Insight
KI-Agenten im Risikomanagement: Die Datengenauigkeit entscheidet
Asset Manager prüfen KI-Agenten für das Risikomanagement. Die Daten sind oft vollständig, aber nicht genau genug. Was Gesellschaften vorher klären sollten.
Prozesse und Effizienz
6 min Lesezeit
Kernaussage
Im Risikomanagement entscheidet nicht das KI-Modell über den Nutzen, sondern die Genauigkeit der Daten davor. Wer vollständige mit verlässlichen Daten verwechselt, beschleunigt seine Fehler.

Die wichtigsten Erkenntnisse
Vollständige Daten sind noch keine genauen Daten.
Agenten erst vorbereiten lassen, dann handeln.
Der Nutzen hängt an der Datenkette, nicht am Modell.
KI ist im Asset Management angekommen, die Datenbasis noch nicht
Asset Manager prüfen den Einsatz von KI-Agenten zunehmend auch dort, wo Fehler am teuersten sind: im Risikomanagement. Ob das die Risikosteuerung verbessert oder neue Risiken schafft, hängt weniger vom Modell ab als von der Genauigkeit der Daten, auf die ein Agent zugreift.
Für Kapitalverwaltungsgesellschaften und Vermögensverwalter ist das eine Managementfrage, keine IT-Frage. Ein falsches Risikosignal löst Absicherungen, Limitanpassungen oder Eskalationen aus, die Geld und Vertrauen kosten. Ein langsamer, aber richtiger Bericht tut das nicht.
Wie verbreitet KI im Asset Management heute ist
Die Nutzung ist breit, der Einsatz in der Tiefe selten. In der ersten Umfrage „AI in Asset Management“ des luxemburgischen Fondsverbands ALFI, durchgeführt gemeinsam mit dem europäischen Branchenverband EFAMA (2026, 63 Antworten, zu 90,5 Prozent von Asset Managern und Verwaltungsgesellschaften), nutzen knapp 97 Prozent generative KI. Nur etwa jeder Fünfte berichtet von fortgeschrittener Einführung oder Einsatz in großem Maßstab, und nur 34,5 Prozent verfügen über ein formales Modell zur Messung des Return on Investment.
Bei Entscheidungen hält sich die Branche zurück. Im Mercer 2026 AI in Asset Management Survey (131 Asset Manager weltweit, Februar bis März 2026) haben 55 Prozent KI in mindestens einen Investmentprozess integriert, aber nur 6 Prozent geben an, KI für Entscheidungen einzusetzen.
Das ändert sich, sobald KI-Agenten in Risikoprozesse eingreifen. Ein Agent, der Daten zusammenführt, Limits prüft und Auffälligkeiten meldet, trifft zwar keine Anlageentscheidung, bestimmt aber, worüber Menschen entscheiden.
Warum das Risikomanagement zum Prüfstein wird
Clearwater Analytics hat für den Bericht „GenAI and the Data Divide“ (Global Report Summer 2026) im März 2026 178 Führungskräfte befragt: CFOs, CEOs, CIOs, CROs und CTOs aus dem Versicherungs-Asset-Management, dem allgemeinen Asset Management, von Hedgefonds und Private-Credit-Managern in Europa, den USA und Asien. 92 Prozent der Unternehmen sagen, ihr Risikomanagement sei proaktiver geworden, und 91 Prozent halten agentische KI schon heute für wichtig für ihre Abläufe, als kritisch stufen sie allerdings nur 2 Prozent ein.
Früher reagieren ist nur ein Gewinn, wenn das Signal stimmt. Ein Agent, der auf fehlerhafte Positionen oder veraltete Bewertungen zugreift, meldet schneller, aber nicht besser.
Vollständig heißt nicht genau
Die zentrale Lücke liegt zwischen Vollständigkeit und Genauigkeit. Laut Clearwater bewerten 79 Prozent der Befragten ihre Daten bei Vollständigkeit und Abdeckung als gut oder exzellent; bei Genauigkeit und Verlässlichkeit sind es nur 56 Prozent. 99 Prozent nennen unzuverlässige Daten als größtes Hindernis, KI-Ergebnissen zu vertrauen.
