Agentic AI: Die nächste Stufe künstlicher Intelligenz im Banking
In den vergangenen Jahren hat sich Künstliche Intelligenz (KI) im Bankwesen als leistungsfähige Assistenztechnologie etabliert, die vorgegebene Informationen extrahiert, verdichtet, formuliert, analysiert oder optimiert (Financial Stability Board, 2017; Bank for International Settlements, 2024). Ihr Einsatz konzentrierte sich bisher insbesondere auf Bereiche, in denen KI klar umrissene, operationalisierbare Aufgaben mit gesteigerter Effizienz erfüllen kann. Beispielhaft hierfür sind Anwendungen in der Kundeninteraktion (z.B. Chatbots), der Betrugserkennung, der Geldwäsche- und Terrorismusfinanzierungsbekämpfung sowie der Risikobewertung im Versicherungs- und Kreditgeschäft (Bank for International Settlements, 2024; European Banking Authority, 2025; Bank of England, 2024; European Central Bank, 2025). Im Kern operieren traditionelle KI-Modelle in diesen Anwendungsfeldern innerhalb eng konturierter, a priori definierter Handlungs- und Entscheidungsräume und bleiben in zentralen Prozessschritten weiterhin auf menschliche Steuerung und Intervention angewiesen (vgl. IBM, 2026).
Als konsequente Weiterentwicklung dieses Paradigmas verschiebt sich der Blick von reiner Assistenz hin zu Systemen, die Aufgaben nicht nur unterstützen, sondern zielgerichtet und eigenständig ausführen. Im Zuge dieser Weiterentwicklung rückt «Agentic AI» zunehmend in den Fokus. IBM (2026) bezeichnet Agentic AI als KI-Systeme, die darauf ausgelegt sind, definierte Ziele weitgehend eigenständig und mit nur geringem Mass an Überwachung zu erreichen. Grundlage sind KI-Agenten, die lernbasierte Modelle darstellen, die menschliches Entscheidungsverhalten nachbilden und Aufgaben situativ in Echtzeit bearbeiten (IBM, 2026). Damit vollzieht sich eine Akzentverschiebung von primär reaktiver Assistenz hin zu KI-Systemen, die Aufgaben proaktiv, also zielorientiert und weitgehend eigenständig vorantreiben und den Anwender gezielt einbinden (McKinsey & Company, 2025). Die Aufgabenbeispiele umfassen die Interpretation von Zielen, die Einteilung in Einzelaufgaben, die Interaktion mit Menschen und Systemen, die Ausführung von Aktivitäten sowie deren dynamische Anpassung und die Kommunikation mit Systemen (McKinsey & Company, 2025; IBM 2026). Abbildung 1 beschreibt im Folgenden die allgemeinen Schritte, die agentenbasierte Systeme zur Ausführung ihrer Operationen unternehmen.
Der Paradigmenwechsel ist technisch und wirkt stark operativ
Abbildung 1 skizziert die allgemeinen Prozessschritte agentischen Systeme. Sie reichen von der Datenerhebung über die Zielinterpretation bis hin zur kontinuierlichen Anpassung und Orchestrierung und begründen gegenüber klassischer KI ein qualitativ neues, eigenständiges Operationalisierungsprinzip (vgl. Gonzalez et al., 2026; Elshan et al., 2022). Für Banken ist der Unterschied zwischen klassischer und KI-basierter Automatisierung sowie agentischer Ausführung daher nicht nur semantischer, sondern vor allem operativer Natur: Agentenbasierte Systeme lernen selbstständig, erfolgreiche Strategien zu entwickeln, die zu bestmöglichen Ergebnissen führen (vgl. Silver, 2016; Silver et al., 2017).. Insbesondere werden Ziele in Teilaufgaben überführt, Zwischenergebnisse validiert, Werkzeuge selektiv eingesetzt und Prozesspfade situativ angepasst (vgl. Deloitte, 2025; IBM, 2026). Für den laufenden Bankbetrieb stellt dies folglich eine tiefgreifende Zäsur dar, da es nicht allein um Effizienzgewinne geht, sondern um die Frage, wie insbesondere autonome, KI-gestützte Entscheidungen im Einklang mit den geltenden regulatorischen Vorgaben getroffen, nachvollziehbar dokumentiert und wirksam überwacht werden. Um diese bankfachlichen Wirkungen nicht nur punktuell, sondern in ihrer Breite und Tiefe zu erfassen, bedarf es eines Ordnungsrahmens, der die Veränderungen entlang der bankinternen Wertschöpfung systematisch sichtbar macht.
