Viel Vision, wenig Produktion

Fast jede Bank experimentiert mit KI-Agenten. Fast keine hat sie im Kernprozess. Laut dem Camunda-Report “2026 State of Agentic Orchestration and Automation” nutzen 71 Prozent der Unternehmen KI-Agenten, aber nur 11 Prozent dieser Anwendungsfälle erreichten im vergangenen Jahr Produktionsreife. Die Lücke zwischen Ambition und Betrieb ist damit kein Detailproblem, sondern das zentrale Muster.

Für den Report befragte Camunda 1.150 leitende Entscheider aus Unternehmen mit mehr als 1.000 Mitarbeitern in Deutschland, den USA, Großbritannien und Frankreich. 73 Prozent der Befragten räumen eine Lücke zwischen Vision und Realität beim Einsatz von KI-Agenten ein. Zugleich planen 79 Prozent, ihre Ausgaben für Automatisierung zu erhöhen, im Schnitt um rund 20 Prozent in den nächsten zwei Jahren.

Warum Vertrauen und Kontrolle der Engpass sind

Das größte Hindernis für eine breitere Einführung ist fehlendes Vertrauen. 84 Prozent der Befragten befürchten geschäftliche Risiken in laufenden Prozessen, wenn der IT entsprechende Kontrollmechanismen fehlen. 80 Prozent sorgen sich um mangelnde Transparenz, 66 Prozent nennen Compliance-Bedenken. Die Folge ist ein vorsichtiges Muster: Rund 80 Prozent der eingesetzten Agenten sind Chatbots oder Assistenten, die Zusammenfassungen erstellen oder Fragen beantworten, aber keine geschäftskritischen Fälle bearbeiten.

Genau das ist der Punkt. Solange ein Agent nur Texte formuliert oder Informationen sucht, bleibt er Assistenz. Wertschöpfung entsteht erst, wenn er Vorgänge eigenständig anstößt. Diesen Schritt scheuen regulierte Institute, solange Kontrolle und Nachweisbarkeit nicht sitzen.

Was Agentic AI von RPA und Chatbots unterscheidet

Agentic AI ist der Evolutionsschritt nach robotergestützter Prozessautomatisierung und generativer KI. RPA arbeitet strikt regelbasiert, generative KI antwortet primär reaktiv auf Prompts. Agentenbasierte Systeme zeichnen sich durch Zielorientierung und Eigenständigkeit aus: Sie verfolgen übergeordnete Ziele, planen Handlungsschritte, nutzen Werkzeuge wie APIs oder Datenbanken und passen ihr Verhalten dynamisch an.

Vier Kompetenzdimensionen trennen Agenten von Regeln. Sie verfügen über zielgerichtete Autonomie mit persistentem Zustand, sie planen Handlungsketten, sie nutzen aktiv Systeme innerhalb der Bank, und sie reagieren auf Fehler und Systemantworten, statt Prozesse bei Abweichungen abzubrechen. Statt einer starren Wenn-Dann-Logik wägen sie Kontext und Wahrscheinlichkeiten ab.

Warum Orchestrierung wichtiger ist als der Einzelagent

Der Schlüssel liegt nicht im einzelnen Agenten, sondern in der Orchestrierung. Deterministische Orchestrierung etabliert klare Leitplanken, dynamische Orchestrierung ermöglicht durchgängige Prozesse über KI-Agenten, Menschen und Systeme hinweg. Der Camunda-Report zeigt zugleich, wie breit Automatisierung wirkt: 95 Prozent der Unternehmen verzeichneten durch Prozessautomatisierung ein gesteigertes Geschäftswachstum, im Schnitt sind 48 Prozent der Prozesse automatisiert, künftig sollen es 64 Prozent sein.

Ohne Orchestrierung entstehen genau die Risiken, die Entscheider fürchten: 50 Prozent der Befragten sorgen sich, dass unkontrollierte Agenten Probleme in schlecht implementierten Prozessen verschärfen. Einzelne Agenten schließen die Lücke zwischen Vision und Realität nicht, die Steuerung über den gesamten Prozess schon.

Wie groß das Effizienzpotenzial ist

Das Effizienzpotenzial liegt vor allem im Middle- und Back-Office. McKinsey schätzte in seinem Global Banking Annual Review zum Jahresende 2025 die Netto-Betriebskostensenkungen allein durch agentenbasierte KI auf 20 Prozent oder mehr, warnte aber zugleich vor unkontrollierter Einführung. Eine Accenture-Analyse prognostizierte für Treasury und Zahlungsverkehr Kostensenkungen von bis zu 25 Prozent. Solche Zahlen erklären den Investitionsdruck, sie garantieren aber keinen Betrieb.

