„Agentische KI" ist zur meistgebrauchten Floskel der Compliance-Technologie geworden — und zu einer der am schlechtesten definierten. Anbieter kleben das Etikett auf umbenannte Regel-Engines, auf robotergestützte Prozessautomatisierung mit Chat-Oberfläche und auf echte mehrstufige Reasoning-Systeme — alles unter demselben Begriff. Für einen Chief Compliance Officer, der diese Werkzeuge bewerten soll, ist das Marketing-Rauschen geradezu schädlich: Es verdeckt die eine Unterscheidung, die darüber entscheidet, ob ein System in einem regulierten Umfeld sicher einsetzbar ist.
Dieser Artikel leistet dreierlei. Erstens zieht er klare Trennlinien zwischen den Technologien, die Compliance-Funktionen seit einem Jahrzehnt nutzen — Regel-Engines, RPA, Machine-Learning-Scoring — und dem, was „agentisch" wirklich hinzufügt. Zweitens bildet er ab, was ein AML-Copilot über den KYC-Lebenszyklus hinweg konkret tut, Aufgabe für Aufgabe. Drittens legt er das Governance-Modell dar, das agentische KI gegenüber einer Aufsichtsbehörde vertretbar macht: Human-in-the-Loop von Grund auf, nicht nachträglich. Wecan nennt diese Kategorie den AI Compliance Copilot, und Ziel dieses Textes ist es, ihn präzise zu definieren, statt ihn zu verkaufen.
1. Definitionen, auf die es ankommt
Der Grossteil der Verwirrung in diesem Markt entsteht dadurch, dass vier verschiedene Technologien in einem Wort zusammengeworfen werden. Sie sind nicht austauschbar, und jede birgt andere Risiken.
Regel-Engines
Eine Regel-Engine führt deterministische, von Menschen geschriebene Logik aus: wenn das Land auf der Hochrisikoliste steht und das Produkt Korrespondenzbanking ist, dann eskalieren. Sie ist transparent, prüfbar und vollständig vorhersehbar. Sie ist auch starr. Sie erfasst nur, was jemand vorhergesehen und kodiert hat, sie liest keine unstrukturierten Dokumente, und sie erzeugt die Falschtreffer-Lawine, die Compliance-Teams gut kennen — Falschtrefferquoten von 90 bis 99 % beim Sanktions- und PEP-Screening sind fast vollständig ein Artefakt der Regel-Engines. Regel-Engines sind notwendig. Intelligent sind sie nicht.
Robotergestützte Prozessautomatisierung (RPA)
RPA automatisiert repetitive, strukturierte Klicks und Tastatureingaben: sich bei einem Portal anmelden, ein Feld kopieren, es in ein anderes System einfügen. Sie ist schnell und günstig für stabile Aufgaben mit hohem Volumen, aber notorisch fragil — ändert sich ein Bildschirmlayout, bricht der Bot. RPA verschiebt Daten. Sie versteht sie nicht und kann die Mehrdeutigkeit nicht bewältigen, die echte KYC-Akten prägt.
Machine-Learning-Scoring
Machine-Learning-Modelle lernen Muster aus historischen Daten, um einen Risiko-Score oder eine Trefferwahrscheinlichkeit zu erzeugen. Kontextbezogenes ML ist es, das Sanktions-Falschtreffer von ~95 % auf 20-25 % senkt, weil es Schreibvarianten, Transliterationen, Aliasse und Metadaten gewichtet, statt Zeichenketten blind abzugleichen. ML ist stark bei Klassifizierung und Ranking. Doch ein Score ist kein Plan: Ein Modell sagt, wie wahrscheinlich etwas ist, nicht, was als Nächstes zu tun ist, und es kann weder eine Akte zusammenstellen noch ein Register abfragen oder eine Begründung verfassen.
