Künstliche Intelligenz im Finanzsektor entwickelt sich rasant weiter.
52 % der Finanzdienstleistungsunternehmen, die für den Global AI in Financial Services Report 2026 der University of Cambridge befragt wurden, setzen bereits agentische KI ein. Von diesen führen 29 % Pilotprojekte durch, und 23 % haben die Skalierungs- oder Transformationsphase erreicht. Die Einführung von KI in irgendeiner Form liegt bei 81 %.
Diese Lücke von 29 Prozentpunkten ist genau dort, wo sich die meisten Compliance-Funktionen derzeit befinden. Ein Modell, das eine Richtlinie zusammenfasst, ist nützlich. Ein Agent, der dieselbe Richtlinie liest, den darauf angewandten Verifizierungsprozess prüft und einen Entwurf für eine Ersatzkonfiguration erstellt, ist eine ganz andere Sache, denn er agiert auf Systemen, anstatt nur Text darüber zu generieren.
Dieser Wandel wirft eine zentrale Steuerungsfrage auf: Kann jede Aktion eines Agenten vorab autorisiert und nachträglich rekonstruiert werden?
Was ist ein KI-Agent im Bereich Compliance?
Ein #AIagent ist ein autonomes Softwaresystem, das ein Modell nutzt, um ein definiertes Ziel zu verfolgen. Die offizielle OpenAI-Dokumentation beschreibt Agenten als „Anwendungen, die planen, Tools aufrufen, mit Spezialisten zusammenarbeiten und genügend Zustand speichern, um mehrstufige Aufgaben abzuschließen.“
In einem Workflow für KI-Compliance-Agenten interpretiert ein zugrunde liegendes großes Sprachmodell (LLM) Task-Anweisungen und führt Schlussfolgerungen durch, während das Agent-Framework und die verbundene Compliance-Plattform die Daten, Berechtigungen und Tools bereitstellen, die es dem Agenten ermöglichen, zu handeln. Der Agent könnte beispielsweise eine Richtlinie zur Bekämpfung von Geldwäsche (AML) lesen, deren Anforderungen identifizieren, einen bestehenden Know Your Customer-Prozess (KYC) prüfen, über eine API einen Konfigurationsentwurf erstellen und das Ergebnis zur Genehmigung vorlegen.
Autonomie existiert auf einem Spektrum. Ein Agent kann risikolose Schritte eigenständig abschließen, hält aber inne, bevor er einen Live-Workflow ändert, einen Antrag ablehnt oder einen regulatorischen Bericht einreicht.
Wie agentische KI funktioniert: Erläuterung von Agent-Skills und MCP
Agenten benötigen mehr als nur ein Sprachmodell, um operative Aufgaben zuverlässig auszuführen. Sie brauchen ein Ziel, Anweisungen, Zugang zu relevanten Systemen sowie Regeln, die festlegen, was sie tun dürfen.
Das Model Context Protocol (MCP) ist ein offener Standard zur Verbindung von KI-Anwendungen mit externen Systemen. Ein MCP-Server stellt Tools mit definierten Eingaben bereit, sodass ein Agent zulässige Aktionen entdecken, die erforderlichen Argumente liefern und die Ergebnisse empfangen kann.
Während MCP einen Agenten mit externen Systemen verbindet, bieten Skills das prozedurale Wissen, das zur Erledigung einer Aufgabe erforderlich ist. Die offene Agent Skills Specification beschreibt einen Skill als einen Ordner, der Anweisungen und optional Skripte, Referenzen und andere Ressourcen enthält. Ein KI-Agent-Skill könnte einem Agenten beibringen, wie man eine Vorschrift analysiert oder einen KYC-Workflow konfiguriert. Skills und MCP-KI-Agenten können eine breite Anfrage in einen wiederholbaren Workflow umwandeln.
Die folgende Tabelle erläutert die Funktion jeder Komponente:
Von Chatbots zu autonomen Compliance-Agenten
Ein traditioneller Chatbot reagiert hauptsächlich auf Prompts, die ihm vorgelegt werden. Er kann eine Regel erklären oder eine Richtlinie zusammenfassen, übersetzt Analysen aber in der Regel nicht in Handlungen. Generative KI-Compliance-Tools erweiterten diese Fähigkeiten durch das Erstellen von Berichten, das Zusammenfassen von Akten und das Extrahieren von Informationen aus Dokumenten.
