Künstliche Intelligenz wird zunehmend Teil operativer Finanzprozesse. AI Agents analysieren Daten, erstellen Cash Forecasts und unterstützen Entscheidungen schneller und skalierbarer als je zuvor.

Doch im Finance reicht das nicht. Hier geht es nicht darum, ob eine Antwort plausibel klingt – sondern ob jede Zahl belastbar, exakt begründet und auditierbar ist. Ein Cash Forecast ist keine Empfehlung, sondern Grundlage für operative Entscheidungen mit direkten finanziellen Auswirkungen. Plausibilität ist hier kein Qualitätsmerkmal, sondern ein Risiko.

Damit verschiebt sich der Fokus grundlegend: Nicht wie eloquent ein System ist, sondern wie kontrollierbar. Engineering bedeutet in diesem Kontext:

As agentic as needed, as deterministic as possible.

Das Problem: KI ohne Verantwortlichkeit

Viele AI-Systeme sind heute für Geschwindigkeit und Vielseitigkeit optimiert. Sie liefern auf den ersten Blick überzeugende Ergebnisse – sind aber nicht dafür gebaut, Verantwortung für die Korrektheit auf Einzeldatenebene zu übernehmen.

Selbst wenn Outputs korrekt sind, fehlt häufig die Möglichkeit, diese im Detail nachzuvollziehen oder zu reproduzieren. Genau das wird im Finance zum Problem.

Typische Schwächen generischer AI im Finance sind:

• Fehlende Rückverfolgbarkeit auf konkrete Datenquellen

• Keine stabile Entscheidungslogik über Zeit

• Mangelnde Auditierbarkeit auf Prozess-Ebene

• Fehlende Einbettung in Governance-Strukturen

Die Konsequenz: AI wird nicht zum Enabler, sondern zum potenziellen Risiko.

Was vertrauenswürdige AI im Finance ausmacht

Vertrauenswürdige AI unterscheidet sich nicht durch bessere Formulierungen, sondern durch ihre strukturellen Eigenschaften. Ein System ist dann vertrauenswürdig, wenn es Entscheidungen nicht nur trifft, sondern jede Zahl auf konkrete Daten zurückführen kann und Ergebnisse unter gleichen Bedingungen exakt wiederholbar sind.

Ein zentraler Bestandteil dieser Architektur ist der Agentic Ledger.

Jede Aktion – von Datenzugriffen über Entscheidungslogiken bis hin zu automatisierten Prozessen - wird lückenlos, langlebig und revisionssicher dokumentiert. Dieser Ledger arbeitet nach dem Append-only-Prinzip: Informationen werden nur hinzugefügt, während die Ground Truth Daten aus den Systems-of-Record unangetastet bleiben.

Gleichzeitig erfordert Trustworthiness eine konsequente technische Absicherung. Dazu gehören dedizierte, getrennte Instanzen in privaten Cloud-Umgebungen auf AWS, die über verschlüsselte Verbindungen kommunizieren. Ein Semantic Layer innerhalb der Kontext-Architektur stellt sicher, dass der Agent nur innerhalb definierter Grenzen operiert. Ergänzt wird dies durch das Prinzip der minimalen Rechtevergabe und eine vollständig europäische Datenhaltung.

Warum eine kognitive Architektur notwendig ist

Diese Anforderungen lassen sich nicht durch bessere Modelle lösen, sondern nur durch eine andere Systemarchitektur. Eine kognitive Architektur trennt zentrale Funktionen wie Gedächtnis, Schlussfolgerung, Wahrnehmung, Ausführung und Governance klar voneinander.

Wir setzen hierbei auf eine 2-Pass-Architektur: In der ersten Phase lernt das System Regeln, die in der zweiten Phase deterministisch angewendet werden. Das Ziel ist es, einen möglichst großen Teil der Prozesse über einen deterministischen und damit hocheffektiven Pfad auszuführen – weg von der statistischen Wahrscheinlichkeit, hin zur exakten Logik. Um Kontext über Zeit stabil zu halten, nutzen wir eine Multi-Layer Memory Architektur, die verschiedene Speicher-Ansätze kombiniert, um sowohl kurzfristige Aufgaben als auch langfristige Finanzlogiken ohne Logic Drift abzubilden.

Innerhalb unseres Multi-Agent-Systems (MAS) integrieren wir LLM-as-judge-Schritte. Diese validieren die Ergebnisse jedes einzelnen Agenten-Nodes, bevor sie den Anwender erreichen. Jede Empfehlung wird inklusive angewandter Logik und möglicher Alternativen dokumentiert.

Vertrauen erfordert Kontrolle über Daten

Ein oft unterschätzter Aspekt von Trustworthiness ist die Rolle des Menschen. Wir verfolgen konsequent den Human-on-the-loop-Ansatz. Es gibt keine vollautonome Ausführung kritischer Finanztransaktionen ohne Aufsicht. Das System agiert proaktiv, identifiziert Opportunitäten, benennt Root Causes und zeigt die exakten Datenpunkte auf – die finale Freigabe bleibt jedoch immer beim Menschen.

Vertrauen entsteht nur, wenn Unternehmen die volle Kontrolle behalten:

• Keine unkontrollierte Weitergabe sensibler Daten durch Private-LLM-Deployments

• Nahtlose Integration in bestehende Systeme wie ERP, Banking oder TMS

• Keine komplexen IT-Transformationsprojekte

• Einhaltung strengster Sicherheits- und Compliance-Anforderungen

Die Zukunft von AI im Finance

Mit zunehmender Verbreitung von AI wird sich die Leistungsfähigkeit vieler Systeme angleichen. Geschwindigkeit und Modellgröße werden nicht mehr der entscheidende Faktor sein. Der Unterschied wird darin liegen, welchen Systemen Unternehmen vertrauen können.

Die entscheidenden Fragen werden sein:

• Bleibt das System über Zeit stabil?

• Sind Entscheidungen bis auf die Ebene der Agenten-Nodes im Ledger auditierbar?

• Lassen sich Ergebnisse jederzeit durch deterministische Pfade erklären?

Organisationen, die diese Fragen beantworten können, bauen einen strukturellen Vorteil auf.

Fazit

Trustworthiness ist kein Feature, das man nachträglich ergänzt. Es ist das Ergebnis einer durchdachten Architektur.

Finance braucht keine generische AI, die plausible Antworten produziert. Finance braucht Systeme, die im Kontext denken, innerhalb klarer Grenzen handeln und jede Entscheidung nachvollziehbar machen. Die Zukunft gehört nicht den Systemen, die am besten formulieren.

Sondern denen, die verlässlich entscheiden.

Erleben Sie in einer kurzen Demo, wie ein digitaler Treasury-Mitarbeiter funktioniert:

Foto von Bayu Fajariyanto auf Unsplash