Seit Jahren arbeitete künstliche Intelligenz (KI) im Bankwesen wie ein hilfreicher Praktikant. Sie entwarf E-Mails, fasste Berichte zusammen und beantwortete Kundenfragen. Nützlich, aber nicht transformativ.
Dann kamen Chatbots. Diese „digitalen Assistenten“ versprachen besseren Service, lieferten jedoch oft lange Antworten auf einfache Probleme.
Jetzt ändert sich das Modell. Eine neue Welle von agentischer KI geht über die Unterstützung hinaus zur Aktion. Anstatt Aufgaben vorzuschlagen, können diese Systeme sie ausführen: Handel abwickeln, Compliance-Regeln überprüfen oder verdächtige Transaktionen kennzeichnen.
Kurz gesagt, das Bankwesen bewegt sich von KI, die Bankern hilft, zu KI, die wie einer handelt.
Was genau ist agentische KI?
Im Kern bezieht sich agentische KI auf KI-Systeme, die Aufgaben autonom über mehrere Schritte hinweg planen, entscheiden und ausführen können.
Im Gegensatz zu traditionellen KI-Tools, die auf Eingaben warten, kann ein KI-Agent:
Laut einer aktuellen Analyse des Finanzdienstleistungsteams von Microsoft ermöglichen agentische Systeme Banken die Automatisierung komplexer Prozesse, von Betrugsüberprüfungen bis hin zur Kundenaufnahme, da moderne KI-Modelle nun mehrstufiges Denken durchführen und sicher mit internen Anwendungsprogrammierschnittstellen (APIs) interagieren können.
Im Bankwesen bedeutet dies, dass das System mehr tut, als nur eine Eingabe zu interpretieren. Es kann einen Prozess von Anfang bis Ende durchführen. Zum Beispiel kann es Marktdaten überprüfen, Compliance-Regeln prüfen und einen Handel oder eine Abwicklung über verbundene Systeme ausführen.
Anstatt darauf zu warten, dass ein Mensch jeden Schritt genehmigt, folgt die KI Regeln und erledigt die Aufgabe automatisch.
Diese Fähigkeit, Aufgaben über Systeme hinweg zu orchestrieren, ist der Grund, warum viele Banken agentische KI jetzt als „transaktionale KI“ beschreiben.
Die KI spricht nicht nur über finanzielle Aktionen; sie führt sie aus.
Generative KI vs. agentische KI: Was ist der Unterschied?
Sowohl generative KI als auch agentische KI basieren auf großen Sprachmodellen (LLMs). Der Hauptunterschied liegt darin, wofür sie entwickelt wurden.
Die meisten Menschen sind heute mit generativen KI Tools wie ChatGPT oder Claude vertraut. Diese Systeme erzeugen Inhalte: Texte, Code, Berichte und Zusammenfassungen. Sie helfen dem Personal, Informationen zu interpretieren, führen jedoch keine Aktionen aus.
Aber generative KI endet auf der Beratungsstufe. Agentische KI geht weiter: Sie ist darauf ausgelegt, Aufgaben auszuführen. Sie kann Daten analysieren, Entscheidungen innerhalb definierter Regeln treffen und Aktionen über verbundene Systeme auslösen.
Einfach ausgedrückt, generative KI liefert die Karte. Agentische KI fährt das Auto.
Hier ist der Unterschied im Bankkontext:
|
Merkmal |
Generative KI |
Agentische KI |
|
Kernaufgabe |
Erzeugt Informationen |
Führt Aufgaben aus |
|
Interaktionsstil |
Eingabe-Antwort |
Autonomer Arbeitsablauf |
|
Beispiel im Bankwesen |
Entwurf eines Compliance-Berichts |
Compliance-Bericht automatisch einreichen |
|
Beispiel im Handel |
Analyse eines Portfolios |
Handel ausführen und abwickeln |
Läuft agentische KI bereits in Banken?
Institutionen wie Goldman Sachs, Lloyds Banking Group und Deutsche Bank testen nicht mehr nur KI-Tools. Viele integrieren agentenbasierte Systeme in den täglichen Betrieb, um Teile des Handels, der Compliance und der Risikobewertung zu automatisieren.
Diesen Systemen wird nun begrenzte Autorität gegeben, um Aufgaben zu übernehmen, die einst manuelle Überprüfungen erforderten.
Zum Beispiel hat die Lloyds Banking Group Pläne angekündigt, agentische KI in der gesamten Bank zu skalieren, wobei sie über 100 Millionen Pfund an Wert aus KI-Initiativen im Jahr 2026 erwartet, doppelt so viel wie im Vorjahr.
