Die meisten Treasury-Teams stehen erst am Anfang ihrer KI-Einführung. In dieser Phase operieren KI-Agenten typischerweise im Read-only-Modus: Sie liefern Erkenntnisse, handeln aber noch nicht.

Unabhängig davon, ob Ihre Organisation in Tagen oder Jahren so weit ist, KI die Genehmigung oder Ausführung von Transaktionen zu erlauben — der Einsatz von KI-generierten Erkenntnissen und Empfehlungen erfordert Vertrauen. Vertrauen muss verdient werden, und das beginnt damit, den Agenten zu kennen.

Nach meinem letzten Blogbeitrag erhielt ich Feedback von jemandem, der argumentierte, Vertrauen spiele kaum eine Rolle, solange ein Mensch die Kontrolle behält. Wenn die KI halluziniert, so die Argumentation, könne der Mensch die Empfehlung schlicht ignorieren.

Natürlich kann ein Treasury-Experte eine KI-Empfehlung ignorieren. Aber wenn die einzige Kontrollmaßnahme darin besteht, die Antwort zu übergehen — welchen Mehrwert schafft KI dann tatsächlich? Ein System, das Ratschläge produziert, auf die sich niemand verlassen kann, verbessert kaum etwas. Es fügt lediglich eine weitere Prüflast hinzu.

Wenn Sie KI für Finanzen, Cash-Management, Zahlungen, Hedging usw. einsetzen, werden Sie irgendwann wollen, dass sie Aufgaben übernimmt, die Sie nicht in Sekundenschnelle validieren können. Die Idee, KI mit Fragen zu testen, deren Antworten Sie bereits kennen, ist durchaus sinnvoll — das ist die „Krabbel"-Phase. Doch auf dem Weg zum Gehen und Laufen werden Sie erwarten, dass KI Entscheidungen trifft und auf ihre Empfehlungen reagiert. Sie brauchen eine KI, die Ihnen gegenüber rechenschaftspflichtig ist — und das verändert grundlegend, wie wir Verantwortlichkeit bei Agentic AI denken und validieren. 

Warum Implementierung nicht dasselbe ist wie Governance

Die Gartner-Daten vom diesjährigen Finance Symposium machen die Lücke greifbar: 84 % der Finanzorganisationen haben KI implementiert oder planen dies. Nur 7 % berichten von einem hohen oder sehr hohen Impact. Als Haupthindernisse nennt Gartner Datenlücken und unklaren ROI. Ich füge einen dritten Punkt hinzu: Die meisten Organisationen haben KI in ihre Workflows integriert, ohne zu definieren, wer für die Auditierung des Agenten hinter der Empfehlung verantwortlich ist.

Kyribas aktualisierte Risk Radar-Umfrage beziffert die Kosten dieser Lücke. In neun Ländern berichteten fast 4 von 5 Finanzverantwortlichen (79 %), dass unzureichende Risikovisibilität in den vergangenen zwölf Monaten zu materiellen finanziellen Auswirkungen geführt hat. Genau jene Organisationen, die KI am aktivsten einsetzen, haben häufig bereits die Kosten eines Betriebs ohne ausreichende Visibilitätskontrollen absorbiert.

Der erste Teil dieser Serie stellte fünf Fragen zum Vertrauen in KI-Ratschläge vor. Diese Fragen setzen jedoch etwas noch Grundlegenderes voraus: Die Organisation muss wissen, welcher Agent die Erkenntnis geliefert hat, worauf er zugreifen durfte und was sein Vorgehen geleitet hat. Das Potenzial von KI im Treasury liegt darin, die Zuverlässigkeit bei Cash, Liquidität und Hedging zu steigern, damit Finanzteams bessere, werthaltigere Entscheidungen treffen können. Das lässt sich als den Preis des Richtmachens bezeichnen: der Wert, der entsteht, wenn die Empfehlung eines Agenten verlässlich genug ist, um darauf zu handeln. Das erfordert Vertrauen in unsere Agenten. Im Treasury, wo Agentic AI von der Beratung zur Ausführung übergeht, beginnt Vertrauen damit, zu wissen, was der Agent tut.

