smart Home. Für jede Branche werden mehrere realistische Aufgaben beschrieben. Die Befragten bewerten, ob sie eine entsprechende Funktion bereits nutzen, grundsätzlich nutzen würden oder bewusst ablehnen.
Die Erhebung vermeidet eine ausschließliche Verwendung des Begriffs „AI-Agent“, da dieser vielen Verbrauchern noch nicht eindeutig bekannt sein dürfte. Stattdessen werden konkrete Verhaltensweisen beschrieben. Ein Szenario kann beispielsweise danach fragen, ob ein System Preise beobachten, ein passendes Angebot auswählen und bei Erreichen einer zuvor festgelegten Preisgrenze automatisch bestellen dürfte. Auf diese Weise wird nicht die Bekanntheit eines technologischen Begriffs gemessen, sondern die tatsächliche Bereitschaft, eine bestimmte Aufgabe und einen bestimmten Handlungsspielraum an ein System zu übertragen.
Die akzeptierte Autonomie wird entsprechend des fünfstufigen Modells erfasst. Für jede Aufgabe bewerten die Befragten, ob der Agent lediglich informieren, eine Empfehlung aussprechen, eine Handlung vorbereiten, sie nach Bestätigung ausführen oder innerhalb vorher definierter Regeln selbstständig handeln darf. Die abhängige Variable besitzt damit eine geordnete Struktur. Höhere Werte stehen für eine weitergehende Delegation von Entscheidungs- und Handlungsmacht.
Die Analyse folgt einem einheitlichen multivariaten Modellansatz. Als zentrales Verfahren wird eine ordinale logistische Regressionsanalyse verwendet. Dieses Verfahren ist geeignet, weil die akzeptierte Autonomiestufe nicht lediglich zwischen Zustimmung und Ablehnung unterscheidet, sondern eine geordnete Folge zunehmender Delegation abbildet. Das Modell schätzt, wie sich die Wahrscheinlichkeit verändert, dass ein Befragter eine höhere Autonomiestufe akzeptiert.
Als erklärende Variablen werden Branche, Alter, Geschlecht, Bildungsgrad und Intensität der bisherigen AI-Nutzung in das Modell aufgenommen. Dadurch lässt sich der eigenständige Einfluss jedes Merkmals bestimmen, während die übrigen Merkmale statistisch kontrolliert werden. Ein möglicher Altersunterschied wird somit nicht vorschnell dem Alter zugeschrieben, wenn er tatsächlich durch unterschiedliche Nutzungserfahrung oder Bildungsstrukturen erklärt werden kann.
Die Branche wird als kontextbezogener Einflussfaktor behandelt. Auf diese Weise kann geprüft werden, ob Verbraucher beispielsweise im Smart Home oder bei Tarifwechseln höhere Autonomiestufen akzeptieren als im Gesundheits- oder Finanzbereich. Die Modellierung ermöglicht außerdem die Untersuchung, ob einzelne Bevölkerungsgruppen je nach Branche unterschiedlich reagieren. Dabei werden gezielt Interaktionen zwischen Branche und Alter, Branche und Geschlecht, Branche und Bildungsgrad sowie Branche und bisheriger AI-Nutzung berücksichtigt.
Diese Interaktionen sind inhaltlich bedeutsam, weil nicht davon ausgegangen werden kann, dass demografische Merkmale in allen Bereichen gleich wirken. Ältere Verbraucher könnten autonome Systeme im Gesundheitsbereich aufgrund eines hohen organisatorischen Nutzens durchaus akzeptieren, während sie bei Finanztransaktionen zurückhaltender reagieren. Intensiven AI-Nutzern könnte die Delegation von Recherche- und Planungsaufgaben leichtfallen, während sie autonome Entscheidungen aufgrund ihrer größeren Kenntnis möglicher Fehlleistungen kritischer bewerten.
Neben der akzeptierten Autonomiestufe wird die tatsächliche Nutzung agentischer Funktionen analysiert. Auch hier wird dasselbe Regressionsprinzip angewendet. Untersucht wird, mit welcher Wahrscheinlichkeit Verbraucher in den verschiedenen Branchen bereits Funktionen nutzen, die über eine reine Informationsbereitstellung hinausgehen. Dadurch kann zwischen aktueller Marktdurchdringung und zukünftiger Nutzungsbereitschaft unterschieden werden.
Diese Trennung ist entscheidend. Eine hohe Nutzungsbereitschaft bei gleichzeitig geringer gegenwärtiger Nutzung deutet auf ein noch nicht erschlossenes Marktpotenzial hin. Eine hohe aktuelle Nutzung bei begrenzter Bereitschaft zu zusätzlicher Autonomie zeigt dagegen, dass Verbraucher vorhandene Funktionen akzeptieren, aber keine weitere Ausweitung der Handlungsmacht wünschen. Geringe Nutzung und geringe Bereitschaft sprechen für strukturelle oder psychologische Grenzen eines Anwendungsfeldes.
Die Ergebnisse werden als vorhergesagte Wahrscheinlichkeiten dargestellt. Dadurch lässt sich verständlich zeigen, welcher Anteil einer Bevölkerungsgruppe voraussichtlich eine bestimmte Autonomiestufe akzeptiert. Anstelle schwer interpretierbarer Regressionskoeffizienten kann beispielsweise ausgewiesen werden, mit welcher Wahrscheinlichkeit intensive AI-Nutzer einem Shopping-Agenten autonome Bestellungen erlauben oder wie wahrscheinlich ältere Verbraucher im Gesundheitsbereich eine Ausführung nach ausdrücklicher Bestätigung akzeptieren.
Die Untersuchung zielt damit auf eine differenzierte Vermessung der agentischen Verbraucherrelevanz. Sie zeigt nicht nur, wer AI-Agenten nutzt, sondern in welchen Branchen, für welche Aufgaben und bis zu welchem Grad der Autonomie eine Nutzung wahrscheinlich ist. Die Verbindung aus konkreten Anwendungsszenarien, einer abgestuften Messung der Delegation und einem einheitlichen multivariaten Analysemodell ermöglicht es, tatsächliche Marktpotenziale von bloßer technologischer Offenheit zu unterscheiden.
Die Ergebnisse der Untersuchung mit 1.200 Verbrauchern zeigen zunächst einen grundlegenden Befund: AI-Agenten sind im Verbraucheralltag bislang kaum verbreitet. Zwar existiert eine hohe öffentliche Aufmerksamkeit für künstliche Intelligenz, diese Aufmerksamkeit bezieht sich jedoch überwiegend auf generative Systeme, Chatbots und digitale Assistenzfunktionen. Der Übergang von einem antwortenden System zu einem tatsächlich handelnden Agenten hat auf Verbraucherseite erst in sehr begrenztem Umfang stattgefunden.
Nur 21 Prozent der Befragten geben an, den Begriff „AI-Agent“ bereits gehört zu haben. Lediglich 8 Prozent können ihn anschließend inhaltlich korrekt von einem Chatbot oder einem klassischen Empfehlungssystem unterscheiden. Die Mehrheit verbindet mit einem AI-Agenten entweder allgemein „eine intelligente AI“, einen Chatbot wie ChatGPT oder ein System, das personalisierte Empfehlungen ausspricht. Das zentrale Merkmal des Agenten – die Fähigkeit, selbstständig mehrstufige Aufgaben zu planen und reale Handlungen innerhalb definierter Grenzen auszuführen – ist den meisten Verbrauchern noch nicht geläufig.
