Agentic AI im Finanzbereich braucht zuerst eine verlässliche Zahlenebene

Ein autonomer Agent hält nicht inne, um sich selbst infrage zu stellen. Genau das ist sein Sinn. Sie geben ihm ein Ziel, eine Reihe von Werkzeugen und die Befugnis zu handeln, und er arbeitet das Problem ab, bis es erledigt ist. Stellen Sie sich nun vor, dieser Agent liest “Q3-Umsatz: 4,1 Mio.” von einem Dashboard ab, das in Wahrheit einen aufgelaufenen Quartalswert anzeigte, schließt daraus, dass das Unternehmen über Plan liegt, und stößt eine Neuprognose an, die der Vorstand am Freitag zu Gesicht bekommt. Kein Mensch hat diese Zahl eingetippt. Kein Mensch hat sie geprüft. Der Agent hat schlicht auf der Grundlage dessen gehandelt, was ihm vorgelegt wurde.

Das ist das eigentliche Risiko in der agentischen Finanzwelt, und es hat fast nichts damit zu tun, wie intelligent das Modell ist.

Das Versprechen der Agenten ist tatsächlich überzeugend. Statt einer KI, die Fragen beantwortet, erhalten Sie eine KI, die Arbeit erledigt: Sie zieht die Daten, führt die Berechnung durch, formuliert den Abweichungskommentar, aktualisiert die Prognose, meldet die Anomalie, bucht den Journalsatz. Gartner erwartet, dass eingebettete KI in Cloud-ERP-Systemen bis 2028 zu einem rund 30 % schnelleren Finanzabschluss führt, und ein großer Teil der Finanzabteilungen pilotiert oder plant bereits agentische Workflows. Die Richtung steht außer Frage. Die Frage ist, worauf diese Agenten eigentlich stehen.

Autonomie vervielfacht das, was unter ihr liegt

Hier die unbequeme Rechnung. Ein Chatbot, der eine Zahl halluziniert, kostet einen Analysten einen Nachmittag. Ein Agent, der eine Zahl halluziniert, daraufhin drei nachgelagerte Aktionen ausführt und diese Ergebnisse dann an einen zweiten Agenten übergibt, hat soeben eine falsche Zahl durch eine Kette geschleust, die niemand in Echtzeit beobachtet hat. Autonomie ist ein Multiplikator. Sie vervielfacht gute Entscheidungen, und sie vervielfacht fehlerhafte Eingaben mit genau demselben Eifer.

Die Governance-Zahlen sollten jeden CFO nachdenklich stimmen. Einer Schätzung aus dem Jahr 2025 zufolge verfügten nur etwa 2 % der Unternehmen über angemessene KI-Schutzmechanismen, und die überwältigende Mehrheit der Organisationen hatte bereits mindestens einen KI-Vorfall erlebt. Reife ist die Ausnahme. Etwa eines von fünf Unternehmen verfügt über ein ausgereiftes KI-Governance-Rahmenwerk. Derweil werden die Agenten weiter ausgeliefert. Die Leistungsfähigkeit eilt den Kontrollen davon – ein vertrautes und gefährliches Muster.

Der Impuls, das Tempo zu drosseln, ist also richtig. Doch “langsamer machen” ist keine Strategie, und es wird der Begegnung mit einem Vorstand nicht standhalten, der dieselben Schlagzeilen über autonome Finanzprozesse gelesen hat. Die bessere Antwort lautet, präzise zu benennen, was solide sein muss, bevor Sie einen Agenten handeln lassen – und genau das zuerst aufzubauen.

Drei Dinge gehen schief, und nur eines davon ist das Modell

Wenn ein Finanz-Agent ein falsches Ergebnis liefert, lässt sich das Versagen fast immer auf eine von drei Ursachen zurückführen.

Das Modell schließt fehlerhaft. Das ist das Versagen, das jeder zuerst behebt, und zugleich die seltenste Ursache. Spitzenmodelle räsonieren inzwischen recht zuverlässig über finanzielle Konzepte.

Das Modell führt die Arithmetik selbst aus. Sprachmodelle zerlegen Zahlen in Tokens und gleichen sie mustererkennend ab, statt zu rechnen – deshalb liefern sie selbstbewusst falsche Summen und Kennzahlen. Den Mechanismus schlüsseln wir in warum Ihre KI die Zahlen falsch berechnet auf. Die Lösung ist gut verstanden: Lassen Sie das Modell nicht rechnen. Übergeben Sie die Berechnung an eine deterministische Engine.

