Agentische KI in Finanzinstituten: vom Assistenten zum Workflow

Was bedeutet agentische KI für Finanzinstitute?

Die meisten Banken und Versicherer haben KI bisher als Textmaschine erlebt: ein Chatbot, der Fragen beantwortet, ein Assistent, der Entwürfe schreibt. Agentische KI verschiebt dieses Verhältnis. Sie beschreibt Systeme, die ein Ziel entgegennehmen, es in Teilschritte zerlegen, eigenständig Aktionen in Systemen ausführen und ihr Vorgehen anpassen, ohne dass ein Mensch jeden Schritt anstößt.

Der Unterschied zwischen einem KI-Assistenten und einem KI-Agenten liegt nicht in der Intelligenz, sondern in der Handlung: Ein Assistent schlägt vor, ein Agent führt aus. 2026 trägt dieser Sprung in Finanzinstituten dort, wo Daten sauber, Prozesse klar und Kontrollen belastbar sind, und er scheitert dort, wo eines davon fehlt.

Woran lässt sich ein KI-Agent von einem Assistenten unterscheiden?

An der Frage, wer die nächste Aktion auslöst. Solange ein Mensch klickt, bestätigt oder abschickt, handelt es sich um Assistenz. Erst wenn die Software den nächsten Schritt selbst wählt und auslöst, etwa einen Kontostand abruft, eine Kartensperre setzt oder einen Fall eröffnet, ist von einem Agenten die Rede. Diese eine Frage zeigt auch, ob ein Anbieter einen Agenten liefert oder einen umbenannten Chatbot.

Im Arbeitsalltag lässt sich der Unterschied an drei Merkmalen festmachen:

• Auslöser: Der Assistent reagiert auf eine Eingabe, der Agent verfolgt ein Ziel über mehrere Schritte.

• Systemzugriff: Der Assistent arbeitet im Dialogfenster, der Agent liest und schreibt in Fachsystemen über Schnittstellen.

• Fehlerfolge: Ein irrender Assistent liefert einen schlechten Entwurf, den ein Mensch verwirft; ein irrender Agent löst eine falsche Aktion aus.

Gerade das dritte Merkmal erklärt, warum Agenten andere Anforderungen an Kontrolle und Verantwortung stellen als Assistenten.

Wie viele Entscheidungen wird agentische KI autonom treffen?

Weniger, als das Schlagwort vermuten lässt. Gartner prognostizierte im Juni 2025, dass bis 2028 mindestens 15 Prozent der alltäglichen Arbeitsentscheidungen autonom durch agentische KI getroffen werden, nach 0 Prozent im Jahr 2024. Im selben Zeitraum sollen 33 Prozent der Unternehmenssoftware agentische Funktionen enthalten, nach weniger als 1 Prozent 2024. Im Umkehrschluss bleibt die große Mehrheit der Entscheidungen beim Menschen.

Wie früh die Phase ist, zeigt eine Gartner-Umfrage unter 3.412 Teilnehmenden eines Webinars im Januar 2025: Nur 19 Prozent hatten umfangreich in agentische KI investiert, 42 Prozent zurückhaltend, 8 Prozent gar nicht, 31 Prozent warteten ab oder waren unentschlossen. Im „2026 Gartner CIO and Technology Executive Survey“ hatten erst 17 Prozent der Organisationen KI-Agenten im Einsatz. Wie groß der Abstand zwischen Nutzung und Produktion ist, zeigt der Beitrag zur Produktionslücke bei KI-Agenten.

In welchen Einsatzfeldern übernehmen Agenten 2026 schon Arbeit?

In klar umrissenen Prozessen, die regelbasiert, datenreich und wiederkehrend sind. Vier Felder sind in der Finanzbranche am weitesten.

Kundenservice. Ein Agent nimmt eine Anfrage entgegen, ruft Vertrags- oder Kontodaten ab, prüft eine Transaktion, löst eine Kartensperre aus und dokumentiert den Vorgang. Der Mensch bleibt für Eskalation und Ausnahmen zuständig. Der Aufwand liegt weniger im Sprachmodell als in der Anbindung an Kernbanksystem, Kartenmanagement und Fallbearbeitung; ohne diese Schnittstellen bleibt der Agent ein Chatbot.

Betrugserkennung. Klassische Systeme melden Auffälligkeiten und warten auf einen Menschen. Ein Agent bewertet eine verdächtige Transaktion, holt zusätzliche Signale ein, stoppt die Zahlung vorläufig und eröffnet einen Prüffall. Die Grenze liegt in der Fehlerquote: Zu viele gestoppte legitime Zahlungen kosten Vertrauen, zu wenige lassen Schaden durch. Eine klare Schwelle für die Übergabe an einen Menschen ist deshalb Pflicht.

Kreditvorbereitung und Marktfolge. Ein Agent sammelt Unterlagen, prüft Vollständigkeit, füllt Vorlagen und bereitet die Entscheidung vor. Die Kreditentscheidung selbst trifft weiter der Mensch. Wie diese Arbeitsteilung aussieht, beschreiben die Beiträge zu Agentic AI in der Marktfolge und zur KI-gestützten Dokumentenextraktion im Kredit.

Compliance. Ein Agent prüft Transaktionen gegen Sanktionslisten, dokumentiert Auffälligkeiten und bereitet Verdachtsmeldungen vor. Er arbeitet schneller und hinterlässt eine nachvollziehbare Spur, muss aber offenlegen, welche Daten er herangezogen und welche Regel er angewendet hat. Die Verantwortung trägt weiter das Institut.

