Der Anbruch des „Digitalen Kollegen“ (Digital Co-worker): Goldman Sachs setzt Claude-Agenten ein
Von Creati.ai Redaktionsteam | 7. Februar 2026
Die Integration von generativer KI (Generative AI) in die Hochfinanz hat den Übergang von experimentellen Pilotprojekten zum operativen Kerneinsatz vollzogen. In einem Schritt, der eine definitive Wende hin zur agentenbasierten KI (Agentic AI) signalisiert, hat Goldman Sachs den Einsatz von Claude-KI-Agenten von Anthropic angekündigt, um komplexe Buchhaltungs- und Compliance-Workflows zu automatisieren.
Diese Partnerschaft, die vom Chief Information Officer von Goldman Sachs, Marco Argenti, bekannt gegeben wurde, markiert eines der offensivsten Engagements der Wall Street für autonome KI. Nach einer sechsmonatigen intensiven Co-Entwicklungsphase, in der Ingenieure von Anthropic direkt in die Technologieteams der Bank eingebunden waren, nutzt der Finanzriese nun KI-Agenten für den Handelsabgleich, das Onboarding von Kunden und die regulatorische Compliance – Aufgaben, die bisher tausende von Arbeitsstunden und eine strenge Aufsicht erforderten.
Jenseits von Chatbots: Der Aufstieg autonomer Agenten
Die Branche hat den Übergang von „Chatbots“, die Fragen beantworten, hin zu „Agenten“, die Workflows ausführen, längst erwartet. Die Initiative von Goldman dient als primäre Fallstudie für diesen Übergang. Im Gegensatz zu früheren KI-Implementierungen, die als Assistenten zum Entwerfen von E-Mails oder Zusammenfassen von Dokumenten dienten, sind diese neuen Agenten als „digitale Kollegen“ (Digital Co-workers) konzipiert.
Laut Argenti erkannte die Bank, dass die Reasoning-Fähigkeiten des Claude-Modells weit über die Software-Codierung hinausgingen. Dieselbe Logik, die zum Debuggen komplexer Codebasen erforderlich ist, erwies sich als äußerst effektiv für die Analyse von Finanzvorschriften und den Abgleich riesiger Datensätze. Die Agenten sind nun damit beauftragt, unabhängig durch regelbasierte Frameworks zu navigieren, um Transaktionen zu verifizieren und neue Kunden zu prüfen, wodurch die Zeitpläne für diese kritischen Prozesse effektiv verkürzt werden.
Der Wandel betrifft zwei spezifische, arbeitsintensive Bereiche:
- Handelsbuchhaltung (Trade Accounting): Die Agenten automatisieren den Abgleich von Millionen täglicher Transaktionen und gleichen Datensätze über verschiedene Systeme hinweg mit einer Geschwindigkeit ab, die für menschliche Teams unerreichbar ist.
- Kunden-Onboarding (Client Onboarding): Traditionell ein Engpass aufgrund von „Know Your Customer“ (KYC) und Anti-Geldwäsche-Vorschriften (Anti-Money Laundering, AML), wird dieser Prozess nun durch Agenten gestrafft, die in der Lage sind, Dokumentationen zu lesen, zu verifizieren und mit globalen regulatorischen Standards abzugleichen.
Operative Auswirkungen: Traditionelle vs. agentenbasierte Workflows
Um das Ausmaß dieses Wandels zu verstehen, ist es unerlässlich, die Legacy-Workflows mit dem neuen agentengesteuerten Modell zu vergleichen. Der folgende Vergleich veranschaulicht, wie Goldman Sachs seine Back-Office-Abläufe umstrukturiert.