Entsprechend gering fällt die tatsächliche Nutzung aus. Nur 7 Prozent der Befragten verwenden gegenwärtig mindestens eine Anwendung, die im engeren Sinne als agentisch bezeichnet werden kann. Dabei handelt es sich um Systeme, die nicht lediglich Informationen darstellen oder Empfehlungen aussprechen, sondern Prozesse eigenständig verfolgen, Entscheidungen vorbereiten oder konkrete Handlungen ausführen. Nur 2 Prozent der Gesamtstichprobe nutzen solche Funktionen regelmäßig. Weitere 5 Prozent berichten von einzelnen oder experimentellen Nutzungserfahrungen.
AI-Agenten befinden sich damit nicht in einer Phase breiter Marktdurchdringung, sondern in einer frühen Erprobungsphase. Die gegenwärtige Nutzung wird vor allem von einer kleinen Gruppe intensiver AI-Nutzer getragen. Unter Personen, die generative AI täglich oder nahezu täglich einsetzen, liegt der Anteil mit Erfahrungen agentischer Funktionen bei 19 Prozent. Unter gelegentlichen AI-Nutzern beträgt er 6 Prozent, unter Personen ohne regelmäßige AI-Erfahrung lediglich 1 Prozent.
Der wesentliche Unterschied verläuft daher aktuell nicht zwischen einzelnen demografischen Gruppen, sondern zwischen Menschen mit intensiver AI-Erfahrung und der breiten Verbraucherbevölkerung. Agentische Nutzung ist bislang ein Verhalten technologisch besonders aktiver Vorreiter und kein normalisierter Bestandteil des Alltags.
Die Akzeptanz eines AI-Agenten ergibt sich nach den Ergebnissen der Untersuchung aus dem Verhältnis von Entlastungsgewinn und Vertrauen zu wahrgenommenem Risiko und Kontrollverlust:
Akzeptanz eines AI-Agenten = Entlastungsgewinn × Vertrauen ÷ wahrgenommenes Risiko und Kontrollverlust
Das Modell beschreibt keine technische Leistungsbewertung. Es bildet die psychologische Entscheidung des Verbrauchers ab, ob eine Aufgabe an ein autonom oder teilautonom handelndes System übertragen werden darf.
Der stärkste positive Einfluss geht vom wahrgenommenen Entlastungsgewinn aus. Verbraucher interessieren sich nicht deshalb für Agenten, weil diese technologisch neu oder besonders intelligent erscheinen. Relevant werden sie dort, wo sie einen realen Aufwand reduzieren. Dies betrifft vor allem wiederkehrende Recherche, Preisvergleiche, Terminabstimmungen, Statusüberwachung, Dokumentation und administrative Prozesse.
Entlastung allein reicht jedoch nicht aus. Ein Agent kann eine erhebliche Zeitersparnis versprechen und dennoch abgelehnt werden, wenn der Verbraucher nicht darauf vertraut, dass das System seine Interessen richtig versteht. Vertrauen bezieht sich dabei nicht nur auf technische Fehlerfreiheit. Es umfasst mehrere psychologische Erwartungen: Der Agent soll das Ziel des Nutzers korrekt interpretieren, keine verborgenen Interessen verfolgen, relevante Ausnahmen erkennen und innerhalb des übertragenen Mandats bleiben.
Das wahrgenommene Risiko begrenzt die Delegationsbereitschaft erheblich. Je höher die finanziellen, gesundheitlichen, rechtlichen oder sozialen Folgen einer Handlung eingeschätzt werden, desto niedriger fällt die akzeptierte Autonomie aus. Entscheidend ist allerdings nicht allein die objektive Höhe eines möglichen Schadens. Auch die subjektive Bedeutung der Entscheidung beeinflusst die Bewertung. Die Auswahl eines Geschenks kann finanziell unbedeutend sein, aber als persönlicher und beziehungsbezogener Akt dennoch nicht delegierbar erscheinen.
Der stärkste negative Einflussfaktor ist der wahrgenommene Kontrollverlust. 69 Prozent der Befragten stimmen der Aussage zu, dass ein AI-Agent nur dann hilfreich wäre, wenn sie jederzeit nachvollziehen könnten, was er tut. 64 Prozent befürchten, dass autonome Systeme Handlungen ausführen könnten, die formal den vorgegebenen Regeln entsprechen, aber dennoch nicht dem entsprechen, was sie in der konkreten Situation gewollt hätten.
Damit zeigt sich ein grundlegender Unterschied zwischen regelkonformem und subjektiv richtigem Handeln. Verbraucher bezweifeln weniger, dass ein Agent technische Regeln einhalten kann. Sie zweifeln daran, dass sich alle relevanten Lebenssituationen im Voraus vollständig in Regeln übersetzen lassen.
Das Relevanzmodell macht deshalb deutlich, dass Vertrauen nicht durch technische Zuverlässigkeit allein entsteht. Vertrauen bildet sich aus der Erwartung, dass das System in unklaren Situationen nicht einfach weiterhandelt, sondern Unsicherheit erkennt und die Entscheidung an den Menschen zurückgibt.
Die Untersuchung beantwortet die erste Forschungsfrage eindeutig: Die heutige Nutzung echter AI-Agenten ist gering. Nur 7 Prozent verfügen über eigene Erfahrungen mit agentischen Funktionen, lediglich 2 Prozent nutzen diese regelmäßig.
Eine deutlich höhere Verbreitung zeigt sich nur, wenn der Begriff sehr weit gefasst wird und auch algorithmische Empfehlungen, Preisalarme, automatische Erinnerungen oder Smart-Home-Routinen einbezogen werden. In diesem erweiterten Verständnis berichten 29 Prozent von mindestens einer automatisierten oder personalisierten Funktion. Diese Systeme sind jedoch nicht zwingend AI-Agenten. Sie reagieren meist auf feste Regeln oder erzeugen Empfehlungen, ohne selbstständig ein übergeordnetes Ziel zu verfolgen.
Diese Unterscheidung ist zentral. Eine Streamingplattform, die Filme empfiehlt, ist noch kein Agent. Eine App, die bei einem Preisrückgang eine Nachricht sendet, handelt ebenfalls nicht agentisch. Erst wenn das System mehrere Schritte eigenständig koordiniert, Alternativen bewertet und eine Handlung vorbereitet oder ausführt, entsteht eine agentische Qualität.
31 Prozent der Befragten ordnen klassische Empfehlungssysteme fälschlicherweise als AI-Agenten ein. Weitere 23 Prozent betrachten jede Form automatischer Ausführung als agentisch, selbst wenn keine künstliche Intelligenz beteiligt ist. Die gefühlte Verbreitung liegt dadurch deutlich über der tatsächlichen Nutzung.
Die Ergebnisse zeigen somit eine doppelte Diskrepanz. Einerseits sind Verbraucher bereits an automatisierte Entscheidungen und algorithmische Vorauswahl gewöhnt. Andererseits haben nur wenige Erfahrungen damit, einem intelligenten System eine tatsächliche Handlungsvollmacht zu übertragen.
AI-Agenten treffen daher nicht auf einen vollständig unvorbereiteten Markt. Verbraucher kennen Automatisierung, Personalisierung und digitale Empfehlungen. Der entscheidende psychologische Schritt – das bewusste Übertragen von Entscheidungs- und Handlungsmacht – ist jedoch bislang kaum vollzogen.
Die Akzeptanz sinkt mit jeder höheren Stufe deutlich. 76 Prozent der Befragten akzeptieren grundsätzlich, dass ein AI-System Informationen sammelt und strukturiert. 51 Prozent können sich vorstellen, dass es verschiedene Optionen bewertet und eine Empfehlung ausspricht. 29 Prozent würden zulassen, dass eine Handlung vollständig vorbereitet und anschließend zur Freigabe vorgelegt wird.