Der „Know Your Agent"-Test

Finanzprofis werden die Struktur sofort erkennen: Sie spiegelt die Know-Your-Customer-Frameworks (KYC) wider, die das Gegenparteirisiko seit Jahrzehnten regeln. KYC gilt für externe Parteien. Know Your Agent gilt für die KI, die innerhalb Ihres eigenen Workflows operiert.

Der Test umfasst vier Fragen, die beantwortet werden können sollten, ohne mehrere Systeme durchsuchen oder den Anbieter kontaktieren zu müssen.

• Welcher Agent hat die Empfehlung erstellt, und wer ist für seinen Betrieb verantwortlich?

• Welche Daten, Tools und Berechtigungen hat er genutzt?

• Zu welchem Schluss ist er gekommen, und auf welcher Grundlage?

• Welche autorisierte Person hat die Empfehlung geprüft, genehmigt, abgelehnt oder geändert, bevor eine Maßnahme ergriffen wurde?

Wenn diese Fragen nicht klar beantwortet werden können, verfügt die Organisation über eine Implementierung — aber kein Governance-Modell.

Diese Antworten müssen im gleichen Treasury-Datensatz wie die Entscheidung selbst enthalten sein — nicht in einem separaten KI-Protokoll. Bei Empfehlungen zu Cash, Liquidität, Zahlungen oder Hedging sollten Management und Auditoren die relevanten Salden, Prognosen, Kontoauszüge, Exposures und Richtlinien einsehen können; wann diese Daten aktualisiert wurden; was der Agent berechnet oder ausgeschlossen hat; welche Kontrollen und Genehmigungen galten; und wer den nächsten Schritt geprüft hat. Agentenaktivität, Zahlungshistorie, Bankdaten, Workflow-Genehmigungen und Richtlinienprüfungen sollten einen einzigen, zusammenhängenden Audit-Trail bilden — ohne dass eine Transaktion über mehrere Systeme rekonstruiert werden muss.

Der Audit-Trail zeigt, was geschehen ist. Ein Treasury-spezifisches Rahmenwerk stellt sicher, dass die Empfehlung innerhalb der Betriebsregeln der Organisation erstellt wurde. Konkret gesagt: Der Agent soll die Treasury-Arbeit zeigen — nicht nur das Modellergebnis. Welche Daten hat er verwendet? Welche Richtlinie hat er angewendet? Welche Berechnung hat er durchgeführt? Was hat er ausgeschlossen? Welche Ausnahme hat er identifiziert? Wo war eine menschliche Genehmigung erforderlich?

Kyribas TAI ist darauf ausgelegt, innerhalb dieses kontrollierten Treasury-Workflows zu operieren — unter Verwendung der Berechtigungen, wiederholbaren Prozesse und Audit-Kontrollen, die der zugrundeliegenden Entscheidung zugrunde liegen. Ziel ist nicht, ein separates KI-Kontrollframework zu schaffen. Ziel ist, den Agenten zum Teil des bestehenden Treasury-Kontrollrahmens zu machen.

Das gibt Finanzverantwortlichen eine praktische Möglichkeit, den Know-Your-Agent-Test anzuwenden: zu verstehen, worauf der Agent zugreifen durfte, nachzuvollziehen, wie er zu seiner Schlussfolgerung gelangt ist, und zu identifizieren, wo menschliche Entscheidungsgewalt in den Workflow eingeflossen ist. Die Technologie soll diese Antworten leichter zugänglich machen — nicht schwerer zu finden.

Wissen, mit welchem Agenten Sie es zu tun haben

Jeder KI-Agent, der in einem Treasury-Workflow operiert, sollte identifizierbar sein: welcher Agent das Ergebnis produziert hat, was geändert wurde und wer ihn für den jeweiligen Kontext autorisiert hat.

