Die Intelligence Layer: Warum CDP, Predictions und AI Agents zusammengehören

Teil 2 von 5 unserer Serie „AI Agents im Customer Lifecycle für Finanzdienstleister“: Ein AI Agent kann nur so verlässlich entscheiden wie die Daten, Regeln und Rückmeldungen, die ihm zur Verfügung stehen. Die Intelligence Layer verbindet deshalb institutionelles Gedächtnis, Vorhersagen, Entscheidungslogik und kontrollierte Ausführung – nicht als lose Tool-Sammlung, sondern als zusammenhängende Architektur.

Autor: acceleraid Redaktion

Die CDP ist das institutionelle Gedächtnis

Ein Kundenprofil ist für Finanzdienstleister mehr als eine Marketingliste. Es muss Daten aus CRM, Kernbank, Kartenverarbeitung und digitalen Interaktionen in einen nutzbaren Kontext bringen, ohne Herkunft, Einwilligung oder Zweckbindung zu verlieren. Acceleraid beschreibt seine Datenebene als gesteuertes System of Record mit Consent, Lineage, Qualitäts- und Zugriffskontrollen für regulierte Umgebungen (CDP & Data Governance).

Das ist der Grund, weshalb die CDP vor jedem AI-Feature steht. Wenn ein Modell nicht nachvollziehen kann, woher ein Merkmal stammt oder ob es für den vorgesehenen Zweck verwendet werden darf, ist ein präziser Score kein ausreichender Grund zu handeln. Daten-Governance ist damit nicht der spätere Compliance-Check, sondern Teil des Datenmodells: Consent-Historie, granulare Präferenzen, Berechtigungen und nachvollziehbare Datenwege müssen vor der Entscheidung verfügbar sein.

Auch Rohdaten brauchen eine fachliche Übersetzung. Bei Karteninformationen können mehr als 1.000 MCC-Händlercodes automatisiert zu 50 nutzbaren Marketing-Kategorien verdichtet werden (Data Quality). Die Kategorie ersetzt nicht die Transaktion; sie macht aber eine konsistente, überprüfbare Verwendung in Segmentierung und Analyse möglich.

Ein Score ist noch keine Aktion

Die Plattform nennt 18 vorgefertigte, erklärbare Prediction Scores für Finanzdienstleistungen, darunter Churn, Next Best Action, Umsatzprognose und Customer Lifetime Value. Im Whitepaper werden diese Scores als vier Cluster mit fünf, vier, fünf und vier Modellen strukturiert: Akquise und Wachstum, Engagement und Wert, Bindung und Risiko sowie Loyalty- und Engagement-Operations. Die Cluster helfen, eine wichtige Trennung sichtbar zu machen: Einige Scores beschreiben Gelegenheit oder Bedarf, andere Kontaktlast, Risiko oder den sinnvollen Ausführungszeitpunkt.

Ein Score beantwortet jedoch nur eine begrenzte Frage. Eine hohe Produktaffinität kann anzeigen, dass ein Angebot relevant sein könnte. Sie beantwortet nicht, ob eine Ansprache erlaubt ist, ob gerade ein Servicefall Vorrang hat oder welcher Kanal die Kundenpräferenz respektiert. Genau an dieser Stelle wird aus Modellbetrieb eine Entscheidungsarchitektur.

Ein robustes Programm dokumentiert daher für jeden Score drei Dinge: seinen fachlichen Zweck, seine zulässige Rolle in einer Entscheidung und die Bedingungen, unter denen er nicht genutzt wird. Die öffentlich beschriebene Prediction Engine stellt für jede Vorhersage Feature Importance sowie Modellregister und Versionshistorie bereit; die 18 Scores werden dabei als vorgefertigte und erklärbare Scores beschrieben (AI Prediction Engine). Das erleichtert die fachliche Prüfung, ersetzt sie aber nicht.

Agents arbeiten in einem begrenzten Auftrag

Die nächste Ebene übersetzt Signale und Scores in eine abgestimmte Handlung. Dafür reichen verstreute Trigger-Regeln nicht aus, wenn mehrere Journeys gleichzeitig auf dieselbe Kundenbeziehung zugreifen. Die Orchestrierung muss Ziele priorisieren, Kontaktkonflikte erkennen und unterdrückte Entscheidungen ebenso protokollieren wie ausgespielte.

Das zentrale Muster sind abgegrenzte Agents mit gemeinsamer Datenbasis. Acceleraid beschreibt Agents für Akquise, Engagement und Retention, die auf einer CDP arbeiten und über eine Orchestrierungs-Engine koordiniert werden, damit keine widersprüchlichen Journeys dieselbe Person doppelt kontaktieren (CLM/CVM Orchestration). Diese Begrenzung ist kein Nachteil, sondern ein Kontrollmechanismus: Der Auftrag eines Agents enthält seinen Verantwortungsbereich, zulässige Aktionen, Eskalationen und die Regeln für Konfliktauflösung.