Was ist Agent Washing, und wie lässt es sich erkennen?

Agent Washing bezeichnet laut Gartner die Umetikettierung bestehender Produkte wie Assistenten, robotergestützter Prozessautomatisierung oder Chatbots als agentische KI, ohne dass echte Handlungsfähigkeit dahintersteht. Von Tausenden Anbietern, die sich agentisch nennen, hält Gartner nur rund 130 für echt. In derselben Mitteilung vom Juni 2025 erwartet Gartner, dass über 40 Prozent der Agentic-AI-Projekte bis Ende 2027 eingestellt werden, wegen steigender Kosten, unklaren Geschäftswerts oder unzureichender Risikokontrollen.

Für den Einkauf folgt daraus eine einfache Prüfung: Welche Aktion löst das System eigenständig aus, in welchem System, und wie wird diese Aktion kontrolliert, protokolliert und gestoppt? Ein Anbieter, der darauf keine konkrete Antwort hat, liefert Assistenz unter neuem Namen.

Welche Risiken bringt Autonomie, und wie werden sie beherrscht?

Autonomie verschiebt den Ort des Fehlers. Ein Agent kann ein Konto sperren, eine Nachricht verschicken oder eine Zahlung anstoßen, deshalb muss die Kontrolle vor der Handlung greifen, nicht danach. Ein Agent ohne lückenloses Protokoll ist in einem regulierten Institut nicht einsetzbar, unabhängig davon, wie gut er funktioniert. Die KI-Verordnung stuft Anwendungen nach Risiko ein, der Digital Operational Resilience Act (DORA) verlangt Ausfallsicherheit und Nachvollziehbarkeit; wie beides zusammenspielt, beschreibt der Beitrag zu den regulatorischen Anforderungen an KI.

Die Antwort ist keine Rückkehr zur reinen Assistenz, sondern gestufte Autonomie: Der Agent handelt in einem eng abgesteckten Rahmen, übergibt an einen Menschen, sobald er dessen Grenzen erreicht, und lässt sich jederzeit anhalten. Wer für ihn fachlich einsteht, regelt der Beitrag zur Prozessverantwortung in der KI-Ära.

Warum entscheiden Daten und Prozesse über den Erfolg?

Weil ein Agent nur so gut ist wie die Systeme, in denen er handelt. Er braucht saubere Daten, klar definierte Prozesse und Schnittstellen, über die er Aktionen auslösen kann. Liegen Daten in Silos, laufen Prozesse informell und erlauben Systeme keine kontrollierte Übergabe, scheitert Autonomie an der Realität, nicht am Modell. Dieselbe Technologie trägt deshalb in einem Institut und bleibt im anderen im Pilot stecken.

Daraus folgt eine unbequeme Reihenfolge: zuerst Datenqualität, Schnittstellen und dokumentierte Prozesse, dann Autonomie. Diese Arbeit wirkt weniger spektakulär als ein Pilot, entscheidet aber, ob er je den Regelbetrieb erreicht.

Was das Management jetzt anstoßen sollte

1. Kandidatenprozesse sammeln, die regelbasiert, datenreich und wiederkehrend sind, etwa Kreditvorbereitung, Transaktionsprüfung oder Standardanfragen im Service.

2. Jeden Kandidaten dreifach prüfen: Sind die Daten verfügbar und sauber, ist der Prozess klar genug für eine Maschine, lässt sich jede Aktion kontrollieren und protokollieren?

3. Anbieter auf Handlungsfähigkeit prüfen: Nachweis verlangen, welche Aktion der Agent eigenständig auslöst und wie sie gestoppt wird.

4. Mit einem Prozess und gestufter Autonomie starten: erst Vorschlag, dann Standardfälle, Ausnahmen beim Menschen.

5. Erst nach belegter Kontrolle skalieren: Eingriffsquote, Fehlerquote und Durchlaufzeit über mehrere Monate messen.

Häufige Fragen

Was ist der Unterschied zwischen einem KI-Assistenten und einem KI-Agenten?
Ein Assistent erstellt Vorschläge, die ein Mensch weiterverarbeitet. Ein Agent verfolgt ein Ziel über mehrere Schritte und löst Aktionen in Systemen selbst aus, zum Beispiel einen Datenabruf oder eine Zahlungssperre.

Wo setzen Banken und Versicherer KI-Agenten heute ein?
Vor allem im Kundenservice, in der Betrugserkennung, in der Kreditvorbereitung und in der Compliance, also in regelbasierten, datenreichen und wiederkehrenden Abläufen.

Woran scheitern Projekte mit agentischer KI?
Nach Gartner vor allem an steigenden Kosten, unklarem Geschäftswert und unzureichenden Risikokontrollen. In der Praxis kommen unklare Prozesse und schwache Datenqualität hinzu.

Weitere Beiträge zu Einsatzfeldern, Orchestrierung und Verantwortung bündelt das Dossier KI-Agenten.

Ob im eigenen Institut schon Agenten arbeiten oder noch Assistenten mit neuem Namen, lässt sich oft an einer einzigen Frage klären: Welche Aktion hat die Software gestern selbst ausgelöst? Veränderung beginnt mit einem ersten Gespräch, und wir freuen uns darauf.