Kommentar von Jana Behr & Felix Flohr, KPMG Financial Services KI-Agenten im Banking: Das Ende der Fließbandarbeit

Anbieter zum Thema

KPMG AG Wirtschaftsprüfungsgesellschaft

Fujitsu Technology Solutions GmbH

KI-Agenten verändern das Banking fundamental. Anders als klassische Chatbots geben sie nicht nur Stichpunkte wieder oder scheitern wie herkömmliche RPA-Skripte häufig bereits an kleinsten Denkfehlern. Sie durchforsten Aktenberge, ziehen logische Schlüsse und bereiten hochkomplexe Kredit- und Risikoentscheidungen auf. Und das in Sekunden.

Ein Kreditprozess ist ein aufwendiges Unterfangen. Gerade wenn die Anfrage aus dem Gewerbe kommt und über mehrere Millionen Euro entschieden werden muss. Der entsprechende Antrag füllt dann gerne einmal mehrere Ordner. Sie beinhalten Bilanzen, Quartalsberichte, Steuerunterlagen, Grundbuchauszüge und Compliance-Prüfungen. Einen Bankmitarbeiter kann so ein Aktenstapel durchaus eine Weile beschäftigen. In der analogen Welt wühlt er sich händisch durch die Dokumente. Häufig, um am Ende festzustellen: 90 Prozent der Informationen hätte es für eine valide Risikobewertung gar nicht gebraucht.

Diese Zeit kann er sich nun sparen. Und die Bank, für die er arbeitet, damit auch. Das liegt an einer Lösung, die mit der Künstlichen Intelligenz (KI) Einzug in die Finanzwelt erhalten hat: der KI-Agent. Ein intelligenter Bot liest dieselben Dokumente parallel, trennt in Sekunden die Spreu vom Weizen, gleicht Bonitätsdaten mit internen Datenbanken ab und bereitet den Entscheidungsvorschlag vor – präzise, nachvollziehbar und in Minuten.

Technisch ist das längst möglich. In der Praxis breitet sich diese Errungenschaft dagegen nur langsam aus. Laut dem aktuellen „CIO and Technology Executive Survey“ von Gartner haben weltweit erst 17 Prozent der Unternehmen KI-Agenten produktiv im Einsatz. Immerhin peilen mehr als 60 Prozent den Rollout in den nächsten zwei Jahren an. Allerdings gibt es auf diesem Weg einiges zu beachten. Schließlich sind smarte KI-Agenten keine Chatbots im neuen Gewand. Sie verändern die Prozesse im Banking von Grund auf.

Vom starren Tool zum flexiblen Akteur

Oft wird agentische KI noch mit dialogorientierten Chatbots oder klassischer Robotic Process Automation (RPA) verwechselt. Dabei wiegen die Unterschiede schwer. Ein Chatbot beantwortet Einzelfragen auf Basis bestehender Texte. Klassische RPA wiederum gleicht einem starren Fließband. Sie führt Schritt A, B und C aus. Ändert sich im Prozess auch nur ein einziges Formularfeld oder weicht ein PDF vom Standardlayout ab, blockiert das System sofort. Die Kette bricht ab und ein Mitarbeiter muss manuell nacharbeiten.

Ein KI-Agent funktioniert grundlegend anders. Er ähnelt einem neuen Kollegen, der Ziel, Kontext und Werkzeuge wie den Zugriff auf Kernbankensysteme, Datenbanken oder Recherche-Tools erhält. Wie der Agent dieses Ziel erreicht, plant er selbstständig. Trifft er auf eine unvorhergesehene Hürde oder ein unbekanntes Dateiformat, bricht er nicht ab, sondern testet alternative Lösungswege. Dank dieser Intelligenz wird Automatisierung von einem starren Abarbeitungstool zum denkenden Akteur.

Das Einsatzgebiet reicht deshalb weit über die bloße Zusammenfassung interner Abläufe hinaus. Früher beschleunigte Automatisierung Use Cases zwar, entfaltete darüber hinaus aber kaum Hebelwirkung. Dank KI und Rechenpower meistert Technologie nun jedoch auch komplexe Aufgaben in hoher Geschwindigkeit und wird so zum Faktor für Wertschöpfung.

Im Kredit- und Risikobereich reduzieren Agenten Bearbeitungszeiten von Tagen auf Minuten. Bei Monats- und Jahresabschlüssen identifizieren sie Datenanomalien frühzeitig und leiten Korrekturen selbst ein. Und selbst beim internationalen Wachstum unterstützen sie. Durch ihre native Multilingualität analysieren sie fremdsprachige Finanzberichte ohne zeitaufwendige Übersetzungs- und Anpassungsschleifen.