Agenten koordinieren stattdessen Aktionen. Eine Anfrage wird in Schritte unterteilt: Tools werden ausgewählt, Ergebnisse geprüft und der nächste Schritt passt sich den zurückgegebenen Ergebnissen an. Gefragt nach Onboarding-Dokumenten – listet ein Chatbot diese auf. Ein Agent kann den aktuellen Verifizierungsprozess des Unternehmens öffnen, fehlende Prüfungen im Vergleich zu einem bestimmten Standard finden, einen vorgeschlagenen Ersatz erstellen und ihn jemandem zur Freigabe vorlegen.
Warum Compliance-Teams KI-Agenten einführen
Compliance-Arbeit umfasst viel Übersetzungsarbeit. Eine in juristischer Sprache formulierte Anforderung wird zu einer operativen Regel, dann zu einer Plattform-Einstellung, die dokumentiert und belegt werden muss. Eine Richtlinienänderung kann separate Updates über mehrere Produkte und Jurisdiktionen hinweg bedeuten, jedes manuell durchgeführt, wobei jedes Mal die Gefahr besteht, dass die Implementierungen auseinanderdriften.
Agenten können Anforderungen extrahieren und einem definierten Verfahren folgen, ohne dass ein Spezialist jeden Schritt neu eintippen muss. Konsistenz ist hier der eigentliche Gewinn: Die fünfte Jurisdiktion erhält die gleiche Behandlung wie die erste.
Die Kosten für Fehler skalieren auf dieselbe Weise. Zugriffsregeln, Genehmigungsschwellen und Aktivitätsprotokolle sind das, was die Aktionen eines Agenten der Person zuordnen, die sie autorisiert hat. Ohne sie erhöht die Automatisierung nur die Geschwindigkeit und das Ausmaß von Fehlern.
KI-Agenten in AML-Compliance und KYC-Workflows
Im AML-Bereich kann ein Agent Policy-Text in eine einsatzbereite Konfiguration umwandeln, die in einem Dashboard gestartet werden kann, die Überprüfungshistorie eines Antragstellers zusammenfassen oder die Antrags- und Transaktionsdaten zusammenstellen, die ein Ermittler benötigt, bevor er einen Fall eröffnet. Er kann auch eine aktualisierte Richtlinie mit der aktuellen Konfiguration vergleichen und die Kontrollen kennzeichnen, die nicht mehr übereinstimmen.
KYC-Arbeit besteht größtenteils aus Einrichtung und Abruf: Onboarding-Flows pro Land oder Risikoband, Fragebögen, Verifizierungslinks, Statusabfragen für Antragsteller. Ein Agent kann einen Workflow sequenzieren, der Dokument-, Adress-, biometrische und Datenbankprüfungen kombiniert. Die Verifizierungsplattform führt die Prüfungen weiterhin durch.
Einen Kunden abzulehnen und einen Verdachtsfallbericht (Suspicious Activity Report) einzureichen, ist grundlegend anders. Beides erfordert menschliche Genehmigung, egal wie reibungslos der Rest des Workflows abläuft.
Aufbau einer agentengesteuerten Compliance-Umgebung
Zwei Dinge müssen vorhanden sein, bevor dies funktioniert: Zugriff auf die relevanten Richtlinien und die Berechtigung, Plattform-Einstellungen zu prüfen oder zu ändern. Die Abfolge sieht dann wie folgt aus:
- Bereitstellung des Quellmaterials, sei es eine Vorschrift, eine Risikobewertung oder eine interne Richtlinie
- Extraktion der Verpflichtungen, Risikofaktoren, Scoring-Regeln und bedingten Anforderungen, wobei Unklarheiten einer Person zur Klärung vorgelegt werden, statt vom Agenten gelöst zu werden
- Zuordnung jeder Anforderung zu etwas, das die Plattform tatsächlich bietet: ein Verifizierungslevel, ein Fragebogen, eine Risiko-Regel, eine Monitoring-Kontrolle oder ein Workflow
- Erstellung eines Konfigurationsplans für das Compliance-Team zur Überprüfung, bevor irgendetwas gebaut wird
- Aufbau der vorgeschlagenen Konfiguration in einer Sandbox- oder Testumgebung
- Vergleich der erstellten Konfiguration mit der Quellrichtlinie, gefolgt von Tests mit repräsentativen Fällen und bekannten Ausnahmen
- Genehmigung der Bereitstellung durch einen autorisierten Benutzer, dann Protokollierung der Änderungen und Überwachung der Ergebnisse
Zuordnung von Agent-Skills zu Compliance-Aufgaben
Jeder KI-Agent-Skill sollte einer definierten Compliance-Aufgabe entsprechen und leiten, wie der Agent diese angehen soll. Ein Policy-Analyse-Skill könnte den Agenten anweisen, ein Dokument zu lesen und einen Konfigurationsplan zu erstellen. Ein Konfigurations-Skill könnte den Agenten durch das Erstellen von Verifizierungslevels in einer Sandbox führen, während ein Case-Review-Skill skizzieren könnte, wie man Antragsdaten abruft und analysiert.
