Agentische KI: Der Engpass sitzt im Einkauf, nicht im Modell

AIAgentische KI: Der Engpass sitzt im Einkauf, nicht im Modell

Banken, Versicherer und Vermögensverwalter testen KI-Agenten in großer Zahl, doch nur wenige Projekte schaffen den Schritt in den Regelbetrieb. Eine neue Analyse von Inverto, einer Marke der Boston Consulting Group, verortet die Ursache in Beschaffungs- und Vertragsstrukturen, die für stabile Software gebaut wurden. Eine parallel veröffentlichte Studie von SAS liefert den ökonomischen Befund dazu: Wer KI-Governance früh aufbaut, erzielt messbar höhere Renditen.

An Anwendungsfällen mangelt es nicht. Personalisierung im Frontoffice, Betrugsermittlung, Geldwäscheprüfung, Backoffice-Verarbeitung: In all diesen Feldern versprechen KI-Agenten, die nicht nur Empfehlungen geben, sondern selbstständig Aktionen auslösen, erhebliche Effizienzgewinne. In der Praxis bleiben die meisten Vorhaben jedoch im Stadium des Proof of Concept stecken. Zu diesem Ergebnis kommt der Bericht „Scaling Agentic AI in Financial Services: Procurement as a strategic enabler“ der auf Einkauf und Lieferketten spezialisierten Beratung Inverto.

Die These ist unbequem, weil sie den Engpass nicht in der Technologie sucht, sondern in der eigenen Organisation. Beschaffung und Governance vieler Finanzinstitute sind auf deterministische Software ausgelegt: feste Anforderungen, definierte Meilensteine, vorhersehbare Ergebnisse. Agentische Systeme entwickeln sich dagegen kontinuierlich weiter, verteilen Verantwortung über mehrere Anbieterebenen und verlangen eine Nachprüfbarkeit, die Standardverträge nicht abbilden.

Vier Gründe, warum Piloten Piloten bleiben

Inverto benennt vier strukturelle Hürden:

  • Starre Prozesse. Klassische Beschaffung setzt auf Stabilität. Bei agentischer KI führt das dazu, dass Pilotprojekte im PoC-Stadium verharren, Budgets vor der Skalierung aufgebraucht sind und Governance-Prüfungen der Technologie hinterherlaufen, die sie überwachen sollen.
  • Einheitliche Schablonen für ungleiche Risiken. Ein Beratungsagent mit Kundenkontakt oder ein Assistent für die Triage von Geldwäscheverdachtsfällen trägt ein anderes regulatorisches Risiko als ein Orchestrator für interne Berichte. Die meisten Institute behandeln dennoch alle Agenten mit denselben Vorlagen und Freigabeprozessen. Die Folge sind Schutzmechanismen, die an der falschen Stelle greifen.
  • Ungeklärte Verantwortung. Sobald ein System Entscheidungen vorbereitet oder Aktionen auslöst, verschiebt sich die Haftung. Offen sind nach Inverto drei Fragen: wer einsteht, wenn ein autonomer Output Schaden verursacht, wer die Nachvollziehbarkeit von Entscheidungen eines sich ständig verändernden Systems sicherstellt und wer die Compliance verantwortet, wenn mehrere Anbieter Komponenten desselben Workflows liefern.
  • Verträge für Einmallieferungen. Fester Leistungsumfang, gedeckelte Budgets und restriktive IP-Klauseln belohnen Verbesserungen nach dem Start kaum. Agentische Systeme stagnieren dadurch, bevor sie die Reife erreichen, die die Investition rechtfertigt.

Fünf Hebel für den Einkauf

Für Europa beschreibt der Bericht ein dichtes regulatorisches Umfeld aus EU AI Act, dem Digital Operational Resilience Act (DORA), BaFin-Rundschreiben und den Erwartungen der EZB. Daraus leitet Inverto fünf Handlungsfelder ab:

  1. Beschaffungsstrategie nach Risikoprofil. Das Sourcing-Modell richtet sich nach Geschäftswirkung und Risiko des konkreten Anwendungsfalls, nicht nach einer einheitlichen Vorlage.
  2. Adaptive Beschaffung in Phasen. Der PoC wird zum ersten gesteuerten Schritt eines dreistufigen Skalierungsmodells mit klaren Entscheidungspunkten, Verantwortlichkeiten und Erfolgskriterien. Unkontrolliertes Experimentieren sei mit aufsichtlichen Erwartungen ohnehin nicht vereinbar.
  3. Regulatorik vor der Verhandlung in Verträge übersetzen. Verträge werden zum Governance-Instrument. Positionen zu Datennutzung, Prüfrechten und Verantwortlichkeit sollen feststehen, bevor Gespräche mit Anbietern beginnen.
  4. Ein standardisierter Kontrollrahmen. Statt Einzelfalllösungen empfiehlt Inverto ein wiederverwendbares, prüffähiges Set aus Vorlagen, Werkzeugen und Governance-Dokumenten. Die Aufsicht erwarte zunehmend den Nachweis von Kontrolle, nicht nur deren Behauptung.
  5. Ein gesteuertes Anbieter-Ökosystem. Weil autonome Systeme mehrere Anbieter, Modelle und Entscheidungsebenen verbinden, wird die Lieferantenlandschaft selbst zum Risikofaktor. Die Rolle des Einkaufs verschiebt sich damit von der Pflege einzelner Beziehungen zur Gestaltung eines Ökosystems.

