Für das Onboarding von Kunden im Wealth Management ist mehr als nur KI nötig

Das Onboarding von Kunden im Wealth Management ins Stocken geraten, selbst wenn jedes System seine Aufgabe erfüllt hat. Das Dokument wird erfasst, das Screening-Ergebnis liegt vor und der Workflow-Task ist abgeschlossen. Dennoch wartet der Fall weiterhin, da jemand bestimmen muss, was sich geändert hat, welche Evidenz aktuell ist und wer die Ausnahme verantwortet.

Für den Kunden sind diese Grenzen unsichtbar. Er erlebt eine einzige Journey und erwartet, dass seine Informationen und Fortschritte mit ihm mitwandern. Intern überschreitet diese Journey jedoch Customer Relationship Management (CRM)-, Dokumenten-, Know Your Customer (KYC)-, Screening-, Depot- und Workflow-Systeme, von denen jedes einen anderen Teil des Falls hält.

Finanzinstitute haben in die Beschleunigung dieser einzelnen Schritte investiert, und KI treibt sie weiter voran. Doch eine schnellere Extraktion, Screening-Zusammenfassung oder Routing-Entscheidung bringt wenig, wenn das nächste Team den Fall immer noch rekonstruieren, die Evidenz abgleichen und die Arbeit wieder öffnen muss, die abgeschlossen schien.

Beim Onboarding geht bei diesen Übergaben nach wie vor Zeit verloren. Eine moderne Plattform muss den Fall über Systeme hinweg verknüpfen, die Arbeit bei sich ändernden Bedingungen koordinieren und die Kontrollen sowie das menschliche Urteilsvermögen bewahren, von denen der Prozess abhängt. Wenn dies nicht geschieht, summieren sich die Kosten zwischen den Systemen.

Warum dauert das Kunden-Onboarding im Wealth Management so lange?

Die ersten Kosten sind das, was Kunden am unmittelbarsten spüren: Zeit.

In Singapur dauert die Eröffnung eines Private-Banking-Kontos etwa 6 Wochen, wobei komplexe Fälle länger dauern. Im Mai 2026 gab die Monetary Authority of Singapore (MAS) bekannt, dass Initiativen einer von der MAS und der Industrie gemeinsam geleiteten Arbeitsgruppe zur Kontoeröffnung voraussichtlich dazu führen werden, dass dieser Medianwert innerhalb eines Monats liegt.

Innerhalb des Unternehmens zeigt sich dies in der Arbeitszeit der Mitarbeiter. Der Capgemini World Wealth Report 2026 ergab, dass 60 % von 144 Wealth-Führungskräften über keine einheitliche Kundensicht verfügten. Derselbe Bericht ergab, dass 1.317 Kundenbetreuer in 16 Märkten angaben, dass die operative Arbeit 41 % ihrer Zeit beanspruchte. Diese Zahl deckt das Wealth-Geschäft im Allgemeinen ab, nicht nur das Onboarding allein, verdeutlicht jedoch, wie viel Kapazität die Routinesteuerung beanspruchen kann.

Die Onboarding-Journey selbst erstreckt sich über viele Teams. Eine im Jahr 2024 veröffentlichte EY-Studie mit mehr als einem Dutzend globaler Asset Manager ergab, dass mehr als die Hälfte mindestens 10 Teams in das Onboarding einbezog. Dennoch berichteten nur 15 % von einer starken Integration in ihre CRM-Systeme.

„Mehr als die Hälfte der globalen Asset Manager bindet mindestens 10 Teams in das Onboarding ein, aber nur 15 % berichten über eine starke CRM-Integration.“

Eine Studie von KPMG und der Private Wealth Management Association aus dem Jahr 2024 mit 35 Private-Wealth-Instituten in Hongkong nannte Onboarding-Anforderungen als Faktor für steigende Kosten und eine verschlechterte Kundenerfahrung.

Die Ergebnisse erstrecken sich über Märkte, Bevölkerungsgruppen und Aufsichtsregime hinweg und müssen jeweils im Kontext betrachtet werden. Das Muster ist durchgehend konsistent – fragmentierte Kundeninformationen, bei denen viele Teams die Journey zusammensetzen.

Unternehmen absorbieren diese Koordination durch Mitarbeiterstunden, wiederholte Evidenzsuchen, manuellen Abgleich, Ausnahmebehandlung und die Erstellung der Kontrollhistorie. Integration, Wartung und Änderungstests verursachen weitere Kosten, während die Kontoeröffnung und -finanzierung warten.

