KI-Agenten brauchen Training mit Aktionsinventar

KI-Agenten verändern die Trainingsfrage, weil sie nicht nur Fragen beantworten. Sie können Tools aufrufen, Datensätze abrufen, Dokumente vergleichen, Fälle aktualisieren, Kundenantworten entwerfen und Workflows anstoßen. Im Banking rutscht KI damit von der Beratungshilfe in die operative Ausführung. Mitarbeitende müssen dann nicht mehr nur einschätzen, ob eine Antwort plausibel ist. Sie müssen wissen, was der Agent als Nächstes tun kann.

Agenten machen aus Richtlinien operatives Risiko

Ein Paper von Luca Nannini und weiteren Autoren aus dem Jahr 2026 zu KI-Agenten im EU-Recht kommt zu dem Schluss, dass die grundlegende Compliance-Aufgabe bei agentischen Hochrisiko-Systemen ein vollständiges Inventar externer Aktionen, Datenflüsse, angebundener Systeme und betroffener Personen ist. Genau darauf baut auch das Training für KI-Agenten auf. Wenn Mitarbeitende die Aktionskette nicht beschreiben können, können sie auch keine sinnvolle Aufsicht übernehmen.

Für den Chief Innovation Officer einer Bank ist die Konsequenz klar. KI-Compliance-Training darf nicht bei Prinzipien, verbotenen Prompts und Acceptable-Use-Regeln stehen bleiben. Es muss pro Rolle konkrete Fragen beantworten: Auf welche Systeme darf dieser Agent zugreifen? Welche Daten darf er lesen oder schreiben? Welche Entscheidungen kann er beeinflussen? Welche Übergaben brauchen einen Menschen? Welche Ereignisse erzeugen einen Audit-Trail? Ohne diese Übersicht bleibt Governance für agentische KI ein Dokument und wird keine funktionierende Kontrolle.

Das Inventar wird zum Lerninhalt

Ein KI-Aktionsinventar ist nicht nur eine Liste für Teams aus Legal, Risk und Architektur. Es ist die Grundlage für rollenbasiertes Lernen. Aus demselben Inventar entstehen Microlearning-Pfade für Relationship Manager, Operations-Analysten, Compliance-Prüfer, IT-Verantwortliche und Vorgesetzte. Jede Gruppe sieht den Teil des Handlungsspielraums des Agenten, der ihre Arbeit betrifft.

• Aktionen wie Lesen, Schreiben, Empfehlen, Einreichen, Benachrichtigen, Blockieren oder Eskalieren.
• Tools und Systeme, die der Agent aufrufen kann, etwa CRM, Ticketing, KYC, Zahlungsverkehr oder Dokumentenplattformen.
• Datenklassen, die der Agent verarbeiten kann, etwa Kundendaten, Transaktionsdaten, Beschwerden, Risikoflaggen oder interne Richtlinieninhalte.
• Einfluss auf Entscheidungen, also ob der Agent entwirft, priorisiert, empfiehlt, weiterleitet oder ausführt.
• Menschliche Kontrollen, also Freigaberechte, Stoppbedingungen, Eskalationswege und Dokumentationspflichten.
• Anforderungen an Nachweise, also Logs, Abschlussnachweise, Szenario-Scores und Freigaben durch Vorgesetzte.

So wird Governance übbar. Eine Richtlinie sagt: Der Agent darf keine unbefugte Entscheidung treffen. Ein Lernszenario zeigt einen Grenzfall: Der Agent arbeitet mit korrekten Daten, die Confidence ist niedrig und die Folgen für den Kunden sind zeitkritisch. Mitarbeitende müssen entscheiden, ob sie freigeben, pausieren, eskalieren oder dokumentieren.

Grundverständnis ist noch keine Aufsicht

In Europa ist das keine Kür. Die Europäische Kommission erklärt, dass Artikel 4 des EU AI Acts Anbieter und Betreiber dazu verpflichtet, ein ausreichendes Maß an KI-Kompetenz sicherzustellen. Dabei sind das Wissen der Mitarbeitenden, der Nutzungskontext und die vom System betroffenen Personen zu berücksichtigen. Dieselbe Leitlinie stellt klar: KI-Kompetenz muss zu Rolle, Risiko und Systemkontext passen.