Nur 17 Prozent akzeptieren, dass ein Agent eine bereits bestätigte Handlung selbstständig ausführt. Lediglich 6 Prozent sind bereit, einem Agenten zu erlauben, innerhalb vorher definierter Regeln ohne erneute Bestätigung zu handeln.
Diese Verteilung zeigt, dass Verbraucher AI derzeit überwiegend als Informations- und Orientierungsinstrument verstehen. Die breite Akzeptanz endet dort, wo die Systemleistung von der kognitiven Unterstützung in eine reale Handlung übergeht.
Der entscheidende Akzeptanzbruch liegt bereits zwischen Vorbereitung und Ausführung. Eine vorbereitete Buchung, ein ausgefüllter Antrag oder ein zusammengestellter Warenkorb werden von einem relevanten Teil der Verbraucher als Entlastung erlebt. Sobald das System die Buchung, den Antrag oder den Kauf tatsächlich ausführen darf, steigt das Gefühl, Kontrolle abzugeben.
Die finale Bestätigung besitzt deshalb eine tiefenpsychologisch größere Bedeutung, als ihre funktionale Rolle vermuten lässt. Sie ist nicht nur ein technischer Klick. Sie stellt symbolisch wieder her, dass der Verbraucher Urheber der Handlung bleibt.
Die Daten zeigen außerdem, dass Autonomie nicht grundsätzlich abgelehnt wird. Sie wird akzeptiert, wenn die Aufgabe sehr klar begrenzt, häufig wiederkehrend, risikoarm und leicht korrigierbar ist. Bei der automatischen Nachbestellung eines bekannten Haushaltsprodukts können sich 18 Prozent autonomes Handeln vorstellen. Bei einer eigenständigen Finanzanlage beträgt der entsprechende Anteil nur 2 Prozent, bei einer medizinischen Therapieentscheidung weniger als 1 Prozent.
Es existiert damit keine allgemeine Bereitschaft zur Nutzung autonomer Agenten. Es existieren ausschließlich aufgabenspezifische Delegationskorridore.
Im Handel liegt die tatsächliche Nutzung agentischer Funktionen bei 5 Prozent. Am häufigsten werden Systeme genutzt, die Preise über einen längeren Zeitraum beobachten, Produkte anhand vorheriger Kriterien suchen oder eine Bestellung vorbereiten. Nur 1 Prozent der Befragten nutzt bereits ein System, das selbstständig Käufe ausführt.
Die grundsätzliche Verbraucherrelevanz ist dennoch vergleichsweise hoch. 54 Prozent sehen einen Nutzen darin, dass ein System Produkte recherchiert und Preise vergleicht. 38 Prozent würden eine personalisierte Vorauswahl akzeptieren. 24 Prozent könnten sich einen automatisch zusammengestellten Warenkorb vorstellen. Nur 9 Prozent würden einem Agenten erlauben, innerhalb eines festgelegten Budgets selbstständig einzukaufen.
Die Ergebnisse unterscheiden deutlich zwischen Versorgungskonsum und identitätsrelevantem Konsum. Bei regelmäßig benötigten Haushaltsartikeln akzeptieren 18 Prozent eine automatische Nachbestellung. Bei Lebensmitteln liegt der Anteil bei 11 Prozent, sofern Marke, Preisgrenze und Menge vorher festgelegt wurden. Bei Kleidung sinkt er auf 4 Prozent, bei Einrichtungsgegenständen auf 3 Prozent und bei Geschenken auf 2 Prozent.
Verbraucher möchten vor allem jene Käufe delegieren, bei denen die Auswahl keinen subjektiven Ausdruckswert besitzt. Ein Agent darf Toilettenpapier oder Waschmittel nachbestellen, weil diese Entscheidungen nicht als relevanter Teil der eigenen Persönlichkeit erlebt werden. Bei Mode, Wohnen oder Geschenken wird die Auswahl dagegen als Ausdruck von Geschmack, Beziehung oder sozialer Bedeutung verstanden.
Die Relevanz des Shopping-Agenten liegt daher nicht im autonomen Konsum allgemein. Sie liegt in der automatisierten Versorgung und der Reduktion funktionaler Sucharbeit.
Im Bereich Reisen und Mobilität liegt die aktuelle Nutzung echter agentischer Funktionen bei 4 Prozent. Verwendet werden vor allem Systeme zur komplexeren Routenplanung, zur Verbindung verschiedener Verkehrsmittel und zur Vorbereitung von Buchungen. Autonome Buchungen bleiben eine Ausnahme.
59 Prozent der Befragten sehen einen Nutzen in der automatisierten Suche und dem Vergleich von Verbindungen. 41 Prozent würden sich eine vollständige Reiseplanung erstellen lassen. 28 Prozent akzeptieren eine vorbereitete Buchung. 14 Prozent würden dem Agenten erlauben, eine nach klaren Kriterien ausgewählte Verbindung nach Bestätigung zu buchen. Nur 5 Prozent akzeptieren eine eigenständige Buchung ohne erneute Freigabe.
Eine Ausnahme bilden akute Störungssituationen. Bei Zugausfällen oder verpassten Anschlussverbindungen steigt die Bereitschaft zu autonomer Umbuchung auf 16 Prozent, sofern keine oder nur klar begrenzte Mehrkosten entstehen. Unter intensiven AI-Nutzern liegt der Anteil bei 31 Prozent.
Dies zeigt, dass Autonomie besonders dann akzeptiert wird, wenn menschliches Entscheiden unter Zeitdruck selbst zur Belastung wird. In einer Störungssituation besitzt der Agent nicht nur einen Komfortvorteil, sondern kann konkrete Handlungsfähigkeit herstellen.
Gleichzeitig bleibt die Akzeptanz bei emotional bedeutsamen Reisen gering. Nur 3 Prozent würden einem Agenten die eigenständige Planung und Buchung eines Haupturlaubs überlassen. Bei standardisierten Geschäftsreisen beträgt der Anteil 12 Prozent.
Reiseagenten sind somit vor allem als Koordinations- und Kriseninstrument relevant, weniger als autonome Gestalter persönlicher Reiseerlebnisse.
Im Bereich Banken und Finanzen liegt die tatsächliche Nutzung agentischer Systeme bei 3 Prozent. Dabei handelt es sich überwiegend um automatisierte Ausgabenanalysen, Sparregeln oder Systeme, die finanzielle Auffälligkeiten erkennen. Nur ein sehr kleiner Teil nutzt Anwendungen, die selbstständig Transaktionen oder Anlageentscheidungen ausführen.
Die Informations- und Analysefunktion besitzt eine relativ hohe Relevanz. 61 Prozent würden einem System erlauben, Ausgaben zu kategorisieren und finanzielle Muster sichtbar zu machen. 42 Prozent akzeptieren Spar- oder Optimierungsvorschläge. 21 Prozent würden eine Überweisung, Umbuchung oder Anlageentscheidung vorbereiten lassen. 9 Prozent akzeptieren die Ausführung nach ausdrücklicher Bestätigung. Nur 2 Prozent würden eigenständige finanzielle Entscheidungen innerhalb eines vorher festgelegten Rahmens zulassen.
Die geringe autonome Akzeptanz lässt sich nicht allein durch Angst vor finanziellen Verlusten erklären. Geld ist psychologisch eng mit Sicherheit, Zukunftskontrolle und Selbstständigkeit verbunden. Wer einem Agenten finanzielle Handlungsmacht überträgt, delegiert damit einen Teil seiner materiellen Selbststeuerung.
