Warum Post-Trade-Operationen bereit für agentische KI sind
Die globale Umstellung auf die T+1-Abwicklung hat eine grundlegende Lücke in den Post-Trade-Operationen aufgedeckt: Die richtigen Daten und Prozesse existieren bereits, aber ihre schnelle Ausführung bei Hunderten von gleichzeitigen Ausnahmen übersteigt das, was manuelle Workflows leisten können. In einem Artikel im Global Custodian argumentiert Yogesh Shenai, Director of Product Management bei Smartstream, dass dies genau das Problem ist, für dessen Lösung agentische KI entwickelt wurde. Anstatt Ausnahmen zu melden und abzuwarten, untersuchen, kommunizieren, anreichern, priorisieren und lösen Agenten autonom – mit einer Geschwindigkeit, die das verkürzte Abwicklungsfenster tatsächlich erfordert.
Die nordamerikanischen Märkte vollzogen die Umstellung auf T+1 im Mai 2024, Großbritannien, die EU und die Schweiz folgen am 11. Oktober 2027. Shenai stellt fest, dass Unternehmen, die bereits umgestellt haben, feststellten, dass sie im Wesentlichen bei denselben manuellen Aufgaben schneller geworden waren. Ausnahmewarteschlangen wurden nicht nach der Dringlichkeit der Abwicklung priorisiert, die Untersuchung von Abweichungen über mehrere Systeme hinweg war zu langsam, und nachgelagerte Workflows für die Benachrichtigung von Gegenparteien und die Verfolgung von Strafen blieben weitgehend manuell. Agentische KI behebt direkt jeden dieser Fehlerpunkte.
Von der reaktiven Untersuchung zur präventiven Triage
Wenn ein menschlicher Analyst heute eine Ausnahme bearbeitet, beginnt er bei null – er meldet sich bei mehreren Systemen an, liest den E-Mail-Verlauf und rekonstruiert, was passiert ist. Ein agentischer Workflow ändert dieses Modell vollständig. Durch die Überwachung von Live-Handelsdaten anhand bekannter Lösungsmuster in Echtzeit können Smart Agents Signale identifizieren, die historisch einer Abweichung vorausgehen – eine Gegenpartei, die konsequent zu spät reagiert, eine Anlageklasse mit chronischen SSI-Verzögerungen oder eine Handelsart, bei der sich Bestätigungsabweichungen häufen – und eine Untersuchung auslösen, bevor die Abweichung bestätigt wird. Der Analyst erhält einen vorbereiteten Fall und trifft eine Entscheidung, anstatt die Untersuchung selbst durchzuführen.
Auch die E-Mail-Kommunikation zwischen Operationsteams und Gegenparteien wird transformiert. Ein Agent kann Kontaktaufnahmen entwerfen und versenden, auf Antworten überwachen, Antworten in natürlicher Sprache lesen, Stimmung und Absicht bewerten und diese Bestimmung als strukturierte Daten an den Workflow zurückgeben. Laut Shenai reduziert dieser Ansatz die manuellen Bearbeitungsraten in den relevanten Workflows um 60–80 %, während eine Untersuchung, die ein erfahrener Analyst 30 bis 45 Minuten dauern würde, von einem Agenten in weniger als zwei Minuten abgeschlossen werden kann.
Die menschliche Rolle bewusst gestalten
Agentische KI ist kein Ersatz für menschliches Urteilsvermögen – sie ist eine Umverteilung, wo dieses Urteilsvermögen angewendet wird. Shenai ist in diesem Punkt direkt: Aktivitäten, die menschlichen Input erfordern, sollten von Anfang an bewusst als rein menschlich konzipiert werden und nicht als Notlösung dienen, wenn ein Agent stecken bleibt. Beziehungsgespräche, Eskalationen mit Gegenparteien, die einen Reputationswert haben, und Entscheidungen mit rechtlichen Auswirkungen sind Beispiele, bei denen menschliche Autorität die richtige Designwahl ist. Ebenso sind Agenten darauf ausgelegt, Barrieren zu erkennen, die sie nicht lösen können – Streitigkeiten, die eine vertragliche Auslegung erfordern, komplexe mehrstufige Fehler oder Ausfälle der Infrastruktur Dritter – und entsprechend zu eskalieren.
Über die Ausnahmebehandlung hinaus liegt der tiefere Wert agentischer Workflows in der Kodifizierung institutionellen Wissens. Das Urteilsvermögen erfahrener Analysten – welche Prozesse zu befolgen sind, welche Gegenparteien sorgfältig behandelt werden müssen, welche Ausnahmen Routine sind und welche Signale für etwas Größeres – kann nun in das Workflow-Design kodiert, überprüft und übertragen werden. Neue Teammitglieder erben dieses Wissen vom ersten Tag an, und es verbessert sich im Laufe der Zeit, wenn Workflows verfeinert werden. Die Smart Agents-Plattform von Smartstream basiert genau auf diesem Modell: politikgesteuerte Autonomie, vollständige Auditierbarkeit und kontinuierliches Lernen aus dem Verhalten und den Ergebnissen der Analysten.