Agentische KI
Ein agentisches System ist durch drei zusammenwirkende Eigenschaften definiert. Es plant eine mehrstufige Aufgabe, statt eine einzelne Anweisung auszuführen. Es ruft Werkzeuge auf — Register, Screening-Anbieter, interne Systeme, Dokumentenleser — um zusammenzutragen, was es braucht. Und es erzeugt ein Arbeitsprodukt: eine strukturierte Akte, ein UBO-Diagramm, einen Begründungsentwurf. Entscheidend: Agentisch heisst nicht autonom. Ein gut konzipierter Compliance-Copilot plant, sammelt, argumentiert und entwirft — dann hält er inne und übergibt die Entscheidung einem Menschen. Die Intelligenz liegt in der Orchestrierung; die Autorität bleibt beim Verantwortlichen.
2. Was ein Compliance-Copilot über den KYC/AML-Lebenszyklus hinweg tut
Ein AML-Copilot ist keine einzelne Funktion. Er arbeitet über den gesamten Kundenlebenszyklus hinweg, übernimmt die Zusammenstellungs- und Analysearbeit und überlässt das Urteil dem Compliance-Verantwortlichen. Die folgende Tabelle bildet die Kernaufgaben ab.
| Lebenszyklusphase | Was der Copilot tut | Was beim Verantwortlichen bleibt |
|---|---|---|
| Onboarding-Aufnahme | Führt die Erfassung, prüft Vollständigkeit, extrahiert und gleicht Daten ab | Genehmigt die Kundenbeziehung |
| Dokumentenbearbeitung | Klassifiziert, liest, validiert Echtheitssignale, markiert Lücken | Klärt echte Dokumentenstreitigkeiten |
| UBO-Identifizierung | Fragt Register ab, baut Eigentümerketten, markiert Undurchsichtigkeit | Bestätigt die Feststellung des Berechtigten |
| Screening-Triage | Bewertet Sanktions-/PEP-/Medientreffer nach Wahrscheinlichkeit, räumt Rauschen aus | Entscheidet über plausible echte Treffer |
| Risikobewertung | Entwirft ein strukturiertes Profil mit zitierten Belegen | Legt das finale Risiko-Rating fest und zeichnet ab |
| Periodische / perpetuelle Prüfung | Überwacht Ereignisse, wiederholt Prüfungen, hebt wesentliche Änderungen hervor | Entscheidet, ob die Änderung das Risiko verändert |
| Überwachung regulatorischer Änderungen | Verfolgt Novellen, ordnet sie betroffenen Akten und Richtlinien zu | Interpretiert die Auswirkung, aktualisiert das Verfahren |
| Begründungsentwurf | Fügt Argumentation und Belege zu einer prüfbereiten Darstellung zusammen | Redigiert, hinterfragt und verantwortet den Schluss |
Vom Onboarding zur perpetuellen Prüfung
Beim Onboarding leistet der Copilot die oben beschriebene Zusammenstellungsarbeit — Erfassung, Extraktion, UBO-Aufbau, Screening-Triage — und verkürzt einen manuellen Prozess von 15 bis 21 Tagen auf 2-3 Stunden, wobei der Aufwand für die UBO-Identifizierung um rund 95 % sinkt. Doch der weit umwälzendere Wandel liegt weiter hinten. Traditionelles KYC behandelt die Prüfung als geplantes Ereignis: Eine Akte taucht alle ein, drei oder fünf Jahre wieder auf, und ein Analyst wiederholt einen Grossteil der ursprünglichen Arbeit. Perpetuelles KYC (pKYC) ersetzt diesen Kalender durch kontinuierliche, ereignisgesteuerte Überwachung. Der Copilot achtet auf Auslöser — eine neue Sanktionslistung, eine Eigentümeränderung in einem Register, ein Negativmedien-Treffer, eine Adressänderung — und hebt eine Akte nur dann hervor, wenn sich tatsächlich etwas Wesentliches geändert hat. Frühe Anwender entfernen so 70 bis 90 % des manuellen Aufwands für periodische Prüfungen, weil Analysten aufhören, Akten erneut zu prüfen, bei denen nichts geschehen ist.