Den Anreiz, diese Hürden zu überwinden, beziffert der Bericht mit Verweis auf eine Prognose des Deloitte Center for Financial Services: In der Vermögensverwaltung könnte KI, insbesondere die agentische Ausführung, die Produktivität von Beratern bis 2032 um rund 30 bis 100 Prozent steigern. Ein Viertel bis die Hälfte der Beraterzeit würde von operativen Tätigkeiten frei. Umgerechnet entspräche das einer zusätzlichen Betreuungskapazität von 10 bis 35 Billionen US-Dollar an Kundenvermögen.

Governance als Renditefaktor

Dass Kontrolle kein reiner Kostenfaktor ist, legt eine Studie nahe, die der Analytics-Anbieter SAS mit dem Marktforscher IDC durchgeführt hat. Befragt wurden nach Angaben des IT Finanzmagazins rund 2.700 Entscheider aus 28 Ländern. IDC teilt die Unternehmen anhand eines Trustworthiness-Index in Vorreiter und Nachzügler ein.

Im Bankensektor haben 85 Prozent der Vorreiter bereits Governance-Frameworks für KI aufgebaut, bei den Nachzüglern sind es 29 Prozent. 66 Prozent der führenden Finanzinstitute erwarten einen starken Return on Investment aus KI, fast siebenmal so viele wie unter den Nachzüglern. Auch bei den Anwendungsfällen öffnet sich die Schere: 41 Prozent der Vorreiter nutzen KI für automatisierte Untersuchungen und Case Management, bei den Nachzüglern sind es 7 Prozent.

Aufschlussreich ist ein zweiter Befund. Rund 97 Prozent der Anwender verwerfen KI-Empfehlungen zumindest gelegentlich, meist weil nicht nachvollziehbar ist, wie das Ergebnis zustande kam. Nur 17,5 Prozent der Unternehmen haben ihre Dateninfrastruktur umfassend für KI optimiert; diese Gruppe hat nach der Studie eine viermal höhere Aussicht auf einen starken ROI. SAS verweist zudem darauf, dass selbst leistungsfähige Agenten bei komplexen Aufgaben Fehlerquoten von über 25 Prozent erreichen können, was bei Entscheidungen mit hohem Einsatz nicht akzeptabel sei.

Die Agenten kommen über die Lieferanten

Während Institute noch über Governance-Rahmen beraten, bauen ihre Softwareanbieter agentische Funktionen bereits in die Kernsysteme ein. Die Marktstudie SHUK 2026 der PPI AG zu Standardsoftware für Versicherer zeigt: 13 von 18 befragten Herstellern setzen generative KI produktiv ein, jeweils 61 Prozent bieten Chatbots, Prozessautomatisierung und KI-Agenten an. Die Hälfte hat ihre Datenplattform für agentische KI vorbereitet oder pilotiert sie, drei von zehn stellen eine universelle KI-Schnittstelle über das Model Context Protocol bereit. Elf der 18 Anbieter wollen den Schwerpunkt in den nächsten 12 bis 24 Monaten auf autonome Agenten legen.

Ähnlich im Bankgeschäft: Der Betrugspräventionsanbieter Feedzai hat den Agenten Farol direkt in seine RiskOps-Plattform integriert. Er analysiert Regelwerke im Dialog, fasst Fälle zusammen und soll nach Herstellerangaben die Bearbeitungszeit von Alerts um 20 Prozent senken und Entwürfe für Verdachtsmeldungen bis zu zwölfmal schneller erstellen.

Für die Institute bedeutet das: Agentische KI kommt nicht nur über eigene Projekte ins Haus, sondern über Updates bestehender Lieferantenbeziehungen. Genau dort greifen die von Inverto beschriebenen Schwächen am stärksten.

Einordnung

Für institutionelle Marktteilnehmer lassen sich drei Punkte ableiten:

  1. Der Einkauf wird zur Governance-Funktion. Wer agentische KI skalieren will, muss Vertragsgestaltung, Prüfrechte und Verantwortlichkeiten vor dem Pilotprojekt klären, nicht danach. Für Banken, Versicherer und Kapitalverwaltungsgesellschaften fügt sich das in das bestehende IKT-Drittparteienmanagement unter DORA ein. Ein Agent, der im Informationsregister nicht auftaucht, ist eine Lücke, die spätestens die Aufsicht findet.
  2. Nachvollziehbarkeit entscheidet über den Nutzen. Wenn fast alle Anwender KI-Empfehlungen verwerfen, weil sie deren Herleitung nicht verstehen, bleibt ein Teil der Investition ungenutzt. Erklärbarkeit und Datenqualität sind damit keine Compliance-Zugabe, sondern Voraussetzung für den Business Case.
  3. Das Risiko wandert in die Lieferkette. Mit agentischen Funktionen in Kernbanken-, Versicherungs- und Betrugspräventionssystemen verlagert sich das Steuerungsproblem zu den Anbietern. Due Diligence für Softwarepartner muss künftig Modellwechsel, Updatezyklen und die Protokollierung von Agentenaktionen umfassen.

Ob die Produktivitätsprognosen für 2032 eintreten, wird weniger von der nächsten Modellgeneration abhängen als davon, wie schnell Finanzinstitute ihre Einkaufs- und Kontrollprozesse an Systeme anpassen, die sich nach der Abnahme weiterentwickeln. csa

* DE: Die ergänzenden Inhalte können KI-generiert sein. EN: The additional content may be AI-generated.