Hier findest du Antworten auf die häufigsten Fragen rund um Agentic AI, KI-Agenten im Finanzsektor und verwandte Themen. Die Antworten basieren auf meiner praktischen Arbeit mit KI-Plattformen im deutschen Bankenwesen.
Was ist Agentic AI?
Agentic AI bezeichnet KI-Systeme, die selbstständig mehrschrittige Aufgaben planen und ausführen – ohne dass ein Mensch bei jedem Schritt eingreifen muss. Im Unterschied zu klassischen KI-Assistenten, die einzelne Anfragen beantworten, können Agentic-AI-Systeme eigenständig Zwischenziele definieren, Tools aufrufen, Ergebnisse bewerten und ihren Plan anpassen. Das macht sie besonders geeignet für komplexe, prozessuale Aufgaben in Unternehmen.
Was ist der Unterschied zwischen einem KI-Assistenten und einem KI-Agenten?
Ein KI-Assistent (z. B. ChatGPT im Standardbetrieb) antwortet auf einzelne Eingaben. Er erinnert sich nicht eigenständig an frühere Schritte, ruft keine externen Systeme auf und plant keine mehrstufigen Abläufe. Ein KI-Agent hingegen handelt zielgerichtet über mehrere Schritte hinweg: Er bewertet den aktuellen Zustand, wählt geeignete Werkzeuge (Tools), führt Aktionen aus und iteriert bis zum Ergebnis. Der Agent verhält sich dabei eher wie ein eigenständig arbeitender Mitarbeiter als wie ein Nachschlagewerk.
Wie funktioniert Agentic AI im Bankensektor?
Im Bankensektor ermöglicht Agentic AI die Automatisierung komplexer, regelgebundener Prozesse – etwa in der Kundenberatung, Compliance-Prüfung, Dokumentenanalyse oder im Risikomanagement. Ein KI-Agent kann dabei auf interne Datenquellen zugreifen, regulatorische Vorgaben prüfen und strukturierte Ergebnisse liefern – alles innerhalb einer kontrollierten, auditierbaren Umgebung. Entscheidend im Finanzsektor ist, dass diese Systeme transparent, nachvollziehbar und konform mit regulatorischen Anforderungen (z. B. DSGVO, MaRisk, EU AI Act) betrieben werden.
Was ist das Model Context Protocol (MCP)?
Das Model Context Protocol (MCP) ist ein offenes, standardisiertes Protokoll, das KI-Agenten mit externen Datenquellen, APIs und Tools verbindet. Es wurde von Anthropic entwickelt und ermöglicht es, dass ein Sprachmodell strukturiert auf Unternehmenssysteme zugreift – ohne jedes System individuell integrieren zu müssen. MCP funktioniert ähnlich wie ein USB-Standard für KI: Wer seinen Dienst MCP-kompatibel macht, kann sofort von beliebigen KI-Agenten genutzt werden. Das vereinfacht den Aufbau von Agentic-AI-Architekturen erheblich.
Welche Risiken hat Agentic AI im regulierten Finanzsektor?
Die zentralen Risiken liegen in vier Bereichen: Kontrollverlust (der Agent handelt außerhalb des erwarteten Rahmens), Datenschutz (Zugriff auf sensible Kundendaten ohne ausreichende Absicherung), Erklärbarkeit (Entscheidungen des Agenten sind nicht nachvollziehbar) und regulatorische Konformität (Verstöße gegen DSGVO, MaRisk oder den EU AI Act). Gut konzipierte Agentic-AI-Systeme adressieren diese Risiken durch Human-in-the-Loop-Mechanismen, granulare Berechtigungskonzepte, vollständiges Logging aller Agentenschritte und klare Eskalationspfade.
Was bedeutet KI-Governance im Bankensektor?