Überwachung regulatorischer Änderungen
Der Regulierungskalender 2026 macht dies greifbar. Die revidierte GwV-FINMA (Vernehmlassung eröffnet am 12. Mai 2026) verschärft die Erwartungen an das Verständnis der Kundenstruktur sowie an Durchlaufkonten und Unterkonten — unmittelbar relevant für unabhängige Vermögensverwalter (GFI). Parallel führen das Bundesgesetz über die Transparenz juristischer Personen (TJPG) und das revidierte GwG — beide ab dem 1. Oktober 2026 in Kraft — ein eidgenössisches Register der wirtschaftlich Berechtigten ein und verpflichten Intermediäre, die natürliche Person zu identifizieren, die letztlich die Kontrolle ausübt — unabhängig von verschachtelten Offshore-Strukturen. Ein Copilot überwacht diese Änderungen, ordnet jede Novelle den konkreten Kundenakten und internen Richtlinien zu, die sie berührt, und entwirft die Verfahrensaktualisierung, die das Compliance-Team prüfen muss — und macht so aus regulatorischem Wandel statt eines Feuerwehreinsatzes einen gesteuerten Workflow.
3. Human-in-the-Loop von Grund auf
Dies ist der Abschnitt, der für eine Aufsichtsbehörde am meisten zählt, und hier trennen sich glaubwürdige Anbieter und Hype-Händler.
Ein Compliance-Copilot bereitet vor und schlägt vor; der Compliance-Verantwortliche entscheidet. Das ist keine zur Beruhigung angeschraubte Einschränkung — es ist die einzig vertretbare Architektur. Sowohl nach Schweizer Geldwäschereirecht als auch nach dem EU-AML-Paket liegt die Verantwortung für eine Sorgfaltsentscheidung bei einer namentlich benannten, qualifizierten Person im Institut. Diese Verantwortung kann nicht an ein Modell delegiert werden. Ein System, das einen Sanktions-Alert ausräumt oder einen Hochrisikokunden ohne menschliche Entscheidung genehmigt, birgt nicht nur ein operationelles Risiko; es durchbricht die Verantwortungskette, auf die sich die Aufsicht stützt.
Human-in-the-Loop von Grund auf bedeutet in der Praxis dreierlei. Der Copilot schliesst nie eigenständig einen Entscheidungsknoten — er stellt eine Empfehlung samt Belegen bereit und hält inne. Der Verantwortliche sieht stets, warum die Empfehlung ausgesprochen wurde, in prüfbarer Form, bevor er handelt. Und die Oberfläche macht Widerspruch billig: Dem Copilot zu widersprechen muss so schnell gehen wie ihm zuzustimmen, sonst trainiert das System seine Nutzer unbemerkt zum Automatisierungsbias. Macht man dies richtig, verlagert sich die Zeit des Verantwortlichen vom Zusammenstellen der Akten zum Ausüben des Urteils — was der ganze Sinn der Sache ist.
4. Governance, Erklärbarkeit und der Wirksamkeitsstandard 2026
Der wichtigste regulatorische Wandel 2026 ist der Übergang vom Vorhandensein von Kontrollen zur nachweisbaren Wirksamkeit. Es genügt nicht mehr zu zeigen, dass eine Kontrolle auf dem Papier existiert; die Aufsicht erwartet den Nachweis, dass Entscheidungen nachvollziehbar, zeitgerecht und gut begründet getroffen wurden. Dieser Standard lässt sich, ungewöhnlicherweise, mit einem gut gebauten Copiloten leichter erfüllen als mit einem manuellen Prozess — vorausgesetzt, die Governance ist von Anfang an mitgedacht.