Für Gesellschaften ist diese Lücke gefährlicher, als sie klingt. Lückenhafte Daten fallen auf, weil etwas fehlt. Vollständige, aber ungenaue Daten fallen nicht auf: Der Agent erkennt den Fehler nicht und verarbeitet ihn mit hoher Geschwindigkeit weiter, in Berichte, Limitprüfungen und Eskalationen.
Was Datengenauigkeit im Risikomanagement bewirkt
Der Unterschied zeigt sich in den eigenen Angaben der Befragten. Bei Unternehmen mit guter oder exzellenter Datengenauigkeit sagen laut Clearwater 44 Prozent, ihr Risikomanagement sei deutlich proaktiver geworden; bei mittlerer oder schlechter Datenqualität sind es 17 Prozent. Es handelt sich um Selbsteinschätzungen, die Richtung ist dennoch eindeutig.
Der Unterschied entsteht nicht im Modell, sondern in der Datenkette davor: Stammdaten, Bewertungen, Positionen aus Verwahrstelle und Depotbank, Marktdaten und deren Abgleich. Wer hier investiert, verbessert jeden späteren KI-Einsatz zugleich; wer nur in Modelle investiert, verschiebt die Kosten in die Fehlerkorrektur.
Welche Fragen ein KI-Agent im Risikoprozess beantworten können muss
Für jeden Agenten im Risikoprozess sollten drei Dinge nachvollziehbar sein: welche Daten er gezogen hat, welche Annahmen er über Anlageklassen und Modelle hinweg verwendet und an welcher Stelle ein Mensch freigibt. Ohne diese drei Antworten lässt sich ein Ergebnis weder prüfen noch gegenüber Verwahrstelle, Prüfern und Anlegern begründen.
Das ist keine Formalie. In der Risikosteuerung zählt nicht nur, ob eine Entscheidung richtig war, sondern ob sie sich später belegen lässt. Ein Agent, der seine Datengrundlage nicht offenlegt, schafft genau die Lücke, die das Risikomanagement schließen soll.
Wo KI-Agenten im Risikomanagement heute tragen
Belastbar sind Einsätze, in denen der Agent vorbereitet und ein Mensch entscheidet: Positionen zwischen Quellsystemen abgleichen, Bewertungen plausibilisieren, Limitverletzungen zusammenfassen und Eskalationen vorbereiten. Die Erwartungen der Branche liegen allerdings woanders: 62 Prozent der Clearwater-Befragten erwarten große bis transformative Veränderungen beim Erzeugen und Zusammenfassen von Informationen, beim Erkennen und Diagnostizieren von Datenfehlern sind es nur 36 Prozent. Genau dort liegt im Risikomanagement der größere Hebel.
Weniger belastbar sind Einsätze, in denen der Agent selbst Absicherungen oder Limitänderungen auslöst. Dort entscheidet die Datengenauigkeit unmittelbar über das Ergebnis, und ein Fehler wirkt, bevor ihn jemand bemerkt. Wo der Hebel von KI im Betrieb einer Gesellschaft insgesamt liegt, ordnet unser Beitrag zum KI-Einsatz im Asset Management ein.
Was das für Kosten und Kapazität bedeutet
Der Ausbau von KI im Risikomanagement verlagert Aufwand, statt ihn nur zu senken: weniger manuelle Datensammlung, mehr Datenpflege, Kontrolle und Ausnahmebearbeitung. Diese Verschiebung muss eingeplant werden, sonst landet sie unbemerkt bei den Teams, die heute schon ausgelastet sind.
Auch die Kompetenzen fehlen vielerorts. 62 Prozent der Clearwater-Befragten sehen einen Mangel an KI-Kompetenzen in ihrem Unternehmen. Für Gesellschaften heißt das: Wer KI-Agenten im Risikomanagement einführt, braucht Menschen, die Daten, Modelle und Risikoprozesse zugleich verstehen, und muss diese Kapazität gegen andere Vorhaben priorisieren.
