Der Problemfall: Eine Firma ließ sich eine KI-gestützte Risikobewertung ihrer Kunden bauen. Der Agent bekommt alles, was das System hergibt: Kundendetaildaten, Notizfelder, Dokumente, Verträge mit Eckdaten. Dazu ein Prompt (Textbefehl) mit der Anweisung, wie das auszuwerten ist.

Die Auswertung klappt auch meistens, aber eben nur meistens. Mal wird eine wichtige Information übersehen, mal eine Dokumentenkategorie falsch interpretiert, z. B. die Stornowarnung als gewöhnliche Mahnung. Im Ergebnis stimmt das vom Kunden gewünschte Risiko-Scoring nicht immer, und das birgt rechtliche Risiken. Besonders, weil in der Realität niemand ein zweites Mal draufguckt.

Der KI-Einsatz ist nicht per se schlecht, aber für viele Workflows ist eine rein agentische Steuerung nicht zielführend. Das liegt daran, wie moderne KI-Systeme funktionieren: Ein LLM berechnet seine Antwort nicht, es ermittelt sie statistisch über Wortbezüge und es gibt kein Regelwerk, gegen das geprüft wird, ob Ergebnisse stimmen. Bei einer Datenbankabfrage, wie durch klassische Automatismen, ist die Regel und Ermittlung hingegen les- und testbar, beim Prompt nicht.

So geschieht es, dass die mehrmalige Auswertung desselben Dokuments, etwa eines Antrags oder eines Bedingungswerks, unterschiedliche Ergebnisse liefert. 

Rasant wachsende Probleme

Diese Grundfunktionsweise ist insbesondere in mehrstufigen Vertriebsprozessen ein Problem, denn je mehr Schritte im Workflow durch Agenten eigenständig gesteuert werden oder Prozesspunkte mit Daten aus einer KI-Erkennung angereichert werden, desto mehr Fehler durch “Raten” und “Halluzination” schleichen sich ein. Schlimmer noch, das ganze potenziert sich: Ein Workflow mit 10 Schritten die alle von einem Agenten ausgeführt werden, selbst mit nur fünf prozentigen Fehlerquote je Schritt, schließt keine 60% der Vorgänge korrekt ab. 

Bei 5 Schritten sind es auch nur 77% der Vorgänge die fehlerfrei verlaufen. Welcher Prozess kann sich das leisten? Jeder Fehler bedeutet ja eine manuelle Nacharbeit. Genau hier verschwinden die erhofften Kostenersparnisse. Ein Automatismus, dessen Ergebnis man ohnehin nachsehen muss, ist kein Automatismus, sondern ein Vorschlagswesen. 

Dass es nicht nur einzelnen Firmen so geht, zeigen die großen Erhebungen. Die NBER-Studie „Working Paper 34836 – Firm Data on AI" (erhoben unter anderem mit der Bundesbank, der Bank of England und der Fed Atlanta) hat knapp 6.000 Führungskräfte befragt. Rund 69 Prozent der Unternehmen nutzen KI, aber über 90 Prozent der Befragten berichten keinen Effekt auf die Beschäftigung und 89 Prozent keinen auf die Arbeitsproduktivität in den letzten drei Jahren. Gartner wiederum prognostiziert, dass über 40 Prozent der agentischen KI-Projekte bis Ende 2027 eingestellt werden, wegen steigender Kosten, unklaren Geschäftswerts und fehlender Kontrolle. 

Die Abbruchrate ist dabei klein, die wenigsten Unternehmen hören ganz mit KI auf. Nur, es bleiben die erhoffte Arbeitserleichterung und die Kostenersparnis aus, etwas wofür sich einige Geschäftsführer und Vorstände verantworten lassen müssen. 

Was der alte Workflow kann und was nicht

Die gewohnten Automatismen leiden unter dieser Anfälligkeit nicht, denn sie raten nicht. Fairerweise muss man hinzufügen: Das ist zugleich ihre größte Schwäche. Sie können mit unscharfen Daten nicht umgehen, sie brauchen immer einen eindeutigen Wert.

Für das Auslesen von Daten aus PDFs, für Spracherkennung oder für komplexe Bedingungen sind sie damit ungeeignet. Letzteres sprengt die Prozesse häufig mit zu vielen Wenn-Dann-Knoten, was Erstellung und Pflege mühsam macht.