Wie hoch die Investitionspriorität wirklich ist

Die strategische Bedeutung ist unstrittig. Laut einer PwC-Umfrage nennen 55 Prozent der Bankmanager generative oder agentische KI als ihre oberste Investitionspriorität für 2026. 58 Prozent erwarten, dass diese innerhalb von drei Jahren den größten Einfluss auf die Branche haben wird. Die European Financial Services AI Pulse Survey von EY zeigt, dass 35 Prozent der Finanzdienstleister bereits agentenbasierte KI nutzen und 25 Prozent den Einstieg innerhalb von sechs Monaten planen.

Wo Agenten in Bankprozessen konkret ansetzen

Der Nutzen wird an End-to-End-Prozessen greifbar. Ein Agent kann eine Kreditanfrage initiieren, die Identität über KYC-Prüfungen verifizieren und den Kredit bearbeiten, während er in Echtzeit mit Kernbanksystem, Zahlungsverkehr und CRM kommuniziert. Im Firmenkunden-Onboarding, in der Sanktionsprüfung oder in der Kreditorenbuchhaltung liegen die Fälle, in denen sich Silos zwischen Markt, Marktfolge und Compliance auflösen lassen.

Wie groß die Spanne ist, zeigt ein Benchmark aus der Rechnungsverarbeitung: Spitzenunternehmen verarbeiten eine Rechnung für rund 1,77 US-Dollar, leistungsschwache für rund 10,89 US-Dollar, ein Unterschied von fast dem Sechsfachen. Klassische Automatisierung verringert diese Lücke und stagniert dann. Agenten durchbrechen sie, weil sie sich mit zunehmender Erfahrung verbessern.

Warum der Add-on-Ansatz scheitert

Viele Banken stecken in einer Sackgasse: Historisch gewachsene, für Menschen optimierte Abläufe werden mit einer Schicht aus RPA oder generativer KI effizienter gemacht. Dieser Add-on-Ansatz greift zu kurz. Ob Firmenkunden-Onboarding, Sanktionsprüfung oder Kreditentscheidung: Die Prozesse verlaufen sequentiell, in Silos, fehleranfällig und voller Medienbrüche.

Der Gegenentwurf ist ein radikales Redesign statt der Optimierung von Altprozessen. KI-Agenten führen Prozesse dann eigenständig aus, überwachen und optimieren sie. Warum viele RPA-Strecken an genau dieser Stelle brechen, haben wir separat beleuchtet.

Warum ein Process Operating System die Antwort ist

Das Innovationstempo der KI arbeitet für die Banken: Die heutigen Modelle markieren den Worst Case, die Leistung steigt im Monatsrhythmus, während die Kosten sinken. Die Antwort ist eine modellagnostische Architektur, ein Process Operating System, das neue Modelle unmittelbar gegen bestehende Use Cases testet und austauscht. Die zentrale Frage lautet dann nicht mehr, welches Modell man wählt, sondern wie Prozesse auf Basis belastbarer Zahlen kontinuierlich optimiert werden.

Warum Datenqualität über den Erfolg entscheidet

Der Erfolg agentischer KI hängt stark von der Datenqualität ab. Agenten analysieren große Datenmengen, erkennen Muster und treffen Entscheidungen; schlechte Datenqualität führt zu ungenauen Vorhersagen und Risikobewertungen. Ein Agent ist damit nur so gut wie die Datenbasis, auf der er arbeitet. Heterogene, unvollständige oder schlecht dokumentierte Datenlandschaften sind einer der Hauptgründe, warum Use Cases im Piloten stecken bleiben.

Datenqualität ist deshalb kein technisches Nachgeordnetes, sondern Voraussetzung. Wer Agenten produktiv einsetzen will, muss zuerst die Datengrundlage sichern, sonst skaliert er Unschärfe.

Governance gehört in die Ausführungsschicht

Für Banken ist das Black-Box-Problem nicht verhandelbar. MaRisk und der EU AI Act verlangen Nachvollziehbarkeit. Eine tragfähige Architektur integriert Governance direkt in die Ausführungsschicht: Fest verankerte Leitplanken bilden regulatorische Vorgaben ab, vom Vier-Augen-Prinzip bis zu Genehmigungskompetenzen. Agenten laufen in kontrollierten Umgebungen mit rollenbasiertem Zugriff, Protokollierung und Human-in-the-Loop-Prüfungen für risikoreiche Entscheidungen.