Wie sich der Nutzen messen lässt
Weil nur gut ein Drittel der Befragten laut ALFI und EFAMA ein formales Modell zur Messung des Return on Investment hat, bleibt der Nutzen oft eine Behauptung. Im Risikomanagement lässt er sich konkret machen: Durchlaufzeit vom Datenstand bis zum Risikobericht, Anteil manueller Korrekturen, Zahl der Fehlalarme und Zeit bis zur Eskalation einer echten Limitverletzung.
Diese Kennzahlen gehören vor den Einsatz eines Agenten erhoben, nicht danach. Nur dann lässt sich zeigen, ob der Agent die Risikosteuerung verbessert oder nur beschleunigt hat.
Was jetzt zu tun ist
Die Genauigkeit der risikorelevanten Datenkette messen, nicht nur ihre Vollständigkeit.
Für jeden geplanten Agenten festlegen, welche Daten er nutzt, wo ein Mensch freigibt und wie Abweichungen protokolliert werden.
Zuerst Agenten einsetzen, die vorbereiten und abgleichen, bevor Agenten Maßnahmen auslösen.
Kapazität für Datenpflege, Kontrolle und Ausnahmebearbeitung einplanen und gegen andere Vorhaben priorisieren.
Durchlaufzeit, Korrekturquote und Fehlalarme vor dem Einsatz erheben, damit der Nutzen belegbar wird.
Wie genau die eigenen Risikodaten tatsächlich sind, zeigt sich oft erst beim ersten Abgleich zweier Quellsysteme. Zu diesem Thema freuen wir uns über ein erstes Gespräch.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
Vollständige Daten sind noch keine genauen Daten.
Agenten erst vorbereiten lassen, dann handeln.
Der Nutzen hängt an der Datenkette, nicht am Modell.
KI ist im Asset Management angekommen, die Datenbasis noch nicht
Asset Manager prüfen den Einsatz von KI-Agenten zunehmend auch dort, wo Fehler am teuersten sind: im Risikomanagement. Ob das die Risikosteuerung verbessert oder neue Risiken schafft, hängt weniger vom Modell ab als von der Genauigkeit der Daten, auf die ein Agent zugreift.
Für Kapitalverwaltungsgesellschaften und Vermögensverwalter ist das eine Managementfrage, keine IT-Frage. Ein falsches Risikosignal löst Absicherungen, Limitanpassungen oder Eskalationen aus, die Geld und Vertrauen kosten. Ein langsamer, aber richtiger Bericht tut das nicht.
Wie verbreitet KI im Asset Management heute ist
Die Nutzung ist breit, der Einsatz in der Tiefe selten. In der ersten Umfrage „AI in Asset Management“ des luxemburgischen Fondsverbands ALFI, durchgeführt gemeinsam mit dem europäischen Branchenverband EFAMA (2026, 63 Antworten, zu 90,5 Prozent von Asset Managern und Verwaltungsgesellschaften), nutzen knapp 97 Prozent generative KI. Nur etwa jeder Fünfte berichtet von fortgeschrittener Einführung oder Einsatz in großem Maßstab, und nur 34,5 Prozent verfügen über ein formales Modell zur Messung des Return on Investment.
Bei Entscheidungen hält sich die Branche zurück. Im Mercer 2026 AI in Asset Management Survey (131 Asset Manager weltweit, Februar bis März 2026) haben 55 Prozent KI in mindestens einen Investmentprozess integriert, aber nur 6 Prozent geben an, KI für Entscheidungen einzusetzen.
Das ändert sich, sobald KI-Agenten in Risikoprozesse eingreifen. Ein Agent, der Daten zusammenführt, Limits prüft und Auffälligkeiten meldet, trifft zwar keine Anlageentscheidung, bestimmt aber, worüber Menschen entscheiden.
