Insight
KI-Agenten scheitern am Prozess, nicht an der Technik
Viele Agentic-AI-Projekte scheitern nicht an der Technik, sondern an undefinierten Prozessen. Woran Banken Agentenreife erkennen und wie der Einstieg trägt.
Prozesse und Effizienz
9 min Lesezeit
Kernaussage
Der Engpass der Automatisierung liegt in unbeschriebenen Abläufen, nicht in der Reife der Modelle. Erst wenn ein Prozess eindeutig geregelt ist, wird ein Agent zur Entlastung statt zum Risiko.

Die wichtigsten Erkenntnisse
Vier Prüffragen zeigen die Agentenreife eines Prozesses.
Autonomie wächst in Stufen, gegen Nachweis.
Der Verbund liefert Technik, nicht Ordnung.
Der Agent ist bereit. Der Prozess nicht.
Die Branche redet über autonome KI-Agenten, als wäre die Frage nur noch, welcher zuerst einzieht. Ein KI-Agent kann nur den Prozess übernehmen, der vollständig beschrieben ist: mit definierten Eingaben, klaren Regeln und einem festgelegten Eskalationsweg. Alles andere automatisiert nicht den Prozess, sondern die Improvisation.
Das ist keine theoretische Warnung. Die Analysten von Gartner prognostizieren, dass mehr als 40 Prozent der Agentic-AI-Projekte bis Ende 2027 wieder abgebrochen werden, wegen steigender Kosten, unklarem Geschäftswert und unzureichendem Risikomanagement. Dieselben Analysten erwarten zugleich, dass bis 2026 rund 40 Prozent der Unternehmensanwendungen aufgabenspezifische KI-Agenten enthalten, nach weniger als 5 Prozent im Jahr 2025. Beides zusammen ergibt das ehrlichste Bild des Marktes: Die Technologie kommt flächig, und ein großer Teil der Projekte scheitert trotzdem.
Was einen Agenten von einem Chatbot unterscheidet
Ein Chatbot beantwortet Fragen. Ein Agent erledigt Aufgaben: Er nimmt einen Vorgang an, holt sich die nötigen Informationen aus Systemen, trifft Zwischenentscheidungen entlang von Regeln und übergibt ein Ergebnis. Der Unterschied ist fundamental, denn ein Chatbot, der irrt, produziert eine falsche Auskunft. Ein Agent, der irrt, produziert eine falsche Buchung, eine falsche Weiterleitung, einen falschen Bescheid.
Deshalb verschiebt Agentic AI die Anforderungen. Beim Chatbot war die Kernfrage, ob die Antworten stimmen. Beim Agenten lautet sie, ob der Prozess, den er ausführt, überhaupt so eindeutig definiert ist, dass sich richtig von falsch unterscheiden lässt. In vielen Instituten ist er das nicht.
Warum gerade Genossenschaftsbanken jetzt betroffen sind
Für Genossenschaftsbanken ist die Frage nicht abstrakt. Mit Atruvia als zentralem IT-Dienstleister der genossenschaftlichen FinanzGruppe kommen KI-Funktionen zunehmend als Verbundleistung ins Institut: Assistenten im Arbeitsplatz, Automatisierungsbausteine in den Kernprozessen, agentische Funktionen in Aussicht. Das senkt die Einstiegshürde erheblich, und genau das ist die Falle.
Wenn die Technik als fertiger Baustein ankommt, entsteht der Eindruck, das Institut müsse nur noch einschalten. Aber der Verbund liefert die Fähigkeit, nicht die Ordnung. Ob ein Agent im eigenen Institut trägt, entscheidet sich an den eigenen Prozessen, den eigenen Daten und den eigenen Zuständigkeiten, und die kann kein Rechenzentrum mitliefern. Zwei Banken mit derselben Software haben nicht denselben Prozess, sobald gewachsene Nebenabsprachen, lokale Sonderregeln und individuelle Ablagen ins Spiel kommen.
Die drei Lücken, an denen Agentenprojekte scheitern
Die Abbruchgründe, die Gartner nennt, klingen nach Management-Vokabular: Kosten, Wertnachweis, Risikokontrolle. Dahinter stehen in der Praxis drei sehr konkrete Lücken.
Lücke eins: Der Prozess existiert nur in Köpfen
Die häufigste Entdeckung in Automatisierungsprojekten ist, dass der zu automatisierende Prozess nirgends beschrieben ist. Es gibt eine Arbeitsanweisung von vor sechs Jahren, es gibt drei Kolleginnen, die es unterschiedlich machen, und es gibt einen Bereichsleiter, der überrascht ist, dass es unterschiedlich gemacht wird. Ein Mensch überbrückt solche Unschärfen mit Erfahrung. Ein Agent kann das nicht, er braucht die Entscheidung, welche der drei Varianten die richtige ist.
Diese Entscheidung ist keine technische, sondern eine organisatorische, und sie ist der eigentliche Aufwand des Projekts. Wer sie überspringt, baut einen Agenten, der im Test brilliert und im Betrieb an jedem Sonderfall strandet.
Lücke zwei: Die Daten tragen die Autonomie nicht
Ein Agent ist so gut wie die Systeme, aus denen er liest. Dublettenreiche Kundenbestände, frei befüllte Textfelder, gescannte Dokumente ohne Struktur: Was einer Sachbearbeiterin ein resigniertes Seufzen entlockt, führt bei einem Agenten zu falschen Schlüssen mit Serienwirkung. Datenqualität ist beim Agenteneinsatz keine Fleißaufgabe, sondern die Betriebsvoraussetzung.
Dazu kommt die Zugriffsfrage. Ein Agent, der Aufgaben erledigen soll, braucht Rechte in den Systemen, und zwar genau die richtigen. Zu wenig Rechte, und er bleibt ein Demonstrationsobjekt. Zu viele, und das Institut hat ein Prüfungsthema geschaffen, das kein Revisor übersehen wird.
