Agentic AI im Banking: Wer gewinnt das Vertrauen der Kundin, wenn Entscheidungen an KI delegiert werden?
Einleitung
Vertraut eine Kundin künftig eher ihrem persönlichen Berater oder einem KI-Agenten, der für sie handelt? Diese Frage klingt zunächst hypothetisch. Sie ist es nicht. Mastercard integriert bereits agentisches Bezahlen in seine Zahlungsinfrastruktur, Standard Chartered steuert Millionen von Kundeninteraktionen autonom über 59 Märkte hinweg, und Kunden gewöhnen sich zunehmend daran, nicht mehr selbst zu suchen, zu vergleichen und zu entscheiden, sondern ein Ziel zu formulieren und die Umsetzung einer Software zu überlassen, die eigenständig handelt.
Für Banken ist das mehr als eine weitere Technologiewelle. Agentic AI verschiebt, wer die Kundenschnittstelle künftig besetzt, wie Vertrauen entsteht und wie sich Geschäftsmodelle im Financial-Services-Sektor tragen. Dieser Beitrag ordnet zunächst ein, was Agentic AI von klassischer generativer KI unterscheidet, zeigt am Beispiel Standard Chartered, wie sie heute bereits eingesetzt wird, und widmet sich anschliessend ausführlich der eigentlich entscheidenden Frage für die Branche: Was bedeutet das für Banken?
Was ist Agentic AI? Eine Definition
Im Gegensatz zu herkömmlichen KI-Modellen, die innerhalb vordefinierter Grenzen arbeiten und auf menschliches Eingreifen angewiesen sind, zeichnet sich Agentic AI durch Autonomie, Zielorientierung und Anpassungsfähigkeit aus. Der Begriff „agentic» bezieht sich auf die Handlungsfähigkeit (englisch „agency») dieser Modelle, also ihre Fähigkeit, unabhängig und zielgerichtet zu agieren.[1]
Agentic AI baut auf generativen KI-Techniken auf und nutzt Large Language Models, um in dynamischen Umgebungen zu funktionieren. Während sich generative Modelle auf die Erstellung von Inhalten auf Basis gelernter Muster konzentrieren, wendet Agentic AI diese generierten Ergebnisse auf konkrete Ziele an. Ein generatives Modell wie ChatGPT erzeugt Texte, Bilder oder Code; ein handlungsfähiges KI-System nutzt diese Inhalte, um komplexe Aufgaben autonom zu erledigen, indem es externe Tools und Systeme aufruft. Agentic AI kann damit nicht nur den günstigsten Zeitpunkt für einen Immobilienkauf nennen, sondern gleich einen Finanzplan erstellen, Kaufempfehlungen geben, Besichtigungstermine vereinbaren und den Kauf selbst abwickeln, weil sie über APIs mit verschiedenen Datenquellen und Systemen kommunizieren kann.
Fünf Kernmerkmale unterscheiden Agentic AI von klassischen Systemen: Zielorientierung, also das Arbeiten auf definierte Ziele hin statt blosses Reagieren auf Anfragen; Autonomie, die Fähigkeit, Entscheidungen zu treffen und Handlungen ohne permanente menschliche Steuerung auszuführen; Planungsfähigkeit, das Zerlegen komplexer Aufgaben in koordinierte Teilschritte; Interaktion mit Menschen, Systemen und anderen Agenten; sowie Lernfähigkeit, die Anpassung des Verhaltens basierend auf Feedback und neuen Daten.
Grundsätzlich können agentische Systeme als Single-Agent- oder Multi-Agent-Systeme ausgestaltet werden. Während bei einer Single-Agent-Architektur ein einzelner Agent die Wahrnehmung, Entscheidungsfindung und Ausführung von Aktionen übernimmt, setzen Multi-Agent-Architekturen auf mehrere spezialisierte Agenten, die Aufgaben untereinander aufteilen und koordiniert zusammenarbeiten, um komplexe Problemstellungen zu lösen. Die Agenten können dabei unterschiedliche Rollen übernehmen, beispielsweise Analyse-, Entscheidungs- oder Ausführungsaufgaben.[2]
Den Chancen, hochgradige Personalisierung im Kundenkontakt, Produktivitätsgewinne durch automatisierte End-to-End-Prozesse, beschleunigte Produktentwicklung und verbesserte Risiko- und Resilienzsteuerung, stehen reale Risiken gegenüber: regulatorische Unsicherheit und steigende Compliance-Kosten, mangelnde Erklärbarkeit von Entscheidungen, Cyber-, Manipulations- und Abhängigkeitsrisiken sowie ein möglicher Kontrollverlust bei hoher Autonomie. Für eine regulierte Branche wie das Bankwesen ist genau dieses Spannungsfeld zwischen Chance und Risiko der eigentliche Kern der Debatte.
