AI Governance · 12 Min.
KI-Agenten für Banken: Compliance, Onboarding und Kundenservice mit harten Grenzen
Banken können AI-Agenten stark nutzen, aber nur mit klarer Trennung zwischen Vorbereitung, Empfehlung und Entscheidung.
SYSTEMS Grafik zu KI Agenten Banken: Risk -> Guardrail -> Audit. Fokus: Wie Banken KI-Agenten für Onboarding und Compliance-nahen Service sicher einsetzen.
Kurzfassung
Banking-Agenten sind stark für Dokumentenstruktur und Onboarding-Vorbereitung. Compliance-nahe Entscheidungen brauchen Review, Audit und klare Rechte. Der Agent darf keine Verantwortung unsichtbar verschieben.
Strategischer Lesepfad
Baue das Thema im passenden Cluster weiter aus und verknüpfe es mit den nächsten Architekturentscheidungen.
Warum Banken hohe Anforderungen haben Banken arbeiten mit sensiblen Daten, Regulatorik und risikoreichen Entscheidungen. Ein Agent kann viel vorbereiten, aber er darf nicht zur Black Box für Compliance werden.
Gerade deshalb ist Architektur entscheidend.
Stand Mai 2026: Banking-AI wird akzeptiert, aber nicht grenzenlos EBA-Leitlinien für Remote Customer Onboarding, FATF-Digital-ID-Guidance und SR 11-7 zum Model Risk Management zeigen dieselbe Richtung: Technologie darf helfen, aber Verantwortung, Validierung und wirksame Kontrolle bleiben beim Institut.
FinCEN hat innovative AML-Ansätze wie AI und Digital Identity ausdrücklich ermutigt, gleichzeitig aber Model-Risk-Prinzipien für BSA/AML-unterstützende Systeme relevant gemacht. ECB und BaFin warnen vor Halluzinationen, Bias, begrenzter Nachvollziehbarkeit, Third-Party-Abhängigkeit und Supplier Concentration.
Das ist der richtige Rahmen: Banking-Agenten sind stark, wenn sie Vorbereitung, Erklärung, Review und Audit verbessern. Sie werden gefährlich, wenn sie Compliance-Verantwortung unsichtbar automatisieren.
KYC-Vorbereitung, nicht KYC-Entscheidung Der Agent kann KYC-Unterlagen sortieren, fehlende Dokumente markieren, Kundenfragen klassifizieren und Standardantworten vorbereiten. Er kann interne Checklisten füllen, Screening-Hinweise zusammenfassen und Sachbearbeitern eine Fallzusammenfassung liefern.
Salesforce beschreibt Financial-Services-Bausteine wie Identity Verification, Screening, Consent und Orchestration. Microsoft zeigt KYC-, Onboarding- und Compliance-nahe Lösungen über Power Platform und Copilot Studio. Diese Muster sind sinnvoll, solange der Agent nicht zur finalen KYC- oder AML-Entscheidungsinstanz wird.
Ein guter KYC-Agent trennt:
Das spart Zeit, ohne Entscheidungen zu automatisieren.
Intake: Welche Daten und Dokumente liegen vor? Vollständigkeit: Was fehlt, ist abgelaufen oder widersprüchlich? Plausibilität: Welche Signale brauchen Review? Screening: Welche Treffer müssen geprüft werden? Kommunikation: Welche Rückfragen gehen an den Kunden? Entscheidung: Welche Rolle darf freigeben, ablehnen oder eskalieren? Compliance-Agenten brauchen ein Signalmodell Compliance-nahe Agenten dürfen nicht als Chatbot gebaut werden, der irgendwo Regeln gelesen hat. Sie brauchen ein klares Signalmodell.
Ein brauchbarer Datensatz enthält:
Erst wenn diese Signale sauber sind, kann ein Agent Alerts priorisieren, Zusammenfassungen schreiben oder Fallakten vorbereiten.