Die Accountability bleibt dabei bei der Institution, die das Mandat erteilt, nicht beim Modell oder Anbieter. Ein Agent kann handeln, ein Modell empfehlen, ein Anbieter Infrastruktur bereitstellen, verantwortlich bleibt das Institut. Daraus folgt eine eigene Agentic-Governance-Fähigkeit, die Fachverantwortung, IT, Risikomanagement und Compliance verbindet.

Vom Assistenten zum Akteur

Die eigentliche Verschiebung ist konzeptionell: KI bleibt nicht im Dialogfenster. Solange sie Texte formuliert, Informationen sucht oder Analysen vorbereitet, ist sie Assistenz. Sobald sie Handlungen auslöst, wird sie zur Infrastruktur, über die Prozesse ablaufen. Für Banken heißt das, in Prozessschritten und Agenten zu denken, nicht nur in Apps und Oberflächen.

Was den Sprung in die Produktion schafft

Der Weg vom Pilot in den Betrieb führt über vier Fragen: Welche Entscheidungen darf ein Agent vorbereiten? Welche Handlungen darf er ausführen? Welche Daten und Systeme darf er nutzen? Und wo braucht es menschliches Urteil? Wer diese Fragen pro Prozessschritt beantwortet und mit Kontrollpunkten hinterlegt, verlässt das Chatbot-Stadium. Warum viele Institute im Pilotstadium stecken bleiben, liegt selten an der Technik.

Was Banken heute schon einsetzen

Der Blick auf den Ist-Stand relativiert die Euphorie. Rund 80 Prozent der eingesetzten Agenten sind Chatbots oder Assistenten, die Zusammenfassungen erstellen oder Fragen beantworten. Geschäftskritische Fälle bearbeiten sie kaum. Das ist kein Versagen der Technik, sondern Ausdruck fehlenden Vertrauens: Solange Kontrollmechanismen und Nachweise nicht stehen, bleibt der Einsatz bewusst niedrigschwellig.

Der Übergang vom Assistenten zum handelnden Agenten ist damit weniger ein Modell- als ein Governance-Schritt. Wer die Kontrollpunkte definiert, kann Agenten schrittweise mehr Verantwortung geben, ohne die Risikosteuerung zu verlieren.

Wie sich die Rolle des Menschen verschiebt

Agentic-native Prozesse verändern die Rolle des Menschen grundlegend: weg von der manuellen Einzelfallbearbeitung, hin zum Human-on-the-loop, der Agenten steuert und Ausnahmen moderiert. Weil das Wertpotenzial maßgeblich von der Bereitschaft der Mitarbeitenden abhängt, neue Arbeitsweisen anzunehmen, bleibt begleitendes Coaching essenziell. Technik allein hebt das Potenzial nicht.

Warum KI-natives Denken heute Vorsprung schafft

Banken, die ihre Kernprozesse heute KI-nativ denken, verschaffen sich einen Vorsprung, der mit jedem Generationssprung der Modelle wächst. Wer dagegen nur eine KI-Schicht über Altprozesse legt, konserviert deren Silos und Medienbrüche. Der Unterschied zeigt sich nicht im ersten Piloten, sondern in der Fähigkeit, den nächsten Modellsprung ohne Umbau der gesamten Architektur zu nutzen.

Woran Orchestrierung in der Praxis scheitert

Die häufigste Ursache gescheiterter Agentenprojekte ist nicht das Modell, sondern die fehlende Orchestrierung über Systeme und Zuständigkeiten hinweg. Ohne durchgängige Steuerung entstehen genau die Risiken, die Entscheider fürchten: unkontrollierte Aktionen in schlecht implementierten Prozessen. Deterministische Leitplanken und dynamische Orchestrierung müssen zusammenspielen, damit Agenten, Menschen und Systeme entlang eines End-to-End-Prozesses koordiniert handeln.

Genau hier liegt der Unterschied zwischen einem beeindruckenden Piloten und einem belastbaren Betrieb. Ein einzelner Agent kann eine Aufgabe lösen, aber erst die Orchestrierung macht aus vielen Einzelschritten einen kontrollierten Prozess, der einer Aufsichtsprüfung standhält.

Sotica baut mit Banken und Sparkassen genau diese Brücke: von der Use-Case-Priorisierung über Human-in-the-Loop-Kontrollpunkte bis zur aufsichtskonformen Verankerung. Statt Piloten zu sammeln, bringen wir die richtigen Fälle in den produktiven Betrieb. Vereinbaren Sie eine Potenzialanalyse.