35 Prozent der europäischen Finanzdienstleister nutzen bereits Agentic AI, weitere 46 Prozent planen den Einsatz im kommenden Jahr – so die EY Responsible AI Pulse Survey. Die Zahl klingt nach Durchbruch. Sie beschreibt vor allem Piloten. Der Weg vom PoC in den Produktivbetrieb ist die Stelle, an der die meisten Agentic-AI-Initiativen im DACH-Markt derzeit stehen bleiben.
Agentic AI funktioniert in der Demo – und scheitert am Kernsystem
Das Muster ist überall gleich. Im PoC arbeitet der Agent auf statischen Testdaten, mit wenigen parallelen Prozessen, ohne regulatorische Anforderungen. Er priorisiert Vorgänge korrekt, analysiert Dokumente, liefert stabile Ergebnisse. Dann trifft er auf die Realität: Batch-Verarbeitung, transaktionale Kernsysteme und historisch gewachsene Integrationslogik. Statusänderungen liegen zeitversetzt vor, Datenstände widersprechen sich zwischen Kernsystem und KI-Schicht. Bereits kleine Inkonsistenzen destabilisieren automatisierte Prozesse.
EY nennt das Phänomen Adoption Paradox: hohe Investitionen, wenig nachhaltiger Nutzen, weil Legacy, Governance und Betriebsmodell in der Strategie fehlen. Wie der Weg vom Legacy-System in den Produktivbetrieb trotzdem gelingt, haben wir separat beschrieben. Unsere Formulierung ist einfacher: Die Branche kauft Autonomie und betreibt sie wie ein Experiment.
Die Diskussion dreht sich derweil fast ausschließlich um Modelle, Anbieter und Use-Case-Listen. Das ist die falsche Ebene. Die Modelle sind gut genug – und sie werden austauschbar. Ein Agent, der Schadenmeldungen priorisiert, Dokumente prüft und Bearbeitungsschritte orchestriert, braucht drei Dinge, die kein Modell mitbringt: konsistente Ereignisdaten in Echtzeit, definierte Leitplanken für autonome Entscheidungen und einen lückenlosen Audit-Trail. Alle drei sind Architektur- und Betriebsfragen. Wer sie löst, kann das Modell darunter wechseln wie einen Reifen.
Der Wert liegt in der Orchestrierung, nicht im Modell
Daraus folgt eine unbequeme Konsequenz für jede Buy-Entscheidung: Der dauerhafte Wert einer Agentic-AI-Investition liegt in der Orchestrierungsschicht – der Verbindung zwischen Agent, Kernsystem, Datenhaushalt und Kontrollumgebung. Genau dort entstehen die Kosten, dort entsteht die Differenzierung, und dort entscheidet sich, ob aus einem Piloten ein Prozess wird. Für diese Verbindung setzt sich inzwischen ein offener Standard durch: das Model Context Protocol. Wer Systeme darüber anbindet, baut die Orchestrierungsschicht einmal – und nicht pro Modell neu.
Es gibt ein zweites Argument für diese Reihenfolge, und es kommt aus der Regulierung. Human Oversight, Protokollierung und Nachvollziehbarkeit sind keine Kür, sondern Kernanforderungen – heute über MaRisk und DORA, ab Dezember 2027 zusätzlich über die Hochrisiko-Pflichten des EU AI Act. Eine Agentenarchitektur, die diese Anforderungen von Beginn an trägt, ist im DACH-Markt kein Compliance-Aufwand. Sie ist die Eintrittskarte.
Zugegeben: Es gibt die Gegenposition. Erst schnell Erfahrungen sammeln, Integration später. Für interne, unkritische Anwendungsfälle ist das vertretbar. Für alles, was Kunden, Geld oder Aufsicht berührt, produziert dieser Ansatz genau die Pilotenfriedhöfe, die heute in vielen Häusern stehen.
Drei Fragen vor dem nächsten Agenten-Projekt
Erstens: Kann der Zielprozess konsistente Ereignisdaten liefern – oder muss die Datenbasis erst geschaffen werden? Wenn Letzteres, ist das das eigentliche Projekt. Zweitens: Wer definiert die Leitplanken – welche Entscheidungen trifft der Agent allein, welche eskaliert er, und wer haftet für die Grenze dazwischen? Drittens: Wer betreibt das System nach dem Go-live – Monitoring, Modell-Updates, Incident-Prozesse, Compliance-Dokumentation?
Wer diese drei Fragen nicht beantworten kann, sollte keinen Agenten bauen. Wer sie beantwortet hat, braucht keine weitere Use-Case-Liste – sondern einen Partner für die Umsetzung.
Agentic AI wird 2026 nicht an den Modellen scheitern. Sie scheitert am Weg in den Betrieb – oder sie gewinnt genau dort. Wenn Sie wissen wollen, wo Ihr Haus auf diesem Weg steht: Sprechen Sie uns an.
Häufige Fragen zu Agentic AI
Was ist Agentic AI?
Agentic AI bezeichnet KI-Systeme, die mehrstufige Aufgaben eigenständig planen und ausführen – sie priorisieren Vorgänge, prüfen Dokumente und orchestrieren Bearbeitungsschritte, statt nur auf einzelne Anfragen zu antworten. In Banken und Versicherungen betrifft das Prozesse wie Schadenaufnahme, Posteingang oder KYC-Prüfung.
Warum scheitern so viele Agentic-AI-Piloten?
Nicht am Modell, sondern an der Architektur: Batch-Verarbeitung, transaktionale Kernsysteme und gewachsene Integrationslogik liefern keine konsistenten Echtzeit-Daten. Bereits kleine Dateninkonsistenzen destabilisieren autonome Prozesse. Der PoC läuft auf Testdaten – der Produktivbetrieb läuft auf der Realität.
Was braucht ein KI-Agent für den Produktivbetrieb?
Drei Dinge, die kein Modell mitbringt: konsistente Ereignisdaten in Echtzeit, definierte Leitplanken für autonome Entscheidungen und einen lückenlosen Audit-Trail. Dazu einen Verantwortlichen für den laufenden Betrieb – Monitoring, Modell-Updates, Incident-Prozesse und Compliance-Dokumentation.