Kundentyp: Privat, Unternehmen, wirtschaftlich Berechtigte, Land, Branche. Dokumente: ID, Registerauszug, UBO-Nachweis, Vollmacht, Aktualität. Screening: Trefferart, Quelle, Match-Qualität, False-Positive-Historie. Transaktion: Betrag, Frequenz, Gegenpartei, Jurisdiktion, Musterbruch. Policy: relevante Regel, Version, Grenzwert, Auslegungsspielraum. Review: Bearbeiter, Entscheidung, Begründung, Zeitpunkt, Eskalation. Audit und Nachvollziehbarkeit Jede Empfehlung braucht Beleg: Welche Quelle, welcher Datensatz, welche Regel, welche Unsicherheit? Ohne diese Ebene ist Banking-AI nicht belastbar.
Logs sind nicht optional, sondern Teil des Produkts.
SR 11-7 ist dafür ein guter Denkrahmen: Modelle brauchen Entwicklung, Validierung, Governance, Kontrollen und Effective Challenge. Bei GenAI-Agenten heisst das konkret:
Modell- und Prompt-Versionen sind nachvollziehbar. Retrieval-Quellen und Policy-Versionen sind sichtbar. Tool-Aufrufe werden mit Input, Output und Freigabe gespeichert. Menschliche Reviewer können widersprechen und korrigieren. Drift, Bias und Fehlpriorisierung werden gemessen. Kritische Entscheidungen bleiben erklärbar und rückverfolgbar. Drittanbieter- und Cloud-Risiko gehören in die Architektur ECB und BaFin betonen nicht nur Modellrisiken, sondern auch Abhängigkeiten von externen Anbietern. Bei Banking-AI ist das kein Randthema. Ein Agent kann nur dann produktiv werden, wenn Datenflüsse, Subprozessoren, Regionen, Zugriffsrechte, Logging und Exit-Szenarien geklärt sind.
Oracle rahmt AML-AI als Optimierungs- und Experimentierschicht für Szenarien, Schwellenwerte und Kontrollen. Microsoft betont Responsible AI, Privacy, Transparency und Auditability. Genau diese Sprache sollte ein Banking-Agent intern sprechen: kontrollierte Verbesserung, nicht magische Autonomie.
Architektur für Banking-Agenten Ein produktiver Banking-Agent hat acht Schichten:
1. Datenklassifikation: PII, Finanzdaten, Compliance-Daten, interne Notizen. 2. Rechte: Rolle, Mandant, Zweckbindung, Zugriffsdauer, Vier-Augen-Prinzip. 3. Policy Layer: KYC, AML, Datenschutz, AI Governance , interne Arbeitsanweisung. 4. Grounding: Dokumente, Regelversionen, Screening-Quellen, Kundendaten. 5. Case Builder: Zusammenfassung, fehlende Informationen, Widersprüche, Risiko-Hinweise. 6. Review Queue: Sachbearbeitung, Compliance, Legal, Risk, Eskalationsstufen. 7. Audit: Quelle, Empfehlung, Entscheidung, Reviewer, Tool-Aufruf, Korrektur. 8. Evals: False Positives, False Negatives, Bias, Erklärbarkeit, Policy-Treue.
Die einfachste Architekturregel lautet: prepare, review, approve. Der Agent bereitet vor. Der Mensch und das Institut entscheiden.
Evals für Banking-Agenten Vor produktiver Nutzung sollte getestet werden:
Ein Agent, der diese Tests nicht besteht, gehört nicht in Compliance-nahe Prozesse.
erkennt der Agent fehlende oder abgelaufene KYC-Dokumente? trennt er Screening-Hinweis, Verdacht und Entscheidung? verwechselt er Policy-Auslegung nicht mit rechtlicher Gewissheit? eskaliert er Hochrisiko-Fälle statt sie zu glätten? erzeugt er prüfbare Audit-Trails? reduziert er Bearbeitungszeit, ohne False Negatives zu erhöhen? respektiert er Rollenrechte und Datenminimierung? Der SYSTEMS-Blick Wir bauen Banking-Agenten mit harten Grenzen: prepare, review, approve. Der Agent beschleunigt Vorarbeit, aber kritische Entscheidungen bleiben kontrolliert.
So entsteht Effizienz, ohne Compliance zu verwischen: schnelleres Onboarding, bessere Fallakten, weniger Sucharbeit und klare Verantwortung dort, wo sie regulatorisch hingehört.
