Um AI-Agenten hat sich viel Hype aufgebaut, und in einer Bank trifft er auf harte Realität: Regulierung, Bankgeheimnis und die Verantwortung für jede Entscheidung, die einen Kunden betrifft. Die Frage lautet deshalb nicht „AI oder nicht”, sondern wo AI wirklich hilft und wie Sie es so umsetzen, dass das letzte Wort beim Menschen bleibt. Das verschiebt das Gespräch von der Faszination für ein Modell hin zu einem Projekt, das Sie vor einem Prüfer und vor dem Kunden vertreten können.
Nach unserer Erfahrung entsteht der größte Wert nicht dort, wo AI einen Menschen „ersetzt”, sondern dort, wo sie seinen Weg zur Antwort verkürzt und ihm wiederkehrende Arbeit abnimmt. Wir bauen echte AI-Kompetenz innerhalb der RITS Group auf, in unseren AI/LLM/Data-Teams, die auf LLMs, Daten und AI-Lösungen spezialisiert sind. Wir haben GenAI-, RAG- und LLM-Projekte geliefert, darunter die Einführung eines AI-Wissensassistenten für einen Versicherungskunden (UNIQA) - und diese Erfahrung lässt sich direkt auf die Herausforderungen einer Bank übertragen, denn die Logik ist dieselbe: sensible Daten, regulierte Sprache, hohe Fehlerkosten.
Wo hilft AI in einer Bank wirklich: Service, Betrieb oder Wissen?
Der schnellste Ertrag zeigt sich in drei Bereichen voller Routinearbeit und verstreutem Wissen. Im Kundenservice schlägt AI dem Mitarbeiter eine Antwort vor, fasst die Kontakthistorie zusammen und empfiehlt den nächsten Schritt, statt dem Kunden unkontrolliert zu antworten. In Betrieb und Backoffice beschleunigt sie mühsame Aufgaben: die erste Klassifizierung von Dokumenten, das Ausfüllen von Anträgen, das Aufspüren von Widersprüchen. Und beim Wissenszugriff verkürzt sie die Zeit, die ein Mitarbeiter braucht, um die richtige Prozedur in den Richtlinien der Bank zu finden. Das sind die Bereiche, in denen die Wirkung messbar und das Risiko beherrschbar ist - und dort lohnt sich der Anfang.
Was sind AI-Agenten und AI-Assistenten in einer Bank?
Beide Begriffe werden oft vermischt, obwohl der Unterschied praktisch ist. Ein AI-Assistent arbeitet im Frage-Antwort-Modus: Ein Mitarbeiter fragt, der Assistent antwortet aus dem Wissen der Bank, und der Mensch entscheidet, was als Nächstes geschieht. Ein AI-Agent geht einen Schritt weiter - er führt eine Abfolge von Aktionen aus, greift auf ein System zu, entwirft eine Entscheidung oder füllt ein Formular aus - in einer Bank jedoch immer innerhalb klar gesetzter Grenzen.
Entscheidend ist: Ein Agent ist kein Orakel, sondern ein Ausführender unter Aufsicht. Wir entwerfen ihn so, dass er vorschlägt statt entscheidet: Er sammelt Daten, leistet die Vorarbeit und hält dort an, wo eine menschliche Entscheidung nötig ist. Der Nutzen wächst, und die Verantwortung bleibt dort, wo die Aufsicht sie erwartet.
Wie funktioniert ein Wissensassistent (RAG) für Bankmitarbeiter?
Ein Wissensassistent ist meist der erste und sicherste Schritt. Er beruht auf einer RAG-Architektur (Retrieval-Augmented Generation), in der das Modell die Antwort nicht erfindet, sondern sie auf geprüfte Dokumente der Bank stützt. In der Praxis bauen wir dabei mehrere Schichten:
- eine Quelle der Wahrheit - Prozeduren, Richtlinien, Vorschriften und Produktwissen, geordnet und aktuell,
- eine Retrieval-Schicht, die die passenden Passagen findet, bevor das Modell etwas schreibt,
- Antwortgenerierung mit Quellenangaben, damit ein Mitarbeiter mit einem Klick prüfen kann, woher eine Information stammt,
- Zugriffssteuerung, damit jeder nur das sieht, wozu er berechtigt ist.
Genau diese Logik haben wir beim Wissensassistenten unseres Versicherungskunden angewandt - und in einer Bank beantwortet dieselbe Konstruktion Fragen von Beratern, Analysten oder Compliance schneller, als es die Suche im Intranet könnte.
Wie automatisieren Sie Bankprozesse mit AI?
AI-gestützte Automatisierung unterscheidet sich von klassischer RPA darin, dass sie mit unstrukturierten Inhalten zurechtkommt - einem Schreiben des Kunden, einem gescannten Vertrag, einer Beschwerde im Freitext. Statt einer starren Regel setzen wir eine Komponente ein, die Sprache und Kontext versteht, und betten sie genau in den Prozessschritt ein, in dem heute die meiste Zeit verloren geht - ohne das ganze System umzubauen.
Gut entworfene Automatisierung bereitet eine Entscheidung vor, erzwingt sie aber nicht: Das Modell fasst zusammen, klassifiziert und schlägt vor, der Mensch nimmt an, korrigiert oder lehnt ab. Dieser Takt macht den Prozess schneller, nicht riskanter.