Lücke drei: Niemand ist verantwortlich, wenn es läuft
Solange ein Agent im Pilotbetrieb läuft, ist das Projektteam zuständig. Sobald er produktiv arbeitet, beginnt die eigentliche Frage: Wer verantwortet seine Entscheidungen? Wer prüft seine Ergebnisse, in welcher Stichprobe, gegen welchen Maßstab? Wer schaltet ihn ab, wenn die Fehlerquote steigt, und nach welchem Kriterium? Institute, die diese Fragen erst im Betrieb beantworten, beantworten sie unter Druck. Warum so viele Pilotprojekte genau an dieser Schwelle hängen bleiben, zeigt die Analyse zur Produktionslücke bei KI-Agenten in Banken.
Prozessreife lässt sich prüfen, bevor Geld fließt
Die gute Nachricht: Ob ein Prozess agentenreif ist, lässt sich vor dem ersten Euro Projektbudget feststellen. Vier Prüffragen reichen für die erste Sortierung.
Erstens: Ist der Prozess dokumentiert, und stimmt die Dokumentation mit der gelebten Praxis überein? Zweitens: Sind die Eingaben strukturiert oder strukturierbar, oder beginnt jeder Vorgang mit Interpretation? Drittens: Gibt es eine eindeutige Regel, wann ein Vorgang an einen Menschen eskaliert wird, und ist die Eskalation personell hinterlegt? Viertens: Lässt sich der Erfolg messen, in Durchlaufzeit, Fehlerquote oder bearbeiteten Vorgängen pro Tag?
Ein Prozess, der alle vier Fragen besteht, ist ein Kandidat. Ein Prozess, der an zweien scheitert, ist ein Vorprojekt: erst ordnen, dann automatisieren. Diese Reihenfolge ist keine Verzögerung, sie ist der Unterschied zwischen den Projekten, die 2027 laufen, und denen, die in Gartners Abbruchstatistik landen.
Die Kostenrechnung gehört auf den Tisch, bevor sie entsteht
Der erste Abbruchgrund in der Gartner-Prognose sind steigende Kosten, und die entstehen bei Agentenprojekten an Stellen, die im Angebot nicht auftauchen. Die Lizenz ist der kleinste Posten. Teuer werden die Integration in die Bestandssysteme, die Aufbereitung der Daten, die Ausnahmebehandlung für die Fälle, die der Agent nicht kann, und der laufende Betrieb mit Überwachung, Stichproben und Nachjustierung.
Eine ehrliche Wirtschaftlichkeitsrechnung stellt deshalb nicht Lizenzkosten gegen eingesparte Minuten, sondern Gesamtkosten über drei Jahre gegen den Wert der freigespielten Kapazität. Fällt die Rechnung dann noch positiv aus, trägt das Projekt auch die unvermeidlichen Überraschungen. Fällt sie knapp aus, ist das kein Grund zum Schönrechnen, sondern ein Hinweis, dass der gewählte Prozess zu klein oder zu unordentlich für die Automatisierung ist.
Was die Revision fragen wird
Spätestens im ersten Prüfungszyklus nach dem Produktivstart stellt die Interne Revision die Fragen, die das Projekt besser vorher beantwortet hätte: Auf welcher Grundlage entscheidet der Agent, und ist die Entscheidung nachvollziehbar dokumentiert? Wer hat die Regeln fachlich freigegeben, und wo ist die Freigabe festgehalten? Wie stellt das Institut fest, dass die Ergebnisqualität nicht schleichend abrutscht?
Keine dieser Fragen ist neu, sie gelten für jede Auslagerung und jedes automatisierte Verfahren. Neu ist nur, dass viele Agentenprojekte sie ignorieren, weil die Demo so überzeugend war. Wer die Prüfungslogik von Anfang an mitbaut, mit Protokollierung, Freigabeprozess und Kennzahlenbericht, hat keinen Mehraufwand, sondern zieht Arbeit vor, die sonst unter Zeitdruck nachgeholt wird.
Der richtige Einstiegsprozess ist unspektakulär
Der verlockendste Fehler ist der Start beim prestigeträchtigsten Prozess, etwa der Kreditentscheidung oder der Anlageberatung. Dort sind die regulatorischen Anforderungen am höchsten, die Datenlage am komplexesten und die Fehlerkosten am größten. Der belastbare Einstieg liegt eine Etage tiefer: die Klassifizierung und Verteilung des Posteingangs, die Vorprüfung eingereichter Unterlagen auf Vollständigkeit, die Vorbereitung wiederkehrender Auswertungen, die Zuordnung von Belegen zu Vorgängen.
Diese Prozesse haben drei Eigenschaften, die sie zum idealen Testfeld machen: Sie sind hochvolumig, sodass sich Entlastung schnell zeigt. Sie sind regelbasiert, sodass sich Fehler eindeutig feststellen lassen. Und sie enden mit einer menschlichen Prüfung, sodass die Autonomie des Agenten begrenzt bleibt, während das Institut Erfahrung sammelt. Wer den Unterschied zwischen einem gelungenen Pilotfall und echter Veränderung im Betrieb verstehen will, findet die Abgrenzung im Beitrag Pilot ist nicht Transformation.
Autonomie ist ein Regler, kein Schalter
Der Begriff des autonomen Agenten führt in die Irre, weil er ein Entweder-oder suggeriert. In der Praxis ist Autonomie ein Stufenmodell. Auf der ersten Stufe schlägt der Agent vor, der Mensch entscheidet jeden Fall. Auf der zweiten entscheidet der Agent die Standardfälle, der Mensch die markierten Ausnahmen. Auf der dritten arbeitet der Agent selbstständig, der Mensch prüft Stichproben und Kennzahlen.