Warum das Risikomanagement zum Prüfstein wird
Clearwater Analytics hat für den Bericht „GenAI and the Data Divide“ (Global Report Summer 2026) im März 2026 178 Führungskräfte befragt: CFOs, CEOs, CIOs, CROs und CTOs aus dem Versicherungs-Asset-Management, dem allgemeinen Asset Management, von Hedgefonds und Private-Credit-Managern in Europa, den USA und Asien. 92 Prozent der Unternehmen sagen, ihr Risikomanagement sei proaktiver geworden, und 91 Prozent halten agentische KI schon heute für wichtig für ihre Abläufe, als kritisch stufen sie allerdings nur 2 Prozent ein.
Früher reagieren ist nur ein Gewinn, wenn das Signal stimmt. Ein Agent, der auf fehlerhafte Positionen oder veraltete Bewertungen zugreift, meldet schneller, aber nicht besser.
Vollständig heißt nicht genau
Die zentrale Lücke liegt zwischen Vollständigkeit und Genauigkeit. Laut Clearwater bewerten 79 Prozent der Befragten ihre Daten bei Vollständigkeit und Abdeckung als gut oder exzellent; bei Genauigkeit und Verlässlichkeit sind es nur 56 Prozent. 99 Prozent nennen unzuverlässige Daten als größtes Hindernis, KI-Ergebnissen zu vertrauen.
Für Gesellschaften ist diese Lücke gefährlicher, als sie klingt. Lückenhafte Daten fallen auf, weil etwas fehlt. Vollständige, aber ungenaue Daten fallen nicht auf: Der Agent erkennt den Fehler nicht und verarbeitet ihn mit hoher Geschwindigkeit weiter, in Berichte, Limitprüfungen und Eskalationen.
Was Datengenauigkeit im Risikomanagement bewirkt
Der Unterschied zeigt sich in den eigenen Angaben der Befragten. Bei Unternehmen mit guter oder exzellenter Datengenauigkeit sagen laut Clearwater 44 Prozent, ihr Risikomanagement sei deutlich proaktiver geworden; bei mittlerer oder schlechter Datenqualität sind es 17 Prozent. Es handelt sich um Selbsteinschätzungen, die Richtung ist dennoch eindeutig.
Der Unterschied entsteht nicht im Modell, sondern in der Datenkette davor: Stammdaten, Bewertungen, Positionen aus Verwahrstelle und Depotbank, Marktdaten und deren Abgleich. Wer hier investiert, verbessert jeden späteren KI-Einsatz zugleich; wer nur in Modelle investiert, verschiebt die Kosten in die Fehlerkorrektur.
Welche Fragen ein KI-Agent im Risikoprozess beantworten können muss
Für jeden Agenten im Risikoprozess sollten drei Dinge nachvollziehbar sein: welche Daten er gezogen hat, welche Annahmen er über Anlageklassen und Modelle hinweg verwendet und an welcher Stelle ein Mensch freigibt. Ohne diese drei Antworten lässt sich ein Ergebnis weder prüfen noch gegenüber Verwahrstelle, Prüfern und Anlegern begründen.
Das ist keine Formalie. In der Risikosteuerung zählt nicht nur, ob eine Entscheidung richtig war, sondern ob sie sich später belegen lässt. Ein Agent, der seine Datengrundlage nicht offenlegt, schafft genau die Lücke, die das Risikomanagement schließen soll.
Wo KI-Agenten im Risikomanagement heute tragen
Belastbar sind Einsätze, in denen der Agent vorbereitet und ein Mensch entscheidet: Positionen zwischen Quellsystemen abgleichen, Bewertungen plausibilisieren, Limitverletzungen zusammenfassen und Eskalationen vorbereiten. Die Erwartungen der Branche liegen allerdings woanders: 62 Prozent der Clearwater-Befragten erwarten große bis transformative Veränderungen beim Erzeugen und Zusammenfassen von Informationen, beim Erkennen und Diagnostizieren von Datenfehlern sind es nur 36 Prozent. Genau dort liegt im Risikomanagement der größere Hebel.
