Measuring agentic artificial intelligence intensity in banking: a validated disclosure-based index and identification strategy for estimating effects on bank performance and systemic risk

In der Welt des Bankwesens fungiert künstliche Intelligenz seit langem als hilfreicher Assistent. Jahrelang dienten diese Systeme als digitale Schreiber, die Berichte entwarfen, Daten zusammenfassten oder dem menschlichen Manager den nächsten optimalen Schritt vorschlugen. Der Mensch bleibt dabei fest am Steuer und hält die Schlüssel zu jeder endgültigen Entscheidung in der Hand. Doch ein bedeutender Wandel vollzieht sich nun. Banken beginnen, eine neue Art von Intelligenz einzusetzen, die nicht nur vorschlägt, sondern handelt. Dies sind agentische Systeme, die in der Lage sind, komplexe Finanzworkflows zu planen und Transaktionen mit delegierter Autorität auszuführen. Sob hatches ein solches System das grüne Licht zum Handeln erhält, kann es Geld bewegen, Kredite genehmigen oder Schulden begleichen, ohne darauf zu warten, dass ein Mensch bei jedem einzelnen Schritt sein Einverständnis gibt. Dieser Übergang von der Beratung zum Handeln verändert das grundlegende Wesen von Risiko und Effizienz im Finanzwesen, doch für Forscher und Regulierer ist ein kritisches Problem ungelöst geblieben: Wie misst man das?

Bis jetzt gab es keine zuverlässige Methode, um eine Bank zu unterscheiden, die lediglich über künstliche Intelligenz spricht, von einer, die tatsächlich das Zepter ihres Betriebs an autonome Maschinen übergeben hat. Bestehende Methoden behandeln alle Erwähnungen von Technologie oft als gleich und versäumen es, den Unterschied zwischen einem Chatbot, der Kundenfragen beantwortet, und einem Software-Agenten, der unabhängig eine Zahlung auslöst, zu erkennen. Oh ohne ein klares Messinstrument ist es unmöglich zu wissen, ob diese neuen Systeme Banken effizienter, riskanter oder beides machen. Ein Team von Forschern der Dayananda Sagar University in Indien hat diese Lücke geschlossen, indem es ein neues, streng geprüftes Instrument namens „Agentic AI Intensity Index“ entwickelt hat. Anstatt lediglich zu zählen, wie oft eine Bank Technologie erwähnt, misst dieser Index das spezifische Ausmaß, in dem eine Bank die Macht delegiert hat, wesentliche Finanzentscheidungen zu treffen und auszuführen.

Die Forscher haben nicht nur einen neuen Score erfunden; sie haben ein vollständiges wissenschaftliches Protokoll erstellt, um sicherzustellen, dass der Score real und zuverlässig ist. Sie begannen mit der Sammlung tausender Seiten öffentlicher Dokumente von Banken, einschließlich Geschäftsberichten, regulatorischen Meldungen und Transkripten von Telefonkonferenzen zu Geschäftsergebnissen, bei denen Führungskräfte mit Investoren sprechen. Aus diesen Texten entwickelten sie eine Methode, um Sätze zu identifizieren, die eine tatsächliche Delegation von Autorität beschreiben. Sie unterschieden zwischen Sprache, die ein System beschreibt, das auf die menschliche Genehmigung wartet, und Sprache, die ein System beschreibt, das innerhalb eines Mandats eigenständig handelt. Um sicherzustellen, dass diese Unterscheidung korrekt war, brachten sie ein Gremium von Experten zusammen, darunter akademische Forscher, Technikbeauftragte von Banken und Aufseher der Zentralbanken. Diese Experten verfeinerten eine Liste von Schlüsselwörtern und Phrasen in zwei Diskussionsrunden und einigten sich darauf, welche Begriffe tatsächlich autonomes Handeln signalisieren und welche lediglich werblicher Fluff sind.

