Seit Jahren investieren Banken in Technologie. In den meisten Fällen wurden sie dadurch schneller, aber sie veränderten sich nicht grundlegend. KI modifiziert nicht nur die Prozesse; sie revolutioniert die Art und Weise, wie entschieden wird. Mit Agentic AI verfügen Unternehmen heute über Systeme, die eigenständig Entschlüssen treffen und umsetzen – auf Basis von Daten, Regeln und Kontext. Für Banken bringt dies eine Vielzahl neuer Möglichkeiten mit sich. Gleichzeitig stellt sich jedoch die zentrale Frage, wer die Verantwortung für diese Entscheidungen trägt.

Die stille Verschiebung – von der Effizienz zur Entscheidung

In den letzten Jahren kam es in vielen Branchen zu einem Paradigmen-Shift: KI wird nicht mehr nur als effizientes Zusatztool wahrgenommen, sondern als Kernpunkt der Strategie. Zur gleichen Zeit rüsteten auch die Banken technologisch auf, vollzogen aber nicht wirklich die notwendigen Transformationsschritte für die Zukunft. KI wurde behandelt wie jede andere Technologie zuvor: als Werkzeug, das Kosten senkt, Prozesse beschleunigt und den Service optimiert. Implementiert wurde ein Chatbot hier und ein Pilotprojekt dort.

Was sich gegenwärtig abspielt, geht über reine Effizienzgewinne hinaus. Mit Agentic AI werden Systeme eingeführt, die nicht nur assistieren, sondern selbstständig handeln. Sie analysieren Daten, treffen Entscheidungen, führen Prozesse aus – ohne dass ein Mensch jeden Schritt freigibt. Im Banking stehen damit Systeme zur Verfügung, die nicht nur Empfehlungen aussprechen, sondern Kreditentscheidungen vorbereiten. Sie stoppen die Transaktion und lösen nicht nur Alarm aus; sie gehen aktiv auf Kundinnen und Kunden zu, anstatt sie nur zu erkennen.

Bei der Einführung von Agentic AI geht es also nicht um Rechenleistung, sondern um Architektur und Verantwortung.

Nicht die Technologie verändert das Banking, sondern die Art, wie Entscheidungen entstehen

FinTechs genießen durch ihre digitale Aufstellung einen Vorteil im Hinblick auf ihre Geschwindigkeit und Innovationsfähigkeit; die großen Technologiekonzerne kontrollieren die Kundenschnittstellen und sichern sich damit einen Teil der Wertschöpfung. Viele traditionelle Banken werden dagegen durch ihre Legacy-Systeme zurückgehalten, sie haben im Wettbewerb mit strukturellen Nachteilen zu kämpfen.

In diesem Umfeld reicht es nicht mehr, KI als Effizienzprogramm zu verstehen. Die Frage ist nicht, ob Banken Agentic AI einsetzen werden, sondern, ob sie bereit sind, grundlegend neu zu definieren, wie Entscheidungen in einer Bank getroffen werden – und wer dafür einsteht.

Warum so viele KI-Piloten scheitern – und was das mit Führung zu tun hat

Die meisten Organisationen haben gelernt, mit KI zu experimentieren: Sie haben Pilotprojekte aufgesetzt und Governance-Strukturen entwickelt. Jetzt erleben viele von ihnen, dass der Sprung vom funktionierenden Piloten in den produktiven Betrieb nicht gelingt.

Die Ursache liegt selten in der Technologie. Was fehlt, sind Business-Champions: Menschen aus dem Fachbereich, die von Anfang an dabei sind – nicht als Auftraggebende, die am Ende eine Freigabe erteilen, sondern als aktive Mitgestaltende. Fachleute, die wissen, welche Daten gebraucht werden, und den Entwicklerinnen und Entwicklern sagen können, warum ein Ergebnis falsch ist.

Im Pilotprojekt sorgen diese Business-Champions dafür, dass das System tatsächlich genutzt wird – weil sie selbst davon überzeugt sind und andere mitziehen. Fehlen diese Champions, wiederholt sich häufig ein bestimmtes Muster: Das Entwicklungsteam baut eine Lösung, die technisch funktioniert. Der Fachbereich übernimmt diese und stellt fest, dass sie für die tatsächliche Arbeit nicht geeignet ist. So geht Vertrauen verloren, oft endet damit sogar das ganze Projekt.

