Agentic KI: Wenn künstliche Intelligenz nicht nur antwortet, sondern handelt

Vom digitalen Assistenten zum autonomen Mitarbeiter

Stellen Sie sich vor, es ist Sonntagmorgen. Die internationalen Finanzmärkte sind teilweise geschlossen, doch in einem Kupferbergwerk in Südamerika treten Arbeiter in den Streik. Gleichzeitig verschärfen sich politische Spannungen in einer für den Rohstofftransport wichtigen Region des Nahen Ostens. Noch gibt es keine entsprechende Kursbewegung an den europäischen Börsen. Aber die Voraussetzungen für erhebliche Marktveränderungen sind bereits entstanden.

Wer erkennt diese Entwicklung zuerst? Wer bewertet ihre Bedeutung für das eigene Handelsportfolio? Und wer stellt sicher, dass die zuständigen Händler rechtzeitig informiert werden?

In vielen Unternehmen hängt die Beantwortung dieser Fragen noch immer davon ab, dass ein Mitarbeiter die richtigen Nachrichten liest, Zusammenhänge erkennt und die relevanten Informationen an die richtigen Stellen weiterleitet. Das kostet Zeit – und funktioniert nur, wenn jemand tatsächlich hinsieht.

Mit Agentic KI entsteht ein neuer Ansatz: KI-Systeme, die nicht nur auf eine konkrete Anfrage reagieren, sondern eigenständig definierte Aufgaben verfolgen, Informationen beschaffen, Ergebnisse analysieren und weitere Arbeitsschritte auslösen können.

Für Banken, Versicherungen und Investmentgesellschaften eröffnet das neue Möglichkeiten, geschäftskritische Prozesse kontinuierlich zu unterstützen – insbesondere dort, wo große Informationsmengen aus unterschiedlichen Quellen laufend ausgewertet werden müssen.
 

Was ist Agentic KI?

In den bisherigen Beiträgen haben wir Large Language Models (LLMs) als leistungsfähige Sprachmodelle kennengelernt. Sie können Dokumente analysieren, Informationen zusammenfassen und komplexe Aufgaben bearbeiten. Mit Prompt Engineering lässt sich ihnen präzise vermitteln, was sie tun sollen und welche Ergebnisse erwartet werden.

Agentic KI baut auf diesen Fähigkeiten auf und erweitert sie um die Fähigkeit, mehrstufige Aufgaben innerhalb eines vorgegebenen Handlungsrahmens zu verfolgen.

Ein KI-Agent kann beispielsweise einen Auftrag erhalten, bestimmte Risiken zu überwachen. Er ruft relevante Daten ab, untersucht Veränderungen, bewertet mögliche Auffälligkeiten und entscheidet anhand definierter Kriterien, ob weitere Schritte erforderlich sind. Dazu kann er zusätzliche Quellen konsultieren, eine vertiefte Analyse anstoßen oder einen Bericht an die zuständigen Mitarbeiter übermitteln.

Technisch besteht ein solcher Agent nicht einfach aus einem LLM mit einem besonders langen Prompt. Typischerweise kommen weitere Komponenten hinzu: Schnittstellen zu Datenquellen und Unternehmenssystemen, Werkzeuge zur Informationssuche und Berechnung, ein definierter Arbeitsablauf sowie Mechanismen zur Kontrolle und Protokollierung. Je nach Anwendung kann der Agent Zwischenergebnisse speichern, Aufgaben planen und seine nächsten Schritte an den bisherigen Ergebnissen ausrichten. Man kann sich das wie einen Mitarbeiter vorstellen, der einen klar umrissenen Verantwortungsbereich erhält. Er bekommt nicht nur eine einzelne Aufgabe, sondern den Auftrag, einen bestimmten Sachverhalt fortlaufend zu beobachten und bei relevanten Veränderungen aktiv zu werden.

Der Unterschied zum klassischen LLM ist damit wesentlich: Das Sprachmodell beantwortet eine konkret gestellte Frage. Ein Agent kann fortlaufend und autonom einen Prozess verfolgen, für den viele einzelne Fragen, Datenabrufe und Analyseschritte notwendig sind.
 