Praktisch bedeutet das: Das Scoring kann eine Handlung vorschlagen, aber die Entscheidungslogik prüft erst Consent, Kontaktfrequenz, Kanalpräferenz, konkurrierende Ziele und erforderliche Freigaben. Ein Agent entscheidet dann nur innerhalb des verbleibenden Handlungsraums. Wo die Folgen wesentlich oder der Kontext mehrdeutig sind, sollte der Prozess an Menschen übergeben werden – nicht nachdem eine Nachricht oder Entscheidung bereits wirksam wurde.

Governance muss vor dem Prompt greifen

Generative KI erweitert diese Architektur um Sprache, nicht um eine Ausnahmeregel für Daten. Ein PII-Filter muss personenbezogene oder kontobezogene Angaben vor dem Prompt entfernen oder redigieren. Die Inhalte eines Agents brauchen zusätzlich zugelassene Tonalitäten, Produktgrenzen und Offenlegungsvorgaben.

Consent, Audit Trail und Human-in-the-loop gehören ebenfalls vor die Ausspielung. Für Marketingentscheidungen gibt es keine formale Entwarnung: Je höher der Eingriff, desto klarer müssen Kontrolle, Übersteuerung und Dokumentation sein.

Rechtlich ist Differenzierung wichtig. Artikel 22 DSGVO betrifft ausschließlich automatisierte Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung; er nennt unter den Schutzmaßnahmen insbesondere menschliches Eingreifen, die Darlegung des eigenen Standpunkts und die Anfechtung (DSGVO Art. 22). Ein pauschales „Recht auf Erklärung des Algorithmus“ lässt sich daraus nicht ableiten. Für Kreditwürdigkeitsbewertungen sowie Risiko- und Preisbildung in der Lebens- und Krankenversicherung benennt Anhang III des EU AI Act Hochrisiko-Anwendungen (EU AI Act, Annex III). Das ist ein Anlass, Logging, Datenqualität und menschliche Aufsicht früh in die Architektur einzubauen.

Modellunabhängigkeit schützt den langfristigen Kontext

GenAI-Modelle ändern sich schnell. Kundendaten, Genehmigungen, Wissensquellen und Entscheidungsregeln dürfen deshalb nicht in einem einzelnen Modell verschwinden. Acceleraid positioniert seine GenAI-Schicht als modellagnostisch: Modelle von OpenAI über Microsoft Azure und Google Gemini über Google Cloud werden EU-gehostet genannt; für hohe Souveränität werden auch Open-Source-Modelle auf eigener Infrastruktur beschrieben (GenAI Enablement).

Der architektonische Punkt ist wichtiger als die Modellwahl. Die CDP bleibt das institutionelle Gedächtnis. Ein Retrieval- und Decision-Layer holt nur freigegebenes Wissen in den jeweiligen Kontext, die Vorhersage bewertet die nächste Option, und ein Agent führt innerhalb seiner Guardrails aus. Wird ein Modell ersetzt, bleiben Datenstruktur, Freigaben, Wissensquellen und Audit-Historie erhalten.

Eine Reihenfolge für die Umsetzung

Statt zuerst einen Chatbot oder einen einzelnen Score zu beschaffen, sollten Verantwortliche die Ebenen von unten nach oben prüfen. Zuerst sind Quellen, Zweckbindung, Identitätsauflösung und Datenqualität zu klären. Danach folgen die fachliche Beschreibung und Validierung der Scores. Erst dann werden Agents mit klarer Zuständigkeit, Konfliktlogik und Eskalationspunkten definiert. GenAI ist die darauf aufbauende Fähigkeit, Inhalte oder Assistenz innerhalb dieser Grenzen bereitzustellen.

Diese Reihenfolge verlangsamt Innovation nicht. Sie verhindert, dass ein überzeugender Prototyp auf Daten zugreift, deren Verwendung später nicht verantwortbar ist. Eine Intelligence Layer wird dann belastbar, wenn sie nicht nur gute Antworten erzeugt, sondern auch nachweisen kann, welche Daten, Regeln und Menschen hinter einer Handlung standen.

Die Serie „AI Agents im Customer Lifecycle für Finanzdienstleister“

Teil 1: Vom Kampagnenkalender zum AI Agent: So wird CLM zum geschlossenen Kreislauf

Teil 2: Die Intelligence Layer: Warum CDP, Predictions und AI Agents zusammengehören URL: https://blog.acceleraid.ai/blog/ai-agents-intelligence-layer-cdp-prediction-genai

Teil 3: AI Agents im Customer Lifecycle: 15 Kampagnen von Akquise bis Win-back

Teil 4: Ein Framework, drei Branchen: AI Agents für Banken, Karten und Versicherungen

Teil 5: AI Agents operationalisieren: Roadmap, Governance und KPIs für Finanzdienstleister

Illustration: KI-generiert. KI-gestützte Inhalte: Bei der Erstellung unserer Beiträge setzen wir KI-Technologien und automatisierte Agenten ein, unter anderem von Microsoft, Google, OpenAI, Anthropic und weiteren Anbietern. Themen, fachliche Ausrichtung und finale Freigabe liegen bei unserem Team.