Was bedeutet agentische KI für Finanzinstitute?

Die meisten Banken haben KI bisher als Textmaschine erlebt. Ein Chatbot, der Fragen beantwortet, ein Assistent, der Entwürfe schreibt. Agentische KI dreht dieses Verhältnis um. Sie beschreibt Softwaresysteme, die ein Ziel entgegennehmen, es in Teilschritte zerlegen, eigenständig Aktionen in Systemen ausführen und das Ergebnis anpassen, ohne dass ein Mensch jeden Schritt anstößt. Für Finanzinstitute bedeutet agentische KI den Übergang vom Werkzeug, das auf Befehl reagiert, zum digitalen Kollegen, der einen ganzen Arbeitsablauf übernimmt. 2026 ist dieser Übergang real, aber eng begrenzt. Er trägt dort, wo Daten sauber, Prozesse klar und Kontrollen belastbar sind.

Die kurze Antwort für Entscheider lautet: Agentische KI verlagert nicht die Frage, ob eine Maschine denkt, sondern ob sie handelt. Ein Assistent schlägt vor, ein Agent führt aus. Wo dieser Sprung glückt, entstehen die Effizienzgewinne, mit denen Analysten rechnen. Wo er misslingt, entsteht ein teures Projekt, das die Statistik der gescheiterten Vorhaben verlängert. Beides passiert 2026 parallel, oft im selben Institut.

Was unterscheidet einen KI-Agenten von einem Assistenten?

Der Unterschied ist Handlungsfähigkeit. Ein Assistent liefert Vorschläge, ein Agent führt aus. McKinsey definiert agentische KI als Technologie, die über die reaktive Inhaltserzeugung generativer KI hinausgeht und eigenständig handelt, in Zusammenarbeit mit menschlichen Nutzern. Agenten interpretieren Ziele, zerlegen sie in Teilaufgaben, greifen auf Menschen und Systeme zu, führen Aktionen aus und passen sich dynamisch an. Deloitte formuliert es knapper und nennt agentische KI Softwarelösungen, die komplexe Aufgaben mit wenig oder ohne menschliche Aufsicht erledigen.

Für einen Entscheider ist die praktische Trennlinie einfach. Fragen Sie, wer die nächste Aktion auslöst. Solange ein Mensch klickt, bestätigt oder abschickt, arbeiten Sie mit Assistenz. Erst wenn die Software den nächsten Schritt selbst wählt und auslöst, sprechen Sie über einen Agenten. Diese eine Frage entscheidet, ob ein Anbieter Ihnen einen Agenten verkauft oder einen umbenannten Chatbot.

Wie viele Entscheidungen trifft agentische KI bis 2028 autonom?

Laut Gartner werden bis 2028 mindestens 15 Prozent der alltäglichen Arbeitsentscheidungen autonom durch agentische KI getroffen, gegenüber 0 Prozent im Jahr 2024. Im selben Zeitraum enthalten nach Gartner 33 Prozent der Unternehmenssoftware agentische Funktionen, nach weniger als 1 Prozent 2024. Das ist kein Randphänomen und keine Übernahme. 15 Prozent heißt im Umkehrschluss, dass die große Mehrheit der Entscheidungen beim Menschen bleibt.

Deloitte erwartet, dass 2025 rund 25 Prozent der Unternehmen, die generative KI nutzen, agentische Pilotprojekte oder Machbarkeitsnachweise starten, und dass dieser Anteil bis 2027 auf 50 Prozent steigt. Pilot ist hier das entscheidende Wort. Der Sprung von der Erprobung in den Regelbetrieb steht in den meisten Häusern noch aus.

Wie früh die Phase ist, zeigt eine Gartner-Umfrage unter 3.412 Teilnehmern von Anfang 2025. Nur 19 Prozent hatten zu diesem Zeitpunkt umfangreich in agentische KI investiert, 42 Prozent zurückhaltend, 8 Prozent gar nicht, und 31 Prozent warteten ab oder waren unentschlossen. Wer 2026 mit einem klar umrissenen Prozess startet, gehört damit nicht zu den Nachzüglern, sondern zu einer kleinen Gruppe, die aus der Erprobung echten Betrieb macht.