Wissen, das über die Trainingsdaten hinausgeht

Eine besonders wichtige Fähigkeit von Agentic KI besteht darin, externe und aktuelle Informationen einzubeziehen.

Ein Sprachmodell verfügt zunächst über das Wissen, das es während seines Trainings erworben hat. Dieses Wissen ist nicht automatisch aktuell und umfasst auch nicht sämtliche internen Daten eines Unternehmens oder sämtliche Informationen, die nach Abschluss des Trainings veröffentlicht wurden.

Ein Agent kann diese Einschränkung teilweise überwinden, indem er zur Laufzeit auf externe und interne Datenquellen zugreift. Dazu gehören beispielsweise Nachrichtenagenturen, Börsen- und Marktdaten, Unternehmensmeldungen, regulatorische Veröffentlichungen, Wetterinformationen, interne Risikosysteme oder freigegebene Dokumentenarchive.

Das Modell kann die abgerufenen Informationen anschließend interpretieren, miteinander vergleichen und in einen geschäftlichen Zusammenhang bringen. So entsteht eine Verbindung zwischen der sprachlichen Analysefähigkeit eines LLM und aktuellen Daten, die ihm beim Training noch gar nicht zur Verfügung standen.

Allerdings geschieht dieser Zugriff nicht automatisch. Die Quellen müssen technisch angebunden, zugänglich und für den jeweiligen Zweck geeignet sein. Auch Aktualität, Zuverlässigkeit und Vollständigkeit der Informationen müssen berücksichtigt werden. Ein Agent kann nur das auswerten, was er tatsächlich erreichen darf und was seine Werkzeuge zuverlässig bereitstellen.

Gerade für die Finanzindustrie ist das entscheidend: Der Mehrwert liegt nicht allein im Wissen eines Modells, sondern in seiner Fähigkeit, neue Informationen fortlaufend zu beschaffen und für konkrete Geschäftsentscheidungen aufzubereiten.
 

Anwendungsfall 1: Kontinuierliche Überwachung eines Kreditportfolios

Eine Bank betreut ein Portfolio aus mehreren Tausend Firmenkunden. Die Kreditrisiken werden anhand von Finanzkennzahlen, Ratingveränderungen, Zahlungseingängen und weiteren Informationen überwacht. Zusätzlich können externe Entwicklungen die Bonität einzelner Kreditnehmer beeinflussen: ein Großkunde gerät in Schwierigkeiten, ein wichtiger Lieferant fällt aus oder eine Branche wird von neuen Handelsbeschränkungen betroffen.

Ein klassisches Frühwarnsystem arbeitet häufig mit definierten Kennzahlen und Schwellenwerten. Das ist wichtig, erfasst aber nicht zwangsläufig alle relevanten Hinweise, die zunächst in Nachrichten, Unternehmensmeldungen oder anderen unstrukturierten Texten auftauchen.

Ein entsprechend konfigurierter KI-Agent kann diese Perspektive erweitern.

Schritt 1: Informationen kontinuierlich beschaffen.

Der Agent greift in festgelegten Intervallen auf freigegebene interne Kreditdaten, aktuelle Unternehmensinformationen und geeignete externe Nachrichtenquellen zu. Er ordnet die Informationen den betroffenen Kreditnehmern zu und berücksichtigt, wann eine Meldung veröffentlicht wurde.

Schritt 2: Relevanz und mögliche Auswirkungen analysieren.

Meldet eine Nachrichtenquelle beispielsweise, dass ein wichtiger Abnehmer eines Kreditnehmers Insolvenz angemeldet hat, kann der Agent prüfen, ob der betroffene Kunde diesem Abnehmer in den verfügbaren Unterlagen zugeordnet ist. Er kann weitere Informationen zur Umsatzkonzentration, zur Branchenentwicklung oder zur finanziellen Situation des Kreditnehmers heranziehen.

Dabei muss er zwischen bestätigten Fakten und möglichen Auswirkungen unterscheiden. Eine Insolvenzmeldung ist ein beobachtbarer Sachverhalt; die daraus entstehende Belastung für den Kreditnehmer ist zunächst eine zu prüfende Hypothese.