Weniger belastbar sind Einsätze, in denen der Agent selbst Absicherungen oder Limitänderungen auslöst. Dort entscheidet die Datengenauigkeit unmittelbar über das Ergebnis, und ein Fehler wirkt, bevor ihn jemand bemerkt. Wo der Hebel von KI im Betrieb einer Gesellschaft insgesamt liegt, ordnet unser Beitrag zum KI-Einsatz im Asset Management ein.
Was das für Kosten und Kapazität bedeutet
Der Ausbau von KI im Risikomanagement verlagert Aufwand, statt ihn nur zu senken: weniger manuelle Datensammlung, mehr Datenpflege, Kontrolle und Ausnahmebearbeitung. Diese Verschiebung muss eingeplant werden, sonst landet sie unbemerkt bei den Teams, die heute schon ausgelastet sind.
Auch die Kompetenzen fehlen vielerorts. 62 Prozent der Clearwater-Befragten sehen einen Mangel an KI-Kompetenzen in ihrem Unternehmen. Für Gesellschaften heißt das: Wer KI-Agenten im Risikomanagement einführt, braucht Menschen, die Daten, Modelle und Risikoprozesse zugleich verstehen, und muss diese Kapazität gegen andere Vorhaben priorisieren.
Wie sich der Nutzen messen lässt
Weil nur gut ein Drittel der Befragten laut ALFI und EFAMA ein formales Modell zur Messung des Return on Investment hat, bleibt der Nutzen oft eine Behauptung. Im Risikomanagement lässt er sich konkret machen: Durchlaufzeit vom Datenstand bis zum Risikobericht, Anteil manueller Korrekturen, Zahl der Fehlalarme und Zeit bis zur Eskalation einer echten Limitverletzung.
Diese Kennzahlen gehören vor den Einsatz eines Agenten erhoben, nicht danach. Nur dann lässt sich zeigen, ob der Agent die Risikosteuerung verbessert oder nur beschleunigt hat.
Was jetzt zu tun ist
Die Genauigkeit der risikorelevanten Datenkette messen, nicht nur ihre Vollständigkeit.
Für jeden geplanten Agenten festlegen, welche Daten er nutzt, wo ein Mensch freigibt und wie Abweichungen protokolliert werden.
Zuerst Agenten einsetzen, die vorbereiten und abgleichen, bevor Agenten Maßnahmen auslösen.
Kapazität für Datenpflege, Kontrolle und Ausnahmebearbeitung einplanen und gegen andere Vorhaben priorisieren.
Durchlaufzeit, Korrekturquote und Fehlalarme vor dem Einsatz erheben, damit der Nutzen belegbar wird.
Wie genau die eigenen Risikodaten tatsächlich sind, zeigt sich oft erst beim ersten Abgleich zweier Quellsysteme. Zu diesem Thema freuen wir uns über ein erstes Gespräch.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
Vollständige Daten sind noch keine genauen Daten.
Agenten erst vorbereiten lassen, dann handeln.
Der Nutzen hängt an der Datenkette, nicht am Modell.
KI ist im Asset Management angekommen, die Datenbasis noch nicht
Asset Manager prüfen den Einsatz von KI-Agenten zunehmend auch dort, wo Fehler am teuersten sind: im Risikomanagement. Ob das die Risikosteuerung verbessert oder neue Risiken schafft, hängt weniger vom Modell ab als von der Genauigkeit der Daten, auf die ein Agent zugreift.
Für Kapitalverwaltungsgesellschaften und Vermögensverwalter ist das eine Managementfrage, keine IT-Frage. Ein falsches Risikosignal löst Absicherungen, Limitanpassungen oder Eskalationen aus, die Geld und Vertrauen kosten. Ein langsamer, aber richtiger Bericht tut das nicht.