Schnellere Aufgaben führen nicht immer zu einer schnelleren Onboarding-Journey. Ein System kann seine Arbeit termingerecht beenden und den Fall beim nächsten Übergabepunkt dennoch im Stillstand belassen.

KI kann jede Aufgabe zwar weiter beschleunigen, beseitigt jedoch nicht automatisch Reibungsverluste zwischen Systemen.

Warum beschleunigt aufgabenspezifische KI die Onboarding-Journey nicht?

KI hält bereits Einzug in das Wealth- und Asset-Management. In einer EY-Studie aus dem Jahr 2025 mit 100 Entscheidungsträgern, gleichmäßig aufgeteilt auf Wealth- und Asset-Management-Unternehmen, gaben 95 % der Unternehmen an, generative KI für mehrere Anwendungsfälle zu skalieren, während 78 % agentische KI erkundeten. Dennoch bleibt es eine Herausforderung, diese Dynamik in messbaren geschäftlichen Wert umzusetzen, da nur 27 % der Führungskräfte von einem substanziellen Geschäftswert durch GenAI berichten.

Ein Blick auf die Arbeit selbst erklärt diese Lücke. KI kann Dokumentenfelder extrahieren, ein Screening-Ergebnis zusammenfassen oder die nächste Workflow-Aktion empfehlen. Jede Funktion mag eine Aufgabe innerhalb einer einzigen Anwendung verbessern, doch die Übergabe hängt weiterhin von aktueller Evidenz und einer klaren Aufzeichnung der Änderungen ab. Teams müssen zudem wissen, ob frühere Arbeiten erneut überprüft werden müssen.

KI-Agenten machen diese Abhängigkeit noch wichtiger, da das Routing von Arbeit über spezialisierte Agenten und genehmigte Tools hinweg einen gemeinsamen Fallstatus erfordert. Dieser Status muss zeigen, was abgeschlossen ist, was veraltet ist und welche Ausnahme den nächsten Schritt blockiert. Ohne ihn kann eine schnellere Orchestrierung genau die Fragmentierung reproduzieren, die sie reduzieren sollte.

Was ist ein abgesicherter Fallkontext beim Kunden-Onboarding?

Ein abgesicherter Fallkontext ist eine aktuelle, versionierte und quellverknüpfte Ansicht jedes Kunden-Onboarding-Fals. Er führt Evidenz, Fallstatus, abgeschlossene Kontrollen, offene Ausnahmen, Agentenaktivität und Entscheidungshistorie zusammen. Da der Kontext versioniert ist, können Teams sehen, was sich geändert hat, worauf sich die Änderung ausgewirkt hat und ob frühere Arbeiten erneut überprüft werden müssen.

Verschiedene Teile des Onboardings können an unterschiedlichen Orten liegen. Kernkunden- und Depotdaten verbleiben möglicherweise in ihren zugewiesenen Systemen, während Evidenzverarbeitung, Kontrollen, Modelle und Fall-Workflows auf der Databricks Data + AI Platform ausgeführt werden können. Ein abgesicherter Fallkontext verbindet diese Arbeit in einer einzigen, abgesicherten Ansicht, wie das folgende Diagramm veranschaulicht, während gleichzeitig die Datenhoheit und die Entscheidungsbefugnis gewahrt bleiben. Auf Databricks zentralisiert Unity Catalog die Zugriffskontrollen, die Lineage und die Auditierbarkeit für diesen Kontext, während offene Tabellenformate wie Delta Lake und Apache Iceberg ein zuverlässiges Datenmanagement und die Interoperabilität über Systeme hinweg unterstützen.

Ein abgesicherter Fallkontext ist nur dann nützlich, wenn er dem nächsten Agenten oder Prüfer hilft, den Fall zu verstehen und voranzutreiben. Ein praktischer Test ist, ob sie vier Fragen beantworten können, ohne die Historie zu rekonstruieren:

1. Welche Evidenz ist aktuell und welche Quelle und Version untermauern sie?
2. Welche Arbeit ist abgeschlossen, was hat sich geändert und welche Ergebnisse sind möglicherweise inzwischen veraltet?
3. Was ist noch ungelöst und was ist die nächste zulässige Aktion?
4. Welche Arbeit kann ein Agent oder ein genehmigtes Tool ausführen und wo muss ein autorisierter Prüfer entscheiden?