Schritt 3: Auffälligkeiten priorisieren.

Der Agent kann die erkannten Sachverhalte nach vordefinierten Kriterien ordnen: potenzielle Schadenshöhe, Dringlichkeit, betroffene Kreditpositionen und Unsicherheit der Informationslage. So wird nicht jede Nachricht zum Alarm. Stattdessen erhält das Risikomanagement eine priorisierte Liste von Fällen, bei denen eine genauere Prüfung sinnvoll erscheint.

Schritt 4: Die weitere Bearbeitung anstoßen.

Bei einer relevanten Auffälligkeit erstellt der Agent eine nachvollziehbare Fallzusammenfassung mit Quellenangaben, möglichen Auswirkungen und offenen Fragen. Er kann einen Prüfauftrag im internen System vorbereiten oder den zuständigen Kreditanalysten benachrichtigen. Weitergehende Maßnahmen, etwa eine Ratingänderung oder eine Anpassung von Kreditlimiten, müssen entsprechend den Kontroll- und Freigaberegeln des Instituts behandelt werden.

Der wirtschaftliche Nutzen liegt in einer früheren Erkennung relevanter Entwicklungen, einer gezielteren Bearbeitung von Warnsignalen und einer Entlastung der Mitarbeiter bei der Informationssuche. Die Kreditentscheidung selbst wird dadurch nicht automatisch an die KI delegiert.
 

Anwendungsfall 2: Rund-um-die-Uhr-Analyse internationaler Rohstoffmärkte

Für ein internationales Rohstoffhandelshaus ist die Informationslage besonders anspruchsvoll. Die Preise für Kupfer, Kaffee, Erdöl oder Getreide hängen nicht allein von Angebot und Nachfrage ab. Auch politische Entscheidungen, Wetterereignisse, Streiks, Transportprobleme und geopolitische Konflikte können die Markterwartungen verändern.

Solche Ereignisse treten jederzeit auf – auch dann, wenn wichtige Börsen geschlossen sind oder ein Händler gerade nicht auf die relevanten Nachrichten achtet.

Ein Agentic-KI-System kann eine kontinuierliche Marktbeobachtung organisieren.

Ein Beispiel:

In der Nacht wird ein Streik in einem bedeutenden Kupferbergwerk gemeldet. Wenig später berichten weitere Quellen über mögliche Einschränkungen der Produktion. Gleichzeitig veröffentlicht ein Branchenverband Informationen zur ohnehin angespannten Versorgungslage.

Der Agent erkennt, dass die Meldungen denselben Rohstoff und möglicherweise denselben Produktionsstandort betreffen. Er prüft, ob es sich um voneinander unabhängige Bestätigungen handelt oder ob mehrere Medien lediglich dieselbe ursprüngliche Meldung wiederholen. Anschließend untersucht er, welche Informationen über die Bedeutung des Bergwerks und die mögliche Dauer des Streiks verfügbar sind.

Im nächsten Schritt verbindet er diese Erkenntnisse mit aktuellen Marktdaten und den freigegebenen Positionen des Handelshauses. Er berücksichtigt beispielsweise, ob das Unternehmen auf fallende Kupferpreise gesetzt hat, physische Lieferverpflichtungen erfüllen muss oder gegenüber bestimmten Regionen besonders exponiert ist.

Das Ergebnis ist keine sichere Preisprognose. Es ist eine zeitnahe, strukturierte Einschätzung eines potenziell relevanten Ereignisses – einschließlich der Unsicherheiten und der möglichen Auswirkungen auf das Geschäft.

Dasselbe Prinzip lässt sich auf andere Rohstoffe übertragen:

• Kaffee: Wetterberichte und Meldungen über Frost in wichtigen Anbaugebieten werden mit Informationen zur Ernte, zu Lieferketten und zu aktuellen Preisen verknüpft.

• Energie: Politische Unruhen oder mögliche Einschränkungen von Transportwegen werden gemeinsam mit Informationen zu Fördermengen, Lagerbeständen und Marktpositionen betrachtet.