Jede Stufe braucht einen Nachweis, bevor die nächste freigeschaltet wird: eine stabile Fehlerquote über einen definierten Zeitraum, dokumentiert und von der Fachseite abgenommen. So entsteht Autonomie als Ergebnis von Vertrauen, das sich der Agent verdient hat, statt als Vorschuss, den das Projektbudget erzwingt. Für die Revision ist dieses Stufenmodell zugleich die Antwort auf die Frage, wie das Institut die Kontrolle behält.
Ein Beispiel macht es greifbar. Ein Agent, der eingehende Kundendokumente einem Vorgang zuordnet, startet auf Stufe eins: Er schlägt die Zuordnung vor, die Sachbearbeitung bestätigt jede einzelne. Nach vier Wochen zeigt die Auswertung, dass die Vorschläge in den Standardfällen fast durchgehend übernommen wurden. Also wechseln genau diese Fallgruppen auf Stufe zwei, die Sonderfälle bleiben beim Menschen. Nach einem weiteren Quartal mit stabiler Quote folgt Stufe drei mit wöchentlicher Stichprobe. Zu keinem Zeitpunkt musste jemand der Maschine vertrauen, das Institut hat gemessen.
Was das für die Verbundstrategie bedeutet
Für eine Genossenschaftsbank heißt das nicht, auf den Verbund zu warten, und auch nicht, ihm vorauszulaufen. Es heißt, die eigene Hausaufgabe zu machen, damit die Verbundleistung wirkt, wenn sie kommt. Die Bank, die ihre Prozesse dokumentiert, ihre Datenqualität gemessen und ihre Verantwortlichkeiten geklärt hat, kann jeden neuen Baustein binnen Wochen produktiv setzen. Die Bank, die das nicht getan hat, bekommt denselben Baustein und lässt ihn liegen, wie schon manches Tool zuvor.
Der Unterschied zwischen beiden Banken steht in keinem Softwarekatalog. Er entsteht in den Monaten vor dem Rollout, in unspektakulärer Ordnungsarbeit, die kein Vorstand gern auf der Klausurtagung präsentiert und ohne die jede Präsentation Makulatur bleibt.
Sechs Monate, ein realistischer Fahrplan
Wie sieht der Weg konkret aus? Monat eins und zwei gehören der Auswahl und der Prozessaufnahme: Kandidatenprozesse gegen die vier Prüffragen halten, den besten auswählen, die gelebte Praxis dokumentieren und die eine verbindliche Variante festlegen. Monat drei gehört den Daten: Eingangsformate sichten, Qualitätsprobleme benennen, Zugriffsrechte mit IT und Datenschutz klären.
Monat vier und fünf laufen im Vorschlagsbetrieb auf Stufe eins, mit wöchentlicher Auswertung der Übernahmequote und einem festen Termin, an dem die Fachseite Korrekturen einspeist. Monat sechs bringt die Entscheidung: Welche Fallgruppen wechseln auf Stufe zwei, welche bleiben beim Menschen, und trägt die Wirtschaftlichkeitsrechnung den Ausbau? Das Tempo wirkt unspektakulär und ist genau deshalb belastbar, denn jeder Schritt erzeugt den Nachweis, den der nächste braucht.
Institute, die diesen Weg einmal gegangen sind, sind beim zweiten Prozess doppelt so schnell. Die Methodik steht, die Rollen sind eingespielt, die Revision kennt das Muster. Der erste Agent ist deshalb weniger ein Automatisierungsprojekt als eine Investition in die Fähigkeit, Automatisierung zu betreiben.
Die Abbruchquote ist eine Entscheidung
Gartners Prognose von über 40 Prozent abgebrochenen Agentenprojekten beschreibt keinen Naturzustand, sondern die Summe vermeidbarer Fehler: Projekte ohne definierten Prozess, ohne belastbare Daten, ohne geklärte Verantwortung. Kein einzelnes Institut muss Teil dieser Statistik werden. Die Institute, die es nicht werden, erkennen sich früh an einer Gewohnheit: Sie stellen die Prozessfrage vor der Technikfrage.
Der erste Schritt sortiert die Prozesse des Instituts nach Agentenreife, benennt die Lücken je Kandidat und liefert die Reihenfolge, in der sich Ordnung und Automatisierung gegenseitig verstärken. Danach ist Agentic AI kein Schlagwort mehr, sondern ein Arbeitsplan mit Terminen. Darüber kommen wir gern ins Gespräch.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
Vier Prüffragen zeigen die Agentenreife eines Prozesses.
Autonomie wächst in Stufen, gegen Nachweis.
Der Verbund liefert Technik, nicht Ordnung.
Der Agent ist bereit. Der Prozess nicht.
Die Branche redet über autonome KI-Agenten, als wäre die Frage nur noch, welcher zuerst einzieht. Ein KI-Agent kann nur den Prozess übernehmen, der vollständig beschrieben ist: mit definierten Eingaben, klaren Regeln und einem festgelegten Eskalationsweg. Alles andere automatisiert nicht den Prozess, sondern die Improvisation.
Das ist keine theoretische Warnung. Die Analysten von Gartner prognostizieren, dass mehr als 40 Prozent der Agentic-AI-Projekte bis Ende 2027 wieder abgebrochen werden, wegen steigender Kosten, unklarem Geschäftswert und unzureichendem Risikomanagement. Dieselben Analysten erwarten zugleich, dass bis 2026 rund 40 Prozent der Unternehmensanwendungen aufgabenspezifische KI-Agenten enthalten, nach weniger als 5 Prozent im Jahr 2025. Beides zusammen ergibt das ehrlichste Bild des Marktes: Die Technologie kommt flächig, und ein großer Teil der Projekte scheitert trotzdem.