Die zugrunde liegenden Daten waren falsch, veraltet, mehrdeutig oder nicht abgestimmt. Das ist die große Ursache, und es ist diejenige, über die niemand gern spricht, weil es kein Modellproblem ist, das man sich mit einem größeren Kontextfenster erkaufen kann. Liest der Agent eine Zahl, die nicht zum Hauptbuch passt, ist jede weitere Aktion auf Sand gebaut. Keine noch so große Modellintelligenz repariert eine falsche Eingabe.

Beachten Sie, dass zwei der drei Versagensursachen vollständig unterhalb des Modells liegen. Sie können den leistungsfähigsten Agenten der Welt auf nicht abgestimmte Daten und einen stochastischen Rechner setzen – und er wird dennoch selbstbewusste, nicht nachvollziehbare, falsche Zahlen produzieren. Schneller als zuvor.

Die verlässliche Zahlenebene, definiert

Das ist der Teil, den der Agenten-Hype überspringt. Vor der Autonomie brauchen Sie eine Ebene, die drei unscheinbare, aber tragende Aufgaben erfüllt.

• Ein abgestimmtes Modell. Daten aus QuickBooks, Xero, NetSuite, Sage, einem Data Warehouse oder hochgeladenen Abschlüssen ziehen und sie zu einem einzigen Finanzmodell zusammenführen, das mit dem Hauptbuch übereinstimmt. Keine Kopie der Daten. Eine abgestimmte Quelle der Wahrheit, in der 4,1 Mio. genau eine bestimmte, definierte, einvernehmlich festgelegte Bedeutung hat.
• Deterministische Berechnung. Wenn ein Agent eine Marge, eine Reichweite (Runway) oder eine Covenant-Kennzahl benötigt, stammt die Zahl aus einer Engine, die sie jedes Mal auf dieselbe Weise berechnet – nicht aus einem improvisierenden Modell. Gleiche Eingaben, gleiches Ergebnis, immer. Das macht ein Ergebnis reproduzierbar, statt es zu einem einmaligen Würfelwurf zu degradieren.
• Rückverfolgbarkeit zur Quelle. Jede Zahl, die der Agent berührt, lässt sich bis zum Dokument und zum Berechnungspfad zurückverfolgen, der sie hervorgebracht hat. Ein Controller kann auf eine Zahl klicken und sehen, woher sie stammt.

Fügen Sie diese drei zusammen, und Sie haben verändert, worauf der Agent handelt. Er räsoniert nicht länger über einen Dashboard-Screenshot. Er ruft geprüfte Zahlen ab, rechnet gegen eine deterministische Engine und erzeugt Ergebnisse, die sich bis zur Quelle zurückverfolgen lassen. Die Autonomie ist dieselbe. Das Fundament ist es nicht.

Für uns ist die Reihenfolge der Schritte nicht verhandelbar: Erst den Zahlen vertrauen, dann die Aktionen automatisieren. Kehren Sie das um, und Sie haben sich den Weg zu schnelleren Fehlern automatisiert. Dieselbe Logik liegt Single Source of Truth: Warum abgestimmte Daten der eigentliche Hebel für KI im Finanzwesen sind zugrunde – die Voraussetzung, nicht das Nice-to-have.

”Geben Sie dem Agenten doch einfach einen Code-Interpreter”

An dieser Stelle ein häufiger Einwand: Agenten können bereits Werkzeuge aufrufen, also lassen Sie den Agenten Python ausführen, und das Arithmetikproblem verschwindet. Das stimmt zur Hälfte – und das ist die gefährliche Art von Richtigkeit.

