Agentic AI ist Software, die das logische Schlussfolgern großer Sprachmodelle mit der Fähigkeit verbindet, autonom im Auftrag eines Nutzers zu handeln. Im Finanzwesen führt Agentic AI Workflows aus (Zahlungsabgleich, Mahnanrufe, Abzugsprüfung), statt nur Handlungsempfehlungen für Menschen zu generieren.
Der Unterschied zwischen agentenbasierter KI und klassischen KI-Assistenten liegt darin, wer handeln darf. Ein klassischer KI-Assistent liefert nur Vorschläge, die ein Mensch umsetzen muss: „Sie sollten diesen Kunden wegen Rechnung 12345 anrufen.“ Eine agentenbasierte KI handelt selbst: Sie ruft an, erfasst die Antwort, trägt das Datum der Zahlungszusage im ERP-System ein und eskaliert nur dann, wenn die Situation menschliches Urteilsvermögen verlangt.
Dieser Unterschied entscheidet, denn die Durchsatzökonomie ist eine ganz andere. Ein Sachbearbeiter im Forderungsmanagement erledigt 15 bis 20 Anrufe pro Tag. Ein agentenbasierter KI-Anrufagent schafft 15 bis 20 Anrufe pro Stunde. Der agentenbasierte Ansatz skaliert linear mit dem Rechnungsvolumen, nicht mit der Zahl der Mitarbeiter.
Für Finanzanwendungen braucht Agentic AI eine Governance, die festlegt, was der Agent ohne menschliche Freigabe tun darf. Das gängige vierstufige Sicherheitsmodell koppelt den Grad der Autonomie an das Risiko der jeweiligen Aktion.
Mit dieser Struktur arbeiten Finanzteams autonom und skalierbar (Stufe 3 für Routineaufgaben) und behalten zugleich die Kontrolle über Entscheidungen, die ein finanzielles Risiko oder ein Risiko für die Kundenbeziehung bergen (Stufe 4 für ERP-Buchungen).
Echte agentenbasierte KI erfordert drei technische Fähigkeiten, die zusammenspielen.
Tools ohne Planung führen zu fehleranfälliger Automatisierung. Planung ohne Gedächtnis schafft zustandslose Assistenten, die die Gespräche von gestern vergessen. Erst das Zusammenspiel macht agentenbasierte KI qualitativ anders als Chatbots oder klassische Workflow-Automatisierung.
Robotic Process Automation (RPA) automatisiert eine feste Abfolge von Aktionen in der Benutzeroberfläche: hier klicken, das eingeben, jenes Feld kopieren. Doch RPA ist fehleranfällig. Ändert sich die zugrunde liegende Oberfläche, bricht die Automatisierung ab. Agentenbasierte KI setzt am Ziel an: „Diese überfällige Rechnung eintreiben“ statt „Diese Schaltflächen in dieser Reihenfolge klicken“. Der Agent reagiert flexibel auf Änderungen der Benutzeroberfläche, fehlende Daten und unerwartete Ergebnisse, weil er das Ziel durchdenkt, statt ein starres Skript abzuarbeiten.
In der Praxis behält RPA seine Berechtigung für stabile, hochvolumige und deterministische Aufgaben. Agentenbasierte KI spielt ihre Stärken dort aus, wo die richtige Aktion vom Kontext, von der Ausnahmebehandlung oder vom Urteilsvermögen abhängt.
Agentenbasierte KI-Systeme, die direkt mit Menschen interagieren, etwa KI-Telefonagenten, die mit dem Kreditorenteam eines Kunden sprechen, müssen die Transparenzanforderungen des EU AI Act erfüllen, sobald sie in europäischen Märkten zum Einsatz kommen. Regelkonforme Telefonagenten im Forderungsmanagement weisen sich zu Beginn des Gesprächs als KI aus: „Dies ist ein automatisierter Anruf von [Unternehmen] bezüglich Rechnung [Nummer]. Ich bin ein KI-Agent und darf mit Ihnen den Zahlungsstatus besprechen.“
Das B2B-Forderungsmanagement fällt unter der Verordnung in die niedrigere Risikokategorie für KI. Denn es umfasst weder Bonitätsbewertung noch Personalentscheidungen oder Anwendungsfälle in der Strafverfolgung, die eine Konformitätsbewertung für Hochrisiko-Systeme auslösen. Die wesentliche operative Einschränkung ist die Offenlegungspflicht.