Präzision statt Erschöpfung

Dennoch gibt es Vorbehalte. Zum Beispiel in Sachen Vertrauen. Einer Umfrage der Postbank zur Folge vertrauen 77 Prozent der Befragten bei Finanzthemen der menschlichen Beratung eher als der durch KI. Diesem Aspekt liegt jedoch ein Denkfehler zu Grunde: die Annahme, der Mensch arbeite fehlerfrei. Wer stundenlang repetitive Prüfaufgaben erledigt, ermüdet unweigerlich.

Laut einer vom schwedischen Software-Unternehmen Medius beauftragen Umfrage können Finanzberater derartige Aufgaben gerade einmal 41 Minuten lang fokussiert durchführen, bevor die Aufmerksamkeit nachlässt. Ihre Fehlerquote etwa beim manuellen Abgleich von Transaktionsdaten liegt zwischen zehn und 15 Prozent, ihre Trefferquote beim Aufspüren von Fehlern bei 70 Prozent. Ein passend aufgesetzter KI-Agent erreicht verlässlich 85 Prozent und mehr, denn er kennt weder Konzentrationsschwankungen noch hat er schlechte Tage. Für Institute bedeutet diese Differenz einen Qualitätssprung bei sinkenden Prozesskosten.

Warum zögern viele Institute dennoch bei der Umsetzung? Die Hürden lauern in der IT-Architektur und der Datenbasis. Es ist schließlich so: Ein schlechter Prozess wird nicht dadurch besser, dass man ein Large Language Model darüberstülpt – er wird nur schneller schlecht. Wer in den vergangenen Jahren IT-Altlasten nicht abgebaut und Schnittstellen vernachlässigt hat, steht nun vor neuen Herausforderungen.

Autonomie als Erfolgsmodell

Agenten benötigen sauberen, standardisierten Zugriff auf Daten und Backend-Systeme. Moderne Protokolle und Schnittstellenkonzepte wie MCP-Server (Model Context Protocol) schlagen hier die Brücke zwischen der Modell-Logik und den Kernbanksystemen. Zudem verbietet sich der Ansatz, für jeden Anwendungsfall das Rad neu zu erfinden. Banken müssen auf wiederverwendbare Architektur-Blueprints setzen. Wer von Beginn an modulare Plattformen etabliert, standardisierte Datenzugriffe baut und klare Integrationsmuster vorgibt, skaliert neue Use Cases in Wochen statt in Monaten.

Eine weitere Herausforderung ist die Autonomie, mit der KI-Agenten auch bei sensiblen Aufgaben wie der Portfolio-Verwaltung agieren müssen, um ihre volle Wirkung zu entfalten. Autonomie klingt für Risiko- und Compliance-Verantwortliche im ersten Moment nach Kontrollverlust. Doch Autonomie bedeutet nicht Regellosigkeit. Sie verlangt lediglich definierte Leitplanken.

Banken müssen nicht das Modell einschränken, sondern seinen Handlungsspielraum begrenzen. Das gelingt über strikte Netzwerkrichtlinien, rollenbasierte Berechtigungskonzepte und abgesicherte Ausführungsumgebungen. Ein Agent darf nur die Werkzeuge nutzen und die Daten einsehen, die er für seine konkrete Aufgabe zwingend benötigt. Passend dazu fordern Regulierungen wie der AI Act oder DORA lückenlose Nachvollziehbarkeit. Ein differenziertes Governance-Framework entscheidet, welche Aufgaben autonom ablaufen und wo Kontrollschranken greifen.

Killt KI die Demografie?

Bleibt die Frage nach den Arbeitsplätzen: Verdrängen KI-Agenten den Bankkaufmann? Eher nicht. Finanzinstitute steuern auf eine massive demografische Lücke zu. Bis Mitte der 2030er gehen in vielen Häusern zwischen 20 und 30 Prozent der Belegschaft in den Ruhestand. Der Fachkräftemangel trifft die Branche mit voller Wucht. Banken führen KI-Agenten nicht in erster Linie ein, um Personal abzubauen, sondern um ihr operatives Tagesgeschäft bei schrumpfender Belegschaft überhaupt aufrechtzuerhalten.

Die Rolle des Menschen verschiebt sich dabei vom fehleranfälligen Fließbandarbeiter zum strategischen Prüfer und Berater. Routineaufgaben wandern zur Maschine, der Mensch übernimmt die Qualitätskontrolle. Er steuert Ausnahmefälle und konzentriert sich auf die Kundenberatung sowie komplexe Problemlösungen. Er wird den Kreditantrag des großen Gewerbekunden also nicht mehr wochenlang per Hand prüfen, sondern er wird das Unternehmen mit dem Ergebnis beraten. Und das deutlich schneller und flexibler als je zuvor.

(ID:50949618)