Kurz gesagt: Was ausgerollt wurde, wird nicht unbedingt auch genutzt; entscheidend ist der konkrete Mehrwert im Alltag. Wenn jemand im Team erzählt, dass er Aufgaben in einer Minute erledigt, für die er früher zwei Tage gebraucht hat, überzeugt dies die anderen.

Dazu kommt eine Führungsfrage, die häufig unterschätzt wird: Wer treibt die Transformation an – und wie? Top-down-Commitment allein reicht hier nicht aus; konkrete Freistellungen sind notwendig: Die Mitarbeitenden müssen ausreichend Zeit haben, sich wirklich mit dem Thema zu befassen und dafür verantwortlich zu zeichnen.

In der Praxis sieht dies häufig anders aus: Alle sind ausgelastet, der Fachbereich arbeitet gutwillig, aber nur nebenher am KI-Projekt mit. Das Ergebnis ist ein Pilot, der als solcher auch endet.

Organisatorischer Wandel folgt den gleichen Grundsätzen wie immer: klare Erwartungen, sichtbare Führung und kontinuierliche Unterstützung. Agentic AI ist in dieser Hinsicht keine Ausnahme. Was sich verändert hat, ist die Dringlichkeit.

Agentic AI im Banking – welche zentralen Use Cases überzeugen

Agentic AI entfaltet den größten Mehrwert dort, wo große Datenmengen auf komplexe, repetitive Entscheidungen treffen, und die Geschwindigkeit der Prozesse direkt auf Kundenerfahrung und Ertrag einzahlt. Im Banking gibt es dafür mehrere konkrete Use Cases.

Contact Center: vom Kostenfaktor zur Ertragsquelle

Contact Center gelten seit Jahren als Kostenstelle. Agentic AI verändert diese Logik – nicht, weil sie Menschen ersetzt, sondern weil sie ihnen in Echtzeit Informationen bereitstellt, die ihnen ohne Agentic AI nicht zur Verfügung stünden. Bevor ein Gespräch beginnt, gibt das System auf Basis vergangener Interaktionen, Transaktionsmuster und offener Beschwerden den Grund an, warum ein Kunde wahrscheinlich anruft; während des Gesprächs schlägt es die nächste sinnvolle Aktion vor.

Anders als klassische Telefon-Bots kann Agentic AI aber auch einen Schritt weiter gehen und eine aktive, ausgehende Interaktion starten. Statt zu warten, bis ein Kunde kündigt oder ein Problem eskaliert, identifiziert das System Situationen, in denen ein Kontakt sinnvoll ist – zum Beispiel ein Cross-Sell-Angebot oder eine Intervention, bevor eine Zahlung ausbleibt. Das Contact Center wird zur Schnittstelle, an der Kundenbindung aktiv gestaltet wird.

Legacy-Modernisierung: SDLC-Beschleunigung durch Agentic AI

Viele Banken nutzen Legacy-Systeme, die nicht mehr dokumentiert sind und in Sprachen programmiert wurden, die kaum noch jemand beherrscht. Trotzdem sind diese Systeme im Kern des Geschäftsbetriebs aktiv. Agentic AI verändert, wie modernisiert werden kann. In einem konkreten Projekt wurden über 27 Millionen Zeilen undokumentierten Codes in weniger als einer Woche analysiert und dokumentiert – eine Arbeit, die sonst Monate gedauert hätte. Die Dokumentation diente anschließend als Kontext für die Neuentwicklung.

Diese Neuerung betrifft den gesamten Projektzyklus und kommt Projektmanagern, Business Analysten und QA-Teams gleichermaßen zugute. Was früher Jahre brauchte, wird in Monaten machbar. Um dies zu erreichen, benötigt es jedoch geschultes Personal, kompetente Beratung und die richtigen Daten.