Warum ist der Mensch in der Entscheidungsschleife so wichtig?
In einer Bank ist das kein Schlagwort, sondern eine Entwurfsentscheidung. Ein Mensch in der Entscheidungsschleife bedeutet, dass jede Entscheidung mit spürbarer Wirkung auf einen Kunden von einer berechtigten Person freigegeben wird. AI bereitet das Material auf, verkürzt den Weg und macht Vorschläge, aber sie zeichnet keine Kreditentscheidung und schließt keine Beschwerde eigenständig ab.
Dieses Vorgehen hält die Verantwortung auf Seiten der Bank und baut Vertrauen im Team auf - die Mitarbeiter haben nicht das Gefühl, AI arbeite „hinter ihrem Rücken”, sondern für sie. Deshalb gestalten wir die Oberflächen so, dass die Kontrolle ein natürlicher Teil des Prozesses ist und kein zusätzlicher, überspringbarer Schritt.
Welche AI-Risiken müssen Sie in einer Bank beherrschen?
Eine verantwortungsvolle Einführung beginnt damit, die Risiken zu benennen und sie in der Architektur zu adressieren, nicht auf einer Folie. Wir achten vor allem auf:
- Datensicherheit und Datenschutz - sensible Daten gelangen nicht in öffentliche Modelle, und die Verarbeitung läuft in einer kontrollierten Umgebung,
- Halluzinationen - wir bremsen sie durch RAG, Quellenangaben und ein klares „Ich weiß es nicht” statt einer erfundenen Antwort,
- Bias und Gleichbehandlung - wir prüfen, ob das Modell bestimmte Gruppen bevorzugt oder benachteiligt,
- Prüfbarkeit - jeder Vorschlag und jede Aktion hinterlässt eine Spur, die sich nachvollziehen und erklären lässt,
- Compliance - wir entwerfen die Lösung vom ersten Tag an für aufsichtsrechtliche Anforderungen und die internen Richtlinien der Bank.
Diese Schichten werden nicht am Ende angeschraubt - wir bauen sie von Anfang an in das Projekt ein, denn in einer Bank entscheiden Sicherheit und Compliance darüber, ob eine Einführung überhaupt abhebt.
Welche AI-Kompetenzen stellen wir für ein Bankprojekt bereit?
Auch die beste Idee braucht Menschen, die sie sicher bauen können. Wir besetzen die Rollen, die intern am häufigsten fehlen, und verbinden sie mit dem Team der Bank:
- AI/ML- und LLM-Engineers, die GenAI- und RAG-Lösungen entwerfen,
- Data Engineers, die Wissensquellen ordnen und die Pipelines bauen,
- Architekten, die sich um Sicherheit, Integrationen und die Regelkonformität der Lösung kümmern,
- Produktentwickler und DevOps, die einen Piloten in die Produktion bringen,
- Unterstützung bei Aufsicht und Qualität, damit der Mensch in der Schleife in der Praxis funktioniert und nicht nur auf einer Folie.
Unsere AI-Kompetenz schöpfen wir aus der RITS Group, aus unseren AI/LLM/Data-Teams und aus echten GenAI-, RAG- und LLM-Projekten. Wir verbinden sie mit unserem Handwerk im Bau und Betrieb von Software, denn in einer Bank besteht ein AI-Projekt zu 20 % aus Modell und zu 80 % aus solider Ingenieursarbeit darum herum.
Wie machen wir das bei RITS?
Wir arbeiten als Nearshore-Partner aus Polen und verbinden AI-Kompetenz mit der Disziplin einer Software-Delivery:
- wir starten mit einem einzigen, gut gewählten Anwendungsfall mit messbarer Wirkung, statt eine Revolution zu versprechen,
- wir bauen Lösungen in einer RAG-Architektur mit dem Menschen in der Entscheidungsschleife, so wie beim Wissensassistenten unseres Versicherungskunden,
- wir adressieren Sicherheit, Datenschutz und Compliance vom ersten Tag an, nicht erst kurz vor dem Go-live,
- wir stellen das Team rund um das konkrete Projekt zusammen und prüfen die Kompetenzen vor dem Start.
Meistens tun wir das als Kompetenzunterstützung: Wir stellen die Menschen und den Ansatz, die Bank behält die Kontrolle über die Entscheidungen.
Wo beginnen Sie mit AI-Agenten in einer Bank?
Beginnen Sie mit einem Problem, das täglich wehtut - zum Beispiel der Zeit, die ein Berater braucht, um die richtige Prozedur zu finden. Darum lässt sich ein sicherer Pilot bauen: ein enger Umfang, eine klare Wissensquelle, ein Mensch, der die Entscheidungen freigibt, und eine Erfolgskennzahl. Erst ein gelungener Pilot öffnet den Weg zur Skalierung auf weitere Prozesse.
Eine bewusste Wahl des Kooperationsmodells hilft - die Unterschiede haben wir in unserem Artikel zu IT-Kooperationsmodellen beschrieben.
Sie denken über AI-Agenten und Assistenten in Ihrer Bank nach, wollen es aber sicher und mit dem Menschen in der Kontrolle tun? Sprechen wir darüber - wir schärfen Umfang, Architektur und Team.