KI- Agenten: Warum diese falsch rechnen

Tom Würfel, Senior Director Solution Sales DACH bei Dun & Bradstreet, lächelt im dunklen Anzug vor einer Glaswand; er erläutert, wie KI-Agenten in Bank- und Versicherungs-IT zusammenspielen. — Tom Würfel, Senior Director Solution Sales DACH bei Dun & Bradstreet Dun & Bradstreet

Wer KI-Agenten in der Bank- oder Versicherungs-IT betreibt, baut kein Modell, sondern ein Ökosystem: Ein Assistent im Kreditprozess, ein zweiter im Onboarding, ein dritter im Underwriting, dazu Plattformen verschiedener Anbieter. Das Modell ist dabei der austauschbarste Teil. Offene Standards wie das Model Context Protocol (MCP) machen den Wechsel des Large Language Models zur Konfigurationsfrage. Entscheidend ist, was die Agenten wissen: Führen Kernbanksystem, CRM und Compliance-Tool dieselbe Firma unter drei Namen, rechnet jeder Agent mit einer anderen Wahrheit, und zwar fehlerfrei formuliert. Genau hier entscheidet sich, ob ein Tech-Ökosystem trägt: an der gemeinsamen Stammdatenbasis, die alle Agenten teilen.

von Tom Würfel, Senior Director Solution Sales DACH, Dun & Bradstreet

Über das Model Context Protocol (MCP) lässt sich ein und dieselbe Datenquelle in Claude, ChatGPT, Copilot, Gemini Enterprise sowie in die Datenmanagementplattformen von Google, Databricks und Snowflake einbinden – standardisiert und in Echtzeit. Welches Modell die Anfrage stellt, verliert damit an Gewicht, während die Frage, auf welchen Kontext es zugreift, in jedem Workflow wiederkehrt.

Einheitliche Unternehmensstammdaten für alle Agenten

Je mehr KI-Agenten über Funktionen und Plattformen hinweg arbeiten, desto stärker hängt die Qualität ihrer Ergebnisse davon ab, dass sie Geschäftspartner – also Kunden und Lieferanten – eindeutig identifizieren können. In der Praxis steht dieselbe Firma im Kernbanken- oder Bestandssystem unter ihrer Registerbezeichnung und im CRM unter dem Markennamen, während das Compliance-System eine Tochtergesellschaft als eigenständigen Kunden führt. Soll nun das gesamte Kreditengagement gegenüber dieser Unternehmensgruppe ermittelt werden, gleicht ein erfahrener Analyst diese Unterschiede aus. Ein Agent hingegen arbeitet mit dem Datensatz, den er findet, ordnet die Tochtergesellschaft im ungünstigen Fall nicht der Gruppe zu und weist ein zu niedriges Risiko-Exposure aus, ohne dass der Antwort der Fehler anzusehen wäre.

Abhilfe schafft eine konsistente, länderübergreifende Unternehmenskennung, an der Identität, Eigentums- und Kontrollstrukturen sowie Risikosignale hängen und auf die alle Agenten eines Hauses zugreifen.“

Sie ermöglicht damit auch die zuverlässige Bildung von Kreditnehmereinheiten und vereinfacht den Identitätsabgleich zwischen Systemen und Teams. Da der Kontext hinter jeder Antwort aus einer kuratierten Quelle mit Herkunftsangabe (Data Provenance) stammt, lässt sich zudem jede Ausgabe auditkonform dokumentieren und nachvollziehen.

Onboarding und Underwriting als Prüfstein

Wie teuer eine fehlende einheitliche Unternehmensidentifikation ist, zeigt eine Celent-Befragung von 409 Bankern: Sechs von neun zentralen KYC- und KYB-Schritten erfordern demnach weiterhin erheblichen manuellen Aufwand. Zudem fragen zwei Drittel der Banken bei ihren Kunden dieselbe Information mehrfach ab. Das Onboarding eines Firmenkunden kostet durchschnittlich 14.700 US-Dollar, vor allem weil getrennte Systeme dieselben Unternehmensdaten in jeder Phase der Kundenbeziehung erneut verifizieren müssen.