Unstrukturierte Daten: das ungehobene Kapital

Banken verfügen über mehr Daten als die meisten anderen Branchen, zum Beispiel Transaktionshistorien, Gesprächsaufzeichnungen, Chat-Protokolle, Beschwerdehistorien und Klickpfade auf digitalen Plattformen. Der strukturierte Teil davon wird seit Jahren ausgewertet. Der unstrukturierte Teil, der deutlich größer ist, liegt weitgehend brach.

  • Agentic AI kann auch diesen Teil erschließen – nicht als separates Analyseprojekt, sondern als kontinuierliche Grundlage für Entscheidungen: •
  • Welche Kundinnen und Kunden zeigen Muster, die auf eine veränderte Lebenssituation hindeuten? •
  • Welche Transaktionsfolgen signalisieren eine Kündigungsabsicht? •
  • Wer kommt in die Filiale, ohne vorher einen Grund genannt zu haben – und was braucht er wahrscheinlich?

Der Wettbewerbsvorteil liegt nicht darin, diese Daten zu besitzen. Er liegt darin, sie zu aktivieren – für Entscheidungen und in Echtzeit. Aufgrund der Menge und Komplexität der Informationen wird jedoch ein einfaches RAG-System (retrieval augmented generation) nur einen begrenzten Mehrwert bringen. Eine komplexe Wissensbasis benötigt eine durchdachte Dateninfrastruktur und -repräsentation, die Wissen effizient, effektiv und datenschutzkonform für die Agenten bereitstellt.

Mit wachsender Autonomie verschiebt sich aber nicht nur die Wertschöpfung, sondern auch die Frage, wer für die Entscheidung einsteht.

Wer entscheidet – und wer haftet?

Je autonomer KI-Systeme operieren, desto drängender stellt sich eine Frage, die in der Euphorie über Use Cases leicht übersehen wird: Wer trägt die Verantwortung für das, was diese Systeme entscheiden?

Die Antwort fällt eindeutiger aus, als es zunächst wirkt: Verantwortlich ist die Organisation, die das System entwickelt, konfiguriert und betreibt – nicht der Modellanbieter und nicht die Plattform. Wer den Kontext definiert, die Grenzen setzt, testet und überwacht, steht auch für die Ergebnisse ein. Reputationsschäden, regulatorische Haftung und finanzielle Verluste können also überall dort eintreten, wo diese Verantwortung nicht wahrnommen wird.

Human-in-the-Loop: Sicherheitsnetz oder trügerische Sicherheit?

Menschen in den Entscheidungsprozess einzubinden, ist ein verbreiteter und richtiger Ansatz, aber er bringt ein Problem mit sich. Je leistungsfähiger Agentic-AI-Systeme werden, desto mehr Entscheidungen treffen sie. Und desto schwerer wird es für Menschen, jede einzelne wirklich zu beurteilen. In der Softwareentwicklung wird dies bereits sichtbar: Wenn ein System hunderttausend Zeilen Code pro Tag produziert, kann keine Entwicklerin und kein Entwickler jede Zeile prüfen. Das Review wird zur Formalie ohne echte Prüftiefe.

Dies spricht nicht generell gegen das Human-in-the-Loop-Prinzip, es muss nur richtig angewandt werden. Die Menschen müssen nicht jede Zeile prüfen, sondern die Logik verstehen, die dahintersteht. Anstatt die Einzelentscheidungen zu hinterfragen, gilt es die Systematik abzunehmen, nach der sie getroffen werden.

Je autonomer das System, desto höher ist die Abstraktionsebene, auf der die menschliche Kontrolle ansetzen muss. Es gilt, die Funktionsweise der KI zu kontrollieren, zu korrigieren und klare Regeln für die automatische Kontrolle zu definieren.

Eindeutige Regeln zur Absicherung autonomer Systeme

Autonomie bedeutet nicht Regellosigkeit. Auch Systeme, die selbstständig entscheiden, brauchen fest in der Architektur verankerte Grenzen. Im Banking betrifft das zum Beispiel die Kommunikationspräferenzen von Kundinnen und Kunden, die regulatorischen Vorgaben zu Kreditentscheidungen und die Datenschutzanforderungen. Diese Grenzen müssen im System verankert sein, bevor es autonom operiert. Es reicht nicht aus, sie einfach im Anschluss als Korrektiv einzufügen. Die Erweiterung eines Prompts ist hierbei nicht genügend, erforderlich sind agentische Systeme mit expliziten Regeln, die zuverlässig Garantien liefern können.