Was einen Agenten von einem Chatbot unterscheidet
Ein Chatbot beantwortet Fragen. Ein Agent erledigt Aufgaben: Er nimmt einen Vorgang an, holt sich die nötigen Informationen aus Systemen, trifft Zwischenentscheidungen entlang von Regeln und übergibt ein Ergebnis. Der Unterschied ist fundamental, denn ein Chatbot, der irrt, produziert eine falsche Auskunft. Ein Agent, der irrt, produziert eine falsche Buchung, eine falsche Weiterleitung, einen falschen Bescheid.
Deshalb verschiebt Agentic AI die Anforderungen. Beim Chatbot war die Kernfrage, ob die Antworten stimmen. Beim Agenten lautet sie, ob der Prozess, den er ausführt, überhaupt so eindeutig definiert ist, dass sich richtig von falsch unterscheiden lässt. In vielen Instituten ist er das nicht.
Warum gerade Genossenschaftsbanken jetzt betroffen sind
Für Genossenschaftsbanken ist die Frage nicht abstrakt. Mit Atruvia als zentralem IT-Dienstleister der genossenschaftlichen FinanzGruppe kommen KI-Funktionen zunehmend als Verbundleistung ins Institut: Assistenten im Arbeitsplatz, Automatisierungsbausteine in den Kernprozessen, agentische Funktionen in Aussicht. Das senkt die Einstiegshürde erheblich, und genau das ist die Falle.
Wenn die Technik als fertiger Baustein ankommt, entsteht der Eindruck, das Institut müsse nur noch einschalten. Aber der Verbund liefert die Fähigkeit, nicht die Ordnung. Ob ein Agent im eigenen Institut trägt, entscheidet sich an den eigenen Prozessen, den eigenen Daten und den eigenen Zuständigkeiten, und die kann kein Rechenzentrum mitliefern. Zwei Banken mit derselben Software haben nicht denselben Prozess, sobald gewachsene Nebenabsprachen, lokale Sonderregeln und individuelle Ablagen ins Spiel kommen.
Die drei Lücken, an denen Agentenprojekte scheitern
Die Abbruchgründe, die Gartner nennt, klingen nach Management-Vokabular: Kosten, Wertnachweis, Risikokontrolle. Dahinter stehen in der Praxis drei sehr konkrete Lücken.
Lücke eins: Der Prozess existiert nur in Köpfen
Die häufigste Entdeckung in Automatisierungsprojekten ist, dass der zu automatisierende Prozess nirgends beschrieben ist. Es gibt eine Arbeitsanweisung von vor sechs Jahren, es gibt drei Kolleginnen, die es unterschiedlich machen, und es gibt einen Bereichsleiter, der überrascht ist, dass es unterschiedlich gemacht wird. Ein Mensch überbrückt solche Unschärfen mit Erfahrung. Ein Agent kann das nicht, er braucht die Entscheidung, welche der drei Varianten die richtige ist.
Diese Entscheidung ist keine technische, sondern eine organisatorische, und sie ist der eigentliche Aufwand des Projekts. Wer sie überspringt, baut einen Agenten, der im Test brilliert und im Betrieb an jedem Sonderfall strandet.
Lücke zwei: Die Daten tragen die Autonomie nicht
Ein Agent ist so gut wie die Systeme, aus denen er liest. Dublettenreiche Kundenbestände, frei befüllte Textfelder, gescannte Dokumente ohne Struktur: Was einer Sachbearbeiterin ein resigniertes Seufzen entlockt, führt bei einem Agenten zu falschen Schlüssen mit Serienwirkung. Datenqualität ist beim Agenteneinsatz keine Fleißaufgabe, sondern die Betriebsvoraussetzung.
Dazu kommt die Zugriffsfrage. Ein Agent, der Aufgaben erledigen soll, braucht Rechte in den Systemen, und zwar genau die richtigen. Zu wenig Rechte, und er bleibt ein Demonstrationsobjekt. Zu viele, und das Institut hat ein Prüfungsthema geschaffen, das kein Revisor übersehen wird.
Lücke drei: Niemand ist verantwortlich, wenn es läuft
Solange ein Agent im Pilotbetrieb läuft, ist das Projektteam zuständig. Sobald er produktiv arbeitet, beginnt die eigentliche Frage: Wer verantwortet seine Entscheidungen? Wer prüft seine Ergebnisse, in welcher Stichprobe, gegen welchen Maßstab? Wer schaltet ihn ab, wenn die Fehlerquote steigt, und nach welchem Kriterium? Institute, die diese Fragen erst im Betrieb beantworten, beantworten sie unter Druck. Warum so viele Pilotprojekte genau an dieser Schwelle hängen bleiben, zeigt die Analyse zur Produktionslücke bei KI-Agenten in Banken.
Prozessreife lässt sich prüfen, bevor Geld fließt
Die gute Nachricht: Ob ein Prozess agentenreif ist, lässt sich vor dem ersten Euro Projektbudget feststellen. Vier Prüffragen reichen für die erste Sortierung.
Erstens: Ist der Prozess dokumentiert, und stimmt die Dokumentation mit der gelebten Praxis überein? Zweitens: Sind die Eingaben strukturiert oder strukturierbar, oder beginnt jeder Vorgang mit Interpretation? Drittens: Gibt es eine eindeutige Regel, wann ein Vorgang an einen Menschen eskaliert wird, und ist die Eskalation personell hinterlegt? Viertens: Lässt sich der Erfolg messen, in Durchlaufzeit, Fehlerquote oder bearbeiteten Vorgängen pro Tag?
Ein Prozess, der alle vier Fragen besteht, ist ein Kandidat. Ein Prozess, der an zweien scheitert, ist ein Vorprojekt: erst ordnen, dann automatisieren. Diese Reihenfolge ist keine Verzögerung, sie ist der Unterschied zwischen den Projekten, die 2027 laufen, und denen, die in Gartners Abbruchstatistik landen.