In einem agentischen Workflow werden die Daten einmalig erfasst und anschließend an jedem Entscheidungspunkt wiederverwendet – vom Onboarding bis zum laufenden Monitoring. Durch die intelligente Verknüpfung vertrauenswürdiger Daten mit agentischen Workflows via MCP-Server lassen sich Zeitaufwand und Kosten für das Onboarding und die kontinuierliche Überwachung erheblich reduzieren.

Autor Tom Würfel, Dun & Bradstreet

Tom Würfel verantwortet als Senior Director Solution Sales bei Dun & Bradstreet (Website) das Lösungsgeschäft in DACH. Er verfügt über rund 20 Jahre Erfahrung in den Bereichen Data Analytics, Business Intelligence und CRM, davon über 15 Jahre in Führungspositionen. Seine berufliche Laufbahn führte ihn zuvor über Bisnode sowie über Global Group Dialog Solutions. Seine Schwerpunkte liegen in der Digitalisierung datengetriebener Geschäftsprozesse sowie im Einsatz von Analytics und KI in Vertrieb und Risikomanagement.

Im Underwriting der Versicherer zeigt sich dasselbe Muster. Sanktionslisten und Eigentümerstrukturen, Finanzstärke, Cyber- und Klimarisiken erfordern mehr und komplexere Daten als je zuvor, sodass der administrative Teil des Prozesses zulasten der Risikobewertung wächst.

Workflow mit KI-Agenten

Ein KI-gestützter Workflow beginnt hier damit, dass der Agent das Unternehmen anhand einer vertrauenswürdigen Datenquelle eindeutig identifiziert und die Eigentümerstruktur bis zu den wirtschaftlich Berechtigten auflöst. Das Sanktionslisten-Screening läuft weiterhin regelbasiert, damit sein Ergebnis reproduzierbar bleibt. Insbesondere das zeitaufwändige False-Positive-Management kann gezielt durch agentische Workflows mit Zugriff auf die entsprechend kontextualisierten Daten unterstützt werden. Anschließend verknüpft das System diese Angaben mit Finanz- und Risikodaten, sodass beim Underwriter ein entscheidungsvorbereitendes Risikoprofil mit prüffähiger Dokumentation liegt, auf dessen Grundlage er selbst entscheidet.

Derselbe Datenbestand erlaubt es, turnusmäßige KYC-Überprüfungen, die oft Wochen dauern und wesentliche Änderungen zwischen zwei Terminen übersehen, durch die fortlaufende Überwachung von Eigentums- und Risikosignalen zu ersetzen. In der Branche wird dieser Ansatz unter dem Stichwort „Perpetual KYC“ diskutiert. Mit der EU-Geldwäscheverordnung wird diese kontinuierliche und zugleich prüfbare Sorgfalt zum Maßstab.

Datenreife als Fundament für KI-Agenten

Nur acht Prozent der Finanzdienstleister und Versicherer halten ihre Unternehmensdaten nach unseren Befragungen aus diesem Jahr für vollständig bereit, KI im großen Maßstab zu tragen. In dieser Lücke liegt eine der Hürden auf dem Weg vom Pilotprojekt zur verlässlichen Anwendung im Tagesgeschäft. Am größten ist der Hebel dort, wo heute die meiste Recherche, Bewertung und Dokumentation von Hand anfällt, also im Onboarding von Firmenkunden und in der Kreditprüfung. Für Architekturentscheidungen in Banken und Versicherungen spricht deshalb vieles dafür, eine gemeinsame Stammdatenbasis für alle KI-Agenten früh mitzudenken, zumal sich das Large-Language-Modell darüber dank offener Standards auch später noch wechseln lässt. Tom Würfel, Dun & Bradstreet /dk