Agentic AI killt BPMN – für Finanzprozesse sind Frameworks künftig Pflicht

Schwerpunkt: Agentic, explainable & poisoned AI

Agentic AI wird oft als bloße Weiterentwicklung klassischer KI betrachtet – ein Missverständnis. Was sich aktuell abzeichnet, ist keine lineare Fortsetzung technischer Trends, sondern eine grundlegende Veränderung der Art, wie Prozesse, Entscheidungen und organisatorische Abläufe künftig funktionieren. Besonders im formalisierten, stark regulierten Finanzsektor wird dieser Wandel tiefgreifender ausfallen, als es vielen bewusst ist. Die Dynamik erinnert an den Moment, in dem der Verbrennungsmotor nicht länger als Antrieb einer motorisierten Kutsche verstanden wurde, sondern als Fundament völlig neuer Mobilitätsformen. Genau an dieser Schwelle steht die Automatisierung durch Agentic AI.

von Dr. Frank Becker, Complexity Scientist und Practice Leader Data & AI, Kyndryl

Noch ist das nicht angekommen, der Unternehmensalltag folgt bislang weiterhin klassischen Automatisierungslogiken: Abläufe werden dokumentiert, zerlegt und mithilfe von KI beschleunigt. Das steigert Effizienz, bleibt aber innerhalb bestehender Prozesslogik. Und damit begrenzt. Schon in der Vorbereitungsphase zeigt sich, wie viele Abläufe historisch gewachsen oder unpräzise dokumentiert sind. Die eigentliche Frage lautet jedoch nicht mehr, wie man bestehende Prozesse optimiert, sondern ob viele davon in einer agentenbasierten Organisation überhaupt noch existieren müssen. Genau hier beginnt der Paradigmenwechsel.

Paradigmenwechsel: Agenten interagieren mit Agenten

Neu ist: Agentic AI überträgt nicht nur Aufgaben an digitale Systeme, sondern ermöglicht die Interaktion verschiedener Agenten untereinander. Sie verhandeln autonom über Entscheidungen, Prioritäten und Handlungsoptionen.

Was heute in umfangreichen Abstimmungsschleifen zwischen Abteilungen geschieht, kann künftig in Millisekunden im Hintergrund stattfinden.“

Zwei Beispiele aus realen Implementierungen zeigen zunächst, wie Agentic AI heute überwiegend noch als Einzelagenten-Lösung eingesetzt wird und wo genau die Grenzen dieser „alten Welt“ verlaufen:

Beispiel DORA-Agent

Banken und Versicherungen müssen im Rahmen von DORA ihre digitale Widerstandsfähigkeit stärken und IKT- sowie Drittanbieter-Verträge prüfen. Das manuelle Screening ist komplex und fehleranfällig. Ein spezieller DORA-Agent automatisiert diesen Prozess mithilfe großer Sprachmodelle: Er analysiert Vertragsinhalte, identifiziert relevante Klauseln, gleicht sie mit Vorgaben ab, markiert Lücken und erzeugt präzise Empfehlungen. Ein vormals stundenlanger Prozess dauert nun unter fünfzehn Minuten. Dabei ist er konsistent, belastbar und auch governance-konform.

Beispiel GenAI Platform

Eine GenAI Platform unterstützt Finanzinstitute dabei, generative KI systematisch im Arbeitsalltag zu verankern. Dabei ermöglicht eine Agent Factory Mitarbeitenden, eigenständig Agenten für wiederkehrende Aufgaben zu erstellen – von Risiko- und Compliance-Checks bis zu Dokumentenklassifikation oder Recherche. Ein zweistufiger Freigabeprozess stellt sicher, dass jede Lösung fachlich wie regulatorisch sauber bleibt und den Prinzipien des EU AI Act entspricht. So entsteht ein kontrolliertes, wiederverwendbares Agentenportfolio, das Schatten-KI verhindert und den Übergang zum agentenbasierten Betriebsmodell vorbereitet. Auch hier ist die Zeiteinsparung enorm.

