Was ist ein Hype Cycle (Gartner Hype Cycle)? Technologiereife von Märkten mit KI einordnen

Der Hype Cycle (Gartner Hype Cycle) ist ein grafisches Modell, das darstellt, welche Phasen öffentlicher Aufmerksamkeit eine neue Technologie von der ersten Idee bis zur breiten Nutzung durchläuft. Es wurde 1995 von der Analystin Jackie Fenn beim Marktforschungsunternehmen Gartner eingeführt (Wikipedia) und unterscheidet fünf Phasen: Innovation Trigger, Peak of Inflated Expectations, Trough of Disillusionment, Slope of Enlightenment und Plateau of Productivity. Der Hype Cycle hilft Unternehmen, Erwartungen an eine Technologie realistisch einzuordnen und Investitionsentscheidungen zeitlich zu planen.

Die fünf Phasen im Detail

Der Hype Cycle trägt auf der einen Achse die Aufmerksamkeit (Erwartungen), auf der anderen die Zeit auf. Entlang dieser Kurve liegen fünf Stationen (TechTarget):

1. Innovation Trigger (Technologischer Auslöser): Ein Durchbruch, ein erster Prototyp oder eine neue Möglichkeit erzeugt öffentliches Interesse. Produkte gibt es oft noch nicht, der kommerzielle Nutzen ist unbewiesen.
2. Peak of Inflated Expectations (Gipfel der überzogenen Erwartungen): Die Aufmerksamkeit erreicht ihr Maximum. Erfolgsgeschichten mischen sich mit vielen Fehlschlägen; die Erwartungen übersteigen das, was die Technologie tatsächlich leisten kann.
3. Trough of Disillusionment (Tal der Enttäuschungen): Das Interesse fällt, weil Umsetzungen hinter den Versprechen zurückbleiben. Anbieter scheiden aus, übrig bleiben jene, die den Nutzen belegen können.
4. Slope of Enlightenment (Pfad der Erleuchtung): Aus Erfahrungen entstehen belastbare Anwendungsfälle. Unternehmen verstehen, wofür die Technologie wirklich taugt.
5. Plateau of Productivity (Plateau der Produktivität): Die Technologie ist etabliert und wird breit eingesetzt. Nutzen und Grenzen sind bekannt.

Wichtig: Nicht jede Technologie durchläuft alle Phasen. Manche verschwinden im Tal der Enttäuschungen, bevor sie je das Plateau erreichen (BMC).

Wofür der Hype Cycle gedacht ist

Das Modell dient als qualitative Orientierung, nicht als exakte Prognose. Es soll Entscheidern helfen, zwischen kurzfristigem Medienlärm und tatsächlichem Reifegrad zu unterscheiden. Konkret liefert ein Hype Cycle zwei Lesarten:

• Position auf der Kurve: Wo steht eine Technologie heute? Ein Thema am Peak of Inflated Expectations ist riskanter für einen Sofort-Einsatz als eines auf dem Plateau.
• Zeit bis zur Marktreife: Gartner ergänzt die Positionen üblicherweise um eine Schätzung, wie lange eine Technologie bis zur breiten Produktivität braucht (etwa unter zwei Jahren bis über zehn Jahre).

Gartner veröffentlicht nach eigenen Angaben rund 100 verschiedene Hype Cycles, von einzelnen Technologien wie maschinellem Lernen bis zu ganzen Managementdisziplinen (YouTube/Gartner). Für die Einordnung eines Marktes ist der Hype Cycle damit ein Baustein der Market Intelligence: Er strukturiert die Frage, welche Technologien in einem Marktsegment gerade an Bedeutung gewinnen und welche bereits Standard sind.

Beispiel: KI auf dem Hype Cycle

Künstliche Intelligenz zeigt gut, wie das Modell im Alltag gelesen wird. Im Hype Cycle für Künstliche Intelligenz 2024 hatte Generative KI laut Gartner den Peak of Inflated Expectations bereits überschritten, während der Hype weiterlief (Pasqal). Im Hype Cycle 2025 standen laut Gartner KI-Agenten und KI-fähige Daten als die beiden am schnellsten voranschreitenden Technologien am Peak of Inflated Expectations, begleitet von ambitionierten Erwartungen (Yahoo Finance).