In der Zwischenzeit experimentieren Wall-Street-Firmen wie Goldman Sachs mit KI-Agenten für interne Prozesse wie Handelsbuchhaltung, Onboarding-Checks und Compliance-Workflows.
Das Ziel ist nicht, Banker vollständig zu ersetzen, sondern die langsamsten Teile des Prozesses zu entfernen.
Wo agentische KI zuerst auftaucht
Banken sind von Natur aus vorsichtig. Das bedeutet, dass agentische KI nicht überall gleichzeitig eingesetzt wird. Stattdessen erscheint die Technologie zuerst in Bereichen mit strukturierten Regeln und hohem Datenfluss, einschließlich:
-
Bekämpfung von Geldwäsche (AML)
Compliance-Teams müssen täglich Tausende von Warnungen überprüfen.
Agentische KI-Systeme können:
Akademische Forschung hat gezeigt, dass agentenbasierte AML-Systeme Compliance-Workflows erheblich beschleunigen können, während sie die narrative Genauigkeit für Regulierungsbehörden verbessern.
-
Kunden-Onboarding und Know Your Customer (KYC)
Die Eröffnung eines Bankkontos erfordert Identitätsüberprüfung, Dokumentenprüfung und Betrugsscreening.
Agentische Systeme können diese Schritte automatisch in der richtigen Reihenfolge ausführen.
-
Handelsoperationen
Die Abwicklung von Back-Office-Handel, eine der regelintensivsten Aufgaben im Finanzwesen, wird ebenfalls zu einem Hauptkandidaten für die Automatisierung.
Anstatt dass Mitarbeiter Trades manuell abgleichen, können KI-Agenten Aufzeichnungen sofort überprüfen und Bücher aktualisieren.
Aber können Banken autonomen KI vertrauen?
Hier ist die unbequeme Wahrheit: agentische KI führt neue Risiken ein.
Agentische KI-Systeme können eigenständig handeln, um Aufgaben zu erledigen. Wenn ein System Marktdaten falsch interpretiert oder die falsche Regel anwendet, könnte es eine Kette falscher Aktionen auslösen, bevor ein Mensch eingreift.
Dieses Risiko wird manchmal mit dem verbunden, was Forscher KI-Halluzinationen nennen, bei denen ein Modell falsche Schlussfolgerungen aus unvollständigen oder falsch interpretierten Daten zieht. Im Bankwesen könnten solche Fehler die Ausführung von Trades, Compliance-Checks oder die Überwachung von Transaktionen beeinflussen.
Experten warnen vor 3 wesentlichen Herausforderungen:
Transparenz
KI-Entscheidungen müssen für Regulierungsbehörden erklärbar sein.
Voreingenommenheit in Finanzmodellen
Trainingsdaten könnten zu unfairen Ergebnissen führen.
Autonomieausweitung
KI-Systeme könnten beginnen, Entscheidungen außerhalb ihres vorgesehenen Bereichs zu treffen.
Um dieses Risiko zu managen, arbeiten Regulierungsbehörden und globale Organisationen an Schutzmaßnahmen.
Zum Beispiel adressieren Regulierungsbehörden in der Europäischen Union (EU) diese Bedenken bereits durch Rahmenwerke wie das EU-KI-Gesetz, das strenge Aufsicht für hochriskante KI-Systeme im Finanzwesen erfordert.
Mit anderen Worten, Banken können Arbeitsabläufe automatisieren, aber die Verantwortung bleibt bei den Menschen.
Also… Übernehmen KI-Agenten das Bankwesen?
Nicht ganz. Die Realität ist komplexer.
Agentische KI wird schnell zu einer digitalen Arbeitsschicht innerhalb von Finanzinstitutionen. Diese Systeme können repetitive Aufgaben schneller und in großem Maßstab erledigen.
Aber die Kernverantwortlichkeiten wie Risikobewertungen, Kundenbeziehungen, strategische Entscheidungen erfordern weiterhin menschliche Aufsicht.
Selbst die fortschrittlichsten KI-Einsätze heute arbeiten mit „Mensch-in-der-Schleife“-Governance, was bedeutet, dass das Personal bei Bedarf eingreifen kann.
Die Finanzinstitutionen der Zukunft werden Banker möglicherweise nicht durch KI ersetzen, aber sie werden fast sicher erwarten, dass Banker neben Tausenden von digitalen Agenten arbeiten.
Und das wirft eine interessante Frage für die Branche auf:
Wenn KI-Agenten bereits Transaktionen ausführen, Compliance überwachen und Märkte analysieren können, was genau wird der Banker des nächsten Jahrzehnts tun?
Eines ist klar: Die Stellenbeschreibung wird sich ändern.