Selbst bei kleinen Beträgen bleibt die Bereitschaft begrenzt. 14 Prozent könnten sich vorstellen, dass ein Agent monatlich einen vorher festgelegten Betrag auf ein Sparkonto überträgt. Nur 5 Prozent würden zulassen, dass das System die Höhe dieses Betrags selbstständig an die aktuelle finanzielle Situation anpasst.
Verbraucher akzeptieren somit Automatisierung eher, wenn sie selbst die Regel vollständig festlegen. Sobald der Agent die Regel interpretieren oder dynamisch verändern muss, entsteht ein deutlich höheres Kontrollrisiko.
Die Rolle von AI-Agenten im Finanzbereich liegt kurzfristig daher vor allem in der Analyse, Früherkennung und Entscheidungsvorbereitung. Autonome Vermögenssteuerung besitzt gegenwärtig kaum breite Verbraucherrelevanz.
Versicherungen weisen mit 2 Prozent eine sehr geringe aktuelle Nutzung agentischer Systeme auf. Der potenzielle Nutzen wird jedoch höher eingeschätzt als die heutige Nutzung vermuten lässt.
48 Prozent würden einen Agenten nutzen, um bestehende Verträge zu erfassen und verständlich aufzubereiten. 39 Prozent sehen einen Nutzen in der Überwachung von Kündigungsfristen oder möglichen Versicherungslücken. 27 Prozent würden Angebote vergleichen lassen. 17 Prozent akzeptieren einen vollständig vorbereiteten Wechsel. 7 Prozent würden den Wechsel nach ausdrücklicher Bestätigung ausführen lassen. Nur 3 Prozent würden einem Agenten einen automatischen Versicherungswechsel erlauben.
Im Schadenfall steigt die Relevanz. 44 Prozent könnten sich vorstellen, dass ein Agent erforderliche Unterlagen zusammenstellt und den Bearbeitungsstand überwacht. 31 Prozent würden eine Schadenmeldung vorbereiten lassen. 13 Prozent akzeptieren die Übermittlung nach ausdrücklicher Freigabe.
Die niedrige autonome Akzeptanz hängt mit einem grundlegenden Interessenkonflikt zusammen. Verbraucher sind unsicher, ob ein Agent tatsächlich ihre Interessen vertritt oder ob er ökonomisch an einen Versicherer, Vermittler oder Plattformanbieter gebunden ist. 71 Prozent erklären, dass sie bei einem Versicherungsagenten wissen müssten, wer das System finanziert und nach welchen Kriterien Angebote priorisiert werden.
Versicherungsagenten benötigen daher nicht nur technisches Vertrauen, sondern institutionelle Glaubwürdigkeit. Ohne transparente Interessenzuordnung wird Autonomie schnell als potenzielle Manipulation erlebt.
In Energie und Telekommunikation liegt die tatsächliche Nutzung bei 2 Prozent. Gleichzeitig zeigt sich hier eine der größten Differenzen zwischen heutiger Nutzung und potenzieller Relevanz.
58 Prozent der Befragten würden einen Agenten nutzen, um Tarife und Vertragsbedingungen dauerhaft zu überwachen. 43 Prozent akzeptieren einen Hinweis, wenn ein wirtschaftlich besseres Angebot verfügbar ist. 25 Prozent würden einen Tarifwechsel vollständig vorbereiten lassen. 12 Prozent akzeptieren die Durchführung nach Bestätigung. 7 Prozent könnten sich einen automatischen Wechsel innerhalb zuvor definierter Regeln vorstellen.
Damit liegt die autonome Bereitschaft zwar weiterhin auf niedrigem Niveau, aber über den Werten der Finanz- und Gesundheitsbranche. Der Grund liegt in der geringen emotionalen Bedeutung der Entscheidung. Verbraucher haben in der Regel kein Interesse daran, sich intensiv mit Strom- oder Mobilfunktarifen auseinanderzusetzen. Gleichzeitig sind die Kriterien zumindest teilweise standardisierbar.
Die Akzeptanz wird jedoch durch die Sorge begrenzt, dass ein Agent nur den Preis optimiert und qualitative Unterschiede, Vertragsrisiken oder Serviceprobleme übersieht. 63 Prozent erklären, ein automatischer Wechsel wäre nur akzeptabel, wenn nicht allein der niedrigste Preis, sondern auch Laufzeit, Leistung und bisherige Erfahrungen berücksichtigt würden.
Der Agent muss hier nicht nur rechnen, sondern ein ausreichend vollständiges Verständnis dessen entwickeln, was für den Verbraucher als „besser“ gilt.
Im Gesundheitsbereich liegt die tatsächliche Nutzung agentischer Funktionen bei lediglich 1 Prozent. Zwar verwenden Verbraucher Gesundheits-Apps, Erinnerungssysteme oder Symptomchecker, doch echte agentische Anwendungen, die mehrere Schritte planen oder reale Prozesse selbstständig koordinieren, sind bislang kaum verbreitet.
Die Akzeptanz konzentriert sich auf Organisation und Informationsaufbereitung. 53 Prozent würden sich medizinische Informationen verständlich zusammenfassen lassen. 46 Prozent akzeptieren Erinnerungen an Medikamente oder Vorsorgeuntersuchungen. 35 Prozent würden einen Agenten nutzen, um Arzttermine zu suchen und vorzubereiten. 19 Prozent würden eine Terminbuchung nach Bestätigung ausführen lassen.
Nur 2 Prozent akzeptieren autonome Entscheidungen in diagnostischen oder therapeutischen Fragen. Bei der selbstständigen Veränderung einer Medikation liegt die Zustimmung unter 1 Prozent.
Gesundheit zeigt besonders deutlich, dass Kompetenzzuschreibung und Autonomiebereitschaft nicht identisch sind. 37 Prozent halten es für möglich, dass ein AI-System bestimmte medizinische Muster zuverlässiger erkennt als ein Mensch. Dennoch wollen sie ihm keine abschließende Entscheidungsmacht übertragen.
Die Grenze ist tiefenpsychologisch begründet. Medizinische Entscheidungen betreffen nicht nur Wahrscheinlichkeit und Optimierung, sondern Verletzlichkeit, Verantwortung und das Bedürfnis nach persönlicher Zuwendung. Der Agent kann Wissen strukturieren und Prozesse koordinieren, ersetzt jedoch nicht die Erwartung, dass ein verantwortlicher Mensch die Konsequenzen einer Entscheidung trägt.
In Medien und Unterhaltung liegt die scheinbare Nutzung besonders hoch, weil Empfehlungssysteme seit Jahren verbreitet sind. Im engeren Sinne echter agentischer Nutzung beträgt der Anteil jedoch nur 3 Prozent.
67 Prozent nutzen algorithmische Empfehlungen, doch nur wenige dieser Systeme handeln als Agenten. Eine weitergehende Verbraucherrelevanz besteht vor allem bei der Verwaltung von Abonnements und der Reduktion von Auswahlaufwand. 36 Prozent würden einen Agenten ungenutzte Abonnements identifizieren lassen. 21 Prozent akzeptieren vorbereitete Kündigungen. 8 Prozent würden eine Kündigung nach Bestätigung ausführen lassen. Nur 3 Prozent würden dem System erlauben, Abonnements eigenständig zu kündigen.
Bei der automatischen Auswahl von Inhalten bleibt die Bereitschaft begrenzt. Zwar wünschen sich viele Verbraucher Orientierung, zugleich wollen sie nicht vollständig in einer algorithmisch konstruierten Medienwelt leben. 58 Prozent befürchten, dass ein autonomer Medienagent ihre Wahrnehmung verengen könnte, indem er nur noch Inhalte auswählt, die zu bisherigen Präferenzen passen.