Die Kostenrechnung gehört auf den Tisch, bevor sie entsteht
Der erste Abbruchgrund in der Gartner-Prognose sind steigende Kosten, und die entstehen bei Agentenprojekten an Stellen, die im Angebot nicht auftauchen. Die Lizenz ist der kleinste Posten. Teuer werden die Integration in die Bestandssysteme, die Aufbereitung der Daten, die Ausnahmebehandlung für die Fälle, die der Agent nicht kann, und der laufende Betrieb mit Überwachung, Stichproben und Nachjustierung.
Eine ehrliche Wirtschaftlichkeitsrechnung stellt deshalb nicht Lizenzkosten gegen eingesparte Minuten, sondern Gesamtkosten über drei Jahre gegen den Wert der freigespielten Kapazität. Fällt die Rechnung dann noch positiv aus, trägt das Projekt auch die unvermeidlichen Überraschungen. Fällt sie knapp aus, ist das kein Grund zum Schönrechnen, sondern ein Hinweis, dass der gewählte Prozess zu klein oder zu unordentlich für die Automatisierung ist.
Was die Revision fragen wird
Spätestens im ersten Prüfungszyklus nach dem Produktivstart stellt die Interne Revision die Fragen, die das Projekt besser vorher beantwortet hätte: Auf welcher Grundlage entscheidet der Agent, und ist die Entscheidung nachvollziehbar dokumentiert? Wer hat die Regeln fachlich freigegeben, und wo ist die Freigabe festgehalten? Wie stellt das Institut fest, dass die Ergebnisqualität nicht schleichend abrutscht?
Keine dieser Fragen ist neu, sie gelten für jede Auslagerung und jedes automatisierte Verfahren. Neu ist nur, dass viele Agentenprojekte sie ignorieren, weil die Demo so überzeugend war. Wer die Prüfungslogik von Anfang an mitbaut, mit Protokollierung, Freigabeprozess und Kennzahlenbericht, hat keinen Mehraufwand, sondern zieht Arbeit vor, die sonst unter Zeitdruck nachgeholt wird.
Der richtige Einstiegsprozess ist unspektakulär
Der verlockendste Fehler ist der Start beim prestigeträchtigsten Prozess, etwa der Kreditentscheidung oder der Anlageberatung. Dort sind die regulatorischen Anforderungen am höchsten, die Datenlage am komplexesten und die Fehlerkosten am größten. Der belastbare Einstieg liegt eine Etage tiefer: die Klassifizierung und Verteilung des Posteingangs, die Vorprüfung eingereichter Unterlagen auf Vollständigkeit, die Vorbereitung wiederkehrender Auswertungen, die Zuordnung von Belegen zu Vorgängen.
Diese Prozesse haben drei Eigenschaften, die sie zum idealen Testfeld machen: Sie sind hochvolumig, sodass sich Entlastung schnell zeigt. Sie sind regelbasiert, sodass sich Fehler eindeutig feststellen lassen. Und sie enden mit einer menschlichen Prüfung, sodass die Autonomie des Agenten begrenzt bleibt, während das Institut Erfahrung sammelt. Wer den Unterschied zwischen einem gelungenen Pilotfall und echter Veränderung im Betrieb verstehen will, findet die Abgrenzung im Beitrag Pilot ist nicht Transformation.
Autonomie ist ein Regler, kein Schalter
Der Begriff des autonomen Agenten führt in die Irre, weil er ein Entweder-oder suggeriert. In der Praxis ist Autonomie ein Stufenmodell. Auf der ersten Stufe schlägt der Agent vor, der Mensch entscheidet jeden Fall. Auf der zweiten entscheidet der Agent die Standardfälle, der Mensch die markierten Ausnahmen. Auf der dritten arbeitet der Agent selbstständig, der Mensch prüft Stichproben und Kennzahlen.
Jede Stufe braucht einen Nachweis, bevor die nächste freigeschaltet wird: eine stabile Fehlerquote über einen definierten Zeitraum, dokumentiert und von der Fachseite abgenommen. So entsteht Autonomie als Ergebnis von Vertrauen, das sich der Agent verdient hat, statt als Vorschuss, den das Projektbudget erzwingt. Für die Revision ist dieses Stufenmodell zugleich die Antwort auf die Frage, wie das Institut die Kontrolle behält.
Ein Beispiel macht es greifbar. Ein Agent, der eingehende Kundendokumente einem Vorgang zuordnet, startet auf Stufe eins: Er schlägt die Zuordnung vor, die Sachbearbeitung bestätigt jede einzelne. Nach vier Wochen zeigt die Auswertung, dass die Vorschläge in den Standardfällen fast durchgehend übernommen wurden. Also wechseln genau diese Fallgruppen auf Stufe zwei, die Sonderfälle bleiben beim Menschen. Nach einem weiteren Quartal mit stabiler Quote folgt Stufe drei mit wöchentlicher Stichprobe. Zu keinem Zeitpunkt musste jemand der Maschine vertrauen, das Institut hat gemessen.
Was das für die Verbundstrategie bedeutet
Für eine Genossenschaftsbank heißt das nicht, auf den Verbund zu warten, und auch nicht, ihm vorauszulaufen. Es heißt, die eigene Hausaufgabe zu machen, damit die Verbundleistung wirkt, wenn sie kommt. Die Bank, die ihre Prozesse dokumentiert, ihre Datenqualität gemessen und ihre Verantwortlichkeiten geklärt hat, kann jeden neuen Baustein binnen Wochen produktiv setzen. Die Bank, die das nicht getan hat, bekommt denselben Baustein und lässt ihn liegen, wie schon manches Tool zuvor.
Der Unterschied zwischen beiden Banken steht in keinem Softwarekatalog. Er entsteht in den Monaten vor dem Rollout, in unspektakulärer Ordnungsarbeit, die kein Vorstand gern auf der Klausurtagung präsentiert und ohne die jede Präsentation Makulatur bleibt.
