Anfang 2026 geschah etwas Bemerkenswertes im Finanzsektor. BNY Mellon, die größte Depotbank der Welt mit über 50 Billionen Dollar verwaltetem Vermögen, hat 20.000 KI-Agenten in ihrer gesamten globalen Belegschaft eingesetzt. Nicht als Pilotprogramm. Nicht in einer Sandbox. In der Produktion, mit echten Operationen und echtem Geld.
Dies ist keine Geschichte über eine Bank. Es ist eine Geschichte darüber, wohin Enterprise-KI sich entwickelt, und was jedes Technologie-Team — einschließlich uns bei TEN INVENT — jetzt verstehen muss.
Von Chatbots zu autonomen Agenten
In den letzten zwei Jahren haben die meisten Unternehmen generative KI als eine ausgefallene Suchmaschine behandelt. Mitarbeiter tippten Fragen ein, erhielten Antworten und kopierten die Ergebnisse in ihre eigentliche Arbeit. Es war nützlich, aber es war grundlegend ein reaktives Werkzeug.
BNY Mellons ELIZA-Plattform repräsentiert ein völlig anderes Paradigma. Anstatt dass Mitarbeiter die KI um Hilfe bitten, bauen sie KI-Agenten, die komplexe, mehrstufige Aufgaben autonom ausführen. Diese Agenten beantworten nicht nur Fragen — sie überwachen Handelsabwicklungen, identifizieren Risiken bevor sie zu Problemen werden und initiieren Behebungsprotokolle ohne menschliches Eingreifen.
Die entscheidende Erkenntnis ist nicht die Technologie selbst, sondern das Deployment-Modell: 20.000 Mitarbeiter bauen ihre eigenen benutzerdefinierten Agenten. Dies ist kein zentralisiertes IT-Projekt, bei dem ein kleines Team Werkzeuge für alle anderen baut. Es ist ein dezentraler Ansatz, bei dem Domänenexperten — Händler, Compliance-Beauftragte, Operations-Manager — Agenten erstellen, die auf ihre spezifischen Arbeitsabläufe zugeschnitten sind.
Die modellagnostische Architektur
Eine der klügsten Entscheidungen in BNY Mellons Architektur ist, dass ELIZA modellagnostisch ist. Agenten können je nach Aufgabe zwischen verschiedenen KI-Modellen wechseln:
- GPT-4 von OpenAI für komplexes logisches Denken und Analyse
- Google Gemini Enterprise für multimodale Tiefenforschung mit Dokumenten und Bildern
- Spezialisierte Llama-basierte Modelle für interne Code-Remediation und proprietäre Aufgaben
Dies ist ein Muster, das wir bei TEN INVENT nachdrücklich empfehlen. Ihr Unternehmen an einen einzigen KI-Anbieter zu binden, ist das 2026er Äquivalent des Vendor-Lock-ins aus den Datenbankkriegen. Die Modelle verbessern sich so schnell, dass sich das beste Modell für eine bestimmte Aufgabe alle paar Monate ändert.
Die Zahlen hinter den Enterprise-KI-Ausgaben
BNY Mellons Deployment findet nicht isoliert statt. Der Anstieg der Enterprise-KI-Ausgaben ist atemberaubend:
- Meta wird voraussichtlich 115-135 Milliarden Dollar für KI-Infrastruktur im Jahr 2026 ausgeben, etwa das Doppelte der Ausgaben von 2025. Das Unternehmen erwägt Berichten zufolge die Entlassung von 20% seiner Belegschaft (etwa 15.000 Mitarbeiter), um diese Kosten auszugleichen.
- Google hat gerade Gemini 3.1 Flash-Lite veröffentlicht, zum Preis von 0,25$ pro Million Eingabe-Token, was den KI-Einsatz im Enterprise-Maßstab dramatisch erschwinglicher macht.
- GPT-5.4 wurde mit nativer Computernutzung gestartet, die es Agenten ermöglicht, direkt mit Desktop-Anwendungen zu interagieren.
Was 20.000 Agenten tatsächlich tun
Die ELIZA-Plattform unterstützt über 125 Live-Anwendungsfälle in BNY Mellons Operationen:
Prädiktive Operationen: Agenten warten nicht darauf, dass Probleme auftreten. Sie überwachen kontinuierlich Datenströme und signalisieren Probleme, bevor sie sich materialisieren. Ein 30 Minuten früher erkanntes Abwicklungsrisiko kann Millionen an Strafen für gescheiterte Transaktionen einsparen.
Autonome Remediation: Wenn ein Agent ein Problem identifiziert, sendet er nicht nur eine Warnung. Er initiiert eine Lösung. Wenn eine Transaktion auf einen Abwicklungsfehler zusteuert, kann der Agent sie umleiten, das Timing anpassen oder an den zuständigen Menschen eskalieren.
Wissensverstärkung: Domänenexperten kodieren ihre Expertise in Agenten. Ein Compliance-Beauftragter mit 20 Jahren Erfahrung kann einen Agenten bauen, der sein Urteilsvermögen gleichzeitig auf Tausende von Transaktionen anwendet. Dies ersetzt den Experten nicht — es vervielfacht ihn.
Cross-System-Orchestrierung: Einzelne Agenten koordinieren sich über Systeme hinweg, die traditionell manuelle Intervention erforderten, um sie zu verbinden.
Lehren für jedes Unternehmen
1. Demokratisieren Sie die Agentenerstellung
Die wichtigste Entscheidung von BNY Mellon war nicht technisch — sie war organisatorisch. Indem sie 20.000 Mitarbeitern ermöglichten, Agenten zu bauen, erschlossen sie Domänenexpertise, die kein zentralisiertes Team replizieren könnte.
2. Starten Sie modellagnostisch
Setzen Sie Ihre Architektur nicht auf einen einzigen Anbieter. Bauen Sie jetzt Abstraktionsschichten. Verwenden Sie MCP (Model Context Protocol), um zu standardisieren, wie Ihre Agenten mit Werkzeugen und Diensten interagieren.
3. Entwerfen Sie für Autonomie, nicht für Assistenz
Der Unterschied zwischen einem Chatbot und einem Agenten ist Autonomie. Chatbots warten auf Fragen. Agenten überwachen, entscheiden und handeln.
4. Governance vom ersten Tag an
BNY Mellon operiert in einer der am stärksten regulierten Branchen der Welt. Ihre Agenten funktionieren, weil Governance von Anfang an in die Plattform eingebaut wurde.
Was kommt als Nächstes
Bei TEN INVENT sehen wir dieses Muster in jeder Branche beschleunigen. Die Unternehmen, die 2026 KI-Agenten im großen Maßstab einsetzen, werden einen strukturellen Vorteil haben, der extrem schwer zu replizieren ist.
Die agentische Ära kommt nicht. Für Unternehmen wie BNY Mellon ist sie bereits da. Die Frage für jede andere Organisation ist einfach: Wie schnell können Sie aufholen?