Dieser Unterschied ist wichtig. Allgemeines KI-Grundverständnis hilft Mitarbeitenden, Halluzinationen, Bias und Vertraulichkeit einzuordnen. Operative Aufsicht braucht mehr. Die im AI Act geregelten Pflichten für Betreiber von Hochrisiko-Systemen verbinden menschliche Aufsicht mit Kompetenz, Training und Befugnis. In der Praxis müssen Mitarbeitende nicht nur wissen, dass es Aufsicht gibt. Sie müssen wissen, wann sie die Befugnis haben, den Agenten zu unterbrechen.

Teams im Finanzbereich brauchen vier eingeübte Reaktionen

Der FCA-Review 2026 zu KI in Finanzdienstleistungen für Privatkunden nennt agentische Finanzanwendungen einen aktuellen strategischen Wandel und verweist auf Risiken rund um Customer Journeys, Marktmacht, Betrug und Cyberrisiken. Für KI-Agenten im Finanzbereich ist das Trainingsziel deshalb kein abstraktes Vertrauen in KI. Es geht um den disziplinierten Eingriff an der richtigen Stelle im Workflow.

• Freigeben, wenn die Aktion im Inventar liegt, die Datenquelle erlaubt ist und die Risikoschwelle klar ist.
• Pausieren, wenn der Agent außerhalb seiner erfassten Berechtigungen arbeitet, niedrige Confidence hat oder ein sensibles Ergebnis für Kunden betrifft.
• Eskalieren, wenn der Workflow regulierte Beratung, Beschwerden, Kredit, Finanzkriminalität, schutzbedürftige Kunden oder Modellverhalten außerhalb des freigegebenen Designs betrifft.
• Dokumentieren, wenn die menschliche Entscheidung den Agentenpfad verändert, eine Empfehlung überstimmt oder ein wesentliches Risiko akzeptiert.

Diese Reaktionen sollten als Drills trainiert und nicht auf Folien erklärt werden. Mitarbeitende brauchen kurze Szenarien mit Agentenverlauf, Systemrechten, Kundenkontext und Zielkonflikten. Der Lernnachweis sollte mehr zeigen als den Status „abgeschlossen“. Er sollte zeigen, dass Mitarbeitende den Auslöser erkennen und die richtige Kontrollhandlung wählen können.

Nachweise zur Einsatzbereitschaft gehören in den Rollout

App-Learning unterstützt Banken dabei, Governance für agentische KI in praktisches Microlearning umzusetzen. Der erste Schritt ist, Aktionen zu erfassen und Datenflüsse sichtbar zu machen. Daraus entstehen rollenbasierte Aufsichtsdrills, Eskalationstrigger und audit-sichere Nachweise zur Einsatzbereitschaft. Jedes Modul verbindet eine Agentenaktion mit einer Rolle, einem Risiko und der erwarteten menschlichen Reaktion.

So wird die Einführung schneller, weil Mitarbeitende keiner Blackbox vertrauen müssen. Sie lernen die Grenzen des Systems kennen, bevor es im Alltag ankommt. Gleichzeitig bekommen Verantwortliche in Compliance, Risk und Transformation ein gemeinsames Bild der Einsatzbereitschaft. Dashboards können zeigen, wer welchen Agenten, welche Kontrolle, welchen Workflow und welchen Eskalationsweg verstanden hat.

KI-Agenten scheitern nicht nur, weil das Modell eine schlechte Antwort gibt. Sie scheitern, wenn niemand die Aktionskette gut genug versteht, um den Agenten zu stoppen, zu korrigieren oder sein Verhalten zu erklären. Eine Bank ist bereit für agentische KI, wenn ihre Leute Tools, Daten, Berechtigungen und Folgen des Agenten sehen, bevor sie sich auf seinen Output verlassen. Im KI-Aktionsinventar wird Governance zu Verhalten.