Sechs Monate, ein realistischer Fahrplan
Wie sieht der Weg konkret aus? Monat eins und zwei gehören der Auswahl und der Prozessaufnahme: Kandidatenprozesse gegen die vier Prüffragen halten, den besten auswählen, die gelebte Praxis dokumentieren und die eine verbindliche Variante festlegen. Monat drei gehört den Daten: Eingangsformate sichten, Qualitätsprobleme benennen, Zugriffsrechte mit IT und Datenschutz klären.
Monat vier und fünf laufen im Vorschlagsbetrieb auf Stufe eins, mit wöchentlicher Auswertung der Übernahmequote und einem festen Termin, an dem die Fachseite Korrekturen einspeist. Monat sechs bringt die Entscheidung: Welche Fallgruppen wechseln auf Stufe zwei, welche bleiben beim Menschen, und trägt die Wirtschaftlichkeitsrechnung den Ausbau? Das Tempo wirkt unspektakulär und ist genau deshalb belastbar, denn jeder Schritt erzeugt den Nachweis, den der nächste braucht.
Institute, die diesen Weg einmal gegangen sind, sind beim zweiten Prozess doppelt so schnell. Die Methodik steht, die Rollen sind eingespielt, die Revision kennt das Muster. Der erste Agent ist deshalb weniger ein Automatisierungsprojekt als eine Investition in die Fähigkeit, Automatisierung zu betreiben.
Die Abbruchquote ist eine Entscheidung
Gartners Prognose von über 40 Prozent abgebrochenen Agentenprojekten beschreibt keinen Naturzustand, sondern die Summe vermeidbarer Fehler: Projekte ohne definierten Prozess, ohne belastbare Daten, ohne geklärte Verantwortung. Kein einzelnes Institut muss Teil dieser Statistik werden. Die Institute, die es nicht werden, erkennen sich früh an einer Gewohnheit: Sie stellen die Prozessfrage vor der Technikfrage.
Der erste Schritt sortiert die Prozesse des Instituts nach Agentenreife, benennt die Lücken je Kandidat und liefert die Reihenfolge, in der sich Ordnung und Automatisierung gegenseitig verstärken. Danach ist Agentic AI kein Schlagwort mehr, sondern ein Arbeitsplan mit Terminen. Darüber kommen wir gern ins Gespräch.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
Vier Prüffragen zeigen die Agentenreife eines Prozesses.
Autonomie wächst in Stufen, gegen Nachweis.
Der Verbund liefert Technik, nicht Ordnung.
Der Agent ist bereit. Der Prozess nicht.
Die Branche redet über autonome KI-Agenten, als wäre die Frage nur noch, welcher zuerst einzieht. Ein KI-Agent kann nur den Prozess übernehmen, der vollständig beschrieben ist: mit definierten Eingaben, klaren Regeln und einem festgelegten Eskalationsweg. Alles andere automatisiert nicht den Prozess, sondern die Improvisation.
Das ist keine theoretische Warnung. Die Analysten von Gartner prognostizieren, dass mehr als 40 Prozent der Agentic-AI-Projekte bis Ende 2027 wieder abgebrochen werden, wegen steigender Kosten, unklarem Geschäftswert und unzureichendem Risikomanagement. Dieselben Analysten erwarten zugleich, dass bis 2026 rund 40 Prozent der Unternehmensanwendungen aufgabenspezifische KI-Agenten enthalten, nach weniger als 5 Prozent im Jahr 2025. Beides zusammen ergibt das ehrlichste Bild des Marktes: Die Technologie kommt flächig, und ein großer Teil der Projekte scheitert trotzdem.
Was einen Agenten von einem Chatbot unterscheidet
Ein Chatbot beantwortet Fragen. Ein Agent erledigt Aufgaben: Er nimmt einen Vorgang an, holt sich die nötigen Informationen aus Systemen, trifft Zwischenentscheidungen entlang von Regeln und übergibt ein Ergebnis. Der Unterschied ist fundamental, denn ein Chatbot, der irrt, produziert eine falsche Auskunft. Ein Agent, der irrt, produziert eine falsche Buchung, eine falsche Weiterleitung, einen falschen Bescheid.
Deshalb verschiebt Agentic AI die Anforderungen. Beim Chatbot war die Kernfrage, ob die Antworten stimmen. Beim Agenten lautet sie, ob der Prozess, den er ausführt, überhaupt so eindeutig definiert ist, dass sich richtig von falsch unterscheiden lässt. In vielen Instituten ist er das nicht.
Warum gerade Genossenschaftsbanken jetzt betroffen sind
Für Genossenschaftsbanken ist die Frage nicht abstrakt. Mit Atruvia als zentralem IT-Dienstleister der genossenschaftlichen FinanzGruppe kommen KI-Funktionen zunehmend als Verbundleistung ins Institut: Assistenten im Arbeitsplatz, Automatisierungsbausteine in den Kernprozessen, agentische Funktionen in Aussicht. Das senkt die Einstiegshürde erheblich, und genau das ist die Falle.
Wenn die Technik als fertiger Baustein ankommt, entsteht der Eindruck, das Institut müsse nur noch einschalten. Aber der Verbund liefert die Fähigkeit, nicht die Ordnung. Ob ein Agent im eigenen Institut trägt, entscheidet sich an den eigenen Prozessen, den eigenen Daten und den eigenen Zuständigkeiten, und die kann kein Rechenzentrum mitliefern. Zwei Banken mit derselben Software haben nicht denselben Prozess, sobald gewachsene Nebenabsprachen, lokale Sonderregeln und individuelle Ablagen ins Spiel kommen.
Die drei Lücken, an denen Agentenprojekte scheitern
Die Abbruchgründe, die Gartner nennt, klingen nach Management-Vokabular: Kosten, Wertnachweis, Risikokontrolle. Dahinter stehen in der Praxis drei sehr konkrete Lücken.