Mit diesen Antworten an einem Ort kann ein abgesicherter Supervisor-Agent die Arbeit ausgehend vom aktuellen Fallstatus fortsetzen. Er kann spezialisierte Agenten mit unabhängigen Aufgaben betrauen, genehmigte Tools aufrufen und bei Bedarf einen Prüfer hinzuziehen. Er kann zudem widersprüchliche Evidenz kennzeichnen und ein vollständiges Paket zur Überprüfung zusammenstellen, während die Evidenz, Änderungen und Aktionen hinter diesem Paket dem Fall zugeordnet bleiben.

Der Wert entsteht dadurch, dass dieser Kontext für die Arbeit über die gesamte Journey hinweg genutzt wird. Eine moderne Plattform muss ihn aktuell halten, Agenten und Personen darum herum koordinieren und die Sichtbarkeit sowie Governance von der ersten Evidenz bis zur endgültigen Entscheidung gewährleisten.

Was benötigt eine agentenbereite Onboarding-Platform?

Um einen abgesicherten Fallkontext nutzbar zu machen, sind vier Plattformfunktionen erforderlich. Zusammen adressieren sie die zuvor identifizierten Reibungspunkte: die Rekonstruktion des Falls bei jeder Übergabe, die manuelle Koordination der Arbeit, die Absicherung des Zugriffs auf sensible Daten und die Messung von Aufgaben ohne den Blick auf die gesamte Journey.

1. Aufrechterhaltung einer aktuellen Ansicht des Falls:
   Wenn Evidenz eintrifft, Kontrollen durchgeführt und Entscheidungen getroffen werden, sollte die Plattform den abgesicherten Kontext aktualisieren und ihre Verknüpfungen zu den zugrunde liegenden Quellen beibehalten. Systeme, die bestimmten Datensätzen zugewiesen sind, können autoritativ bleiben, während Agenten und Teams auf Basis desselben versionierten Kontexts arbeiten. Auf Databricks bringt Lakeflow Connect Änderungen aus unterstützten Quellsystemen in die Plattform, Databricks AI Functions extrahieren und klassifizieren neue Evidenz und Lakebase verwaltet den transaktionalen Live-Status, der von Onboarding-Anwendungen verwendet wird.
    
2. Agentenarbeit koordinieren, während Menschen die Autorität behalten:
   Ein überwachter Supervisor-Agent sollte die nächste zulässige Aktion basierend auf dem aktuellen Fallstatus auswählen, definierte Aufgaben an Spezialagenten oder genehmigte Tools senden und einen qualifizierten Prüfer hinzuziehen, wenn ein Urteil erforderlich ist. Menschen behalten die Verantwortung für Ausnahmen, Overrides und die Onboarding-Freigabe. Auf Databricks können Supervisor Agents Spezialagenten und genehmigte Tools koordinieren, einschließlich Unity Catalog-Funktionen, MCP-Diensten und Genie Agents (früher Spaces), über verwaltete Unternehmensdaten hinweg.
    
3. Daten, Tools und Aktionen verwalten:
   Beim Onboarding handelt es sich um personenbezogene Daten (PII) und andere sensible Datensätze. Jeder Agent sollte nur Zugriff auf die für seine Aufgabe erforderlichen Daten und Tools haben, wobei sensible Felder gegebenenfalls maskiert oder vorenthalten werden. Die Agentenaktivität sollte nachvollziehbar und überprüfbar bleiben. Auf Databricks bietet Unity Catalog granulare Zugriffskontrollen, Maskierung, Lineage und Auditierbarkeit über verwaltete Daten- und KI-Assets hinweg, während Unity Gateway diese Governance auf die Agenten-Runtime ausweitet, indem es steuert, welche Modelle und MCP-Tools jeder Agent aufrufen kann, Leitplanken anwendet, Anfragen über Modelle hinweg weiterleitet, Budgets und Rate Limits durchsetzt und jede Anfrage protokolliert.
    
4. End-to-End messen:
   Teams sollten Agentenqualität, Latenz, Zuverlässigkeit und Eskalation zusammen mit der Durchlaufzeit, manuellen Eingriffen, Nacharbeiten, Ausnahmen und der Zeit von der Genehmigung bis zur Finanzierung überwachen. Das Betriebsbild sollte auch Integrationsänderungen, duplizierte Datenverschiebungen und den Aufwand zur Bereitstellung von Kontrollnachweisen umfassen. Databricks Apps können Databricks AI/BI-Dashboards in die Warteschlange und den Fall-Arbeitsbereich einbetten, sodass Betriebs- und Compliance-Leiter eine konsolidierte Ansicht der Journey-Leistung neben aktiven Fällen erhalten.

