Morgan Stanley reduziert P&L-Abstimmungsaufwand mit KI-Agenten – aber ohne volle Autonomie

Morgan Stanley setzt in einer der anspruchsvollsten Finanzdomänen auf KI: die tägliche Gewinn- und Verlustrechnung (P&L). Doch statt auf maximale Autonomie der Agenten zu setzen, kombiniert das Unternehmen Technologie mit menschlicher Expertise – und halbiert so den manuellen Aufwand. Der Schlüssel liegt in einem iterativen Lernprozess, bei dem Controller die Empfehlungen der Systeme prüfen, korrigieren und damit die Regeln für zukünftige Automatisierungen verbessern.

KI als Kollege, nicht als Autopilot

Traditionell übernehmen Controller bei Morgan Stanley die mühevolle Aufgabe, täglich Tausende von Abweichungen („Breaks“) zwischen verschiedenen Handelssystemen zu analysieren und zu bereinigen. Dieser Prozess ist nicht nur zeitintensiv, sondern unterliegt strengen Fristen: Die Zahlen müssen bis zu einem festen Zeitpunkt vorliegen.

Mit dem internen Agentensystem FIXR hat das Bankhaus diesen Ablauf revolutioniert. Doch entgegen dem Trend zu immer autonomeren Systemen setzt Morgan Stanley auf eine „Co-Worker“-Strategie: Die KI agiert als intelligenter Assistent, der Vorschläge unterbreitet und repetitive Aufgaben übernimmt – die Verantwortung bleibt jedoch beim Menschen. „Das ist eher wie ein Arbeitskollege als ein Copilot“, betont Todd Johnson, Managing Director bei Morgan Stanley, in einem Vortrag auf der VB AI Impact-Konferenz. „Genau hier liegt das Potenzial, komplexere Arbeitsprozesse zu automatisieren.“

Wie FIXR funktioniert: Vom Break zur automatisierten Regel

FIXR durchläuft täglich einen mehrstufigen Prozess, um die P&L-Abgleichung zu beschleunigen:

• Automatische Analyse: Nach Abschluss der nächtlichen Berechnungen identifiziert das System Abweichungen zwischen den Finanz-, Risiko-, Operations- und Handelssystemen.
• Vorschlagsgenerierung: Basierend auf historischen Daten und gelernten Mustern schlägt FIXR mögliche Lösungen für jede Abweichung vor.
• Menschliche Prüfung: Controller überprüfen die Vorschläge, genehmigen sie oder passen sie an. Diese Entscheidungen fließen zurück in das System und verfeinern die Regeln.
• Automatisierungsstufen: Bei wiederkehrenden Abweichungen, die immer gleich gelöst werden, wandelt FIXR die manuellen Entscheidungen in feste Automatisierungsregeln um. So kann das System mit der Zeit immer mehr Fälle selbstständig klären.

Johnson unterstreicht, dass dieser Ansatz keine vollständige Autonomie bedeutet: „Die Agenten sind darauf ausgelegt, die menschliche Arbeit zu unterstützen – nicht zu ersetzen.“ Die Effizienzgewinne entstehen durch die Reduzierung der manuellen Prüfschritte, nicht durch das Abschalten der menschlichen Kontrolle.

Prozessoptimierung vor KI-Einsatz: Die Grundlagen schaffen

Bevor FIXR überhaupt entwickelt wurde, analysierte Morgan Stanley zunächst die bestehenden Arbeitsabläufe. „Wir haben eine umfassende Prozessintelligenz-Bewertung durchgeführt“, erklärt Johnson. Dabei ging es nicht nur darum, wo KI helfen könnte, sondern auch, welche Schritte überhaupt optimierungsbedürftig waren.

• Identifikation von Engpässen: Welche manuellen Prozesse sind besonders zeitaufwendig oder fehleranfällig?
• Abwägung der Automatisierungsformen: Sollten klassische Automatisierung, Agenten oder eine reine Prozessneugestaltung zum Einsatz kommen?
• Pilotierung mit klarem Mehrwert: Die P&L-Abgleichung war ideal, weil sie in globalen Teams (Amerikas, Europa, Asien) durchgeführt wird und sich leicht skalieren lässt.

„Erst wenn wir ineffiziente Schritte beheben, können wir Agenten sinnvoll einsetzen“, so Johnson. Der Fokus lag darauf, unnötige manuelle Eingriffe zu eliminieren und die Controller für wertschöpfende Analysen freizusetzen.

Determinismus als Erfolgsfaktor: Warum LLMs nicht überall die Lösung sind

Ein zentraler Aspekt von FIXR ist die Beschränkung der LLM-basierten Entscheidungen auf das absolut Notwendige. Johnson erklärt: „Wenn ein Prozess vollständig deterministisch ablaufen kann – also ohne unvorhersehbare KI-Entscheidungen – dann sollte man darauf setzen.“

• Kosteneffizienz: Deterministische Logik reduziert den Token-Verbrauch und damit die Rechenkosten.
• Kontrollierbarkeit: Feste Regeln sind einfacher zu überwachen und zu auditieren.

Erst wenn menschliche Controller über einen längeren Zeitraum hinweg ähnliche Lösungen für eine bestimmte Abweichung vorschlagen, wird diese Logik in eine automatisierte Regel überführt. „So vermeiden wir, dass das System unsichere oder unberechenbare Entscheidungen trifft“, betont Johnson.

Governance im Agenten-Zeitalter: Wer trägt die Verantwortung?

Die Einführung von KI-Agenten wirft grundlegende Fragen zur Zuständigkeit und Haftung auf. Ist ein Agent ein Software-Tool – oder ein digitaler Mitarbeiter? Johnson plädiert für einen Mittelweg: „Sie sind eine Mischung aus beidem.“

• Technische Sicherheit: Klassische Schutzmechanismen wie Firewalls oder Verschlüsselung bleiben weiterhin Aufgabe der IT-Teams.
• Menschliche Aufsicht: Die Nutzer der Agenten – in diesem Fall die Controller – tragen die operative Verantwortung. „Wenn ein Senior-Controller mit einem Junior zusammenarbeitet und der Agent unterstützt, bleibt die finale Entscheidungshoheit beim Menschen“, so Johnson.

Diese Philosophie prägt auch die AI-Governance-Strategie von Morgan Stanley: „Unser Grundprinzip ist, dass es immer menschliche Rechenschaftspflicht geben muss – selbst bei einem hohen Automatisierungsgrad.“

Ausblick: Von der P&L-Abgleichung zur globalen Skalierung

Die Erfolge von FIXR zeigen, dass Agenten in hochregulierten Umgebungen besonders dann wirken, wenn sie kontrolliert und iterativ eingeführt werden. Morgan Stanley plant, die Technologie schrittweise auf weitere Bereiche auszurollen – immer mit dem Ziel, die menschliche Expertise zu erweitern, statt sie zu ersetzen.

„Die größte Transformation entsteht nicht durch die Technologie allein, sondern durch die Kombination aus Prozessoptimierung, menschlicher Kontrolle und lernfähigen Agenten“, resümiert Johnson. „Wenn wir diese Balance halten, können wir langfristig nicht nur Zeit, sondern auch Qualität gewinnen.“