Lücke eins: Der Prozess existiert nur in Köpfen
Die häufigste Entdeckung in Automatisierungsprojekten ist, dass der zu automatisierende Prozess nirgends beschrieben ist. Es gibt eine Arbeitsanweisung von vor sechs Jahren, es gibt drei Kolleginnen, die es unterschiedlich machen, und es gibt einen Bereichsleiter, der überrascht ist, dass es unterschiedlich gemacht wird. Ein Mensch überbrückt solche Unschärfen mit Erfahrung. Ein Agent kann das nicht, er braucht die Entscheidung, welche der drei Varianten die richtige ist.
Diese Entscheidung ist keine technische, sondern eine organisatorische, und sie ist der eigentliche Aufwand des Projekts. Wer sie überspringt, baut einen Agenten, der im Test brilliert und im Betrieb an jedem Sonderfall strandet.
Lücke zwei: Die Daten tragen die Autonomie nicht
Ein Agent ist so gut wie die Systeme, aus denen er liest. Dublettenreiche Kundenbestände, frei befüllte Textfelder, gescannte Dokumente ohne Struktur: Was einer Sachbearbeiterin ein resigniertes Seufzen entlockt, führt bei einem Agenten zu falschen Schlüssen mit Serienwirkung. Datenqualität ist beim Agenteneinsatz keine Fleißaufgabe, sondern die Betriebsvoraussetzung.
Dazu kommt die Zugriffsfrage. Ein Agent, der Aufgaben erledigen soll, braucht Rechte in den Systemen, und zwar genau die richtigen. Zu wenig Rechte, und er bleibt ein Demonstrationsobjekt. Zu viele, und das Institut hat ein Prüfungsthema geschaffen, das kein Revisor übersehen wird.
Lücke drei: Niemand ist verantwortlich, wenn es läuft
Solange ein Agent im Pilotbetrieb läuft, ist das Projektteam zuständig. Sobald er produktiv arbeitet, beginnt die eigentliche Frage: Wer verantwortet seine Entscheidungen? Wer prüft seine Ergebnisse, in welcher Stichprobe, gegen welchen Maßstab? Wer schaltet ihn ab, wenn die Fehlerquote steigt, und nach welchem Kriterium? Institute, die diese Fragen erst im Betrieb beantworten, beantworten sie unter Druck. Warum so viele Pilotprojekte genau an dieser Schwelle hängen bleiben, zeigt die Analyse zur Produktionslücke bei KI-Agenten in Banken.
Prozessreife lässt sich prüfen, bevor Geld fließt
Die gute Nachricht: Ob ein Prozess agentenreif ist, lässt sich vor dem ersten Euro Projektbudget feststellen. Vier Prüffragen reichen für die erste Sortierung.
Erstens: Ist der Prozess dokumentiert, und stimmt die Dokumentation mit der gelebten Praxis überein? Zweitens: Sind die Eingaben strukturiert oder strukturierbar, oder beginnt jeder Vorgang mit Interpretation? Drittens: Gibt es eine eindeutige Regel, wann ein Vorgang an einen Menschen eskaliert wird, und ist die Eskalation personell hinterlegt? Viertens: Lässt sich der Erfolg messen, in Durchlaufzeit, Fehlerquote oder bearbeiteten Vorgängen pro Tag?
Ein Prozess, der alle vier Fragen besteht, ist ein Kandidat. Ein Prozess, der an zweien scheitert, ist ein Vorprojekt: erst ordnen, dann automatisieren. Diese Reihenfolge ist keine Verzögerung, sie ist der Unterschied zwischen den Projekten, die 2027 laufen, und denen, die in Gartners Abbruchstatistik landen.
Die Kostenrechnung gehört auf den Tisch, bevor sie entsteht
Der erste Abbruchgrund in der Gartner-Prognose sind steigende Kosten, und die entstehen bei Agentenprojekten an Stellen, die im Angebot nicht auftauchen. Die Lizenz ist der kleinste Posten. Teuer werden die Integration in die Bestandssysteme, die Aufbereitung der Daten, die Ausnahmebehandlung für die Fälle, die der Agent nicht kann, und der laufende Betrieb mit Überwachung, Stichproben und Nachjustierung.
Eine ehrliche Wirtschaftlichkeitsrechnung stellt deshalb nicht Lizenzkosten gegen eingesparte Minuten, sondern Gesamtkosten über drei Jahre gegen den Wert der freigespielten Kapazität. Fällt die Rechnung dann noch positiv aus, trägt das Projekt auch die unvermeidlichen Überraschungen. Fällt sie knapp aus, ist das kein Grund zum Schönrechnen, sondern ein Hinweis, dass der gewählte Prozess zu klein oder zu unordentlich für die Automatisierung ist.
Was die Revision fragen wird
Spätestens im ersten Prüfungszyklus nach dem Produktivstart stellt die Interne Revision die Fragen, die das Projekt besser vorher beantwortet hätte: Auf welcher Grundlage entscheidet der Agent, und ist die Entscheidung nachvollziehbar dokumentiert? Wer hat die Regeln fachlich freigegeben, und wo ist die Freigabe festgehalten? Wie stellt das Institut fest, dass die Ergebnisqualität nicht schleichend abrutscht?
Keine dieser Fragen ist neu, sie gelten für jede Auslagerung und jedes automatisierte Verfahren. Neu ist nur, dass viele Agentenprojekte sie ignorieren, weil die Demo so überzeugend war. Wer die Prüfungslogik von Anfang an mitbaut, mit Protokollierung, Freigabeprozess und Kennzahlenbericht, hat keinen Mehraufwand, sondern zieht Arbeit vor, die sonst unter Zeitdruck nachgeholt wird.
Der richtige Einstiegsprozess ist unspektakulär
Der verlockendste Fehler ist der Start beim prestigeträchtigsten Prozess, etwa der Kreditentscheidung oder der Anlageberatung. Dort sind die regulatorischen Anforderungen am höchsten, die Datenlage am komplexesten und die Fehlerkosten am größten. Der belastbare Einstieg liegt eine Etage tiefer: die Klassifizierung und Verteilung des Posteingangs, die Vorprüfung eingereichter Unterlagen auf Vollständigkeit, die Vorbereitung wiederkehrender Auswertungen, die Zuordnung von Belegen zu Vorgängen.