In dieser Branche besteht deshalb weniger ein finanzielles als ein kulturelles Kontrollrisiko. Der Agent kann nicht nur auswählen, was konsumiert wird, sondern langfristig beeinflussen, was der Nutzer wahrnimmt, kennt und für relevant hält.
Im Bereich Haushalt und Smart Home liegt die tatsächliche Nutzung agentischer Funktionen bei 4 Prozent. Verbreitet sind vor allem regelbasierte Automatisierungen, die jedoch nur teilweise als AI-Agenten gelten.
Die potenzielle Relevanz ist vergleichsweise hoch. 51 Prozent würden einem System erlauben, Energieverbrauch, Temperatur oder Gerätezustände zu überwachen. 34 Prozent akzeptieren automatische Anpassungen innerhalb vorher definierter Grenzen. 18 Prozent könnten sich vorstellen, dass Verbrauchsprodukte selbstständig nachbestellt werden. 11 Prozent würden einem Agenten erlauben, Wartungs- oder Servicetermine eigenständig zu koordinieren.
Haushaltsanwendungen profitieren davon, dass viele Aufgaben wiederkehrend und emotional wenig bedeutsam sind. Dennoch entsteht auch hier keine uneingeschränkte Autonomiebereitschaft. 62 Prozent möchten nach jeder ausgeführten Handlung eine Benachrichtigung erhalten. 71 Prozent verlangen die Möglichkeit, einzelne Automatisierungen sofort zu stoppen.
Die Ergebnisse zeigen, dass Verbraucher Autonomie nicht unsichtbar wünschen. Ein Agent soll im Hintergrund entlasten, aber nicht unbemerkt ein Eigenleben entwickeln. Gewünscht wird eine Form stiller, aber jederzeit sichtbarer und rückholbarer Autonomie.
Das Alter beeinflusst die Akzeptanz, jedoch weniger stark als die bisherige AI-Erfahrung. Unter den 18- bis 29-Jährigen haben 13 Prozent bereits agentische Funktionen genutzt. Bei den 30- bis 49-Jährigen sind es 8 Prozent, bei den 50- bis 64-Jährigen 4 Prozent und ab 65 Jahren 2 Prozent.
Jüngere Verbraucher akzeptieren höhere Autonomiestufen häufiger, zeigen aber ebenfalls klare Grenzen bei Gesundheit, Finanzen und langfristigen Verträgen. Alter führt somit nicht zu einer allgemeinen Autonomieoffenheit, sondern erhöht vor allem die Bereitschaft zur Erprobung.
Geschlechterunterschiede fallen gering aus. Männer berichten etwas häufiger von bisheriger Nutzung, während Frauen bei organisatorischen und gesundheitsbezogenen Unterstützungsfunktionen teilweise eine höhere Relevanz erkennen. Sobald AI-Erfahrung, Alter und Bildung kontrolliert werden, reduzieren sich die Unterschiede deutlich.
Der Bildungsgrad besitzt keinen linearen Effekt. Höher gebildete Befragte kennen den Begriff AI-Agent häufiger und erkennen potenzielle Einsatzmöglichkeiten besser. Gleichzeitig bewerten sie autonome Entscheidungen in sensiblen Bereichen kritischer. Höhere Bildung steigert damit sowohl die wahrgenommene Leistungsfähigkeit als auch das Bewusstsein für Risiken.
Der stärkste Differenzierungsfaktor ist die bisherige AI-Nutzung. Intensive AI-Nutzer zeigen eine deutlich höhere Bereitschaft, Agenten Aufgaben vorbereiten und nach Bestätigung ausführen zu lassen. Ihre Zustimmung zu vollständig autonomem Handeln bleibt jedoch ebenfalls begrenzt. Nur 17 Prozent der intensiven Nutzer akzeptieren regelgebundene Autonomie, gegenüber 4 Prozent der gelegentlichen Nutzer und 1 Prozent der Nichtnutzer.
Erfahrung beseitigt die Kontrollgrenze somit nicht. Sie verschiebt sie lediglich um eine oder zwei Stufen.
Verbraucher wollen vor allem Recherche, Überwachung, Vergleich, Strukturierung und administrative Vorbereitung delegieren. Diese Aufgaben werden als zeitaufwendig, lästig und persönlich wenig bedeutsam erlebt.
Bewusst nicht delegiert werden Entscheidungen, die hohe finanzielle Folgen, gesundheitliche Risiken, moralische Verantwortung oder eine starke symbolische Bedeutung besitzen. Dazu gehören größere Geldanlagen, medizinische Therapieentscheidungen, langfristige Vertragsbindungen, sensible Kommunikation, Geschenke sowie Entscheidungen mit Auswirkungen auf nahestehende Personen.
Die zentrale Grenze verläuft damit nicht zwischen einfachen und komplexen Aufgaben. Verbraucher können bereit sein, eine technisch komplexe Tarifrecherche zu delegieren, während sie eine objektiv einfache, aber persönlich bedeutsame Nachricht selbst verfassen wollen.
Delegierbarkeit wird weniger durch kognitive Schwierigkeit als durch subjektive Autorenschaft bestimmt.
Die Untersuchung zeigt, dass AI-Agenten gegenwärtig noch kein Massenmarkt sind. Ihre tatsächliche Nutzung ist gering, ihre begriffliche Bekanntheit begrenzt und ihre autonome Akzeptanz deutlich niedriger als die allgemeine Offenheit gegenüber AI.
Das größte kurzfristige Potenzial liegt nicht beim vollständig autonomen Agenten. Es liegt bei Systemen, die Informationen beschaffen, Optionen bewerten, Prozesse vorbereiten und dem Verbraucher den letzten Entscheidungsschritt überlassen.
Die relevante Entwicklung führt daher nicht unmittelbar vom Chatbot zum autonomen Stellvertreter. Dazwischen liegt eine längere Phase kontrollierter Delegation.
Verbraucher wollen Arbeit abgeben, aber nicht die Autorenschaft über ihre Entscheidungen. Sie wollen weniger recherchieren, koordinieren und verwalten, aber weiterhin bestimmen, wann aus einer Empfehlung eine reale Handlung wird.
Der zentrale Erfolgsfaktor von AI-Agenten ist deshalb nicht maximale Autonomie. Er ist die Fähigkeit, die psychologisch akzeptierte Autonomiegrenze einer Aufgabe zu erkennen.
Die zukünftige Verbraucherrelevanz von AI-Agenten entsteht nicht dort, wo Systeme möglichst viel übernehmen können. Sie entsteht dort, wo sie genau so viel übernehmen, dass Entlastung spürbar wird, ohne dass der Mensch sich aus der eigenen Entscheidung verdrängt fühlt.
Die Ergebnisse dieser Studie zeichnen ein deutlich anderes Bild als die gegenwärtige technologische Debatte. Während AI-Agenten in Produktvisionen, Strategiepapiere und Marktprognosen häufig bereits als nächste selbstverständliche Evolutionsstufe digitaler Nutzung erscheinen, zeigt die Untersuchung mit 1.200 Verbrauchern eine wesentlich zurückhaltendere Realität. AI-Agenten sind heute weder breit etabliert noch begrifflich verstanden. Vor allem aber existiert bislang keine allgemeine Bereitschaft, Entscheidungen und Handlungen in größerem Umfang an autonome Systeme zu delegieren.
