Agentic AI: Wenn Maschinen ermitteln
Autonome KI-Agenten können AML-Ermittlungen beschleunigen. Produktiv werden sie aber erst, wenn Datenqualität, Governance, Kostenkontrolle und menschliche Verantwortung zusammen gedacht werden.
Agentic AI verschiebt Financial-Crime-Compliance von einzelnen KI-Assistenten zu Systemen, die Ziele verfolgen, Quellen auswerten, Tools nutzen und Zwischenergebnisse selbst weiterverarbeiten. In AML kann das die Alert-Triage, Fallaufbereitung, pKYC-Prüfung, Netzwerkaufschlüsselung und SAR-Vorbereitung beschleunigen.
Der kritische Punkt ist nicht, ob Agenten Arbeit übernehmen können. Der kritische Punkt ist, ob ihre Arbeit prüfbar, begrenzbar, erklärbar und wirtschaftlich tragfähig bleibt. In regulierten Umgebungen ist Agentic AI deshalb keine reine Automatisierungsfrage. Sie ist eine Governance-Architektur.
Vier Agentenrollen im FinCrime-Betrieb
Investigator Agent
Verdichtet Alerts, KYC-Daten, Transaktionsmuster und OSINT-Hinweise zu einer Fallhypothese. Der Agent entscheidet nicht, sondern bereitet die Entscheidung vor.
pKYC Monitor
Erkennt Änderungen in Kundenprofilen, Registerdaten, Nachrichtenlage und Risikosignalen. Kritisch ist die Provenienz der Signale.
SAR Drafter
Formuliert Entwürfe für Verdachtsmeldungen. Der Mensch bleibt verantwortlich für Bewertung, Freigabe und Einreichung.
Network Analyst
Analysiert Beziehungen zwischen Konten, Unternehmen, Wallets und Personen. Graph-Signale sind Hinweise, keine Beweise.
Human-in-the-Loop ist kein Formularfeld
In vielen KI-Projekten wird Human-in-the-Loop als nachträgliche Freigabestufe verstanden. Für Agentic AI reicht das nicht. Ein Agent kann mehrere Schritte ausführen, Tools aufrufen, Informationen kombinieren und einen Output erzeugen, dessen Fehler nicht aus einem einzelnen Prompt ableitbar ist. Menschliche Kontrolle muss deshalb an den Risikopunkten der Kette sitzen: vor dem Tool-Zugriff, bei riskanten Zwischenschlüssen, vor regulatorisch relevanten Outcomes und bei jeder Entscheidung mit Außenwirkung.
Das passende Modell ist eine Risikoklassifizierung. Bei Low-Risk-Aufgaben kann ein Agent autonom vorbereiten oder schließen, solange Stichproben und Audit Logs greifen. Bei Medium Risk bereitet der Agent die Fallakte vor, der Mensch entscheidet. Bei High Risk – SAR-Filing, Kontokündigung, Enforcement-Eskalation – bleibt die menschliche Freigabe obligatorisch.
Warum Projekte scheitern
Gartner warnte 2025, dass mehr als 40 Prozent der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden könnten. Die Begründung passt besonders gut zu Compliance: unreife Wertversprechen, unterschätzte Komplexität, schwache Datenbasis und fehlende Governance. Am 26. Mai 2026 verschärfte Gartner die Governance-Warnung noch einmal: Einheitliche Standard-Governance über alle Agenten hinweg kann selbst zum Ausfallmuster werden, wenn Agenten unterschiedliche Risiken, Tool-Rechte und Kontrollpunkte haben.
Für FinCrime heißt das: Ein Investigator Agent, ein SAR Drafter und ein Routine-Screening-Agent dürfen nicht nach demselben Regelset laufen. Sie brauchen unterschiedliche Tool-Rechte, Budgets, Evals, Eskalationsregeln und Audit-Spuren.
Multi-Agent ist teuer, nicht magisch
Multi-Agent-Systeme sind für komplexe Recherche und Fallanalyse plausibel: Ein Agent sucht, ein zweiter bewertet, ein dritter schreibt, ein vierter prüft. Die Architektur ist aber kein kostenloser Qualitätshebel. Anthropic beschreibt für ein Multi-Agent Research System einen etwa 15-fach höheren Tokenverbrauch gegenüber Chat-Interaktionen. Das ist bei hochwertigen Research-Aufgaben vertretbar, aber nicht automatisch bei jedem Coding-, Triage- oder Routine-Workflow.
Die Konsequenz ist eine einfache Betriebsregel: Multi-Agent lohnt sich nur, wenn der Task-Wert hoch genug ist, die Fehlertoleranz niedrig genug ist oder die Arbeitsteilung messbar bessere Ergebnisse liefert. Sonst produziert die Architektur vor allem mehr Kontext, mehr Tool-Calls und mehr Kosten.
Accountability bleibt menschlich
Wenn ein Agent eine berechtigte Transaktion blockiert oder ein relevantes Muster übersieht, hilft keine abstrakte Modellverantwortung. Die Verantwortungsfrage muss vor dem Einsatz geklärt sein: Wer hat das Modell freigegeben? Wer hat den Agenten konfiguriert? Wer hat die Tool-Rechte vergeben? Wer prüft Outputs? Wer entscheidet bei High-Risk-Fällen?
Agentic AI braucht deshalb ein mehrstufiges Accountability-Modell: Model Governance für Training, Auswahl und Validierung; Deployment Governance für Konfiguration, Zugriff und Monitoring; Outcome Accountability für die fachliche Entscheidung. Der MLRO oder die verantwortliche Compliance-Funktion bleibt nicht Zuschauer, sondern Eigentümer der Entscheidungskette.
Fazit
Agentic AI kann FinCrime-Compliance schneller, strukturierter und evidenznäher machen. Aber die Produktivitätsfrage lässt sich nicht von der Kontrollfrage trennen. Ohne Datenqualität, Budgetgrenzen, Tool-Governance, Eval-Gates und menschliche Freigabe wird Agentic AI nicht autonom, sondern unkontrollierbar.
Der nächste Schritt im Dossier ist die ökonomische Seite: Token, Kosten und Schätzung.