Audit Trails und nachvollziehbares Reasoning
Jede Aktion des Copiloten — jedes abgefragte Register, jeder bewertete Alert, jede bereitgestellte Empfehlung, jede menschliche Übersteuerung — wird mit Zeitstempel und den zugrunde liegenden Belegen protokolliert. Wo ein manueller Prozess eine dünne, aus dem Gedächtnis rekonstruierte Papierspur hinterlässt, erzeugt der Copilot standardmässig einen vollständigen, unveränderlichen Datensatz. Nachvollziehbares Reasoning ist der Kern: Ein Aufseher kann nicht nur verfolgen, was entschieden wurde, sondern auch die konkreten Belege und die Logik dahinter.
Modellrisiko und Datenschutz
Erklärbarkeit beseitigt das Modellrisiko nicht — sie macht es beherrschbar. Jede ML-Komponente (Screening-Scores, Risikoklassifizierung) braucht dokumentierte Validierung, Leistungsüberwachung zur Drift-Erkennung und eine klare Aussage über ihre Grenzen. Nach Schweizer Datenschutzrecht und der DSGVO muss der Copilot personenbezogene Daten zudem auf einer rechtmässigen Grundlage verarbeiten, das Aufbewahrte minimieren und Kundendaten innerhalb der vereinbarten jurisdiktionellen und Vertraulichkeitsgrenzen halten. Ein Copilot, der nicht zeigen kann, wo Daten liegen und wie sie genutzt werden, ist im Schweizer Bankkontext nicht einsatzfähig, so leistungsfähig er auch sein mag.
Automatisierungsbias vermeiden
Das subtilste Governance-Risiko ist menschlich, nicht technisch. Wenn ein System meistens recht hat, hören Prüfer auf zu prüfen und fangen an abzunicken. Das Design muss dem aktiv entgegenwirken: Konfidenzniveaus ehrlich anzeigen, widersprechende Belege statt nur des stützenden Arguments hervorheben und automatisch ausgeräumte Elemente periodisch für eine menschliche Prüfung stichprobenartig kontrollieren. Die Wirksamkeit wird durch einen Menschen, der alles genehmigt, ebenso schwer untergraben wie durch ein Modell, das alles entscheidet.
5. Risiken und Kontrollen
Agentische KI führt Fehlermodi ein, die Regel-Engines nicht haben. Sie klar zu benennen — und jedem eine konkrete Kontrolle zuzuordnen — unterscheidet einen verantwortungsvollen Einsatz von einem leichtsinnigen.
| Risiko | Wie es aussieht | Kontrolle |
|---|---|---|
| Halluzination | Das Modell behauptet einen Fakt oder ein Zitat, das nicht in der Quelle steht | Jede Ausgabe in abgerufenen Belegen verankern; Quellen zeigen; unbelegte Aussagen aus der Akte blockieren |
| Übervertrauen / Automatisierungsbias | Verantwortliche genehmigen ohne echte Prüfung | Konfidenzanzeige, Pflichtprüfung bei hohem Risiko, Audit-Stichproben ausgeräumter Elemente |
| Falschnegative | Ein echtes Risiko wird niedrig bewertet und taucht nie auf | Konservative Schwellen, menschliche Prüfung von Grenzfällen, Modellüberwachung, Red-Team-Tests |
| Modelldrift | Screening oder Scoring verschlechtert sich, wenn sich Daten und Typologien ändern | Laufende Überwachung, periodische Revalidierung, versionierte Modelle |
| Datenabfluss | Kundendaten gegenüber Dritten oder in falscher Jurisdiktion offengelegt | Datenresidenz-Kontrollen, Minimierung, Verschlüsselung, kein Training mit Kundendaten ohne Einwilligung |
Das Leitprinzip ist die Asymmetrie der Konsequenzen. Im AML ist ein Falschnegativ — ein übersehenes echtes Risiko — weit schädlicher als ein Falschpositiv. Der Copilot ist deshalb darauf eingestellt, im Zweifel zu eskalieren statt auszuräumen, und jeder wirklich mehrdeutige Fall wird an einen Menschen geleitet. Der Copilot beseitigt das Rauschen; er erhöht nicht den Risikoappetit.