• Agrarrohstoffe: Änderungen bei Exportbeschränkungen, Ernteprognosen oder Hafenverfügbarkeiten werden auf ihre potenzielle Bedeutung für Lieferverpflichtungen und Preisrisiken untersucht.

Der entscheidende Vorteil ist die Verbindung von numerischen und nichtnumerischen Informationen. Klassische Marktsysteme verarbeiten Preise, Volumina und Kennzahlen besonders effizient. Ein LLM-basierter Agent kann ergänzend die Bedeutung sprachlich formulierter Ereignisse erschließen und diese Informationen mit den quantitativen Daten zusammenführen.

Für das Handelshaus entsteht damit eine zusätzliche Informationsschicht, die rund um die Uhr arbeitet. Sie kann relevante Entwicklungen erkennen, noch bevor diese vollständig in den beobachteten Marktpreisen sichtbar werden. Ob und wie stark sich ein Ereignis tatsächlich auf die Preise auswirkt, bleibt jedoch unsicher und muss mit geeigneten Marktmodellen und fachlicher Einschätzung bewertet werden.
 

Autonomie braucht Leitplanken

So leistungsfähig Agentic KI sein kann: Mehr Autonomie bedeutet auch mehr Verantwortung für die Gestaltung des Systems.

Ein Agent kann irrelevante Meldungen falsch gewichten, Informationen fehlerhaft zuordnen oder aus unvollständigen Daten falsche Schlussfolgerungen ziehen. Werden solche Ergebnisse ungeprüft weiterverarbeitet, können sich Fehler über mehrere Arbeitsschritte fortpflanzen.

Finanzinstitute benötigen deshalb klare Grenzen für die Handlungsfähigkeit ihrer Agenten. Dazu gehören kontrollierte Zugriffsrechte, verlässliche Datenquellen, nachvollziehbare Protokolle, definierte Eskalationswege und geeignete Tests. Kritische Entscheidungen und externe Aktionen sollten abhängig von ihrem Risiko eine menschliche Freigabe erfordern. Bei Handelsanwendungen sind zusätzlich technische Limits, Berechtigungen und etablierte Risikokontrollen zu beachten.

Nicht jeder Prozess muss vollständig autonom ablaufen. Häufig ist es sinnvoller, zunächst die Informationsbeschaffung, Klassifikation und Vorbereitung von Entscheidungen zu automatisieren. Der Mensch übernimmt die fachliche Bewertung und genehmigt jene Schritte, die besondere Risiken mit sich bringen.
 

Fazit: Von der Informationsverarbeitung zur aktiven Prozessunterstützung

Agentic KI erweitert die Möglichkeiten von Large Language Models um die Fähigkeit, mehrstufige Aufgaben über einen längeren Zeitraum zu verfolgen und dafür aktuelle Informationen aus unterschiedlichen Quellen einzubeziehen.

Für Finanzinstitute liegt das Potenzial insbesondere dort, wo wichtige Entwicklungen früh erkannt, große Informationsmengen verdichtet und die richtigen Mitarbeiter rechtzeitig informiert werden müssen. Die kontinuierliche Überwachung von Kreditportfolios und die Analyse internationaler Rohstoffmärkte zeigen, wie sich sprachliche Intelligenz, externe Daten und bestehende Unternehmenssysteme zu einem leistungsfähigen Arbeitsablauf verbinden lassen.

Der strategische Mehrwert besteht nicht darin, Menschen grundsätzlich zu ersetzen. Er besteht darin, Informationsprozesse schneller, systematischer und weniger abhängig von manueller Beobachtung zu gestalten.

Der Weg dorthin führt über eine sorgfältige Auswahl der Anwendungsfälle, die Integration zuverlässiger Datenquellen und klar definierte Verantwortlichkeiten. Denn auch ein autonomer digitaler Mitarbeiter braucht ein präzises Mandat, belastbare Informationen und verbindliche Grenzen.

Die entscheidende Frage für das Management lautet daher nicht mehr nur: Was kann unsere KI beantworten? Sondern: Welche geschäftskritischen Prozesse kann sie innerhalb klarer Leitplanken zuverlässig und selbsttätig beobachten, analysieren und unterstützen?