KRITIK AN GARTNERS PROGNOSEMODELL INTERIM MANAGER: „GARTNER HYPE CYCLE IST
NONSENSE“
30.06.2026 Von 3 min Lesedauer
Anbieter zum Thema
Der Gartner Hype Cycle gehört zum Standardinventar jeder KI-Marktanalyse. Der
Interim Manager Eckhart Hilgenstock nennt das Modell „Nonsense“ und
„wissenschaftlich längst widerlegt“. Seine Kritik trifft einen echten
Schwachpunkt.
Das Hype-Cycle-Diagramm verortet Technologien auf einer Kurve, die vom
„Innovationsauslöser“ über den „Gipfel überzogener Erwartungen“ und das „Tal der
Enttäuschungen“ bis zum „Plateau der Produktivität“ führt. Für Hilgenstock, der
Unternehmen zur digitalen Transformation berät, liegt das Modell bei vielen
Technologien „völlig daneben“. Seine Warnung: Wer die im Modell angelegte
Abkühlung abwarte, bevor er in investiere, komme zu spät. „Unternehmen sind gut
beraten, heute in KI zu investieren“, so Hilgenstock.
Hilgenstock hat seit 2023 mehrere KI-Einführungsprojekte geleitet und ein Buch
zum KI-Einsatz in Unternehmen veröffentlicht. Seine Handlungsempfehlung, zügig
praktische Erfahrung zu sammeln und iterativ vorzugehen, deckt sich mit dem
Leistungsangebot eines KI-affinen Interim Managers.
EIN BERATUNGSFRAMEWORK, KEIN NATURGESETZ
An der grundsätzlichen Kritik ist etwas dran. Der Hype Cycle ist kein empirisch
validiertes Prognoseinstrument, sondern ein deskriptives Modell, das Gartner
Ende der 1990er-Jahre einführte. Dass nicht jede Technologie die Phasen brav
durchläuft, ist in der Innovationsforschung bekannt. Wie Gartner die Kurve
aktuell befüllt, zeigt der , in dem KI-Agenten und AI-Ready Data den Gipfel der
Erwartungen besetzen.
Dass der Markt KI längst nicht mehr als Experiment behandelt, zeigt das
Investitionsvolumen: Gartner hat seine nach oben korrigiert, auf 6,31 Billionen
US-Dollar, getrieben vor allem von KI-Infrastruktur.
Hilgenstock verweist auf die historische Entwicklung der KI selbst. Sie verlief
nicht entlang einer einzelnen Kurve, sondern in mehreren Wellen. Auf Phasen
großer Erwartungen folgten die „KI-Winter“ der 1970er- sowie der späten 1980er-
und frühen 1990er-Jahre, ehe Expertensysteme, statistisches und schließlich und
generative Modelle neue Aufschwünge brachten. Auch sein Hinweis auf parallele
Reifegrade trägt: Während seit Ende 2022 boomt, sind tabellarisches Machine
Learning sowie Empfehlungs- und Prognosesysteme längst produktiv im Einsatz. Ein
eindimensionales Modell bildet diese Gleichzeitigkeit schlecht ab.
WAS DIE STUDIE WIRKLICH SAGT
Als Beleg führt Hilgenstock die Studie von Ozgur Dedehayir und Martin Steinert
aus dem Jahr 2016 an. Sie stützt die Kritik, allerdings differenzierter, als das
Wort „widerlegt“ nahelegt. Die Autoren glichen Gartners eigene
Technologie-Datenbanken mit realen Verlaufsdaten ab und fanden Unstimmigkeiten
gegenüber den Gartner-Berichten, die die zuverlässige Anwendbarkeit des Modells
infrage stellen. Ihr Fazit ist aber kein Pauschalverdikt. Das Phänomen Hype sei
real und ein sinnvoller Baustein für Modelle der Technologieadoption. Nur die
konkrete Gartner-Kurve halte der empirischen Prüfung nicht stand und sei in
etablierten Diffusionsmodellen besser aufgehoben. Ein deskriptives Modell wird
hier also nicht widerlegt, sondern als empirisch unzuverlässig eingestuft.
Schwächer ist ein anderer Beleg. Smartphones und Cloud Computing hätten sich
ausgebreitet, „ohne jemals eine Talsohle zu durchlaufen“, argumentiert
Hilgenstock. Das hält der Technikgeschichte allerdings nicht ganz stand. Dem
iPhone-Start 2007 ging eine Phase massiv enttäuschter Erwartungen voraus, als
WAP-Handys und das mobile Internet um die Jahrtausendwende die Versprechen nicht
einlösten und im Zuge des Dotcom-Crashs abgeschrieben wurden. Der mobile
Durchbruch kam erst nach einer ausgeprägten Talsohle. Auch die Aufforderung,
jetzt zu investieren, ehe es zu spät sei, arbeitet selbst mit einem
Dringlichkeitsmotiv, das dem Erwartungsaufbau ähnelt, den der Hype Cycle
beschreibt.
DOPPELTER BEFUND FÜR DIE PRAXIS
Den Hype Cycle als verbindlichen Fahrplan zu lesen, von dem sich
Investitionszeitpunkte ableiten lassen, ist riskant. So weit folgt die Kritik
der Forschung. Die Sorge aber, Unternehmen könnten wegen des Modells in
Wartestellung verharren, geht an der Marktlage vorbei. Gartner-Analyst
John-David Lovelock , investiert wird trotzdem in Rekordhöhe. Wer abwartet, ist
derzeit die Ausnahme. Entscheidender als der Zeitpunkt sind ohnehin die
Bedingungen, die Hilgenstock selbst nennt: eine aufgeräumte Datenbasis und eine
Strategie, die laufend an den technischen Fortschritt angepasst wird.
(ID:50883582)