Agentic AI im Bankmodell: Von der Assistenz zur kontrollierten Ausführung
Als Ordnungsrahmen bietet sich hierfür ein Bankmodell an, da es eine systematische Einordnung ermöglicht und die nachfolgenden Wirkungen entlang der Bankprozesse und Wertschöpfungskette strukturiert nachvollziehbar macht. Das Gabler Banklexikon beschreibt das Bankmodell als strukturierte Sicht auf die sämtlichen Funktionen eines Bankbetriebs, die ausgewählte Modellobjekte, abhängig von Zweck und Adressatenkreis, systematisch in Beziehung setzt (Alt & Zerndt, 2020). Die Implikationen von Agentic AI entlang der Bankprozesse werden im Folgenden systematisch aufgezeigt und diskutiert.
Führungsprozesse
In den Führungsprozessen (Planung, Steuerung und Kontrolle) liegt der Hebel weniger in der reinen Automatisierung der Kundenprozesse als in der Operationalisierung von Steuerungssignalen: Agentische Ansätze könnten Kennzahlen, Risikoindikatoren und Abweichungen kontinuierlich zusammenführen und in überprüfbare Handlungsvorschläge mit dokumentierten Annahmen überführen. Als Referenzrahmen für die Steuerung von KI-Risiken kann das NIST AI Risk Management Framework dienen. Bankseitig ist es insbesondere dort anschlussfähig, wo Governance, Monitoring und Nachvollziehbarkeit als integrale Anforderungen an modellgestützte Entscheidungen verstanden werden (vgl. National Institute of Standards and Technology, 2023; Board of Governors of the Federal Reserve System, 2011). Aus Stabilitätsperspektive betont die Analyse des Financial Stability Boards (FSB) in diesem Kontext insbesondere, dass die zunehmende Nutzung von KI im Finanzwesen die Anforderungen an Monitoring und die Angemessenheit der Aufsichts- und Regulierungsrahmen erhöht (Financial Stability Board, 2024).
Vertriebsprozesse
In den Vertriebsprozessen (Kanalmanagement) entsteht der Mehrwert insbesondere aus der strukturierten Vorbereitung und Durchführung der vollständigen Kundeninteraktion. Agentische Systeme könnten etwa einen Beratungsanlass nicht nur zusammenfassen, sondern ihn in eine Sequenz aus Informationsbeschaffung, Klärungsfragen, Unterlagenzusammenstellung, Gesprächsstruktur und Nachbereitung überführen. Genannt werden unter anderem Systeme, die Zielkunden priorisieren, Kontakte automatisiert nachverfolgen, Kundengespräche durch strukturierte Dossiers vorbereiten, Konditions- und Preisentscheidungen mit aktuellen Signalen unterstützen und aus Gesprächsprotokollen Hinweise für die Weiterentwicklung von Kundenberatern ableiten (McKinsey & Company, 2025).
Transaktions- und Abwicklungsprozesse
In den Transaktions- und Abwicklungsprozessen (Initialisierung, Erfassung, Prüfung, Freigabe, Verarbeitung) zeigt sich Agentic AI dort besonders überzeugend, wo mehrstufige Vorgänge heute an Medienbrüchen, Ausnahmefällen und unvollständigen Informationen hängen bleiben. Agentische Ansätze könnten Transaktionsdaten zielgerichtet vervollständigen, Plausibilitäten sequenziell prüfen, interne Systeme über Tools ansteuern, erforderliche Nachweise zusammenführen und Ausnahmen fallbezogen in eine strukturierte Bearbeitung überleiten. Die von der ECB Banking Supervision dokumentierten Analysen zu Kreditwürdigkeit, Scoring und Betrugserkennung geben hierfür eine bankpraktische Referenz (European Central Bank Banking Supervision, 2025).