Damit wird eine zentrale Fehlannahme sichtbar: Die technische Fähigkeit eines Systems, selbstständig zu handeln, wird zu schnell mit einem menschlichen Wunsch nach selbstständigem Handeln des Systems gleichgesetzt. Aus technischer Machbarkeit wird vorschnell Marktpotenzial abgeleitet. Die Studie zeigt jedoch, dass zwischen beiden Größen eine breite psychologische, soziale und institutionelle Lücke liegt.
Verbraucher wollen nicht grundsätzlich autonome Agenten. Sie wollen vor allem weniger Aufwand. Das ist nicht dasselbe.
Die Ergebnisse legen nahe, dass der Markt gegenwärtig einen Teil der Technologie falsch interpretiert. AI-Agenten werden häufig über den maximalen Grad ihrer Autonomie definiert. Ihr eigentlicher Verbraucherwert liegt jedoch zunächst nicht im autonomen Entscheiden, sondern in der Reduktion von Such-, Vergleichs-, Koordinations- und Verwaltungsarbeit. Die Mehrheit der Verbraucher möchte nicht, dass eine AI an ihrer Stelle entscheidet. Sie möchte, dass die AI jene Arbeit übernimmt, die einer Entscheidung vorausgeht.
Diese Differenz ist strategisch entscheidend. Wer Agenten als autonome Stellvertreter entwickelt, obwohl Verbraucher primär bessere Assistenten erwarten, produziert nicht nur an der Nachfrage vorbei. Er riskiert, Vertrauen bereits in einer frühen Marktphase zu zerstören.
Die geringe reale Nutzung agentischer Systeme ist eines der wichtigsten Ergebnisse der Untersuchung. Nur ein kleiner Teil der Befragten verwendet Anwendungen, die im engeren Sinne eigenständig mehrstufige Aufgaben verfolgen, Optionen bewerten und reale Handlungen vorbereiten oder ausführen.
Damit widerspricht die Studie der verbreiteten Darstellung, AI-Agenten stünden bereits unmittelbar vor dem Eintritt in den Massenmarkt. Was gegenwärtig häufig als Agentennutzung bezeichnet wird, ist in vielen Fällen klassische Automatisierung, algorithmische Empfehlung oder sprachbasierte Assistenz.
Ein Streamingdienst, der Inhalte empfiehlt, ist kein autonomer Agent. Ein Preisalarm, der auf einen günstigeren Preis hinweist, ist kein autonomer Agent. Eine App, die eine wiederkehrende Zahlung nach einer festen Regel ausführt, ist ebenfalls nicht zwangsläufig agentisch. Erst wenn ein System ein Ziel interpretiert, mehrere Schritte koordiniert, Entscheidungen innerhalb eines Handlungskorridors trifft und auf veränderte Situationen reagiert, entsteht die eigentliche agentische Qualität.
Die begriffliche Überdehnung erfüllt gegenwärtig vor allem eine kommunikative Funktion. Bestehende Automatisierungen werden durch den Agentenbegriff technologisch aufgewertet. Dadurch entsteht jedoch eine Scheindiffusion: Der Markt wirkt weiter entwickelt, als er tatsächlich ist.
Für die Interpretation der Ergebnisse bedeutet dies, dass die heutige Nutzung nicht überschätzt werden darf. Zwar sind Verbraucher an algorithmische Vorselektion und automatisierte Prozesse gewöhnt. Daraus folgt jedoch nicht, dass sie bereits gelernt haben, einem System echte Handlungsvollmacht zu übertragen.
Die bestehende Vertrautheit mit Automatisierung ist lediglich eine kulturelle Vorstufe. Der eigentliche Übergang zur Delegation autonomer Entscheidungen steht noch aus.
Das größte Marktpotenzial liegt den Ergebnissen zufolge nicht auf der höchsten Autonomiestufe. Es liegt im Bereich zwischen Information, Empfehlung, Vorbereitung und bestätigter Ausführung.
Gerade diese Zwischenstufen werden in technologischen Visionen häufig unterschätzt. Sie erscheinen weniger spektakulär, weil der Mensch formal weiterhin im Entscheidungsprozess verbleibt. Aus Verbrauchersicht sind sie jedoch möglicherweise der eigentlich relevante Markt.
Ein System, das einen Tarifwechsel vollständig vorbereitet, sämtliche Bedingungen prüft und dem Nutzer nur noch eine transparente Entscheidung vorlegt, kann bereits einen erheblichen Entlastungsgewinn erzeugen. Dass der Verbraucher am Ende noch zustimmt, ist kein technologisches Defizit. Es ist möglicherweise die Voraussetzung für Akzeptanz.
Die finale Freigabe erfüllt eine tiefenpsychologische Funktion. Sie erhält die Erfahrung persönlicher Autorenschaft. Der Nutzer kann erleben, dass die AI zwar gearbeitet, aber nicht über ihn verfügt hat.
Unternehmen könnten diesen Punkt falsch interpretieren. Wer maximale Prozessautomatisierung als primäres Ziel definiert, betrachtet jede menschliche Bestätigung als Reibungsverlust. Aus dieser Logik heraus wird versucht, Freigaben zu reduzieren, Entscheidungen zu automatisieren und den Menschen aus dem Prozess zu entfernen.
Die Studie zeigt jedoch, dass genau diese vermeintliche Reibung Vertrauen erzeugen kann. Die Bestätigung ist nicht nur ein Klick. Sie ist eine symbolische Rückversicherung, dass das System dem Nutzer dient und ihn nicht ersetzt.
Der radikale Schluss lautet deshalb: Der effizienteste Agent ist nicht automatisch der erfolgreichste Agent. Ein System kann technisch überlegen und psychologisch unbrauchbar sein.
Das relevante Marktpotenzial entsteht dort, wo der Agent gerade nicht alles übernimmt. Er muss genug tun, um spürbar zu entlasten, aber genug offenlassen, damit der Mensch weiterhin als Urheber der Handlung erlebt wird.
Die Ergebnisse machen deutlich, dass Verbraucher nicht allgemein autonomiefreundlich oder autonomiefeindlich sind. Die akzeptierte Autonomiestufe verändert sich je nach Aufgabe, Situation, Branche und wahrgenommenen Konsequenzen.
Ein und dieselbe Person kann automatische Nachbestellungen von Waschmittel akzeptieren, eine autonome Reiseumbuchung im Störungsfall begrüßen und zugleich jede eigenständige Finanz- oder Gesundheitsentscheidung ablehnen.
Damit scheitert eine einfache Segmentierungslogik, die Verbraucher in technikoffene und technikskeptische Gruppen einteilt. Selbst intensive AI-Nutzer akzeptieren nicht in allen Bereichen hohe Autonomie. Erfahrung verschiebt die Grenzen, hebt sie aber nicht auf.
Das bedeutet auch, dass Autonomie nicht als einmalige Systemeinstellung verstanden werden kann. Ein Nutzer kann einem Agenten nicht pauschal „viel“ oder „wenig“ Autonomie gewähren. Er benötigt aufgabenspezifische, situative und veränderbare Mandate.
Für die Produktentwicklung entsteht daraus eine erhebliche Herausforderung. Agenten müssen nicht nur verstehen, welches Ziel ein Nutzer verfolgt. Sie müssen erkennen, wie weit ihr Mandat in genau dieser Situation reicht.
Das technisch schwierigste Problem könnte daher nicht die Ausführung einer Aufgabe sein. Es könnte die zuverlässige Erkennung des Moments sein, in dem der Agent nicht weiterhandeln darf.
Ein guter Agent zeichnet sich nicht nur durch Handlungskompetenz aus. Er zeichnet sich durch Unterlassungskompetenz aus.
Er muss Unsicherheit erkennen, widersprüchliche Ziele identifizieren und wissen, wann eine Rückfrage erforderlich ist. Ein System, das seine Grenzen nicht erkennt, wird gerade in sensiblen Situationen zum Risiko.