Wo agentische KI in Finanzinstituten 2026 schon Arbeit übernimmt

Der Nutzen entsteht nicht flächendeckend, sondern in klar umrissenen Prozessen. Vier Felder sind 2026 in der Finanzbranche am weitesten: Kundenservice, Betrugserkennung, Kreditvorbereitung und Compliance. Ihnen ist gemeinsam, dass sie regelbasiert, datenreich und wiederkehrend sind. Genau dort spielt Autonomie ihre Stärke aus.

Kundenservice: der erste Bereich mit echtem Agentenbetrieb

Gartner prognostiziert, dass bis 2028 60 Prozent der Marken agentische KI einsetzen, um direkte Eins-zu-eins-Interaktionen mit Kunden zu steuern. In Finanzinstituten bedeutet das mehr als ein Chatbot mit besserem Wortschatz. Ein Agent nimmt eine Kundenanfrage entgegen, ruft den Kontostand ab, prüft eine Transaktion, löst eine Kartensperre aus und dokumentiert den Vorgang, ohne dass ein Servicemitarbeiter jeden Schritt bedient. Der Mensch bleibt für Eskalation und Ausnahmen zuständig, der Agent übernimmt die Masse der Standardfälle.

Für Institute mit hohem Anfragevolumen ist das der sichtbarste Hebel. Wartezeiten sinken, Servicezeiten verlängern sich über die Öffnungszeiten hinaus, und Mitarbeiter gewinnen Kapazität für die Fälle, die Urteilsvermögen verlangen. Der Aufwand liegt nicht im Sprachmodell, sondern in der Anbindung an Kernbanksystem, Kartenmanagement und Fallbearbeitung. Ohne diese Schnittstellen bleibt der Agent ein Chatbot.

Betrugserkennung: von der Warnung zur Reaktion

Klassische Betrugserkennung meldet Auffälligkeiten und wartet auf einen Menschen. Ein Agent bewertet eine verdächtige Transaktion in Echtzeit, holt zusätzliche Signale ein, stoppt die Zahlung vorläufig und eröffnet einen Fall zur Prüfung. Das verkürzt die Zeit zwischen Signal und Reaktion, also genau den Zeitraum, in dem Schaden entsteht. Hier zeigt sich der Wert von Autonomie am deutlichsten. Betrug wartet nicht auf die nächste Schicht.

Die Grenze liegt in der Fehlerquote. Ein Agent, der zu viele legitime Zahlungen stoppt, kostet Vertrauen und Umsatz. Ein Agent, der zu wenige stoppt, lässt Schaden durch. Deshalb gehört zu jedem produktiven Einsatz eine klare Schwelle, ab der ein Mensch übernimmt, und eine Protokollierung, die jede Entscheidung im Nachhinein prüfbar macht.

Kreditvorbereitung und Marktfolge: der stille Effizienzhebel

Die größten Zeitgewinne liegen nicht im Schaufenster, sondern im Backoffice. McKinsey berichtet aus Banken, die ihre Vertriebsprozesse umgebaut haben, von 10 bis 12 Stunden pro Woche, die jedem Betreuer zurückgegeben werden, und von 3 bis 15 Prozent höheren Erlösen pro Kundenbetreuer bei 20 bis 40 Prozent niedrigeren Servicekosten. Übertragen auf die Kreditvorbereitung heißt das: Ein Agent sammelt Unterlagen, prüft Vollständigkeit, füllt Vorlagen und bereitet die Entscheidung vor. Die Kreditentscheidung selbst trifft weiter der Mensch. Wie dieser Ansatz konkret aussieht, zeigt unser Beitrag zu KI in der Marktfolge.