Wie verbreitet KI im Asset Management heute ist
Die Nutzung ist breit, der Einsatz in der Tiefe selten. In der ersten Umfrage „AI in Asset Management“ des luxemburgischen Fondsverbands ALFI, durchgeführt gemeinsam mit dem europäischen Branchenverband EFAMA (2026, 63 Antworten, zu 90,5 Prozent von Asset Managern und Verwaltungsgesellschaften), nutzen knapp 97 Prozent generative KI. Nur etwa jeder Fünfte berichtet von fortgeschrittener Einführung oder Einsatz in großem Maßstab, und nur 34,5 Prozent verfügen über ein formales Modell zur Messung des Return on Investment.
Bei Entscheidungen hält sich die Branche zurück. Im Mercer 2026 AI in Asset Management Survey (131 Asset Manager weltweit, Februar bis März 2026) haben 55 Prozent KI in mindestens einen Investmentprozess integriert, aber nur 6 Prozent geben an, KI für Entscheidungen einzusetzen.
Das ändert sich, sobald KI-Agenten in Risikoprozesse eingreifen. Ein Agent, der Daten zusammenführt, Limits prüft und Auffälligkeiten meldet, trifft zwar keine Anlageentscheidung, bestimmt aber, worüber Menschen entscheiden.
Warum das Risikomanagement zum Prüfstein wird
Clearwater Analytics hat für den Bericht „GenAI and the Data Divide“ (Global Report Summer 2026) im März 2026 178 Führungskräfte befragt: CFOs, CEOs, CIOs, CROs und CTOs aus dem Versicherungs-Asset-Management, dem allgemeinen Asset Management, von Hedgefonds und Private-Credit-Managern in Europa, den USA und Asien. 92 Prozent der Unternehmen sagen, ihr Risikomanagement sei proaktiver geworden, und 91 Prozent halten agentische KI schon heute für wichtig für ihre Abläufe, als kritisch stufen sie allerdings nur 2 Prozent ein.
Früher reagieren ist nur ein Gewinn, wenn das Signal stimmt. Ein Agent, der auf fehlerhafte Positionen oder veraltete Bewertungen zugreift, meldet schneller, aber nicht besser.
Vollständig heißt nicht genau
Die zentrale Lücke liegt zwischen Vollständigkeit und Genauigkeit. Laut Clearwater bewerten 79 Prozent der Befragten ihre Daten bei Vollständigkeit und Abdeckung als gut oder exzellent; bei Genauigkeit und Verlässlichkeit sind es nur 56 Prozent. 99 Prozent nennen unzuverlässige Daten als größtes Hindernis, KI-Ergebnissen zu vertrauen.
Für Gesellschaften ist diese Lücke gefährlicher, als sie klingt. Lückenhafte Daten fallen auf, weil etwas fehlt. Vollständige, aber ungenaue Daten fallen nicht auf: Der Agent erkennt den Fehler nicht und verarbeitet ihn mit hoher Geschwindigkeit weiter, in Berichte, Limitprüfungen und Eskalationen.
Was Datengenauigkeit im Risikomanagement bewirkt
Der Unterschied zeigt sich in den eigenen Angaben der Befragten. Bei Unternehmen mit guter oder exzellenter Datengenauigkeit sagen laut Clearwater 44 Prozent, ihr Risikomanagement sei deutlich proaktiver geworden; bei mittlerer oder schlechter Datenqualität sind es 17 Prozent. Es handelt sich um Selbsteinschätzungen, die Richtung ist dennoch eindeutig.
Der Unterschied entsteht nicht im Modell, sondern in der Datenkette davor: Stammdaten, Bewertungen, Positionen aus Verwahrstelle und Depotbank, Marktdaten und deren Abgleich. Wer hier investiert, verbessert jeden späteren KI-Einsatz zugleich; wer nur in Modelle investiert, verschiebt die Kosten in die Fehlerkorrektur.
Welche Fragen ein KI-Agent im Risikoprozess beantworten können muss
Für jeden Agenten im Risikoprozess sollten drei Dinge nachvollziehbar sein: welche Daten er gezogen hat, welche Annahmen er über Anlageklassen und Modelle hinweg verwendet und an welcher Stelle ein Mensch freigibt. Ohne diese drei Antworten lässt sich ein Ergebnis weder prüfen noch gegenüber Verwahrstelle, Prüfern und Anlegern begründen.