Agentic AI in der Praxis: Das Beispiel Standard Chartered
Wie lässt sich das konkretisieren? Standard Chartered liefert ein instruktives Beispiel. Die Bank ist in 59 Märkten aktiv, mit entsprechend hoher Kanalvielfalt von klassischen Bankschaltern über Mobile Banking bis zu Social-Media-Kanälen. Kunden erwarten gleichzeitig einen personalisierten Echtzeit-Service, während der Druck auf Servicekosten und -qualität hoch bleibt. In genau diesem Spannungsfeld, bessere Customer Experience bei gleichzeitig geringeren Kosten, setzt Standard Chartered auf Agentic AI.
Die Lösung basiert auf Sprinklr Unified-CXM mit integrierter Agentic AI. Konkret bedeutet das: Eine autonome Steuerung von Kundeninteraktionen über alle Kanäle hinweg, eine selbstständige Priorisierung von Anfragen und deren Routing, proaktive Eskalation kritischer Fälle, teilautonome Dialogführung im Rahmen von Conversational AI sowie eine selbstlernende Optimierung der Serviceprozesse. Die KI entscheidet also nicht nur, wohin eine Anfrage geleitet wird, sondern erkennt eigenständig, wann ein Fall kritisch wird und menschliches Eingreifen nötig ist, und lernt dabei kontinuierlich aus den eigenen Interaktionen.
Die Wirkung ist beachtlich: Über die Plattform wurden bereits eine Million Interaktionen abgewickelt, mit einem zehnfachen Wachstum bei Anfragen über Social-Media-Kanäle wie X/Twitter oder Facebook. Das erklärte Ziel lautet, 70 Prozent der Kundeninteraktionen vollständig digital zu bearbeiten; menschliche Berater sollen sich künftig nur noch auf komplexe Fälle konzentrieren, die tatsächlich menschliches Urteilsvermögen erfordern.[3]
Was diesen Fall von einem klassischen Chatbot unterscheidet und ihn zu einem echten Agentic-AI-Beispiel macht, ist nicht das blosse Beantworten einzelner Anfragen, sondern das eigenständige Entscheiden, Koordinieren und Optimieren der gesamten Customer Journey: die aktive Steuerung eines Serviceprozesses über Kanäle und Zeit hinweg.
Was bedeutet das jetzt für Banken?
Damit sind wir beim eigentlichen Kern angelangt, und der reicht deutlich über Kosteneinsparungen im Kundenservice hinaus. Agentic AI verändert grundlegend, wie Kundinnen und Kunden künftig mit Finanzdienstleistungen interagieren, und wer dabei überhaupt noch die direkte Kundenbeziehung hält.
Kunden handeln nicht mehr selbst, sie lassen handeln
Der tiefgreifendste Wandel betrifft das Kundenverhalten selbst. Kundinnen und Kunden delegieren zunehmend Entscheidungen an KI-Agenten, statt sie selbst zu treffen: weniger manuelle Interaktion, mehr Zieldefinition. Die Kundin formuliert nicht mehr „Ich möchte einen Kredit über X Franken zu diesen Konditionen», sondern ein übergeordnetes Ziel, etwa „Ich möchte mein Eigenheim möglichst günstig finanzieren», und überlässt der KI die Detailarbeit. Gleichzeitig erwarten Kunden proaktives Agieren des Agenten: Er soll Probleme selbst erkennen und Lösungsvorschläge liefern, bevor überhaupt danach gefragt wird.
Damit verschiebt sich die eigentliche Kundenbeziehung. Nicht mehr die Bank oder der Berater ist der erste Kontaktpunkt, sondern der Agent, dem die Kundin vertraut.
Die entscheidende Vertrauensfrage
Daraus ergibt sich die zentrale strategische Frage, vor der Banken heute stehen: Vertraue ich künftig einer Agentic AI mehr als meinem Bankberater? Und: Vertraue ich einer Agentic-Bank-KI mehr als einem externen Anbieter? Beide Fragen sind keine akademischen Gedankenspiele. Sie entscheiden darüber, wer künftig die Kundenschnittstelle kontrolliert. Fällt die Antwort negativ aus, trauen Kunden ihrer eigenen Bank also nicht zu, den besten Agenten zu bauen oder anzubieten, so werden andere Akteure diese Lücke füllen.
Interessant ist auch, dass erste Studien darauf hindeuten, dass sich Menschen wohler dabei fühlen, der KI gewisse finanzielle Fragen zu stellen, die sie nicht mit einem Bankberater besprechen möchten.[4]
Potenzielle Wettbewerber besetzen die Kundenschnittstelle
Diese anderen Akteure positionieren sich bereits. Vier Gruppen sind besonders relevant:
- BigTechs kontrollieren schon heute die grossen KI-Agenten-Plattformen und damit potenziell auch die Kundenschnittstelle im Finanzbereich.
- AI-native FinTechs greifen gezielt profitable Teilbereiche des Bankgeschäfts an, ohne die Last einer traditionellen Bankinfrastruktur tragen zu müssen.
- Plattformanbieter integrieren Finanzfunktionen zunehmend agentisch in bestehende Ökosysteme, etwa in Shopping-, Reise- oder Mobilitätsplattformen, die Zahlungs- und Finanzierungsfunktionen direkt einbauen.