Nachdem die Liste der Schlüsselwörter finalisiert worden war, testete das Team seine Methode, um sicherzustellen, dass sie konsistent funktioniert. Sie ließen mehrere geschulte Codierer dieselben Sätze lesen, um zu prüfen, ob sie sich darüber einig waren, ob ein System wirklich autonom sei. Sie setzten auch fortschrittliche Computermodelle ein, um die enorme Menge an Text zu sortieren, jedoch mit einer entscheidenden Sicherung: Jedes Mal, wenn der Computer eine hochgradig autonome Aktion identifizierte, überprüfte ein menschlicher Experte dies, um die Klassifizierung zu bestätigen. Dieser Human-in-the-loop-Ansatz verhinderte, dass das System durch vage oder irreführende Sprache getäuscht wurde. Die Forscher prüften dann, ob ihr neuer Index tatsächlich das misst, was er zu messen vorgibt, indem sie ihn mit unabhängigen Belegen verglichen, wie etwa Stellenanzeigen für spezifische Arten von Ingenieuren, Patentanmeldungen für autonome Systeme und bekannten Fällen, in denen Banken diese Technologien eingesetzt hatten. Die Ergebnisse zeigten, dass der Index erfolgreich Banken mit echten autonomen Fähigkeiten von jenen unterschied, die lediglich über allgemeine digitale Transformation diskutierten.

Der Kern dieser Arbeit ist der Index selbst, der jeder Bank einen Score basierend auf der Intensität ihrer agentischen KI-Adoption zuweist. Der Score ist nicht nur eine rohe Wortzählung; er ist gewichtet nach dem Grad der Autorität, die die Bank ihren Maschinen übertragen hat. Ein System, das eine Zahlung innerhalb eines vorgegebenen Limits ausführt, erhält einen höheren Score als eines, das lediglich eine Empfehlung für eine menschliche Überprüfung entwirft. Die Forscher normalisierten die Daten auch, um der Tatsache Rechnung zu tragen, dass einige Banken viel mehr über Technologie schreiben als andere, wodurch sichergestellt wurde, dass ein hoher Score echte Delegation von Macht widerspiegelt und nicht nur viel Gerede ist. Dies ermöglicht einen fairen Vergleich zwischen einer massiven globalen Bank und einem kleineren regionalen Institut. Der Index ist darauf ausgelegt, in zukünftigen Studien verwendet zu werden, um drängende Fragen zu beantworten: Macht die Übergabe der Entscheidungsfindung an Maschinen Banken effizienter oder führt sie neue, unvorhersehbare Risiken ein? Hilft es Banken, Betrug schneller zu erkennen, oder schafft es neue Schwachstellen?

Die Arbeit liefert nicht die endgültigen Antworten auf diese Leistungsfragen, da es sich um eine methodische Studie handelt, die darauf fokussiert ist, den Maßstab zu bauen, statt ihn zur Messung eines spezifischen Ergebnisses zu nutzen. Stattdessen legt sie eine klare, wiederholbare Strategie vor, die andere Forscher und Regulierer anwenden können. Sie spezifiziert genau, wie der Index zu konstruieren, wie er zu validieren und wie er in statistischen Modellen zu verwenden ist, um die Effekte autonomer KI von anderen Faktoren wie der Bankgröße oder den wirtschaftlichen Bedingungen zu isolieren. Die Forscher räumen ein, dass der Übergang zu agentischer KI komplex ist und dass die Vorteile und Risiken stark davon abhängen werden, wie gut eine Bank diese Systeme steuert. Sie schlagen vor, dass die Auswirkungen dieser Technologien je nach Qualität der internen Aufsicht der Bank, der Reife ihrer Technologie und der Strenge der Regulierung, unter der sie operiert, variieren werden.

Durch die Bereitstellung eines validierten Werkzeugs beseitigt diese Arbeit eine große Barriere für das Verständnis der Zukunft des Bankwesens. Sie ermöglicht es der Finanzgemeinschaft, über vage Behauptungen über „digitale Transformation“ hinauszugehen und mit der Messung des spezifischen, greifbaren Wandels hin zur maschinellen Autonomie zu beginnen. Die Forscher haben gezeigt, dass es möglich ist, das Signal echter agentischer Aktion vom Rauschen allgemeiner Technologie-Diskussionen zu trennen. Diese Klarheit ist essenziell für Aufseher, die die Risiken irreversibler automatisierter Zahlungen verstehen müssen, und für Investoren, die versuchen, die wahren Fähigkeiten der Institutionen zu bewerten, die sie finanzieren. Die Studie kommt zu dem Schluss, dass die Technologie zwar rasant voranschreitet, die Fähigkeit, ihre Adoption mit Präzision zu messen, jedoch nun in Reichweite liegt, sofern Forscher und Regulierer die im neuen Protokoll skizzierten strengen Validierungsschritte befolgen. Dieses Fundament bereitet den Weg für eine neue Ära der evidenzbasierten Analyse im Bankwesen, in der die Auswirkungen autonomer Systeme mit derselben Strenge untersucht werden können wie jede andere Finanzinnovation.