Ein KI-Assistent macht Vorschläge, die ein Mensch anschließend umsetzt. Agentic AI führt die Aktion selbst aus. Der Unterschied beim Durchsatz ist erheblich: Ein Sachbearbeiter im Forderungsmanagement schafft 15 bis 20 Anrufe pro Tag, ein Agentic-AI-Anrufagent 15 bis 20 Anrufe pro Stunde. Agentic AI skaliert mit dem Arbeitsaufkommen, KI-Assistenten skalieren mit der Zahl der Menschen, die sie unterstützen.
RPA arbeitet eine feste Abfolge von Oberflächenaktionen ab: klicken, tippen, kopieren. Sobald sich die Oberfläche ändert, streikt der Prozess. Agentic AI setzt auf der Zielebene an und entscheidet anhand des aktuellen Kontexts, welche Aktion die richtige ist. Für stabile, deterministische Aufgaben eignet sich RPA. Sobald eine Aufgabe Ausnahmen, Urteilsvermögen oder kontextbezogene Entscheidungen verlangt, ist Agentic AI klar überlegen.
Ja, mit der richtigen Governance. Das gängige vierstufige Sicherheitsmodell steuert die Autonomie der Agenten nach dem Risiko der jeweiligen Aktion: nur Lesezugriff auf Stufe 1, Empfehlungen auf Stufe 2, autonome Ausführung auf Stufe 3 und ERP-Buchungen mit menschlicher Freigabe (Human-in-the-Loop) auf Stufe 4. So erledigen die Agenten Routineaufgaben in großem Umfang, während der Mensch über alle Entscheidungen mit finanziellem oder beziehungsrelevantem Risiko wacht.
Ja, sofern sich der Agent zu Beginn jeder direkten Interaktion als KI zu erkennen gibt. Regelkonforme Anrufagenten im Forderungsmanagement melden sich so: „Dies ist ein automatisierter Anruf von [Unternehmen] zur Rechnung [Nummer]. Ich bin ein KI-Agent.“ Das B2B-Forderungsmanagement zählt unter der Verordnung zur Kategorie mit geringerem Risiko. Die wesentliche operative Anforderung ist deshalb die Transparenzpflicht und nicht eine umfangreiche Konformitätsbewertung.
Dauerhaftes Gedächtnis bezeichnet die Fähigkeit des Agenten, sich über einzelne Sitzungen hinweg an frühere Interaktionen zu erinnern und mit der Zeit Kontext aufzubauen. Ohne Gedächtnis beginnt jede Interaktion bei null. Mit Gedächtnis lernt der Agent, dass Kunde X zuverlässig fünf Tage zu spät zahlt, Händler Y bei Rechnungen über 10.000 $ stets Einwände erhebt und Distributor Z besser auf Anrufe reagiert als auf E-Mails. Dieser Kontext verbessert die Leistung des Agenten, je länger er im Einsatz ist.
Drei Dinge. Erstens führt sie rund um die Uhr mit gleichbleibendem Durchsatz aus, denn ein Agent kennt keine Arbeitszeiten und bricht bei Spitzenlast nicht ein. Zweitens verfügt sie über ein lückenloses institutionelles Gedächtnis über jede einzelne Interaktion, während Menschen den Kontext über verschiedene Kunden und im Lauf der Zeit verlieren. Drittens arbeitet sie von Haus aus mehrsprachig: Ein Agent bedient über 70 Sprachen gleichzeitig, ein menschliches Team braucht für jeden Markt Muttersprachler. Beim Beziehungsmanagement, bei komplexen Verhandlungen und bei jeder Entscheidung, die ein Urteilsvermögen verlangt, das der Agent nicht begründen kann, bleiben die Menschen im Vorteil.