Diese Funktionen machen zusammen den verwalteten Fallkontext zu einem Betriebsmodell. Die Architektur unten zeigt, wie der Kontext, überwachte Agenten und die menschliche Überprüfung in der Praxis zusammenarbeiten.

Wie koordinieren überwachte KI-Agenten das Kunden-Onboarding?

Die Architektur bindet die vier Funktionen in eine wiederkehrende Betriebsschleife um jeden Fall ein. Informationen können aus Quellsystemen eintreffen, während die Beweisverarbeitung, Kontrollen, Risikomodelle und Onboarding-Workflows auf der Plattform ausgeführt werden. Jedes Ergebnis kehrt mit angehängten Quellenangaben und Verlaufsdaten in den verwalteten Fallkontext zurück, wodurch der nächste Agent oder Prüfer den aktuellen Status des Falls erhält.

Ein überwachter Supervisor-Agent liest diesen Kontext und wählt die nächste zulässige Aktion aus. Je nach Fall kann er ein genehmigtes Tool aufrufen, einem Spezialagenten Arbeit zuweisen oder einen Prüfer einbeziehen. Wenn neue Belege ein früheres Ergebnis veraltet machen, kann er die betroffene Arbeit wieder öffnen, anstatt den gesamten Fall neu zu starten. Er überwacht auch den Abschluss und die Aktualität und markiert fehlende oder widersprüchliche Kontrollergebnisse, bevor der Fall fortgesetzt wird.

Ein einfaches Beispiel zeigt, wie die Schleife funktioniert. Betrachten wir einen Fall, der auf ein erforderliches Dokument wartet. Der Supervisor kann die Lücke identifizieren, eine E-Mail zur Kundenansprache zur Überprüfung vorbereiten und jede Arbeit anhalten, die von den fehlenden Belegen abhängt. Sobald ein Prüfer die Ansprache genehmigt und das Dokument über den vorgesehenen Kanal eintrifft, wird der Fallkontext aktualisiert. Der Supervisor kann dann die Dokumentenverarbeitung auslösen, nur die betroffenen Prüfungen erneut ausführen und den Fall zu seinem nächsten zulässigen Schritt leiten.

In diesem anschaulichen Design hat jeder Spezialagent eine definierte Aufgabe:

• Ein Dokumenten-Intelligence-Agent liest eingereichte Dateien, extrahiert die erforderlichen Informationen und markiert fehlende Belege.
• Ein KYC- und Screening-Agent führt Ergebnisse aus Identitäts-, KYC- und Screening-Kontrollen zusammen.
• Ein Risikoanalyseagent bewertet verifizierte Falldaten anhand definierter Regeln und Kontrollergebnisse.
• Ein Fallzusammenfassungsagent bereitet eine Entwurfsbewertung zur Überprüfung vor.

Jedes Ergebnis kehrt mit seinen unterstützenden Belegen und Quellenangaben in den verwalteten Fallkontext zurück. Der Supervisor verwendet diesen aktualisierten Status, um festzustellen, ob ein anderer Agent tätig werden muss, eine menschliche Überprüfung erforderlich ist oder der Fall fortgesetzt werden kann.

Menschen behalten die Entscheidungsbefugnis. Aus einem kontrollierten Arbeitsbereich heraus können Prüfer Belege einsehen, zusätzliche Informationen anfordern, eine Ausnahme lösen, einen Override mit seiner Begründung aufzeichnen oder eine Entscheidung im Rahmen ihrer Befugnis treffen. Ihre Aktionen werden Teil des Fallverlaufs und können eine andere Agentenaufgabe oder eine gezielte erneute Ausführung auslösen. Die Fallempfehlung bleibt eine Entwurfsbewertung. Alarmdisposition, Risikoakzeptanz und Onboarding-Freigabe verbleiben bei den Systemen und Prüfern, denen diese Befugnis zugewiesen ist.