Die Antwort heißt deshalb weder „KI" noch „Workflow", sondern: an welcher Stelle was.

Die Alternative wäre gewesen, die Kriterien wo möglich per Datenbankabfrage zu ermitteln und durch einen Algorithmus auswerten zu lassen. Daher: Welche Verträge liegen unter welcher Voraussetzung vor, und wie sinkt der Score, wenn sie fehlen? Dem Agenten werden diese Ergebnisse genannt, und er übernimmt nur noch das, was anders nicht zu ermitteln ist, zum Beispiel die Auswertung von Textfeldern und E-Mail-Inhalten.

Aufwendig in der Erstellung, aber sehr zuverlässig, sowie vor allem nachvollziehbar. Denn ein Scoring, das nicht erklären kann, wie es zustande kam, hilft Ihnen im Streitfall wenig.

Was das für Vertriebsprozesse heißt

KI-gestütztes Arbeiten ist im Vertrieb eine große Hilfe. Das Aufzeichnen von Gesprächen für das Beratungsprotokoll etwa, oder das Sichten vieler Unterlagen für ein Angebot oder eine E-Mail. Nur sind das alles keine Prozesse, sondern einzelne Arbeitsschritte.

Mit echten Prozessen, also Automatismen, haben viele Vertriebe lange gehadert. Fast alle Anbieter von Maklerverwaltungsprogrammen (MVP) bieten dafür Lösungen an, und sei es nur über verkettete Aufgaben. Der Anbieter codie.com nutzt sogar echtes Workflowmanagement mit grafischer Oberfläche. 

Trotz solcher exzellenten Werkzeuge in der Branche, haben sich noch nicht viele Finanzvertriebe getraut, große Prozessautomatismen zu implementieren. Wie etwa die Erinnerung der Berater an kapitalbildende Verträge, die bald zur Ausschüttung kommen, und das Führen des Kunden über mehrere Stationen bis zur Neuanlage der Geldwerte. 

Sich mit den eigenen Unternehmensprozessen zu befassen, ist schwer; es fordert Fantasie und Verständnis für das jeweilige Bestandssystem und seinen Limitierungen. Kurzum: Die nötige Manpower ist durch Zeit, Kosten und Knowhow begrenzt.

Deshalb laufen eher simple Workflows, die bei einer Statusänderung anspringen oder bei einem eingehenden Dokument mit einem bestimmten BiPRO-Geschäftsvorfall eine Erinnerung verschicken oder ein ToDo anlegen. Und deshalb hofften viele Finanzvertriebe auf KI als Heilmittel und ließen sich Prozesse bauen, in denen Agenten die meisten Entscheidungen treffen und die Daten verarbeiten. Mit den oben beschriebenen, ernüchternden Resultaten.

Handlungsempfehlung für Vertriebsvorstände

KI wo nötig, nicht wo möglich. Das ist die Kurzfassung.

Am besten setzen Sie KI bei der Prozessermittlung und -erstellung ein, und danach als Werkzeug, um einen deterministischen Prozess mit genau den Daten anzureichern, die anders absolut nicht zu ermitteln sind. Es gibt keinen Grund, Kundendaten aus der Datenbank von Prozessschritt zu Prozessschritt durch Prompts zu schleifen, bei jeder neuen Promptauswertung entsteht Fehlerpotenzial. Und jede fest definierte Bewertungs- oder Berechnungsanweisung, die heute in einem Prompt steht, hätte gleichfalls deterministisch ermittelt werden sollen.

Der Fehler sitzt dabei in der Fragestellung. Wer ein Budget für „KI" bekommt, liefert KI, auch dort, wo ein altbackener, fest vorgegebener Prozess genügt hätte. Wer stattdessen ein Budget für „weniger Nacharbeit" vergibt, bekommt die Antwort, die er eigentlich sucht.

Achten Sie darauf, auch in der Kooperation mit Startups. Nicht alles ist ein Nagel, nur weil es einen neuen Hammer gibt.

Kontakt:
Herr Matti Bargfried
E-Mail: demo@codie.com

CODie software products e.K.
Zeppelinstr. 47A
14471 Potsdam
https://codie.com

Quellen

¹ Gartner: gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027

² NBER: nber.org/digest/202605/global-evidence-business-use-ai