Diese Unterscheidung ist wichtig für KI-Agenten im Finanzsektor, da der Zugriff auf Kundendaten, die Vorbereitung von Einstellungsentwürfen und die Änderung von Live-Kontrollen erhebliche Risiken darstellen können. Skills selbst sollten nicht als Sicherheits- oder Berechtigungsgrenzen betrachtet werden. Stattdessen muss die verbundene Plattform erzwingen, was der Agent lesen oder ändern darf, wobei Änderungen an Live-Verifizierungs- und Monitoring-Einstellungen durch angemessene Zugriffssteuerungen und Autorisierungsmechanismen eingeschränkt werden.
KI-Agenten im Bankwesen und Finanzsektor
Plausible Anwendungsfälle im Bankwesen umfassen die Sammlung von Material für periodische KYC-Überprüfungen, den Abruf von Transaktionen, die eine Monitoring-Regel ausgelöst haben, und das Entwerfen von regulatorischen Berichten zur Prüfung durch Menschen.
Fragmentierung ist das praktische Hindernis. Identitätsdatensätze liegen in einer KYC-Plattform, Transaktionen in einem Zahlungs- oder Kernbankensystem, Warnmeldungen in einem Monitoring-Tool und Ermittlungsnotizen in einer Case-Management-Software. Der Cambridge-Bericht 2026 ergab, dass 46 % der befragten KI-Anbieter bei Kundenstandorten auf Legacy- oder Silo-Systeme stießen, und 41 % berichteten über Einschränkungen beim Datenaustausch.
Jede Verbindung benötigt ihre eigene Antwort auf zwei Fragen: Was darf der Agent lesen, und was darf er ändern? Eine periodische Überprüfung ist leseintensiv. Ein Agent kann Verifizierungsstatus, aktuelle Transaktionen, frühere Warnmeldungen und vergangene Überprüfungsentscheidungen sammeln und dann die zusammengestellte Datei an einen Analysten übergeben.
KI-Risiken, Governance und menschliche Aufsicht
Ein Agent kann eine Richtlinie falsch interpretieren, eine Anforderung erfinden oder das falsche Tool auswählen. Bösartige Anweisungen, die in einem Dokument oder einer verbundenen Datenquelle versteckt sind, könnten sein Verhalten manipulieren, und übermäßige Berechtigungen könnten dazu führen, dass ein kleiner Fehler Live-Konfigurationen oder Kundendatensätze verändert.
Prüfer könnten auch zu viel Vertrauen in die Ausgabe eines Agenten setzen, während unvollständige Protokolle die Untersuchung von Fehlern erschweren können. Modell-Updates können das Verhalten des Agenten ändern, und die Abhängigkeit von externen Anbietern kann operationelle Risiken schaffen.
Um die Risiken zu mindern, sollten effektive KI-Governance- und Compliance-Kontrollen Folgendes umfassen:
- Zugriff beschränkt auf die für jede Aufgabe erforderlichen Informationen und Aktionen, mit separaten Berechtigungen zum Lesen von Informationen, Erstellen von Entwürfen und Ändern von Live-Einstellungen
- genehmigte Tools und Datenquellen
- Tests in einer Sandbox- oder Testumgebung, bevor Änderungen auf Live-Systeme angewendet werden
- menschliche Genehmigung für Aktionen, die Kunden, Risikoschwellen oder regulatorische Meldungen betreffen, sowie für Fälle, in denen Anforderungen unklar sind
- Aufzeichnungen der erteilten Anweisungen, konsultierten Quellen, verwendeten Tools und vorgenommenen Änderungen
- ein Notfallverfahren, falls der Agent oder ein externer Anbieter nicht verfügbar ist