Auch Datenfundament und Governance müssen belastbar sein, bevor Agentic AI darauf aufsetzt. Denn KI verstärkt, was in den Daten steckt – Fehler, Lücken und Verzerrungen inbegriffen. Wer ein autonomes System auf fragmentierter Datenbasis betreibt, skaliert also das Problem, nicht die Lösung.

Regulatorischer Kontext für künstliche Intelligenz

Der EU AI Act klassifiziert bestimmte Anwendungen im Banking wie die Kreditvergabe, die Betrugserkennung und die Kundeninteraktion als Hochrisiko-Anwendungen mit erweiterten Dokumentations- und Transparenzpflichten. BaFin, EBA und DORA stellen zusätzliche Anforderungen im Hinblick auf die Erklärbarkeit, die Auditierbarkeit und die operative Resilienz.

Dabei handelt es sich nicht um abstrakte Zukunftspflichten – sie gelten bereits heute. Wer autonome Systeme einführt, ohne diese Anforderungen von Anfang an mitzudenken, baut daher auf unsicherem Fundament.

Von Ausführenden zu Entscheidenden – ein Perspektivenwechsel

Wenn KI Aufgaben übernimmt, verändern sich die Erwartungen an die Menschen. Dies klingt abstrakt, ist es aber nicht – es betrifft konkrete Rollen und Karrierewege. Die Frage, wie man Leistung misst und bewertet, wird neu gestellt. Früher wurden viele Rollen in der IT und im Banking über Aufgabenvolumen definiert: Wie viele Kundengespräche wurden geführt und wie viele Zeilen Code produziert? Diese Metriken verlieren ihre Aussagekraft, wenn ein KI-System in einem Tag mehr produziert als ein Team in einem Monat.

Was Organisationen stattdessen brauchen

Durch KI steigt der Bedarf an Menschen, die Probleme richtig formulieren und strategische Entscheidungen treffen – unterstützt von KI, nicht ersetzt von ihr. Sie haben die wichtige Aufgabe, die KI-Ergebnisse kritisch zu beurteilen und ethisch einzuordnen; sie müssen verstehen, welchen Wert eine Lösung für das Geschäft hat, und nicht nur, ob sie technisch funktioniert.

Ein Beispiel: Entwicklerinnen und Entwickler bauen Empfehlungssysteme fürs Cross-Selling nicht, um Code zu schreiben, sondern um die Kundenabwanderung zu reduzieren und die Erträge zu steigern. Diese Verschiebung in der Selbstwahrnehmung – von jemanden, der eine Aufgabe ausführt, zu jemanden, der Werte schafft – ist kein softes Kulturthema, es ist eine Führungsaufgabe.

Der Pilot als Modell

Moderne Verkehrsflugzeuge können weitgehend autonom fliegen. Trotzdem sitzen zwei Piloten im Cockpit – nicht, weil das System sie braucht, sondern weil die Verantwortung für 300 Passagiere eine menschliche Instanz erfordert, die im Ernstfall urteilt und handelt. Gleichzeitig bildet diese Konstellation die nächste Generation von Piloten aus, die so lernen, wie das System funktioniert und wann sie eingreifen müssen.

Nach dieser Blaupause verläuft auch der Einsatz von Agentic AI im Banking: Im Fokus steht nicht die maximale Automatisierung, sondern die Entscheidungsqualität. Dazu werden die Menschen genau dort eingesetzt, wo es auf ihr Urteil ankommt.