Diese Prozesse haben drei Eigenschaften, die sie zum idealen Testfeld machen: Sie sind hochvolumig, sodass sich Entlastung schnell zeigt. Sie sind regelbasiert, sodass sich Fehler eindeutig feststellen lassen. Und sie enden mit einer menschlichen Prüfung, sodass die Autonomie des Agenten begrenzt bleibt, während das Institut Erfahrung sammelt. Wer den Unterschied zwischen einem gelungenen Pilotfall und echter Veränderung im Betrieb verstehen will, findet die Abgrenzung im Beitrag Pilot ist nicht Transformation.
Autonomie ist ein Regler, kein Schalter
Der Begriff des autonomen Agenten führt in die Irre, weil er ein Entweder-oder suggeriert. In der Praxis ist Autonomie ein Stufenmodell. Auf der ersten Stufe schlägt der Agent vor, der Mensch entscheidet jeden Fall. Auf der zweiten entscheidet der Agent die Standardfälle, der Mensch die markierten Ausnahmen. Auf der dritten arbeitet der Agent selbstständig, der Mensch prüft Stichproben und Kennzahlen.
Jede Stufe braucht einen Nachweis, bevor die nächste freigeschaltet wird: eine stabile Fehlerquote über einen definierten Zeitraum, dokumentiert und von der Fachseite abgenommen. So entsteht Autonomie als Ergebnis von Vertrauen, das sich der Agent verdient hat, statt als Vorschuss, den das Projektbudget erzwingt. Für die Revision ist dieses Stufenmodell zugleich die Antwort auf die Frage, wie das Institut die Kontrolle behält.
Ein Beispiel macht es greifbar. Ein Agent, der eingehende Kundendokumente einem Vorgang zuordnet, startet auf Stufe eins: Er schlägt die Zuordnung vor, die Sachbearbeitung bestätigt jede einzelne. Nach vier Wochen zeigt die Auswertung, dass die Vorschläge in den Standardfällen fast durchgehend übernommen wurden. Also wechseln genau diese Fallgruppen auf Stufe zwei, die Sonderfälle bleiben beim Menschen. Nach einem weiteren Quartal mit stabiler Quote folgt Stufe drei mit wöchentlicher Stichprobe. Zu keinem Zeitpunkt musste jemand der Maschine vertrauen, das Institut hat gemessen.
Was das für die Verbundstrategie bedeutet
Für eine Genossenschaftsbank heißt das nicht, auf den Verbund zu warten, und auch nicht, ihm vorauszulaufen. Es heißt, die eigene Hausaufgabe zu machen, damit die Verbundleistung wirkt, wenn sie kommt. Die Bank, die ihre Prozesse dokumentiert, ihre Datenqualität gemessen und ihre Verantwortlichkeiten geklärt hat, kann jeden neuen Baustein binnen Wochen produktiv setzen. Die Bank, die das nicht getan hat, bekommt denselben Baustein und lässt ihn liegen, wie schon manches Tool zuvor.
Der Unterschied zwischen beiden Banken steht in keinem Softwarekatalog. Er entsteht in den Monaten vor dem Rollout, in unspektakulärer Ordnungsarbeit, die kein Vorstand gern auf der Klausurtagung präsentiert und ohne die jede Präsentation Makulatur bleibt.
Sechs Monate, ein realistischer Fahrplan
Wie sieht der Weg konkret aus? Monat eins und zwei gehören der Auswahl und der Prozessaufnahme: Kandidatenprozesse gegen die vier Prüffragen halten, den besten auswählen, die gelebte Praxis dokumentieren und die eine verbindliche Variante festlegen. Monat drei gehört den Daten: Eingangsformate sichten, Qualitätsprobleme benennen, Zugriffsrechte mit IT und Datenschutz klären.
Monat vier und fünf laufen im Vorschlagsbetrieb auf Stufe eins, mit wöchentlicher Auswertung der Übernahmequote und einem festen Termin, an dem die Fachseite Korrekturen einspeist. Monat sechs bringt die Entscheidung: Welche Fallgruppen wechseln auf Stufe zwei, welche bleiben beim Menschen, und trägt die Wirtschaftlichkeitsrechnung den Ausbau? Das Tempo wirkt unspektakulär und ist genau deshalb belastbar, denn jeder Schritt erzeugt den Nachweis, den der nächste braucht.
Institute, die diesen Weg einmal gegangen sind, sind beim zweiten Prozess doppelt so schnell. Die Methodik steht, die Rollen sind eingespielt, die Revision kennt das Muster. Der erste Agent ist deshalb weniger ein Automatisierungsprojekt als eine Investition in die Fähigkeit, Automatisierung zu betreiben.
Die Abbruchquote ist eine Entscheidung
Gartners Prognose von über 40 Prozent abgebrochenen Agentenprojekten beschreibt keinen Naturzustand, sondern die Summe vermeidbarer Fehler: Projekte ohne definierten Prozess, ohne belastbare Daten, ohne geklärte Verantwortung. Kein einzelnes Institut muss Teil dieser Statistik werden. Die Institute, die es nicht werden, erkennen sich früh an einer Gewohnheit: Sie stellen die Prozessfrage vor der Technikfrage.
Der erste Schritt sortiert die Prozesse des Instituts nach Agentenreife, benennt die Lücken je Kandidat und liefert die Reihenfolge, in der sich Ordnung und Automatisierung gegenseitig verstärken. Danach ist Agentic AI kein Schlagwort mehr, sondern ein Arbeitsplan mit Terminen. Darüber kommen wir gern ins Gespräch.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.