Treasury-Teams nutzen häufig mehrere KI-Tools gleichzeitig: ein Prognosemodell, einen Zahlungsanomalie-Detektor, einen Cash-Kategorisierungsassistenten, ein Szenariomodellierungstool. Wenn eine Empfehlung erscheint, hängt die angemessene Reaktion unter anderem davon ab, welcher Agent sie produziert hat, unter welchen Bedingungen und ob er innerhalb seines definierten Wirkungsbereichs gehandelt hat.

Ein Agent mit dem engen Mandat, Intraday-Ausnahmen zu melden, ist grundlegend verschieden von einem Agenten mit breitem Zugang zum Prognostizieren, Kategorisieren und Empfehlen. Die Empfehlungen beider sollten unterschiedliches Gewicht und unterschiedliche Governance-Anforderungen tragen.

Was der Agent gesehen hat, bestimmt, was er sagt

Eine agentische Sequenz sollte bestätigen, dass die erforderlichen Daten vorhanden sind, bevor sie ein Ergebnis liefert. Ein Treasury-Team würde berechtigterweise erwarten, dass geprüft wird, ob Bankdateien eingegangen sind, die Abstimmung abgeschlossen ist und die erforderlichen Entity-Positionen verfügbar sind. Diese Kontrollen können offensichtliche Lücken aufdecken, garantieren aber nicht, dass die Daten korrekt sind.

Eine Bank kann doppelte Transaktionen senden. Ein Feed kann aktuell, aber unvollständig sein. Eine Abstimmung kann die falschen Positionen zusammenführen. Datenpräsenz ist nicht gleich Datenzuverlässigkeit. Der Agent muss diese Zustände erkennen und stoppen oder eskalieren, wenn er keinen verlässlichen Datenstatus herstellen kann.

Risk Radar misst das Ausmaß des Datenaktualitätsproblems direkt. Weniger als 1 von 4 Finanzverantwortlichen gibt an, dass ihre Organisation die finanziellen Auswirkungen eines aufkommenden Risikos in Echtzeit quantifizieren kann. Die meisten benötigen ein bis sechs Tage. Selbst in den USA liegt die Echtzeit-Quantifizierung bei lediglich 23,9 %.

Daten allein machen einen Agenten noch nicht zu einem effektiven Treasury-Assistenten. Betrachten wir einen Agenten, der eine ungewöhnliche Zahlung von 4 Millionen Dollar einer Tochtergesellschaft prüft. Basierend auf Betrag und Empfänger markiert er die Zahlung als anomal. Ein Treasury-Profi weiß jedoch, dass es sich um eine regelmäßige konzerninterne Finanzierungsübertragung handelt — planmäßig zum Monatsende, innerhalb genehmigter Limits und verknüpft mit einem bekannten Liquiditätsbedarf.

Ohne die Entity-Beziehung, den Zahlungszweck, die Genehmigungshistorie und den Richtlinienkontext hat der Agent ein ungewöhnliches Muster erkannt — aber nicht zwingend eine ungewöhnliche Zahlung. Er hat die Mustererkennung durchgeführt. Die Treasury-Arbeit hat er noch nicht erledigt.

Ein Treasury-Rahmenwerk liefert diesen Kontext: Entity-Hierarchien, zugesagte Liquiditätsverpflichtungen, Richtlinienschwellen, Buchungsschlusszeiten und genehmigte Workflows. Ohne diese Inputs kann KI technisch korrekt und operativ falsch liegen. Deshalb braucht ein effektiver Treasury-Assistent mehr als Datenzugang. Er braucht den Treasury-Kontext, der zur Interpretation dieser Daten erforderlich ist.

Das Vorgehen muss nachvollziehbar sein

Erklärbarkeit im Treasury ist der Mechanismus, der einem menschlichen Prüfer ermöglicht zu entscheiden, ob er auf eine Empfehlung reagiert, sie eskaliert, hinterfragt oder beiseitelegt.