Für einen Entscheider heißt das: Ein Thema am Gipfel verdient Aufmerksamkeit, aber Pilotprojekte sollten den realen Nutzen belegen, bevor große Budgets fließen. Diese nüchterne Einordnung ist auch der Grund, warum wir bei scoreprise.AI zwischen Begriff und Praxis trennen. Was ein AI-Mitarbeiter im Unternehmen konkret übernimmt, lässt sich besser an einer erprobten Rolle beurteilen als am Medienecho einer Technologie.

Grenzen des Modells

Der Hype Cycle ist populär, aber umstritten. Studien kommen zu dem Ergebnis, dass die Kurve nicht zuverlässig für alle Technologien gilt und bestenfalls uneinheitlich zutrifft (Wikipedia). Das liegt in der Natur eines qualitativen Modells: Die Positionen beruhen auf Einschätzung, nicht auf einer gemessenen Zahl. Wer den Hype Cycle nutzt, sollte ihn deshalb als Diskussionsgrundlage verstehen und mit harten Marktdaten verbinden, etwa aus einer Patentanalyse oder der Beobachtung von Wettbewerber-Launches im Rahmen der Competitive Intelligence.

Wie KI bei der Einordnung hilft

Eine einzelne Hype-Cycle-Grafik ist statisch, der Markt ist es nicht. KI unterstützt dabei, die Signale fortlaufend aufzubereiten, die anzeigen, wo eine Technologie gerade steht: Produktankündigungen, Patente, Finanzierungsrunden, Stellenanzeigen oder öffentliche Berichterstattung. Diese Quellen lassen sich automatisiert sammeln, strukturieren und zu einem Überblick verdichten, der Entscheidern eine aktuelle Grundlage gibt.

Bei scoreprise.AI übernehmen das spezialisierte AI-Mitarbeiter: Amelie beobachtet Märkte fortlaufend, Paul wertet Wettbewerber aus. Die KI bereitet die Informationen auf, die Bewertung und die Entscheidung bleiben beim Menschen. Ein strategisches Frühwarnsystem ergänzt diesen Ansatz, indem es schwache Signale erkennt, bevor eine Technologie in den breiten Markt kommt. So wird aus dem einmaligen Blick auf eine Grafik eine laufende Marktbeobachtung.

Häufige Fragen

Wer hat den Hype Cycle erfunden?

Der Hype Cycle wurde 1995 von Jackie Fenn beim Marktforschungsunternehmen Gartner eingeführt, die ein Jahr zuvor in die Firma eingetreten war (Wikipedia). Mitgeprägt wurde der Begriff später auch von Mark Raskino (Wikipedia DE). Das Modell baut unter anderem auf dem S-Kurven-Konzept der Technologieentwicklung auf.

Durchläuft jede Technologie alle fünf Phasen?

Nein. Nicht jede Technologie durchläuft den gesamten Reifelebenszyklus (BMC). Manche verschwinden im Tal der Enttäuschungen, weil sich kein belastbarer Nutzen zeigt. Andere überspringen Phasen oder entwickeln sich deutlich schneller oder langsamer als erwartet.

Ist der Hype Cycle eine zuverlässige Prognose?

Nein, der Hype Cycle ist ein qualitatives Modell zur Orientierung, keine exakte Vorhersage. Seine Aussagekraft ist umstritten; Studien zeigen, dass die Kurve nur uneinheitlich zutrifft (Wikipedia). Er eignet sich gut als Diskussionsgrundlage, sollte aber mit messbaren Marktdaten kombiniert werden.

Wie unterscheidet sich der Peak of Inflated Expectations vom Plateau of Productivity?

Am Peak of Inflated Expectations ist die Aufmerksamkeit maximal, der belegte Nutzen aber gering; Erwartungen übersteigen die Realität. Auf dem Plateau of Productivity ist die Technologie dagegen etabliert, breit im Einsatz und ihre Grenzen sind bekannt. Für den Praxis-Einsatz ist das Plateau der sichere, der Peak der riskantere Zeitpunkt.

Wie hilft KI, den Standort einer Technologie zu bestimmen?

KI sammelt und strukturiert fortlaufend die Signale, die den Reifegrad anzeigen, etwa Patente, Produktankündigungen und Berichterstattung. Daraus entsteht ein aktueller Überblick statt einer einmaligen Momentaufnahme. Die KI bereitet die Daten auf; die Einordnung und Entscheidung treffen die Fachleute im Unternehmen.