Vergleich von Compliance- und Buchhaltungs-Workflows
| Legacy-Prozess | Agentenbasierter Prozess | Operativer Gewinn |
|---|---|---|
| Datenerfassung | Manuelle Eingabe und Verifizierung von Dokumenten aus verschiedenen Formaten (PDF, Excel, E-Mail). | Agenten erfassen und strukturieren unstrukturierte Daten sofort über alle Formate hinweg. |
| Regelanwendung | Menschen gleichen Transaktionen mit einem statischen Compliance-Handbuch ab. | Agenten wenden dynamische regulatorische Logik in Echtzeit an und zitieren spezifische Klauseln. |
| Ausnahmebehandlung | Anomalien melden einen allgemeinen Fehler, der eine manuelle Untersuchung von Grund auf erfordert. | Agenten diagnostizieren die Ursache der Anomalie und schlagen eine Lösung für die menschliche Genehmigung vor. |
| Audit-Trail | Manuelle Protokollierung von Entscheidungen; oft fragmentiert über E-Mails und Chat-Logs. | Automatische, unveränderliche Protokollierung jedes Reasoning-Schritts und jeder vom Agenten getroffenen Entscheidung. |
Die „Embedded“-Strategie: Ein neues Modell für Unternehmens-KI
Der Erfolg dieses Einsatzes beruht auf einem einzigartigen Kollaborationsmodell. Anstatt einfach ein API-Abonnement zu erwerben, entschied sich Goldman Sachs für eine tiefe Integration. Sechs Monate lang arbeiteten Anthropic-Ingenieure Seite an Seite mit den internen Entwicklern von Goldman. Dieser Zeitraum ermöglichte es den Teams, die Claude-Modelle auf den proprietären Daten der Bank und spezifischen regulatorischen Anforderungen feinabzustimmen und der KI effektiv die Nuancen der institutionellen Finanzwirtschaft „beizubringen“.
Diese „Embedded“-Strategie unterstreicht einen wachsenden Trend, bei dem Allzweck-Large-Language-Models (LLMs) ohne signifikante Anpassung für Unternehmensanforderungen unzureichend sind. Durch die Mitentwicklung der Agenten stellte Goldman Sachs sicher, dass die KI mit vertraulichen, nicht öffentlichen Informationen (Material Non-Public Information, MNPI) unter Einhaltung der erforderlichen Sicherheitsprotokolle umgehen konnte – eine unverzichtbare Voraussetzung im hochregulierten Bankensektor.
Wirtschaftliche Auswirkungen: Auswirkungen auf Belegschaft und Markt
Die Ankündigung hatte unmittelbare Auswirkungen auf den Technologie- und Finanzsektor. Nach den Nachrichten kam es zu einem Ausverkauf traditioneller Unternehmenssoftware-Aktien, getrieben durch die Angst der Anleger, dass KI-Agenten eigenständige SaaS-Tools (Software as a Service) überflüssig machen könnten. Wenn ein KI-Agent benutzerdefinierte Workflows erstellen und Daten direkt verwalten kann, sinkt der Bedarf an zwischengeschalteten Softwarelizenzen.
Intern steht der Schritt im Einklang mit dem strategischen Fokus von CEO David Solomon auf Effizienz. Solomon hat zuvor Pläne zur „Begrenzung des Personalwachstums“ erwähnt, während sich das Unternehmen um KI-Fähigkeiten herum neu organisiert. Während Argenti die Agenten als Unterstützer menschlicher Talente beschreibt – was es den Mitarbeitern ermöglicht, sich auf höherwertige Strategien statt auf reine Routineprozesse zu konzentrieren –, deutet die Fähigkeit von Agenten, die Arbeit von Analysten auf Einstiegsebene und Drittanbietern zu erledigen, auf einen langfristigen Rückgang bei der operativen Einstellung von Personal hin.
Strategischer Ausblick für Fintech
Goldman Sachs ist in diesem Rennen nicht allein, aber ihre Ausführung zeichnet sie aus. Während JPMorgan Chase eine Reihe von LLMs für hunderte von Anwendungsfällen einsetzt, schiebt Goldmans Fokus auf hochautonome Agenten für Kernbuchhaltungsfunktionen die Technologie in die „Ausführungsebene“ (Execution Layer) der Bank.
Für die breitere Branche der Finanzdienstleistungen (Financial Services) validiert dieser Einsatz die Sicherheit und Wirksamkeit agentenbasierter Workflows. Er beweist, dass mit den richtigen Leitplanken – insbesondere dem von Anthropic bevorzugten Ansatz der „Constitutional AI“, der Sicherheit und Interpretierbarkeit priorisiert – der KI das Hauptbuch anvertraut werden kann.
As diese KI-Systeme (Artificial Intelligence) reifen, verschiebt sich der Maßstab für Erfolg im Fintech-Bereich. Es geht nicht mehr darum, wer den intelligentesten Chatbot hat, sondern wer die fähigste Belegschaft aus digitalen Agenten besitzt. Goldman Sachs hat seinen Zug gemacht; der Rest der Wall Street wird wahrscheinlich sprinten müssen, um aufzuholen.