Das ist keine Formalie. In der Risikosteuerung zählt nicht nur, ob eine Entscheidung richtig war, sondern ob sie sich später belegen lässt. Ein Agent, der seine Datengrundlage nicht offenlegt, schafft genau die Lücke, die das Risikomanagement schließen soll.
Wo KI-Agenten im Risikomanagement heute tragen
Belastbar sind Einsätze, in denen der Agent vorbereitet und ein Mensch entscheidet: Positionen zwischen Quellsystemen abgleichen, Bewertungen plausibilisieren, Limitverletzungen zusammenfassen und Eskalationen vorbereiten. Die Erwartungen der Branche liegen allerdings woanders: 62 Prozent der Clearwater-Befragten erwarten große bis transformative Veränderungen beim Erzeugen und Zusammenfassen von Informationen, beim Erkennen und Diagnostizieren von Datenfehlern sind es nur 36 Prozent. Genau dort liegt im Risikomanagement der größere Hebel.
Weniger belastbar sind Einsätze, in denen der Agent selbst Absicherungen oder Limitänderungen auslöst. Dort entscheidet die Datengenauigkeit unmittelbar über das Ergebnis, und ein Fehler wirkt, bevor ihn jemand bemerkt. Wo der Hebel von KI im Betrieb einer Gesellschaft insgesamt liegt, ordnet unser Beitrag zum KI-Einsatz im Asset Management ein.
Was das für Kosten und Kapazität bedeutet
Der Ausbau von KI im Risikomanagement verlagert Aufwand, statt ihn nur zu senken: weniger manuelle Datensammlung, mehr Datenpflege, Kontrolle und Ausnahmebearbeitung. Diese Verschiebung muss eingeplant werden, sonst landet sie unbemerkt bei den Teams, die heute schon ausgelastet sind.
Auch die Kompetenzen fehlen vielerorts. 62 Prozent der Clearwater-Befragten sehen einen Mangel an KI-Kompetenzen in ihrem Unternehmen. Für Gesellschaften heißt das: Wer KI-Agenten im Risikomanagement einführt, braucht Menschen, die Daten, Modelle und Risikoprozesse zugleich verstehen, und muss diese Kapazität gegen andere Vorhaben priorisieren.
Wie sich der Nutzen messen lässt
Weil nur gut ein Drittel der Befragten laut ALFI und EFAMA ein formales Modell zur Messung des Return on Investment hat, bleibt der Nutzen oft eine Behauptung. Im Risikomanagement lässt er sich konkret machen: Durchlaufzeit vom Datenstand bis zum Risikobericht, Anteil manueller Korrekturen, Zahl der Fehlalarme und Zeit bis zur Eskalation einer echten Limitverletzung.
Diese Kennzahlen gehören vor den Einsatz eines Agenten erhoben, nicht danach. Nur dann lässt sich zeigen, ob der Agent die Risikosteuerung verbessert oder nur beschleunigt hat.
Was jetzt zu tun ist
Die Genauigkeit der risikorelevanten Datenkette messen, nicht nur ihre Vollständigkeit.
Für jeden geplanten Agenten festlegen, welche Daten er nutzt, wo ein Mensch freigibt und wie Abweichungen protokolliert werden.
Zuerst Agenten einsetzen, die vorbereiten und abgleichen, bevor Agenten Maßnahmen auslösen.
Kapazität für Datenpflege, Kontrolle und Ausnahmebearbeitung einplanen und gegen andere Vorhaben priorisieren.
Durchlaufzeit, Korrekturquote und Fehlalarme vor dem Einsatz erheben, damit der Nutzen belegbar wird.
Wie genau die eigenen Risikodaten tatsächlich sind, zeigt sich oft erst beim ersten Abgleich zweier Quellsysteme. Zu diesem Thema freuen wir uns über ein erstes Gespräch.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.