Risk Radar fügt dieser Argumentation eine weitere Ebene hinzu. In keinem Land und keiner Branche bewerten mehr als die Hälfte der Finanzverantwortlichen ihre Fähigkeit zur Risikoexposure-Analyse als „high confidence". Im Technologiesektor, der bei der KI-Einführung alle Branchen anführt, liegt dieser Wert bei lediglich 36,5 %. Ein Prüfer, der seine eigenen analytischen Grundlagen nur mit mäßiger Zuversicht bewertet, muss das Vorgehen des Agenten Schritt für Schritt nachvollziehen können. Ohne das ist der Prüfschritt eine Genehmigung — kein Audit.

Betrachten wir FX-Hedging: Ein Treasury-Manager weiß, was zu tun ist, wenn seine Prognose unsicher ist — und was zu tun ist, wenn er vollständige Sicherheit über Fremdwährungsforderungen und -verbindlichkeiten hat. Er braucht genau dieses Maß an Transparenz von einem KI-Agenten, um zu wissen, welche Maßnahmen zu ergreifen sind. Der Agent darf keine Black Box sein. Im Treasury haben Black Boxes in der Entscheidungskette nichts zu suchen.

Menschliche Aufsicht braucht eine Adresse

Die Human-in-the-Loop-Überwachung ist die vierte Kontrollmaßnahme — und die am unklarsten definierte. Der Begriff taucht überall auf, ist aber selten präzise gefasst.

Menschliche Aufsicht im Treasury funktioniert nur, wenn Richtlinie, Ausführung und Audit-Trail vollständig aufeinander abgestimmt sind. Wenn die Abfolge der Maßnahmen — sowohl durch KI als auch durch Menschen — genau angeben kann, welcher Mensch an welcher Stelle mit welcher Befugnis genehmigt, eskaliert oder abgelehnt hat, und unter welchen Bedingungen dieser Schritt übersprungen werden darf, dann kann der gesamte Workflow auf die Richtlinie abgebildet und später von Auditoren zur Compliance-Prüfung rekonstruiert werden.

In dieser frühen Phase der KI-Einführung wird die wichtige Rolle der Transaktionsgenehmigung häufig vom Menschen in der Schleife wahrgenommen. Und selbst der einfachste Audit-Trail erfasst diese Aktion. Doch während Treasury-Teams sich auf die Ausführung von Zahlungen und Transaktionen durch KI vorbereiten, muss der gesamte Prozess in einem einzigen System mit einem einzigen Kontrollrahmen nachvollziehbar und durchsetzbar sein. Darüber hinaus muss erkennbar sein, wer welche Aktion durchgeführt hat. Wir müssen wissen, was die KI getan hat. 

Bevor der Ratschlag zur Aktion wird

Der erste Teil dieser Serie endete mit einer Frage: Können wir beweisen, warum der Agent den Ratschlag gegeben hat, bevor jemand danach handelt? Der Know-Your-Agent-Test ist das Framework für die Beantwortung dieser Frage: vier Punkte, die dokumentiert sein müssen, bevor eine Empfehlung eine Treasury-Entscheidung beeinflusst.

Organisationen, die diesen Test nicht bestehen, sind nicht bereit für die Implementierung von KI zur autonomen Ausführung. Die Rechenschaftspflicht muss vor der Autonomie kommen. KI-Agenten im Treasury, die nicht identifizierbar sind, ihren Datenstatus nicht offenlegen, ihr Vorgehen nicht transparent machen und ohne namentlich benannte menschliche Aufsicht operieren, sind nicht bereit, mit der Gehphase betraut zu werden — geschweige denn mit der Laufphase.

„‚Die KI hat es gesagt' ist kein Audit-Trail. Lernen Sie Ihren Agenten kennen, bevor Sie ihm vertrauen."