Compliance: Kontrolle, die mitläuft

Compliance ist datenintensiv, regelbasiert und wiederkehrend, damit ein natürliches Feld für Agenten. Ein Agent prüft Transaktionen gegen Sanktionslisten, dokumentiert Auffälligkeiten, bereitet Verdachtsmeldungen vor und protokolliert Prüfpfade lückenlos. Der Reiz ist doppelt. Der Agent arbeitet schneller und hinterlässt eine nachvollziehbare Spur. Was er nicht ersetzt, ist die Verantwortung. Die trägt weiter das Haus.

Gerade in der Compliance ist die Nachvollziehbarkeit kein Zusatz, sondern die Voraussetzung. Ein Agent, der eine Verdachtsmeldung vorbereitet, muss offenlegen, welche Daten er herangezogen und welche Regel er angewendet hat. Diese Transparenz macht den Unterschied zwischen einem Werkzeug, das die Prüfung besteht, und einem, das die Aufsicht zurückweist.

Was ist Agent Washing und warum scheitern 40 Prozent der Projekte?

Der wichtigste Begriff für Entscheider 2026 lautet Agent Washing. Gartner beschreibt damit die Umetikettierung bestehender Produkte, etwa Assistenten, robotergesteuerter Prozessautomatisierung und Chatbots, als agentische KI, ohne dass echte Handlungsfähigkeit dahintersteht. Von Tausenden Anbietern, die sich agentisch nennen, hält Gartner nur rund 130 für real.

Die Folge steht in einer der meistzitierten Prognosen des Jahres. Gartner erwartet, dass mehr als 40 Prozent der agentischen KI-Projekte bis Ende 2027 eingestellt werden, wegen steigender Kosten, unklaren Geschäftsnutzens und unzureichender Risikokontrollen. Anushree Verma, Senior Director Analyst bei Gartner, ordnet ein, dass die meisten agentischen KI-Projekte derzeit Experimente im Frühstadium oder Machbarkeitsnachweise seien, getrieben von Hype und Fehlanwendung.

Für ein Finanzinstitut ist diese Zahl keine schlechte Nachricht, sondern eine Landkarte. Wer das Etikett konsequent vom Inhalt trennt, spart sich die Projekte, die später in der Statistik der Abbrüche landen.

Welche Risiken bringt agentische Autonomie mit?

Autonomie verschiebt den Ort des Fehlers. Ein Assistent, der falsch liegt, produziert einen schlechten Vorschlag, den ein Mensch verwirft. Ein Agent, der falsch liegt, führt eine falsche Aktion aus. Er sperrt ein Konto, verschickt eine Nachricht, stößt eine Zahlung an. Die Kontrolle muss deshalb vor der Handlung greifen, nicht danach.

Gartner nennt unzureichende Risikokontrollen ausdrücklich als einen der Hauptgründe für gescheiterte Projekte. Für Banken und Versicherer kommt hinzu, dass jede autonome Aktion prüfbar sein muss. Ein Agent ohne lückenloses Protokoll ist in einem regulierten Haus nicht einsetzbar, unabhängig davon, wie gut er funktioniert.

Die Antwort auf dieses Risiko ist keine Rückkehr zur reinen Assistenz, sondern eine gestufte Autonomie. Der Agent handelt selbst in einem eng abgesteckten Rahmen, eskaliert an den Menschen, sobald er die Grenzen dieses Rahmens erreicht, und lässt sich jederzeit anhalten. So entsteht Handlungsfähigkeit ohne Kontrollverlust.

Warum Daten und Prozesse über den Erfolg entscheiden

Ein Agent ist nur so gut wie die Systeme, in denen er handelt. Er braucht Zugriff auf saubere Daten, klar definierte Prozesse und Schnittstellen, über die er Aktionen auslösen kann. Wo Daten in Silos liegen, Prozesse informell laufen und Systeme keine kontrollierte Übergabe erlauben, scheitert Autonomie an der Realität, nicht am Modell.