6. Wie „gut" aussieht
Die Fähigkeitslücke zwischen ererbter Automatisierung und einem agentischen Copiloten zeigt sich am besten direkt.
| Fähigkeit | Regel-Engine / RPA | Agentischer KI-Copilot |
|---|---|---|
| Bewältigt unstrukturierte Dokumente | Nein | Ja |
| Plant mehrstufige Aufgaben | Nein — feste Skripte | Ja — passt sich der Akte an |
| Ruft externe Werkzeuge und Register auf | Begrenzt, fragil | Ja, orchestriert |
| Reduziert Screening-Falschpositive | Nein | Ja — kontextbezogenes Scoring |
| Entwirft Begründungen und Darstellungen | Nein | Ja — belegt |
| Unterstützt perpetuelle, ereignisgesteuerte Prüfung | Nein | Ja |
| Erklärt sein Reasoning | Regeln sichtbar, kein Reasoning | Vollständig nachvollziehbares Reasoning |
| Trifft die finale Entscheidung | Nein | Nein — per Design |
Ein praktischer Einführungspfad
Gute Einführung ist inkrementell, kein Big-Bang-Ersatz. Eine sinnvolle Abfolge: mit der Screening-Triage beginnen, wo der Copilot offensichtliche Falschpositive unter menschlicher Aufsicht ausräumt und der Genauigkeitsgewinn sofort und messbar ist. Als Nächstes die Onboarding-Zusammenstellung hinzunehmen, parallel zum bestehenden Prozess, bis die Aktenqualität belegt ist. Dann zur perpetuellen Prüfung übergehen, wo die kumulative Effizienz liegt. Dabei durchgehend das Richtige messen — nicht nur Geschwindigkeit, sondern Übersteuerungsraten, Ergebnisse der Falschnegativ-Tests und Audit-Vollständigkeit. Ein Copilot, der schneller wird, während die Übersteuerungsraten auf null fallen, ist ein Warnsignal, kein Erfolg.
7. Wie Wecan den Compliance-Copiloten angeht
Wecan Comply ist als AI Compliance Copilot auf den obigen Prinzipien aufgebaut und nicht als Blackbox, die auf bestehende Workflows aufgeschraubt wird. Es plant und führt die Zusammenstellungs- und Analysearbeit über den gesamten KYC/AML-Lebenszyklus hinweg aus — Onboarding, Dokumentenbearbeitung, UBO-Identifizierung, Screening-Triage, perpetuelle Prüfung, Überwachung regulatorischer Änderungen und Begründungsentwurf — und übergibt dann jede Entscheidung dem Compliance-Verantwortlichen, mit Belegen und Argumentation zur Prüfung ausgebreitet.
Die Design-Verpflichtungen sind bewusst gesetzt. Human-in-the-Loop ist architektonisch, nicht optional. Jede Aktion wird in einem vollständigen, unveränderlichen Audit Trail protokolliert, der für den Wirksamkeitsstandard 2026 gebaut ist. Ausgaben sind in abgerufenen Belegen verankert, mit angezeigten Quellen, sodass das Reasoning nachvollziehbar ist statt behauptet. Und Kundendaten bleiben per Design innerhalb der Schweizer Vertraulichkeits- und Datenschutzgrenzen. Für Banken, GFI und Fintechs, die zugleich mit der revidierten GwV-FINMA, dem TJPG und dem EU-AML-Paket konfrontiert sind, liegt der Wert nicht in einem schneller abgehakten Kästchen — sondern in einer Compliance-Funktion, die Akte für Akte nachweisen kann, dass ihre Entscheidungen gut getroffen wurden.