Beide Beispiele zeigen: Der Finanzsektor nutzt derzeit vor allem Einzelagenten. Das ist sicher ein Fortschritt, aber noch immer auf Ebene motorisierte Pferdekutsche.

Die neue Welt beginnt mit Multi-Agenten-Systemen

Die eigentliche Sprengkraft entfaltet sich erst in Multi-Agenten-Systemen. Hier verlässt Automatisierung die Logik linearer Prozessketten. Multi-Agenten agieren über Systemgrenzen hinweg, greifen parallel auf Daten, Regeln und Kontexte aus verschiedenen Bereichen zu und verhandeln optimale Entscheidungen.

Menschen denken in Strukturen und Zuständigkeiten; Agenten sind an Ziele, Modelle und Informationslagen gebunden. Dadurch erkennen sie Muster und Abhängigkeiten, die in Silos unsichtbar bleiben.“

Ihre Stärke liegt in der Fähigkeit, Komplexität ohne Verzögerung zu durchdringen. Menschen benötigen Zeit für Abstimmungen, Priorisierung oder Klärungen. Agenten erledigen dies in Millisekunden, frei von Ego, politischen Rücksichten oder KPI-Taktiken. Sie simulieren parallel Lösungswege, prüfen regulatorische Vorgaben, gleichen Risiken ab und einigen sich auf die Entscheidung, die dem Unternehmensziel am nächsten kommt. Qualität und Konsistenz der Entscheidungen steigen erheblich.

Doch die entscheidende Veränderung geht über Effizienz hinaus: Multi-Agenten-Systeme können Prozesse dynamisch neu konfigurieren. Ein Kreditprozess muss nicht länger als starre Prüfungsabfolge konzipiert sein. Stattdessen könnten Agenten aus Risiko, Compliance, Marktfolge, Vertrieb und IT darüber verhandeln, welche Schritte notwendig sind, in welcher Reihenfolge sie sinnvoll sind und wie Parameter das Ergebnis beeinflussen. Der Prozess entstünde adaptiv aus der Situation und passt sich in Echtzeit an neue Informationen an.

Ähnliches könnte beispielsweise auch bei der Portfoliooptimierung entstehen: Agenten könnten parallel Marktdaten, Liquiditätsanforderungen, regulatorische Rahmenbedingungen, Kundenpräferenzen und Risikostrategien analysieren. Sie könnten Lösungsstrategien entwickeln, die menschliche Teams aufgrund der schieren Variablenvielfalt nicht erfassen oder operationalisieren könnten.

Damit liegt die strukturelle Sprengkraft nicht in der Automatisierung einzelner Tätigkeiten, sondern im Übergang zu einer Organisationsform, in der Entscheidungen emergent aus dem Zusammenspiel spezialisierter Agenten entstehen. Silogrenzen verschwinden so, Prozesse werden nicht mehr „nur“ abgearbeitet, sondern kontinuierlich neu gestaltet. Finanzinstitute können Abläufe völlig neu denken. All das wird aber erst möglich durch vernetzte Agenten, die jenseits menschlicher Wahrnehmung neue Optionen generieren.

Die Stunde der Frameworks

Damit dieses Potenzial real wird, müssen Institutionen die gewohnte Logik proprietärer Ökosysteme hinter sich lassen. Große Softwareanbieter entwickeln zwar eigene Agentenmodelle, doch ihr Nutzen bleibt begrenzt, solange sie nur im jeweiligen Ökosystem wirken. Die Zukunft hängt davon ab, ob Agenten aus Kernbankensystemen, Cloudservices, RegTech-Lösungen und internen Teams in ein gemeinsames Orchestrierungsmodell eingebettet werden können.

Hier kommen Frameworks ins Spiel. Sie definieren technische Standards und sorgen für Interoperabilität, und das ist entscheidend für moderne, hochgradig heterogene Finanzarchitekturen. Gleichzeitig stellen sie Sicherheits-, Compliance- und Governance-Mechanismen bereit, die über alle angebundenen Agenten hinweg konsistent greifen. Besonders mit Blick auf DORA, den EU AI Act oder MaRisk ist eine einheitliche Steuerungslogik unverzichtbar.

