« | Home

Agentic AI revolutioniert die Prozesse in der Finanzindustrie

Von Dr. Oliver Everling | 22.April 2026

Im Workshop „Agentic AI revolutioniert die Prozesse in der Finanzindustrie“ auf der Konferenz an der Frankfurt School of Finance & Management zeigten Jens Heilmann und Jochen Papenbrock, wie sich Künstliche Intelligenz zunehmend von einem isolierten Werkzeug zu einer mehrschichtigen Infrastruktur entwickelt, die Prozesse, Geschäftsmodelle und Wertschöpfung im Finanzsektor grundlegend verändert. Im Zentrum stand dabei das Konzept der sogenannten „Agentic AI“, also KI-Systeme, die nicht nur analysieren, sondern eigenständig Aufgaben ausführen, Entscheidungen vorbereiten und Prozessketten orchestrieren können.

Die technologische Grundlage dieser Entwicklung bilden unterschiedliche Modellklassen, deren Abkürzungen im Workshop eingeordnet wurden. LLM steht für Large Language Models, also große Sprachmodelle, die natürliche Sprache verstehen und generieren können. VLM bezeichnet Vision Language Models, die Bild- und Sprachinformationen kombinieren. VLA meint Vision Language Action Modelle, die zusätzlich Aktionen ausführen können. MMLLM steht für Multimodal Large Language Models, die verschiedene Datentypen integrieren. GPT bezeichnet Generative Pre-trained Transformer, eine spezifische Modellarchitektur für generative KI. DM steht für Decision Models, also Modelle zur Entscheidungsunterstützung. GNN sind Graph Neural Networks, neuronale Netze zur Analyse komplexer Beziehungsstrukturen. MOE bedeutet Mixture of Experts, ein Modellansatz, bei dem spezialisierte Teilmodelle kombiniert werden. SSM steht für State Space Models, die zeitliche Dynamiken abbilden. LBM kann als Large Behavioral Models verstanden werden, die komplexe Verhaltensmuster modellieren.

Ein zentrales Argument des Workshops war, dass Open-Source-KI zur tragenden Säule der Innovation geworden ist. Offene Modelle erreichen mittlerweile Leistungsniveaus an der technologischen Spitze und ermöglichen gleichzeitig größere Unabhängigkeit, insbesondere im Hinblick auf Datenhoheit und Kostenkontrolle. In diesem Kontext wurde auch die Modellfamilie NVIDIA Nemotron vorgestellt, die auf hohe Leistungsfähigkeit, Effizienz und Offenheit ausgelegt ist. Ergänzend dazu beschleunigt die sogenannte RAG-Technologie, Retrieval-Augmented Generation, Anwendungen, bei denen generative KI mit unternehmensspezifischem Wissen kombiniert wird, indem relevante Daten gezielt abgerufen und in die Antwortgenerierung integriert werden.

Die Umsetzung solcher Anwendungen erfolgt zunehmend über modulare Infrastrukturen, etwa durch Microservices, also kleine, spezialisierte Softwarekomponenten, die zusammen komplexe Systeme bilden. Diese treiben sogenannte RAG-Pipelines an, also Prozessketten, die Daten in verwertbares Wissen transformieren. Unterstützt werden sie durch optimierte Inferenz-Engines, also Systeme zur effizienten Ausführung trainierter Modelle, die auf Plattformen wie NVIDIA NIM, einer Laufzeitumgebung für KI-Modelle, basieren. Ziel ist es, hochgradig anpassbare, produktionsreife Systeme zu schaffen, die flexibel eingesetzt werden können und gleichzeitig eine schnelle Verarbeitung großer Datenmengen ermöglichen, etwa durch beschleunigte Vektorsuche.

Ein weiteres zentrales Konzept war die Idee von „AI Factories“, also KI-Fabriken, die als integrierte Systeme aus Rechenleistung, Netzwerken, Speicher und Software eine neue industrielle Infrastruktur bilden. Diese gelten als Treiber einer neuen industriellen Revolution, da sie die Skalierung und Industrialisierung von KI-Anwendungen ermöglichen. NVIDIA liefert hierfür Referenzarchitekturen, die Unternehmen als Blaupause für den Aufbau solcher Systeme nutzen können.

Im Bankenkontext wurde diese Entwicklung anhand von Architekturprinzipien für eine KI-getriebene Bank veranschaulicht. Dazu gehören souveräne Grundlagen durch Open-Source-Modelle zur Sicherstellung von Plattformunabhängigkeit, Datenschutz und geringeren Gesamtkosten, proprietäre Präzision durch die Nutzung und Veredelung interner Daten sowie die agentische Ausführung als „Intelligence Flywheel“, also ein sich selbst verstärkender Kreislauf aus Daten, Modellen und Entscheidungen. Praxisbeispiele wie die Royal Bank of Canada zeigen, dass durch den gezielten Einsatz solcher Technologien signifikante Wachstumsziele unterstützt werden können.

Abschließend wurde deutlich, dass sogenannte Transaction Foundation Models, also grundlegende Modelle für Transaktionsdaten, als nächste Entwicklungsstufe gelten. Insbesondere Graph Neural Networks spielen hierbei eine wichtige Rolle, da sie komplexe Beziehungen in Finanzdaten, etwa zwischen Kunden, Transaktionen und Netzwerken, besonders gut abbilden können. Insgesamt machte der Workshop klar, dass Agentic AI nicht nur einzelne Prozesse optimiert, sondern als umfassende Infrastruktur die Grundlage für eine tiefgreifende Transformation der Finanzindustrie bildet.

Themen: Bankenrating | Kommentare deaktiviert für Agentic AI revolutioniert die Prozesse in der Finanzindustrie

Kommentare geschlossen.