Besonders überschätzt werden Banken und Finanzen, Gesundheit sowie Teile des identitätsrelevanten Handels.
In diesen Bereichen existieren zweifellos große technische Anwendungsmöglichkeiten. Gerade deshalb werden sie häufig als besonders attraktive Agentenmärkte beschrieben. Die Studie zeigt jedoch, dass technisches Potenzial und Verbraucherakzeptanz hier stark auseinanderfallen.
Im Finanzbereich können Agenten große Datenmengen analysieren, Ausgaben optimieren und Anlageentscheidungen modellieren. Trotzdem bleibt die Bereitschaft zur autonomen Ausführung äußerst gering. Geld ist nicht nur eine rechnerische Größe. Es steht für Sicherheit, Zukunftskontrolle, Status und Selbstständigkeit. Ein Fehler eines Finanzagenten wird deshalb nicht nur als falsche Transaktion erlebt, sondern als Verletzung der materiellen Selbstbestimmung.
Ähnlich verhält es sich im Gesundheitsbereich. AI kann medizinische Informationen strukturieren, Risiken erkennen und organisatorische Prozesse verbessern. Die Bereitschaft, Diagnose- oder Therapieentscheidungen autonom zu delegieren, bleibt jedoch minimal.
Die technologische Diskussion unterschätzt hier häufig die Bedeutung menschlicher Verantwortungszuschreibung. Verbraucher erwarten bei existenziellen Entscheidungen nicht nur Kompetenz, sondern einen verantwortlichen Akteur. Sie wollen wissen, wer die Folgen trägt, wer im Zweifel ansprechbar ist und wer sich nicht hinter einer Systementscheidung verstecken kann.
Ein weiterer überschätzter Bereich ist identitätsrelevanter Konsum. Mode, Luxus, Einrichtung und Geschenke erscheinen aus Datensicht gut personalisierbar. Ein Agent könnte Vorlieben analysieren und Produkte wahrscheinlich sehr präzise auswählen. Dennoch wird gerade hier autonome Auswahl abgelehnt.
Der Grund liegt darin, dass Konsum nicht nur Bedürfnisbefriedigung ist. Er ist Selbstkonstruktion. Wer Kleidung, Einrichtung oder Geschenke auswählt, stellt nicht lediglich funktionale Passung her. Er erzeugt Bedeutung. Ein Agent kann den Geschmack statistisch approximieren, aber er kann dem Nutzer das Bedürfnis nach eigener Auswahl nicht automatisch abnehmen.
Unternehmen riskieren daher, Personalisierung mit Delegationsbereitschaft zu verwechseln. Nur weil ein System gut vorhersagen kann, was jemand wahrscheinlich wählen würde, bedeutet dies nicht, dass der Nutzer auf die Erfahrung des Wählens verzichten möchte.
Unterschätzt werden dagegen Energie und Telekommunikation, Versicherungsadministration, Haushaltsorganisation sowie operative Reise- und Mobilitätsprozesse.
Diese Bereiche besitzen weniger emotionale Strahlkraft, aber ein hohes reales Entlastungspotenzial. Verbraucher wollen sich häufig nicht intensiv mit Tarifen, Kündigungsfristen, Schadenständen, Wartungszyklen oder Störungsmanagement beschäftigen. Die Aufgaben sind wiederkehrend, lästig und nur begrenzt identitätsrelevant.
Gerade darin liegt ihre Eignung für Agenten.
Das Potenzial dieser Branchen wird möglicherweise unterschätzt, weil sie kommunikativ weniger spektakulär erscheinen. Ein Agent, der einen medizinischen Befund interpretiert oder ein Investmentportfolio steuert, wirkt technologisch fortschrittlicher als ein System, das Kündigungsfristen überwacht oder bei einer Zugverspätung automatisch eine Alternative vorbereitet.
Aus Verbrauchersicht kann die zweite Anwendung jedoch wesentlich relevanter sein.
Die Ergebnisse deuten darauf hin, dass AI-Agenten zunächst nicht dort erfolgreich werden, wo Entscheidungen besonders intelligent erscheinen müssen. Sie werden dort erfolgreich, wo Entscheidungen besonders lästig sind.
Das ist eine fundamentale Verschiebung. Der frühe Agentenmarkt wird möglicherweise nicht durch maximale kognitive Komplexität geprägt, sondern durch minimale emotionale Bindung.
Ein System muss nicht die wichtigsten Entscheidungen des Lebens übernehmen, um relevant zu sein. Es muss die unwichtigsten Entscheidungen zuverlässig beseitigen.
Die größte Gefahr liegt darin, dass Unternehmen Entlastung als vollständige Entfernung des Menschen aus dem Prozess interpretieren.
Aus Unternehmenssicht ist dies attraktiv. Je mehr ein Agent übernimmt, desto geringer werden Interaktionskosten, Serviceaufwand und Prozessabbrüche. Der Agent kann Entscheidungen beschleunigen, Transaktionen erhöhen und Kunden langfristig in ein geschlossenes System integrieren.
Aus Verbrauchersicht kann dieselbe Entwicklung jedoch als Entmündigung erscheinen.
Das Problem beginnt dort, wo eine Handlung zwar formal im Interesse des Nutzers erfolgt, dieser aber nicht mehr versteht, warum sie erfolgt ist. Ein Agent kann regelkonform handeln und dennoch subjektiv falsch handeln.
Ein automatischer Tarifwechsel kann Kosten sparen und trotzdem unerwünscht sein, weil der neue Anbieter als unsympathisch gilt. Eine Reisebuchung kann objektiv effizient sein, aber einen subjektiv wichtigen Komfortaspekt ignorieren. Eine Produktauswahl kann perfekt zu bisherigen Käufen passen und dennoch gerade deshalb falsch sein, weil der Nutzer etwas Neues ausprobieren wollte.
Menschliche Präferenzen sind nicht vollständig stabil, konsistent oder explizit. Sie verändern sich situativ. Sie enthalten Widersprüche. Sie hängen von Stimmungen, Beziehungen und impliziten Bedeutungen ab.
Agenten basieren dagegen auf der Notwendigkeit, Ziele zu operationalisieren. Sie müssen aus unvollständigen Angaben konkrete Regeln ableiten. Dabei besteht die Gefahr, dass sie frühere Verhaltensmuster mit aktuellen Wünschen verwechseln.
Je besser ein Agent den Nutzer aus dessen Vergangenheit vorhersagt, desto stärker kann er ihn in dieser Vergangenheit festhalten.
Ein weiterer kritischer Punkt betrifft die Frage, wessen Interessen ein Agent tatsächlich verfolgt.
In der öffentlichen Vorstellung erscheint der persönliche AI-Agent häufig als neutraler Stellvertreter des Nutzers. In der Realität wird ein großer Teil der Agenten von Plattformen, Händlern, Banken, Versicherern oder Reiseanbietern bereitgestellt werden.
Damit entsteht ein struktureller Interessenkonflikt.
Ein Shopping-Agent eines Händlers soll dem Nutzer helfen, zugleich aber Umsatz erzeugen. Ein Versicherungsagent soll einen passenden Tarif empfehlen, ist möglicherweise aber an das Produktangebot eines Unternehmens gebunden. Ein Medienagent soll relevante Inhalte auswählen, gleichzeitig aber Nutzungsdauer und Plattformbindung maximieren.
Die Frage lautet daher nicht nur, ob ein Agent intelligent handelt. Die Frage lautet, für wen er intelligent handelt.