- DeFi in Kombination mit autonomer KI rückt langfristig in den Fokus und stellt traditionelle Intermediäre grundsätzlich infrage.
Für Banken heisst das: Wer die Frage nach der Kundenschnittstelle nicht aktiv für sich beantwortet, riskiert, zur reinen Infrastruktur im Hintergrund zu werden, während andere die eigentliche Kundenbeziehung übernehmen.
Agentic AI verändert das Geschäftsmodell von Banken
Diese Verschiebung wirkt sich unmittelbar auf zwei Ebenen des Geschäftsmodells aus. Mit Fokus auf den Kunden bedeutet sie einen Wandel vom reinen Produktverkauf hin zu kontinuierlichen Finanzservices entlang der gesamten Customer Journey. Es entsteht eine Plattform- und Ökosystemlogik, in der Banken nicht mehr nur Produkte anbieten, sondern in ein grösseres Nutzungserlebnis eingebettet sind. Der Wettbewerb verschiebt sich von reiner Preiskonkurrenz hin zu einem Wettbewerb über Intelligenz: Wer den besseren, vertrauenswürdigeren Agenten bietet, gewinnt. Banken müssen sich entsprechend aktiv als „Trusted AI-Provider» positionieren, statt diese Rolle kampflos anderen zu überlassen.
Mit Fokus nach innen ergeben sich ebenso weitreichende Konsequenzen: Wachstum ohne lineare Kosten wird möglich, weil autonome Agenten Skalierungseffekte erlauben, die mit menschlicher Arbeitskraft allein nicht erreichbar wären. Die Wertschöpfung verschiebt sich zunehmend zu Daten und Intelligenz als eigentlichem Differenzierungsfaktor, nicht mehr allein zur Produktpalette oder zum Filialnetz.
Wo Agentic AI zuerst greift: eine Hypothese
Ein Blick auf die wahrscheinliche Reihenfolge dieser Veränderung lohnt sich. Vieles deutet darauf hin, dass der Bereich Zahlen, etwa im Zusammenhang mit Shopping und alltäglichen Transaktionen, deutlich stärker und schneller von Agentic AI erfasst wird als die Bereiche Anlegen und Finanzieren, die bislang weniger im Fokus stehen. Der Grund dürfte simpel sein: Convenience ist entscheidend, und im Zahlungsverkehr lässt sich der Nutzen eines autonomen Agenten am unmittelbarsten spüren. Gleichzeitig zeichnet sich ab, dass der Agent selbst zum Hauptbesucher von Webseiten wird, auch von Banking-Websites. Nicht mehr der Mensch klickt sich durch das Onlinebanking, sondern sein Agent liest Informationen aus, vergleicht Konditionen und trifft im Rahmen des vorgegebenen Ziels eigenständig Entscheidungen.
Das hat praktische Konsequenzen: Ist der eigentliche „Besucher» der eigenen digitalen Kanäle künftig ein Agent und nicht mehr der Mensch selbst, müssen Banken ihre digitalen Schnittstellen entsprechend anders gestalten, maschinenlesbar, API-first und für automatisierte Interaktion optimiert, statt primär für menschliche Nutzerführung.
Fazit: Vier Kernaussagen für Banken
- Kunden werden zunehmend Entscheidungen an KI-Agenten delegieren. Die direkte Kundenbeziehung verlagert sich damit vom Berater auf den Agenten, dem die Kundin vertraut (und sogar eher noch bereit ist, Themen zu teilen, die sie nicht vor dem Bankberater ausbreiten möchte).
- Die entscheidende Frage lautet dann nicht mehr, ob Agentic AI kommt, sondern wer das Vertrauen der Kundin gewinnt: die eigene Bank oder ein externer Anbieter.
- BigTechs, AI-native FinTechs, Plattformanbieter und langfristig DeFi-Akteure stehen bereit, die Kundenschnittstelle zu besetzen, wenn Banken diese Frage nicht aktiv für sich beantworten.
- Banken, die ihre eigene Agentic-AI-Fähigkeit aufbauen, haben das Potential, sich glaubwürdig als „Trusted AI-Provider» zu positionieren, und können so neben Produktivitätsgewinnen auch von Servicegewinnen profitieren und ihre Kunden binden, statt zur austauschbaren Infrastruktur im Hintergrund zu werden.
[2] Designing Multi-Agent Intelligence – Microsoft for Developers
[3] Agentic AI in Banking: Use Cases, Impact & Benefits | Sprinklr
[4] AI in Finance report design
- Agentic AI im Banking: Wer gewinnt das Vertrauen der Kundin, wenn Entscheidungen an KI delegiert werden? - 15.09.2026
- Souveränität im KI-Zeitalter: Was Banken wirklich entscheiden können - 02.06.2026
- Retailbanking im Wandel: Was sich aus aktuellen Kundendaten für Bankservices ableiten lässt - 24.03.2026