KI-Governance bezeichnet den organisatorischen und technischen Rahmen, innerhalb dessen KI-Systeme in einem Unternehmen entwickelt, betrieben und kontrolliert werden. Im Bankensektor umfasst das unter anderem: Richtlinien zur Modellauswahl und -prüfung, Prozesse zur Risikobewertung von KI-Anwendungen, Rollen und Verantwortlichkeiten (z. B. AI Officer), Audit-Mechanismen sowie die Einhaltung regulatorischer Anforderungen wie dem EU AI Act. Gute KI-Governance ist keine Bremse für Innovation – sie ist die Voraussetzung dafür, dass KI im regulierten Umfeld skalieren kann.
Welche regulatorischen Anforderungen gelten für KI im deutschen Bankenwesen?
Banken in Deutschland müssen KI-Systeme im Einklang mit mehreren Regelwerken betreiben: dem EU AI Act (Risikoklassifizierung, Transparenzpflichten, Verbote bestimmter Anwendungen), der DSGVO (Datenschutz, Zweckbindung, Auskunftsrechte), den MaRisk (Mindestanforderungen an das Risikomanagement der BaFin) sowie den EBA-Guidelines zu internen Governance- und IKT-Anforderungen. KI-Anwendungen im Kreditbereich oder in der Kundenberatung gelten häufig als hochriskant im Sinne des EU AI Acts und unterliegen damit besonders strengen Anforderungen an Dokumentation, Testing und menschliche Aufsicht.
Was ist der EU AI Act und was bedeutet er für Banken?
Der EU AI Act ist die weltweit erste umfassende gesetzliche Regulierung von KI-Systemen. Er klassifiziert KI-Anwendungen nach Risikoniveaus: von „inakzeptabel" (verboten) über „hochriskant" bis „minimal riskant". Für Banken besonders relevant: KI-Systeme in der Kreditvergabe, im Scoring und in der Kundenberatung werden als hochriskant eingestuft. Das bedeutet: Pflicht zu Transparenz, menschlicher Überwachung, Risikomanagementsystemen und Registrierung bei einer EU-Behörde. Der Act gilt ab 2026 vollständig – Banken sollten ihre KI-Systeme jetzt inventarisieren und bewerten.
Was versteht man unter einem „Multi-Agent-System"?
Ein Multi-Agent-System besteht aus mehreren spezialisierten KI-Agenten, die miteinander kommunizieren und Aufgaben arbeitsteilig bearbeiten. Ein Orchestrator-Agent koordiniert dabei die Gesamtaufgabe und weist Teilaufgaben an spezialisierte Sub-Agenten weiter – etwa einen Recherche-Agenten, einen Berechnungs-Agenten und einen Schreib-Agenten. Dieser Ansatz ermöglicht es, komplexe Unternehmensprozesse effizient zu automatisieren, ohne dass ein einzelner Agent alles können muss. Im Bankensektor eignet sich das Modell z. B. für automatisierte Kreditanalyse oder regulatorisches Reporting.
Wie unterscheidet sich RAG von Agentic AI?
RAG (Retrieval-Augmented Generation) ist eine Technik, bei der ein Sprachmodell vor der Antwort relevante Dokumente aus einer Wissensdatenbank abruft. Das Modell selbst bleibt dabei reaktiv – es antwortet auf eine Anfrage, handelt aber nicht eigenständig. Agentic AI geht einen Schritt weiter: Ein Agent nutzt RAG als eines von vielen Tools, kann aber darüber hinaus eigene Handlungspläne erstellen, Aktionen ausführen und seinen Kurs anpassen. RAG ist ein Baustein; Agentic AI ist das übergeordnete Paradigma.
Wie starte ich mit Agentic AI in meinem Unternehmen?
Ein pragmatischer Einstieg folgt diesem Pfad: Erstens einen klar abgegrenzten, datenreichen Prozess identifizieren, der heute viel manuelle Zeit kostet. Zweitens prüfen, welche Datenquellen und Systeme per API erreichbar sind – das ist die technische Grundvoraussetzung für jeden Agenten. Drittens einen Piloten mit messbaren Erfolgskriterien aufsetzen, zunächst mit Human-in-the-Loop. Viertens Governance-Rahmen (Logging, Berechtigungen, Eskalation) von Anfang an mitdenken. Der häufigste Fehler: sofort mit dem komplexesten Prozess starten und Governance als nachgelagerte Aufgabe behandeln.