Die Studie zeigt, dass Verbraucher diese Problematik insbesondere in Versicherungen und Finanzen intuitiv erkennen. Ohne Transparenz über Anbieterinteressen sinkt das Vertrauen stark.
Ein zentraler Pitfall zukünftiger Agentensysteme besteht deshalb in der Inszenierung scheinbarer Neutralität. Systeme könnten als persönliche Vertreter auftreten, obwohl ihre Optimierungslogik primär den Interessen der Plattform folgt.
Dies wäre nicht nur ein ethisches Problem. Es könnte die gesamte Kategorie beschädigen. Wenn Verbraucher den Eindruck gewinnen, Agenten seien lediglich personalisierte Verkaufssysteme mit Handlungsvollmacht, wird die Bereitschaft zur Delegation sinken.
Agenten versprechen, kognitive Belastung zu reduzieren. Langfristig können sie jedoch auch Fähigkeiten, Aufmerksamkeit und Marktkenntnis schwächen.
Wer Preise nicht mehr selbst vergleicht, verliert möglicherweise das Gefühl für Preisniveaus. Wer Reisen vollständig planen lässt, versteht die Struktur von Angeboten weniger. Wer Verträge automatisch verwalten lässt, kennt deren Bedingungen nicht mehr.
Die Entlastung kann in eine Form funktionaler Abhängigkeit übergehen. Der Nutzer wird effizienter, solange der Agent funktioniert. Gleichzeitig sinkt seine Fähigkeit, ohne den Agenten zu handeln.
Dieses Problem ist nicht neu. Auch Navigationssysteme, Suchmaschinen und Empfehlungsalgorithmen haben menschliche Routinen verändert. Agenten gehen jedoch weiter, weil sie nicht nur Wissen ersetzen, sondern Handlungen übernehmen.
Die kritische Frage lautet daher: Welche Kompetenzen müssen Verbraucher behalten, um agentische Entscheidungen kontrollieren zu können?
Ein Nutzer kann nur dann sinnvoll eingreifen, wenn er zumindest grob versteht, was das System tut. Vollständige Delegation kann paradoxerweise die Voraussetzungen wirksamer Kontrolle abbauen.
Damit entsteht ein Autonomieparadox: Je besser der Agent funktioniert, desto weniger beschäftigt sich der Nutzer mit dem Prozess. Je weniger er sich damit beschäftigt, desto schlechter kann er erkennen, wann der Agent falsch handelt.
Sobald ein Agent reale Handlungen ausführt, stellt sich die Frage nach Verantwortung.
Wer trägt die Verantwortung, wenn der Agent eine ungeeignete Buchung vornimmt, einen Vertrag zu spät kündigt, ein falsches Produkt bestellt oder finanzielle Nachteile verursacht? Der Nutzer, weil er die Regeln definiert hat? Der Anbieter, weil er das System entwickelt hat? Die Plattform, weil sie Daten und Schnittstellen bereitstellt? Oder das Unternehmen, bei dem die Handlung ausgelöst wurde?
In klassischen digitalen Prozessen ist die Verantwortungsverteilung vergleichsweise klar. Der Nutzer klickt, bestätigt und schließt ab. Agentische Systeme verteilen die Entscheidung dagegen über mehrere Akteure und technische Schritte.
Die Gefahr besteht, dass Unternehmen Autonomie vermarkten, aber Verantwortung individualisieren. Der Agent handelt selbstständig, doch bei Fehlern soll der Nutzer verantwortlich sein, weil er irgendwann eine allgemeine Freigabe erteilt hat.
Eine solche Konstruktion dürfte gesellschaftlich und regulatorisch kaum stabil sein.
Vertrauen erfordert nicht nur technische Transparenz. Es erfordert eine eindeutige Verantwortungsarchitektur. Verbraucher müssen wissen, wer Fehler korrigiert, Schäden übernimmt und Entscheidungen erklärt.
Auch die vorliegende Studie besitzt methodische Grenzen. Die Ergebnisse messen überwiegend Einstellungen und hypothetische Nutzungsbereitschaft in einer frühen Marktphase. Viele Befragte haben noch keine eigene Erfahrung mit echten AI-Agenten. Ihre Bewertungen beruhen daher teilweise auf Vorstellungen, Analogien und antizipierten Risiken.
Zwischen geäußerter Bereitschaft und realem Verhalten kann eine erhebliche Differenz bestehen. Verbraucher können autonome Handlungen abstrakt ablehnen und sie später dennoch nutzen, wenn sie bequem in bestehende Plattformen integriert werden. Umgekehrt können sie sich offen zeigen, in der konkreten Situation aber zurückschrecken.
Zudem ist die Bewertung stark von der Formulierung der Szenarien abhängig. Begriffe wie „selbstständig“, „automatisch“ oder „innerhalb festgelegter Regeln“ können unterschiedliche Assoziationen auslösen. Zukünftige Studien sollten daher reale Nutzungsexperimente und beobachtetes Verhalten einbeziehen.
Die gegenwärtig geringe Nutzung erschwert außerdem die Trennung zwischen tatsächlicher Erfahrung und allgemeiner AI-Einstellung. Viele Urteile über Agenten sind noch Urteile über AI im Allgemeinen.
Diese Einschränkungen relativieren jedoch nicht den zentralen Befund. Sie machen vielmehr deutlich, dass der Markt noch formbar ist. Die heutigen Akzeptanzgrenzen sind nicht endgültig, aber sie zeigen, welche Bedingungen erfüllt sein müssen, damit sich Vertrauen entwickeln kann.
Die Studie entwickelt eine Landkarte der Verbraucherrelevanz von AI-Agenten, deren wichtigste Erkenntnis gerade in der Begrenztheit heutiger Nutzung liegt.
Agenten werden bislang nur in kleinen, techniknahen Nutzergruppen tatsächlich eingesetzt. Reales Marktpotenzial besteht vor allem bei wiederkehrenden, administrativen, standardisierbaren und emotional wenig bedeutsamen Aufgaben. Die akzeptierte Autonomiestufe liegt für die Mehrheit nicht beim selbstständigen Handeln, sondern bei Information, Empfehlung, Vorbereitung und kontrollierter Ausführung.
Überschätzt werden jene Branchen, in denen technische Komplexität mit Verbraucherbereitschaft verwechselt wird: Finanzen, Gesundheit und identitätsrelevanter Konsum. Unterschätzt werden jene Bereiche, in denen der Nutzen weniger spektakulär, aber alltagspraktisch größer ist: Tarifmanagement, Versicherungsadministration, Smart Home, operative Mobilität und wiederkehrende Versorgung.
Die radikalste Erkenntnis lautet:
AI-Agenten werden nicht erfolgreich, weil Menschen möglichst viele Entscheidungen abgeben wollen. Sie werden erfolgreich, wenn sie Menschen von jenen Entscheidungen befreien, die diese nie als wertvollen Teil ihrer Autonomie erlebt haben.
Der zukünftige Markt entscheidet sich deshalb nicht an maximaler künstlicher Autonomie. Er entscheidet sich an der Fähigkeit, menschliche Autonomie nicht zu verletzen.
Unternehmen, die Agenten als Instrument zur vollständigen Automatisierung des Verbrauchers verstehen, werden Widerstand erzeugen. Unternehmen, die Agenten als kontrollierbare Infrastruktur zur Reduktion sinnloser Alltagskomplexität entwickeln, können einen neuen Markt schaffen.
Der Agent der Zukunft ist deshalb nicht der digitale Mensch, der alles übernimmt.
Er ist das System, das versteht, welche Arbeit der Mensch loswerden möchte und welche Entscheidung er niemals aus der Hand geben will.