Die Governance folgt der Arbeit durch die gesamte Schleife. Granularer Zugriff beschränkt jeden Agenten auf die Daten und Tools, die für seine Aufgabe erforderlich sind. Agenten-Traces zeichnen auf, was jeder Agent getan hat, wie lange es gedauert hat und wie hoch die geschätzten Modellkosten waren. Teams können diesen Verlauf verwenden, um die Qualität zu bewerten, Regressionen zu erkennen und Fehler zu untersuchen. Diese Traces unterstützen die KI- und Modellrisikoüberwachung, während autorisierte Entscheidungen im Geschäftsprotokoll verbleiben. Zusammen bieten Traces und Entscheidungsprotokolle Compliance- und Audit-Teams eine rekonstruierbare Abrechnung jedes Falls: welche Belege überprüft wurden, welche Kontrollen ausgeführt wurden, was jeder Agent produziert hat und wer das Ergebnis genehmigt, überschrieben oder eskaliert hat und warum. Dieser Datensatz unterstützt die AML/KYC-Aufbewahrung von Aufzeichnungen und die Prüfungsbereitschaft, da Unternehmen zeigen können, wie jede Entscheidung getroffen wurde, anstatt den Verlauf im Nachhinein zusammenzusetzen.

Der Prüfer-Arbeitsbereich zeichnet menschliche Aktionen auf, während die Anwendung den vom Workflow benötigten Live-Fallstatus beibehält. Nach einer autorisierten Entscheidung zeichnet eine kontrollierte Integration das genehmigte Ergebnis in dem System auf, dem es zugewiesen ist. Auf Databricks kann der Prüfer-Arbeitsbereich als Databricks App ausgeführt werden, wobei Lakebase den Live-Fallstatus beibehält.

Der Wert dieses Betriebsmodells muss über die gesamte Journey hinweg gemessen werden, von der ersten gesammelten Evidenz bis zur Kontenfinanzierung. Andernfalls verschiebt ein schnellerer Agent oder eine schnellere Kontrolle die Verzögerung möglicherweise einfach auf die nächste Übergabe.

Wie sollten Unternehmen das agentengestützte Onboarding messen?

Die Architektur schafft Wert, wenn sie die gesamte Onboarding-Journey verbessert. Schnellere Agentenreaktionen sind wichtig, aber der echte Test ist, ob Fälle früher vorankommen, Teams weniger Zeit mit der Koordination von Arbeit verbringen und Kontrollen wirksam bleiben.

Beginnen Sie mit einem Pfad mit hoher Reibung. Wählen Sie eine Onboarding-Journey, bei der Übergaben, Nacharbeiten und Verzögerungen bereits sichtbar sind. Bevor das Pilotprojekt beginnt, stimmen Sie Wealth Management-, Compliance-, Daten- und Technologie-Führungskräfte aufeinander ab. Vereinbaren Sie die erforderlichen Belege, wer jeden Datensatz und jede Entscheidung besitzt, wo menschliches Urteilsvermögen obligatorisch ist und welche Aktionen der Supervisor auslösen kann.

Legen Sie die Baseline fest, bevor Sie den Workflow ändern. Messen Sie die aktuelle Journey in drei Bereichen:

• Kosten und Kapazität: Kosten pro abgeschlossenem Onboarding und die für jeden Fall aufgewendeten Berater-, Betriebs- und Compliance-Stunden.
• Journey-Leistung: Median und 90. Perzentil der Durchlaufzeit, Zeit von der Genehmigung bis zur Finanzierung, manuelle Eingriffe, aufgerufene Systeme, Dokumentennacharbeiten, Ausnahmen, unvollständige Fälle und Abbrüche.
• Technologie und Kontrolle: Die Kosten für das Ausführen und Ändern von Integrationen, duplizierte Datenverschiebungen und den Aufwand zur Zusammenstellung von Kontroll-, Lineage- und Audit-Belegen.

Zusammen machen diese Messungen Arbeit sichtbar, die oft in Team-Warteschlangen und Systemübergaben verschwindet. Sie zeigen auch, ob der verwaltete Fallkontext wiederholte Abgleiche und Beweissuchen reduziert oder die Arbeit einfach woanders hin verlagert hat.

Legen Sie die Schwellenwerte für den Erfolg fest, bevor das Pilotprojekt beginnt. Bewerten Sie Geschwindigkeit, Personalaufwand, Agentenqualität, Trace-Vollständigkeit und Kontrollwirksamkeit. Der Supervisor und die Spezialagenten sollten vermeidbare Übergaben reduzieren und einen vollständigeren Fall zur Überprüfung vorbereiten. Ihre Traces sollten die Arbeit einfacher zu bewerten und zu untersuchen machen.

Ausnahme-, Override- und wiedereröffnete Fallraten erfordern nach wie vor eine Ursachen- und Qualitätsprüfung. Ein Anstieg könnte auf ein Kontrollproblem hindeuten. Es könnte auch bedeuten, dass der neue Prozess Probleme erkennt, die zuvor übersehen wurden.