Das erklärt, warum dieselbe Technologie in einem Haus trägt und im anderen im Pilot stecken bleibt. McKinsey berichtet, dass 85 Prozent der befragten Banker bereits KI in irgendeiner Form nutzen. Der Abstand zwischen Nutzung und Wirkung liegt selten am Modell und fast immer an den Daten und Prozessen darunter.

Daraus folgt eine unbequeme Reihenfolge. Wer agentische KI einführen will, investiert zuerst in Datenqualität, Schnittstellen und dokumentierte Prozesse. Diese Arbeit wirkt weniger spektakulär als ein Piloteinsatz, entscheidet aber, ob der Pilot je den Regelbetrieb erreicht. Institute, die diesen Schritt überspringen, finden sich in der Gartner-Prognose der 40 Prozent abgebrochenen Projekte wieder.

Welche regulatorischen Anforderungen agentische KI erfüllen muss

Autonome Systeme in Finanzinstituten bewegen sich in einem dichten Regelwerk. Der EU AI Act stuft KI nach Risiko ein, DORA verlangt Ausfallsicherheit und Nachvollziehbarkeit digitaler Prozesse. Ein Agent, der eigenständig handelt, muss dokumentieren, was er warum getan hat, und im Fehlerfall sofort stoppbar sein. Wer die regulatorischen Anforderungen an KI von Anfang an mitdenkt, baut Agenten, die den Betrieb erreichen. Wer sie nachreicht, baut Piloten, die im Prüfstand hängen bleiben.

Hype oder Realität? Eine klare Einordnung

Agentische KI ist 2026 beides zugleich, überschätzt und unterschätzt. Überschätzt als kurzfristige Revolution, die ganze Abteilungen ersetzt. Unterschätzt als konkreter Hebel in eng umrissenen Prozessen, in denen sie heute schon Stunden und Kosten spart. Die 15 Prozent autonomen Entscheidungen, die Gartner für 2028 erwartet, sind kein Grund für Aktionismus und kein Grund für Abwarten. Sie sind ein Grund, jetzt die Prozesse zu identifizieren, die zu diesen ersten 15 Prozent gehören.

Was Finanzinstitute jetzt tun sollten

Beginnen Sie nicht mit der Technologie, sondern mit dem Prozess. Suchen Sie Abläufe, die regelbasiert, datenreich und wiederkehrend sind, etwa Kreditvorbereitung, Transaktionsprüfung und Standardanfragen im Service. Prüfen Sie für jeden Kandidaten drei Dinge. Sind die Daten verfügbar und sauber? Ist der Prozess klar genug für eine Maschine? Lässt sich jede Aktion kontrollieren und protokollieren?

Trennen Sie danach das Etikett vom Inhalt. Verlangen Sie von jedem Anbieter den Nachweis, welche Aktion der Agent eigenständig auslöst und wie diese Aktion kontrolliert wird. Wer nur einen umbenannten Chatbot liefert, fällt in dieser Prüfung durch. Starten Sie mit einem Prozess, messen Sie das Ergebnis, und skalieren Sie erst, wenn die Kontrolle nachweislich trägt.

Der nächste Schritt mit Sotica

Agentische KI wird kein Institut überrollen. Sie wird die Häuser trennen, die ihre Prozesse dafür bereit gemacht haben, von denen, die auf die Überschrift gesetzt haben. Sotica findet mit Ihnen die Prozesse, in denen Autonomie 2026 realen Nutzen bringt, und die, in denen sie nur Kosten und Risiko erzeugt. In einer Potenzialanalyse identifizieren wir die konkreten Einsatzfelder in Ihrem Haus, bewerten Daten, Prozesse und Kontrollierbarkeit und priorisieren nach Wirkung. Am Ende steht eine kurze Liste realer Einsatzfelder und eine klare Reihenfolge, in der Sie sie angehen. KI als Hebel, nicht als Überschrift. Sprechen Sie mit uns über einen Workshop zu agentischer KI in Ihrem Institut.