Transaktionsbezogene Prozesse
In den transaktionsbezogenen Prozessen (Überwachung/Monitoring, Bewirtschaftung Transaktionen, Ausnahmebehandlung) liegt die Stärke agentischer Systeme in der strukturierten Durchführung von Abklärungen und der nachvollziehbaren Bearbeitung von Ausnahmefällen. Agentische Ansätze könnten beispielsweise aus Alerts und Transaktionsspuren ein konsistentes Fall-Dossier erzeugen, Evidenzketten strukturieren, Abklärungen bei internen Stellen oder Systemen auslösen, Zwischenergebnisse gegeneinander prüfen und die Bearbeitung so steuern, dass die Fallhistorie nachvollziehbar und revisionsfähig bleibt. Insbesondere wird der Einsatz von AI für die Betrugserkennung, einschließlich zur Bekämpfung von Geldwäsche und Terrorismusfinanzierung (AML/CFT) laut einer Analyse der Bank for International Settlements (BIS) zu den besonders hervorgehobenen Anwendungsfeldern gezählt (Bank for International Settlements, 2024).
Transaktionsübergreifende Prozesse
In den transaktionsübergreifenden Prozessen (u. a. Kunden- und Kontodepotführung, Produktentwicklung und -pflege, Risiko- und interne Überwachung) liegt der Beitrag von Agentic AI vor allem darin, bereichsübergreifende Arbeitsschritte zu einem durchgängigen Ablauf zu verbinden. Beispielsweise kann ein agentisches System für ein Kundenportfolio relevante Ereignisse zusammenführen, Auffälligkeiten plausibilisieren, die benötigten Daten aus unterschiedlichen Systemen beschaffen, eine konsistente Sicht für Reporting und interne Steuerung erzeugen und die nächsten Arbeitsschritte für Fachbereiche vorbereitet übergeben. In der Produktpflege kann es Änderungen an Parametern oder Dokumentationen auslösen, die notwendigen Abhängigkeiten prüfen und die konsistente Aktualisierung über Kanäle, Systeme und Berichte koordinieren. Im Risiko- und Reporting-Kontext kann es Datenlücken identifizieren, Nachlieferungen anstoßen, Konsistenzprüfungen durchführen und daraus einen nachvollziehbaren Berichtsentwurf erstellen, der Quellen und Annahmen transparent ausweist.
Unterstützungsprozesse
In den Unterstützungsprozessen (Personal- und Rechnungswesen, Dokumentenmanagement, Legal Reporting, Beschaffung, IT/Sicherheit) entfaltet Agentic AI ihren Nutzen vor allem dort, wo heute viele Teilschritte über Systeme hinweg koordiniert werden müssen, bevor ein konsistentes Ergebnis vorliegt. Agentische Systeme könnten beispielsweise Unterlagen zu einem Vorgang aus unterschiedlichen Quellen zusammenführen, fehlende Informationen gezielt nachfordern, Prüfungen und Freigaben anstoßen, Status und Fristen überwachen und daraus standardisierte Ergebnisdokumente erzeugen, etwa für interne Berichte, Vorlagen oder Meldungen. In der Beschaffung können sie wiederkehrende Abläufe wie Bedarfsklärung, Angebotsvergleich und Dokumentation strukturieren. Im Dokumentenmanagement können sie Akten sauber vervollständigen und revisionsfähig aufbereiten. Im Rechnungswesen können sie Abklärungen bei Abweichungen koordinieren und die notwendigen Nachweise zusammenstellen.