Lesen Sie die Ergebnisse über die gesamte Journey hinweg:

• Wenn sich die mittlere Durchlaufzeit verbessert, das 90. Perzentil jedoch nicht, stecken komplexe Fälle weiterhin fest.
• Wenn sich die Verarbeitungsgeschwindigkeit von Agenten erhöht, während die Zeit von der Genehmigung bis zur Finanzierung unverändert bleibt, hat sich der Engpass verlagert.
• Wenn manuelle Eingriffe zurückgehen, während die Vorbereitung der Kontrollnachweise auf demselben Niveau bleibt, muss das endgültige Prüfpaket weiterhin überarbeitet werden.

Skalieren Sie, sobald die Gewinne von der ersten Beweiserhebung bis zur Kontofinanzierung anhalten und die Wirksamkeit der Kontrollen intakt bleibt. Der Standard für modernes Onboarding ist unkompliziert: Bearbeiten Sie Fälle schneller, machen Sie jede Aktion von Agenten überprüfbar und bewahren Sie die menschliche Entscheidungsgewalt überall dort, wo Beurteilungsvermögen gefragt ist.

FAQ

Warum reicht KI allein nicht aus, um das Onboarding von Kunden in der Vermögensverwaltung zu optimieren?

Eine schnellere Dokumentenverarbeitung, Überprüfung oder Weiterleitung löst keine fragmentierten Nachweise, Fallzustände und Entscheidungshistorien. Das Onboarding kann beim nächsten Übergabeschritt immer noch ins Stocken geraten, wenn Teams feststellen müssen, was sich geändert hat, welche Arbeit noch gültig ist und wer handeln sollte.

Was ist ein abgesicherter Fallkontext (governed case context)?

Ein abgesicherter Fallkontext ist eine aktuelle, quellenverknüpfte und versionierte Ansicht eines Onboarding-Falls. Er verbindet Nachweise, den Fallzustand, Kontrollergebnisse, Ausnahmen, Agentenaktivitäten und die Entscheidungshistorie, sodass Agenten und Prüfer auf Basis desselben Kontexts arbeiten können.

Wie können überwachte KI-Agenten bei KYC und beim Kunden-Onboarding helfen und gleichzeitig Menschen die Kontrolle behalten lassen?

Ein überwachter Supervisor-Agent kann die Arbeit an spezialisierte Agenten für Dokumentenintelligenz, KYC-Screening, Risikoanalyse sowie genehmigte Tools verteilen und dabei Prüfer einbeziehen, wenn eine Beurteilung erforderlich ist. Fein granulare Zugriffsrechte und Nachverfolgungen machen die Aktivitäten von Agenten überprüfbar, während Menschen die Entscheidungsgewalt über Ausnahmen, Überschreibungen und die Onboarding-Genehmigung behalten.

Erfordert ein abgesicherter Fallkontext, dass Unternehmen ihre bestehenden Systeme ersetzen?

Nein. Kernsysteme können in CRM-, Depot- oder anderen zugewiesenen Systemen verbleiben, während die Nachweisverarbeitung, Kontrollen, Modelle und Workflows auf der Databricks Data + AI Platform laufen und Unity Catalog Daten, Modelle und Agenten-Tools verwaltet. Ein abgesicherter Fallkontext verbindet die Arbeit und bewahrt gleichzeitig die Datenhoheit und Entscheidungskompetenz.

Unternehmen sollten die Ergebnisse über den gesamten Onboarding-Prozess hinweg messen, anstatt sich nur auf die Geschwindigkeit der Agenten zu verlassen. Sinnvolle Kennzahlen umfassen die Durchlaufzeit, die Zeit von der Genehmigung bis zur Finanzierung, manuelle Eingriffe, Nacharbeiten, den Aufwand für das Personal, Integrationskosten und die Kontrollwirksamkeit. Unternehmen sollten skalieren, wenn sich Verbesserungen durchgehend zeigen und die Aktionen von Agenten überprüfbar bleiben.

Beginnen Sie mit einem besonders komplexen Onboarding-Prozess und messen Sie die Auswirkungen vom ersten Nachweis bis zur Kontofinanzierung. Erfahren Sie, wie Databricks Finanzdienstleistern hilft, abgesicherte, nachvollziehbare agentenbasierte Workflows aufzubauen, bei denen Menschen die Kontrolle behalten.

Finanzdienstleistungslösungen entdecken

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag