Agent für Kreditanalyse und Kreditvorlagen (Firmenkundenkredit)

Kreditanalysten im Firmenkundengeschäft verbringen den größten Teil einer Kreditakte damit, Unterlagen zu sammeln, Zahlen in Spreads neu zu erfassen und immer wieder dieselbe Vorlagenstruktur zu schreiben. Ein Agent kann die Daten abrufen, aufbereiten, Kennzahlen und Covenants berechnen, die Vorlage mit belegten Quellen entwerfen und das Portfolio auf Verstöße überwachen. Der Analyst behält das Urteil, der Kreditausschuss die Entscheidung. Anbieter versprechen große Zeitersparnisse bei der Vorbereitung; dies sind ungeprüfte Marketingzahlen.

Problem & Nutzen

• Heute: Ein Analyst sammelt Geschäftsberichte, Managementberichte, Auskunfteiberichte, Sicherheitendaten und Nachrichten aus mehreren Systemen, überträgt Abschlüsse in die Vorlage der Bank (Spreading), berechnet Kennzahlen und schreibt eine Vorlage (Kreditnehmer, Zweck, Struktur, Kapitaldienstfähigkeit, Sicherheiten, Risiken, Rating, Empfehlung). Jährliche Überprüfungen wiederholen diese Arbeit. Die Einhaltung von Covenants wird oft von Hand anhand quartalsweiser Bestätigungen geprüft, sodass Verstöße spät auffallen.
• Nutzen durch KI: weniger Zeit für Sammeln und Entwerfen, einheitlichere Struktur der Vorlagen, Quellenverweise auf die Ursprungsdokumente, frühere Covenant-Warnungen und mehr Zeit für das Urteil in schwierigen Fällen.
• Herstellerangaben (nicht unabhängig geprüft): Moody's vermarktet eine agentische Kreditvorlage, die eine Vorlage in Minuten entwirft, wo manuelle Arbeit „40 Stunden oder mehr dauern könnte“ [1]; nCino berichtet, dass Kunden den Aufwand für Beziehungsüberprüfungen mit seinem Agenten Analyst Digital Partner um 60–70 % senken [2]. Betrachten Sie solche Zahlen als Obergrenzen und messen Sie an Ihren eigenen Akten.
• Warum eigenständig: DOC-012 behandelt nur das Spreading, und PRED-009 ist das Scoring-Modell. Dieser Anwendungsfall ist der orchestrierte Workflow darum herum: sammeln, analysieren, schreiben, überwachen.

Varianten

• Kreditvorlage für Firmenkunden / KMU: Vorlagen für Neugeschäft und Verlängerung bei mittelgroßen und Mittelstands-Kreditnehmern.
• Jährliche Überprüfung / Aktualisierung der Watch-List: automatische Aktualisierung, sobald neue Finanzdaten eintreffen.
• Covenant-Überwachung: Finanz-Covenants (Verschuldungsgrad, DSCR, Zinsdeckung) aus quartalsweisen Bestätigungen berechnen und Frühwarnsignale auslösen.
• Spezialfinanzierung: Gewerbeimmobilien, Projektfinanzierung, Leveraged Finance; jede braucht eigene Vorlagen und Cashflow-Modelle.
• Nichtbank-Kreditgeber: Genossenschaftsbanken/Credit Unions, Leasing, Lieferkettenfinanzierung, Private-Credit-Fonds (leichterer Aufsichtsrahmen).
• Privatnutzung: keine; dies ist ein institutioneller Prozess.

So funktioniert es

1. Auslöser (neue Anfrage / Jahresabschluss eingegangen / Jahresüberprüfung fällig / Covenant-Termin)
2. Datenerhebung (Banksysteme, Kreditnehmerportal, Auskunftei, Rating, XBRL/ESEF, Nachrichten)
3. Dokumentenverarbeitung + Spreading (OCR/VLM
4. Bankvorlage, Abstimmungsprüfungen)
5. Analyse (Kennzahlen, Trends, Vergleichsgruppe, Cashflow- und Covenant-Berechnung in deterministischem Code)
6. Entwurf (Vorlagenabschnitte aus abgerufenen Fakten, jede Aussage mit Quellenlink)
7. Verifikation (Zahlenabgleich, Richtlinienprüfung, Widerspruchssuche)
8. Prüfung und Überarbeitung durch den Analysten
9. Kreditgremium
10. Entscheidung im Kreditsystem erfasst
11. Überwachung (Covenant-Tests, Frühwarnsignale, Benachrichtigungen an den Kundenbetreuer)

• Deterministischer Kern: Kennzahlen, Covenant-Tests und Rating-Eingaben werden von Code oder der Rating-Engine der Bank berechnet, nie vom LLM. Das LLM extrahiert, fasst zusammen, erklärt und entwirft.
• Retrieval: Kreditrichtlinie, frühere Vorlagen und Kreditdokumente werden indexiert; der Agent ruft Klauseln (z. B. Covenant-Definitionen) ab, statt sie aus dem Gedächtnis wiederzugeben.
• Werkzeuge: Lesezugriff auf Kernbanksystem, Dokumentenablage, Auskunftei- und Marktdaten-APIs; Schreibzugriff nur auf einen Entwurfsbereich.
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Analyst gibt jede Vorlage frei; Kreditentscheidung, Rating-Override und Covenant-Verzichte bleiben nach der Kompetenzordnung bei Menschen. Keine autonome Genehmigung oder Preisgestaltung.

Datenaufbereitung

Benötigte Daten: Jahresabschlüsse der Kreditnehmer, Steuerbescheide, Managementberichte, Kontoauszüge, Sicherheitenunterlagen, Kreditrichtlinie und Rating-Leitlinien sowie frühere Kreditvorlagen. Bei einer Bank oder einem Kreditgeber liegt dies im Kreditbearbeitungssystem (LOS), im DMS oder der E-Akte, im Kernbanksystem, auf Laufwerken, in E-Mails und bei externen Stellen (z. B. Auskunfteien). Typische Lücken: Abschlüsse, die als Scans oder in unterschiedlich formatierten PDFs eintreffen, Vorlagen in freien Word-Dateien ohne einheitliche Struktur, auf mehrere Versionen verstreute Richtlinien, über Systeme hinweg doppelte Kreditnehmerdaten und strenge Need-to-know-Regeln je Geschäftsbereich.

Konkrete Schritte: die aktuelle Kreditrichtlinie in eine versionierte Wissensbasis überführen ([PREP-013]), eine einheitliche Vorlagenstruktur und Muster-Beispiele festlegen ([PREP-016]), das Parsen von Jahresabschlüssen einrichten ([DOC-014], [PREP-006]), Daten aus Kernbanksystem und LOS per Export oder API anbinden ([PREP-005]), mit Analysten einen Testdatensatz aus früheren Fällen aufbauen ([PREP-018]) und ihn pseudonymisieren ([PREP-022]). Berechtigungen prüfen, damit der Agent nur sieht, was der Analyst sehen darf ([PREP-023]).

Grober Aufwandsanteil: etwa 25 bis 35 Prozent; die Wissensbasis der Richtlinien und der Testdatensatz sind am wichtigsten.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Banken): B. Die Kreditanalyse ist ein zentraler, regulierter Prozess mit eigenen Richtlinien und Rating-Modellen; der Aufbau auf Cloud-KI-Diensten in EU-Regionen erlaubt der Bank, Prompts, Nachweise und Prüfpfad zu kontrollieren, während Kaufen (A) sinnvoll ist, wenn eine Kreditbearbeitungsplattform dies bereits bietet und ihre Modelldokumentation die Modellrisiko-Teams zufriedenstellt.
• Entwickler: C. Open-Weight-Modelle mit Open-Source-Dokumentparsing und -RAG auf eigener Infrastruktur passen zu Prototypen und zu Banken, die Finanzdaten streng im eigenen Haus halten müssen.

Weg A — Kaufen (Standardsoftware)

• Kredit-/Kreditvergabeplattformen mit Agenten: nCino (Analyst Digital Partner, angekündigt im April 2026 [2]), Moody's Agentic Solutions Kreditvorlage (seit April 2026 auch im AWS Marketplace [1]), Temenos, Finastra, Suiten für Community-Banken vom Typ Zeta/Abrigo, Werkzeuge von S&P Capital IQ Pro.
• Zu prüfende Optionen aus der EU: Moody's und S&P haben EU-Gesellschaften, prüfen Sie aber den Datenstandort. Temenos (CH) und Finastra (UK) sind Anbieter außerhalb der EU (EU-Hosting prüfen); deutsche Bank-IT-Dienstleister (z. B. Finanz Informatik für Sparkassen, Atruvia für Genossenschaftsbanken) über ihre eigenen Kredit-Workflows; aktuelle KI-Funktionen beim Anbieter bestätigen lassen.
• A wählen, wenn: Sie bereits eine Kreditbearbeitungsplattform betreiben; der Anbieter muss Modelldokumentation und Prüfpfad liefern, die Ihre Teams für Auslagerung und Modellrisiko zufriedenstellen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Frontier-Reasoning- und Langkontext-Modelle (Claude, GPT, Gemini) in EU-Regionen über Azure OpenAI, AWS Bedrock Frankfurt, Google Vertex EU; Mistral (EU-Anbieter) für EU-souveräne Setups.
• Parsing: Azure Document Intelligence, Google Document AI, Mistral OCR; XBRL/ESEF-Fakten direkt mit Arelle auslesen, wo Einreichungen strukturiert sind.
• Orchestrierung: ein Agenten-Framework (LangGraph, Microsoft Agent Framework oder eigener Code) mit strikten Werkzeugschemata; MCP-Server für lesenden Datenzugriff.
• B wählen, wenn: Sie bankspezifische Vorlagen und die Integration in eine vorhandene Rating-Engine brauchen.

Weg C — Selbst betreiben (Open Source)

• Modelle: große Open-Weight-Modelle (z. B. Familien Qwen3, Llama, Mistral, gpt-oss), betrieben mit vLLM; Docling oder PaddleOCR zum Parsen; pgvector oder OpenSearch für das Retrieval; Arelle für XBRL.
• Hardware: HW4 für große Reasoning-Modelle mit mehreren gleichzeitig arbeitenden Analysten; HW3 schafft Modelle mit ca. 30–120 Mrd. Parametern bei geringerem Durchsatz.
• Warum C wählen: strenge Anforderungen an Datensouveränität oder Vertraulichkeit, Bedenken zum Bankgeheimnis oder keine Freigabe für Cloud-KI. Der Betriebs- und Bewertungsaufwand ist erheblich.

Weg D — Eigenes Training

Selten als Erstes. Feintuning auf den historischen Vorlagen der Bank kann Hausstil und Abschnittsstruktur verbessern, erfordert aber bereinigte, anonymisierte Vorlagen und einen sorgfältigen Umgang mit alten Urteilen (veraltete Richtlinien, verzerrte frühere Entscheidungen). Nutzen Sie zuerst Retrieval und Vorlagen.

Stand der Technik (2026)

• Anbieter sind von „Copilot“-Zusammenfassungen zu rollenbasierten Agenten übergegangen, die ganze Workflows ausführen (Daten abrufen, Spreading, Entwurf, Überwachung) – mit Kontrollpunkten [1][2].
• Bewährte Praxis: das LLM von der numerischen Logik trennen; jede Aussage trägt einen Verweis auf eine Dokumentseite oder ein Datenfeld; ein Prüfschritt kontrolliert, dass die Zahlen im Text mit dem Spread übereinstimmen.
• Grenzen und Fehlerbilder: falsche Zuordnung von Periode oder Einheit (Konzern- vs. Mutterabschluss), falsch übertragene Positionen aus Scans, erfundene oder veraltete Covenant-Bedingungen, anbiedernde „positive“ Kommentare, übersehene qualitative Warnzeichen, die ein erfahrener Analyst erkennt, und Prompt-Injection aus externen Dokumenten oder Webseiten. Vorlagen können professionell wirken und dennoch falsch sein, was das Risiko von Automation Bias bei den Prüfenden erhöht.
• Die Bewertung braucht einen Referenzsatz früherer Akten mit vom Analysten abgestimmten Spreads und Vorlagenfakten, verfolgt je Release.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack wie DOC-012 (Spreading), DOC-014 (Dokumentparsing für RAG), DOC-022 (Dokumente der Handelsfinanzierung).
• Eingaben aus: PRED-009 (Scoring-/PD-Modelle), AGENT-015 (KYC-Daten des Kreditnehmers), AGENT-006 (Abstimmung von Finanzdaten).
• Steuerung: AGENT-025 (Steuerung und Bewertung von Agenten-Flotten), AGENT-018 (laufende Kontrollüberwachung), AGENT-013 (Multi-Agenten-Muster).
• Eine Dokumenten-KI- und RAG-Plattform kann Kredit-, KYC- und Compliance-Teams bedienen (HW3/HW4).

Aufwand, Kosten & Kennzahlen

• Weg A: Monate für Konfiguration, Integration und Modellrisiko-Validierung; Abonnement- oder Preis pro Arbeitsplatz.
• Weg B: 4–9 Monate für einen validierten Pilot in einem Portfoliosegment; Kosten sind API-Nutzung plus Entwicklung und Validierung.
• Weg C: 6–12 Monate einschließlich GPU-Infrastruktur und MLOps.
• Kennzahlen: Analystenstunden je Vorlage/Überprüfung, Durchlaufzeit von der Anfrage bis zur Entscheidung, Genauigkeit der Spreads gegenüber dem Referenzsatz, Anteil der Vorlagenfakten mit Quellennachweis, Änderungsquote des Analysten, überfällige jährliche Überprüfungen, Zeit vom Covenant-Verstoß bis zur Erkennung sowie Override- oder Fehlerfälle aus der Qualitätssicherung.

Menschen & Veränderung

Beziehen Sie den Leiter bzw. die Leiterin Kredit und die Kreditanalysten als Prozessverantwortliche ein, dazu die Risiko- und Modellvalidierungsfunktion, die Dokumentation und Grenzen einfordern wird. Die bzw. der Informationssicherheitsbeauftragte und die bzw. der Datenschutzbeauftragte werden früh gebraucht: Kreditnehmerdaten enthalten personenbezogene Daten von Inhabern und Bürgen, und eine Datenschutz-Folgenabschätzung (DSFA) ist wahrscheinlich, wenn scoring-ähnliche Bewertungen beteiligt sind (GUIDE-005, GUIDE-013). Recht/Compliance prüft die Erwartungen der Aufsicht und den Anwendungsbereich der KI-Verordnung; die Bonitätsbewertung natürlicher Personen ist nach Anhang III hochriskant, mit Pflichten ab dem 2. Dez. 2027 (GUIDE-014). Auslagerungsregeln gelten für jeden Cloud-Anbieter (GUIDE-010).

Betriebsrat: kommt darauf an. Das Werkzeug zielt nicht auf Beschäftigte, doch Protokolle zur Nutzung durch Analysten und Änderungsquoten machen es zur Leistungsüberwachung geeignet, sodass in den meisten Banken mit Betriebsrat § 87 Abs. 1 Nr. 6 BetrVG greift; informieren Sie ihn nach § 90 Abs. 1 Nr. 3 und erwägen Sie einen Sachverständigen (§ 80 Abs. 3) (GUIDE-004).

Starten Sie einen Pilot mit einer kleinen Gruppe erfahrener Analysten in einem Portfolio (GUIDE-009). Typische Bedenken: Verlust von Urteilskraft und Verantwortlichkeit. Belassen Sie Analyst und Kreditausschuss als Entscheider, verlangen Sie für jede Zahl Quellenangaben und lassen Sie den Agenten das Rating nie allein festlegen. KI-Kompetenz: Fördern Sie die Fähigkeiten der Beschäftigten durch Schulungen zu Halluzinationen und zum Prüfen (GUIDE-006, GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Anhang III Nr. 5 Buchst. b führt KI-Systeme, die zur Bewertung der Kreditwürdigkeit natürlicher Personen oder zur Erstellung ihres Kreditscores dienen, als hochriskant auf. Kommentierungen und der Entwurf der Kommissionsleitlinien deuten darauf hin, dass die Bewertung juristischer Personen (Unternehmen) außerhalb dieses Eintrags liegt [3]; Vorlagen zu Einzelkaufleuten, Gesellschaftern, Bürgen und Inhaber-Geschäftsführern berühren jedoch natürliche Personen, daher lautet die Einstufung depends und ist je Einsatz zu prüfen. Auch wenn kein Hochrisiko vorliegt, wenden Sie gleichwertige Kontrollen an (Protokollierung, menschliche Aufsicht, Dokumentation). Die KI-Kompetenz nach Art. 4 gilt. Eine verbotene Praxis nach Art. 5 ist nicht betroffen; ergänzen Sie keine Daten im Stil von Social Scoring (z. B. Profiling von Personen in sozialen Medien).
• Aufsichtsrechtliche Regeln: Die EBA-Leitlinien zur Kreditvergabe und Überwachung (EBA/GL/2020/06, anwendbar seit Juni 2021) verlangen solide Kreditvergabe-, Datenqualitäts- und Überwachungsprozesse; in Deutschland werden sie über die MaRisk (BaFin) umgesetzt [4]. Modellrisikomanagement (einschließlich des EZB-Leitfadens zu internen Modellen, wo der Agent IRB-Eingaben speist), BCBS 239 zur Datenaggregation, Auslagerungs-/IKT-Regeln und DORA (Verordnung (EU) 2022/2554) für Cloud-Anbieter gelten ebenfalls.
• DSGVO: Daten von Bürgen, Gesellschaftern und Einzelkaufleuten sind personenbezogene Daten; Rechtsgrundlage, Zweckbindung, Datenminimierung, DSFA und Schutzmaßnahmen nach Art. 22, falls eine Entscheidung automatisiert wird. Kreditentscheidungen bleiben menschlich, was hilft, aber dokumentieren Sie es. Das Bankgeheimnis begrenzt die Weitergabe von Daten an Anbieter.
• Weitere Risiken: Automation Bias, Datenabfluss an Modellanbieter Dritter, Lücken bei der Erklärbarkeit, Lücken im Prüfpfad. Gegenmaßnahmen: lesende Werkzeuge, Quellenangaben, Vier-Augen-Prüfung, Eintrag im Modellinventar, regelmäßiges Backtesting, Prüfrechte gegenüber Anbietern.

Erste Schritte

1. Ein Segment wählen (z. B. mittelgroße Unternehmen) und 30–50 frühere Akten mit endgültigen Vorlagen und Spreads als Referenzsatz sammeln.
2. Vorlagenstruktur und Regeln der Kreditrichtlinie abbilden; festlegen, welche Teile erzeugt und welche berechnet werden.
3. Einen Pilot in einer Sandbox mit lesendem Datenzugriff durchführen; Genauigkeit, Zeitersparnis und Änderungen des Analysten messen.
4. Modellrisiko, Compliance, Datenschutzbeauftragte(n) und Interne Revision früh einbinden; das System nach der KI-Verordnung einstufen und im Modellinventar erfassen.
5. Auf jährliche Überprüfungen und Covenant-Überwachung ausweiten, sobald die Qualität der Vorlagen stabil ist.

Quellen

1. Moody's — Agentic Solutions: credit memo — https://www.moodys.com/web/en/us/capabilities/gen-ai/agentic-solutions/credit-memo.html
2. FinTech Global — nCino unveils AI credit analyst agent to transform commercial lending (Apr 2026) — https://fintech.global/2026/04/16/ncino-unveils-ai-credit-analyst-agent-to-transform-commercial-lending/
3. DLA Piper — EU Commission draft guidelines on classification of high-risk AI systems (2026) — https://www.dlapiper.com/en/insights/publications/2026/06/eu-commission-draft-guidelines-on-classification-of-high-risk-ai-systems-key-points
4. EBA — Guidelines on loan origination and monitoring (EBA/GL/2020/06), summary — https://pwcplus.de/en/article/220284/eba-final-report-guidelines-on-loan-origination-and-monitoring-eba-gl-2020-06/
5. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. VentureBeat — Moody's cut credit memo prep from 40 hours to 2 minutes with modular AI — https://venturebeat.com/ai/moodys-cut-credit-memo-prep-from-40-hours-to-2-minutes-with-modular-ai