Frameworks wirken zudem als Wissensspeicher. Vorgefertigte Agenten – etwa für Compliance, Audit-Trails oder Dokumentenanalyse – lassen sich institutionell verankern und wiederverwenden. Das steigert Qualität, reduziert Entwicklungsaufwand und beschleunigt Implementierungen. Darüber hinaus bieten Frameworks Zukunftssicherheit: Da KI-Modelle und Agententypen sich rasch weiterentwickeln, bilden Frameworks eine stabile Basis, auf der sich Technologien austauschen und modernisieren lassen, ohne die Gesamtarchitektur zu gefährden.

Frameworks sind nicht nur Infrastruktur, sondern eine Art neues „Betriebssystem“ der Finanzorganisation der Zukunft.“

Sie bilden die Grundlage, auf der autonome Systeme gemeinsam komplexe Entscheidungen vorbereiten, aushandeln und ausführen.

Neue Rollen entstehen

Mit dieser Entwicklung verändern sich auch die Anforderungen an Fachkräfte. Klassische Data Scientists, IT-Architekten und Fachexperten decken jeweils nur Teilbereiche ab; doch die Dynamik verteilter Agentennetzwerke verlangt ein neues Rollenprofil. Nennen wir ihn: den Agent Orchestrator. Der Agent Orchestrator verbindet Kenntnisse in KI- und Agentenarchitekturen mit tiefem Branchenwissen und systemischem Denken. Er erkennt Muster, steuert Zielkonflikte und richtet Prozesse sowie Governance an den Funktionsweisen autonomer Systeme aus.

Und auch IT-Projekt-Vorgehensweisen verändern sich mit Aufkommen der KI-Agenten: Proof of Concept und Pilotierungen bleiben wichtig, verlieren aber ihre langwierige Natur. Transformationsprogramme stützen sich zunehmend auf Frameworks, die erprobte Agenten für Compliance, Monitoring oder Audit bereits mitbringen. Das spart immense Entwicklungszeit. Schließlich muss das „Kutschrad“ nicht jedes Mal neu erfunden werden.

Wie einsteigen?

Finanzinstitute sollten den Einstieg in KI-Agentensysteme nicht technik-, sondern führungsgetrieben gestalten. Entscheidend ist, dass das Top-Management früh versteht, wie Agenten arbeiten, welche Geschwindigkeit sie entfalten und wie sich Entscheidungslogiken verändern, wenn Maschinen Aufgaben verhandeln. Ein praktisches Erlebnis – etwa ein Workshop mit individuellen C-Level-Agenten – schafft das notwendige Bewusstsein.

Im zweiten Schritt sollten Institute ihre Prozess- und Systemlandschaft systematisch erfassen. Schon hier können Agenten unterstützen, indem sie Dokumentationen, Richtlinien oder Datenflüsse automatisiert analysieren. Diese Bestandsaufnahme bildet die Basis, um Quick Wins und geeignete Startpunkte zu identifizieren. Darauf aufbauend entsteht ein Framework, das Interoperabilität, Sicherheit und Governance sicherstellt. Das ist essenziell, um aus punktuellen Einzellösungen ein skalierbares Agentenökosystem zu machen.

Parallel müssen Institute Agentenkompetenzen aufbauen: Rollenprofile, die technische Architekturfähigkeit, Businessverständnis und systemisches Denken kombinieren, siehe Agent Orchestrator. Eine kontrollierte, aber dezentrale Entwicklung – etwa über eine Agent Factory – ermöglicht Fachbereichen den eigenen Einstieg, während eine zentrale Instanz regulatorische Qualität sichert.

Agentic AI birgt also großes Potenzial, bedarf aber hoher Veränderungsbereitschaft. Der Finanzsektor – und nicht nur er – steht damit vor der größten Prozessinnovation seit Jahrzehnten. Agentic AI wird Abläufe, Entscheidungen und Strukturen grundlegend verändern. Institute, die jetzt Interoperabilität schaffen, Agenten strukturiert einsetzen und neue Kompetenzprofile entwickeln, werden langfristig im Vorteil sein.Dr. Frank Becker/dk