Strategische Implikationen: Was jetzt zu entscheiden ist
Die strategische Frage ist nicht, ob Agentic AI kommen wird, sondern in welcher Form Banken sie «bankfähig» machen. Insbesondere wird der grössten Hebel dort verortet, wo Bankprozesse nicht punktuell automatisiert, sondern End-to-End neugestaltet werden (McKinsey & Company, 2025). Zudem wird in ähnlicher Richtung betont, dass die agentische Skalierung über umfangreiche Bankfunktionen eine entsprechende Integrations- und Governance-Reife voraussetzt (Deloitte, 2025). Wer Agentic AI in Banken substanziell verankern will, wird sie daher nicht als Erweiterung einzelner Assistentenfunktionen behandeln, sondern als Gestaltungsaufgabe für ein bankweites Target Operating Model. Das Bankmodell dient dabei als Ordnungsrahmen, um Wirkung und Zuständigkeiten entlang der Wertschöpfungsprozesse und Funktionen präzise zu verorten. Entscheidend ist, dass Prozesse- und Funktionen, Rollen- und Verantwortungslogiken sowie Governance- und Kontrollmechanismen so aufeinander abgestimmt werden, dass agentische Systeme in klar abgegrenzten Prozessabschnitten nachvollziehbare Aufgaben übernehmen können, ohne die Steuerungs- und Kontrollarchitektur der Bank zu unterlaufen. Dazu gehört insbesondere, dass Systemzugriffe, Dokumentations- und Nachweispfade, Freigabe- und Eskalationsmechanismen sowie Monitoring als integrale Bestandteile der Prozessgestaltung definiert werden.
Literaturverzeichnis
Alt, R., & Zerndt, M. (2020). Bankmodell. In Gabler Banklexikon. Springer Gabler.
https://www.gabler-banklexikon.de/definition/bankmodell-70673/version-377473.
Bank for International Settlements. (2024). Regulating AI in the financial sector: Recent developments and main challenges (FSI Insights on policy implementation No. 63). Financial Stability Institute. https://www.bis.org/fsi/publ/insights63.pdf.
Bank of England. (2024). Artificial intelligence in UK financial services.
https://www.bankofengland.co.uk/report/2024/artificial-intelligence-in-uk-financial-services-2024.
Board of Governors of the Federal Reserve System. (2011). Supervisory guidance on model risk management (SR 11-7). https://www.federalreserve.gov/supervisionreg/srletters/sr1107.htm.
Deloitte. (2025). Agentic AI in banking. Deloitte Insights.
https://www.deloitte.com/us/en/insights/industry/financial-services/agentic-ai-banking.html.
Elshan, E., Zierau, N., Engel, C., Janson, A., & Leimeister, J. M. (2022). Understanding the design elements affecting user acceptance of intelligent agents: Past, present and future. Information Systems Frontiers, 24(3), 699–730. https://doi.org/10.1007/s10796-021-10230-9.
European Banking Authority. (2025). AI Act: Implications for the EU banking and payments sector. https://www.eba.europa.eu/sites/default/files/2025-11/d8b999ce-a1d9-4964-9606-971bbc2aaf89/AI%20Act%20implications%20for%20the%20EU%20banking%20sector.pdf.
European Central Bank Banking Supervision. (2025). AI’s impact on banking: use cases for credit scoring and fraud detection.
https://www.bankingsupervision.europa.eu/press/supervisory-newsletters/newsletter/2025/html/ssm.nl251120_1.en.html.
Financial Stability Board. (2017). Artificial intelligence and machine learning in financial services: Market developments and financial stability implications.
https://www.fsb.org/uploads/P011117.pdf.
Financial Stability Board. (2024). The financial stability implications of artificial intelligence. https://www.fsb.org/2024/11/the-financial-stability-implications-of-artificial-intelligence/
Gonzalez, G. R., Habel, J., & Hunter, G. K. (2026). AI agents, agentic AI, and the future of sales. Journal of Business Research, 202, 115799. https://doi.org/10.1016/j.jbusres.2025.115799
IBM. (2026). What is agentic AI? IBM Research.
https://www.ibm.com/think/topics/agentic-ai.
McKinsey & Company. (2025). Agentic AI is here. Is your bank’s frontline team ready?
https://www.mckinsey.com/industries/financial-services/our-insights/agentic-ai-is-here-is-your-banks-frontline-team-ready.
National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf.
Silver, D. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529, 484–489. https://www.nature.com/articles/nature16961
Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A., … Hassabis, D. (2017). Mastering the game of Go without human knowledge. Nature, 550, 354–359.
https://www.nature.com/articles/nature24270