Neue Metriken, neue Führungserwartungen

Wenn sich die Rollen verändern, müssen auch die Maßstäbe angepasst werden, an denen Leistung gemessen wird:

  • Business Impact statt Aufgabenvolumen
  • Risikoreduktion oder Umsatzeinfluss statt Codezeilen
  • Entscheidungsqualität statt Prozessgeschwindigkeit

Von Führungskräften erfordert dies, die eigenen Bewertungssysteme zu überdenken und offen zu kommunizieren, welche Fähigkeiten in einer Welt mit Agentic AI gefragt sind. Wer sich dieser Realität nicht stellt, wird erleben, dass seine besten Mitarbeitenden die Antwort woanders suchen.

Strategische Wende – warum Führung jetzt neu gedacht werden muss

Um die Dimension dieser Transformation zu verstehen, hilft ein Beispiel aus der Geschichte:

Als das elektrische Licht eingeführt wurde, war es zunächst teurer als eine Kerze. Auf kurze Sicht betrachtet, war der Business Case also schwach. Die Entscheidung, in Elektrizität zu investieren, hatte aber nicht eine Effizienzsteigerung zum Ziel, sondern einen grundlegenden infrastrukturellen Wandel. Mit Agentic AI verhält es sich ähnlich: Wer die Technologie als Kostensenkungsprogramm betrachtet, denkt zu klein. Die eigentliche Frage ist eine strategische: Welche Art von Bank wollen wir in fünf Jahren sein?

Was Leadership konkret bedeutet

C-Level-Entscheiderinnen und -Entscheider, für die Agentic AI strategisch Priorität hat, müssen ihr Commitment mit zeitlichen und budgetären Ressourcen unterlegen; sie müssen ihre Mitarbeitenden von anderen Aufgaben freistellen. Transformation nebenbei zu erwarten, ist eine der häufigsten Ursachen dafür, dass sie nicht stattfindet.

Führungskräfte, die bei jedem Piloten sofort ROI fordern, schaffen eine Kultur, in der niemand mehr experimentiert. Scheitern muss als Erkenntnisquelle wahrgenommen werden, nicht als Versagen. Dies bedeutet auch eine Neudefinition der eigenen Rolle. Wer in einer Welt mit autonomen Systemen führt, gibt keine Aufgaben vor, sondern Richtungen und Werte.

Die Banken, die in fünf Jahren einen Spitzenplatz einnehmen werden, haben KI nicht am schnellsten implementiert. Sie waren mutig genug, neu zu definieren, was eine Bank ausmacht.

Die Wettbewerbsdynamik ist klar: Neobanken und Fintechs sind ohne Legacy groß geworden. Sie können schneller testen, skalieren und auf Kundenbedürfnisse reagieren. Traditionelle Banken verfügen dagegen über Werte, die die neuen Marktteilnehmer nicht besitzen: Daten, Vertrauen, regulatorische Erfahrung und über Jahrzehnte aufgebaute Kundenbeziehungen.

Dies ist ein enormer struktureller Vorteil. Er verfällt jedoch, wenn er nicht aktiviert wird. Agentic AI ist das richtige Werkzeug, um ihn in Geschwindigkeit und Entscheidungsqualität zu übersetzen.

Fazit – die Entscheidungsarchitektur als strategische Aufgabe

Agentic AI ist keine weitere technologische Entwicklung, die man erst beobachten und dann übernehmen kann, wenn sie ausgereift ist. Migrationen von Datenfundamenten, Sicherheitsarchitekturen und organisatorische Fähigkeiten sind langfristige Projekte. Wer heute wartet, läuft morgen dem Wettbewerb hinterher.

Was Banken jetzt brauchen, ist keine KI-Strategie im engeren Sinne, sondern eine klare Vorstellung davon, welche Entscheidungen von Menschen, von Systemen oder im Zusammenspiel getroffen werden sollen. Darüber hinaus gilt es sich zu überlegen, welche Governance, welche Fähigkeiten und welche Infrastruktur dafür erforderlich sind.

Wir begleiten Banken und Finanzinstitute auf ihrem Weg – von der Use-Case-Bewertung und Pilotierung über die Daten- und Plattformintegration bis zur skalierbaren Umsetzung im regulierten Umfeld. Dabei verfolgen wir den Anspruch, nicht nur Technologie einzuführen, sondern die organisatorischen Voraussetzungen zu schaffen, die eine echte Transformation möglich machen.