Ein Code-Interpreter löst die Arithmetik. Der Agent verhaspelt sich nicht mehr bei der schriftlichen Multiplikation. Gut. Doch er ändert nichts an falschen Eingaben, nicht abgestimmten Quellen, fehlender Nachvollziehbarkeit oder Mehrdeutigkeit durch Ländereinstellungen – und Letztere gibt es im Finanzwesen reichlich. Ist 12.345 zwölftausend oder zwölf Komma drei vier fünf? Das hängt davon ab, woher der Abschluss kommt. Ein Code-Interpreter rechnet bereitwillig gegen eine falsche Zahl. Das Ergebnis ist nun präzise und falsch, was schlimmer ist als offensichtlich falsch, denn Präzision liest sich vertrauenswürdig. Die Einzelheiten erörtern wir in warum “nutzen Sie einfach einen Code-Interpreter” KI nicht finanztauglich macht. Der Werkzeugeinsatz ist notwendig. Aber er ist bei Weitem nicht hinreichend.

Wie gute agentische Finanzarbeit tatsächlich aussieht

Die Teams, die echten Mehrwert aus Agenten im Finanzbereich ziehen, sind nicht jene mit der größten Autonomie. Es sind jene, die sie sorgfältig abgegrenzt haben.

Human-in-the-Loop wird als bewusste Designentscheidung behandelt, nicht als Stützräder-Phase, die man hinter sich lässt. Bei Aktionen mit hoher Tragweite schlägt ein Agent, der vorschlägt, und ein Mensch, der genehmigt, durchgängig die volle Autonomie – sowohl beim Risiko als auch bei der Verantwortlichkeit. Die ernsthaften Implementierungen setzen das Least-Privilege-Prinzip durch, protokollieren jede Aktion, verlangen bei folgenreichen Schritten eine menschliche Genehmigung und halten einen Notausschalter bereit. Wie sich das in der Praxis entwickelt, lesen Sie im Forschungsüberblick zu Agentic AI in Finanzdienstleistungen.

Die automatische Neuprognose ist ein gutes Beispiel für ein sauber umgesetztes Muster: Der Agent achtet auf eine wesentliche Abweichung, schlägt eine aktualisierte Prognose vor, legt seinen Rechenweg offen, und ein Mensch gibt sie frei. Das ist wirkungsvoll und vertretbar – aber nur, weil die erkannte Abweichung gegen eine abgestimmte Baseline berechnet wurde und nicht gegen eine Zahl, an die der Agent sich halb erinnerte. Das führen wir in agentische FP&A kommt, doch Agenten brauchen ein abgestimmtes Fundament aus.

All das lässt sich gewinnbringend zusammen mit der grundsätzlichen Argumentation für eine verlässliche Finanzmodellierungsebene für KI lesen. Agenten sind schlicht der anspruchsvollste Abnehmer dieser Ebene. Sie legen jede Schwäche Ihrer Daten schneller und öffentlicher offen, als ein menschlicher Analyst es je täte.

Die ehrlichen Grenzen

Eine verlässliche Zahlenebene macht Agenten nicht unfehlbar. Sie behebt kein schlecht spezifiziertes Ziel, kein Modell, das in einer wirklich neuartigen Situation schwach räsoniert, und keinen Prozess, in dem niemand die hochriskanten Entscheidungen überprüft. Die Abstimmung selbst ist schwierig, und Finanzquellen über mehrere Systeme hinweg auf den Cent genau in Einklang zu bringen, ist echte Ingenieursarbeit, kein Häkchen auf einer Liste. Wir verkaufen keine Magie. Wir verkaufen eine Voraussetzung.

Was die Ebene leistet, ist, jene Versagensmuster zu beseitigen, die im Finanzwesen unverzeihlich sind: auf eine Zahl zu handeln, die nie real war, sie auf eine nicht reproduzierbare Weise zu berechnen und sie ohne jede Spur zurück zur Quelle zu melden. Streichen Sie diese, und übrig bleibt ein Bündel von Risiken, die ein kompetentes Finanzteam bereits zu beherrschen weiß – mit Berechtigungen, Genehmigungen und Prüfungen.

Agenten werden in diesem Jahrzehnt einen großen Teil der Finanzarbeit übernehmen. Die Teams, die gewinnen, werden nicht jene sein, die zuerst ausgerollt haben. Es werden jene sein, deren Agenten auf Zahlen standen, die tatsächlich wahr waren.

Wenn Sie Agenten pilotieren und sehen möchten, wie sie auf einem abgestimmten Modell statt auf einer Dashboard-Schätzung laufen, vereinbaren Sie eine Demo, und wir gehen das gemeinsam an Ihren Daten durch.