KI-Finanzcoach und Multi-Agenten-Systeme im Recht

«KI als Finanzcoach» klingt nach Marketingsprache — bis man sieht, was Multi-Agenten-Systeme tatsächlich produzieren, wenn man sie auf einen Green-Loan-Vertrag ansetzt. Das Ergebnis ist keine Chatbot-Antwort. Es ist eine strukturierte, mehrperspektivische Analyse, die finanzielle, nachhaltigkeitsbezogene, rechtliche und kommunikative Aspekte durchläuft, bevor sie in handlungsfähigen Empfehlungen für die Geschäftsleitung mündet.

Für Juristinnen und Juristen ist das relevant, weil das EU-Rahmenwerk für nachhaltige Finanzen ein Compliance-Umfeld schafft, in dem Finanzentscheidungen, Nachhaltigkeitspflichten und Vertragsgestaltung untrennbar verflochten sind. Die Frage ist nicht mehr, ob KI in diesem Bereich eine Rolle spielen wird, sondern wie man sie verantwortungsvoll einsetzt und welche rechtlichen Leitplanken gelten.

Der regulatorische Druck hinter der Adoption

Der European Green Deal erfordert rund 700 Milliarden Euro an zusätzlichen jährlichen Investitionen für die grüne Transformation. Um dieses Kapital zu lenken, hat die EU eine vielschichtige regulatorische Architektur aufgebaut:

Die EU-Taxonomie-Verordnung liefert Klassifizierungskriterien für ökologisch nachhaltige Aktivitäten. Die Corporate Sustainability Reporting Directive (CSRD) und die European Sustainability Reporting Standards (ESRS) verlangen Transparenz. Die Sustainable Finance Disclosure Regulation (SFDR) regelt die Kennzeichnung von Finanzprodukten. Die Corporate Sustainability Due Diligence Directive (CSDDD) erstreckt Pflichten über gesamte Wertschöpfungsketten. Und die Ökodesign-Verordnung für nachhaltige Produkte (ESPR) gilt für Unternehmen jeder Grösse, die Produkte auf den EU-Markt bringen.

Für Unternehmen in Hochrisikosektoren wie der Textilindustrie wirken diese Vorschriften nicht isoliert. Sie erzeugen überlappende Pflichten, die Finanzierungsbedingungen, Lieferkettenverträge, Berichtspflichten und Produktdesign gleichzeitig betreffen.

Warum Multi-Agenten-Systeme anders funktionieren

Herkömmliche LLM-Interaktionen sind einperspektivisch: Eine Frage, eine Antwort. Multi-Agenten-Systeme — manchmal «AI Crews» genannt — arbeiten grundlegend anders. Sie setzen mehrere spezialisierte Agenten ein, die Informationen sequenziell oder hierarchisch verarbeiten und jeweils Fachwissen beisteuern, bevor das Ergebnis an den nächsten Agenten weitergegeben wird.

Ein konkretes Forschungsbeispiel verwendet vier Agenten für die Analyse eines Green Loans:

Bei der Analyse der KPIs eines Sustainability-Linked Loans produzierte dieses Team über 10'000 Wörter strukturierter Argumentation. Jeder Agent baute auf der Arbeit des vorherigen auf und erzeugte Analyseketten, in denen finanzielle Implikationen gegen Nachhaltigkeitsanforderungen geprüft, diese wiederum gegen rechtliche Pflichten abgeglichen und schliesslich in managementtaugliche Empfehlungen destilliert wurden.

Das unterscheidet sich qualitativ von der Einzelmodell-Abfrage. Die sequenzielle Verarbeitung spiegelt die Arbeitsweise eines realen Beratungsteams — mit dem entscheidenden Unterschied, dass die gesamte Argumentationskette dokumentiert und reproduzierbar ist.

Die Triple-Bottom-Line-Spannung — und warum sie rechtlich relevant ist

Im Kern dieser Diskussion steht eine ungelöste Spannung, die sich mit systemtheoretischen Ansätzen erklären, aber nicht auflösen lässt. Das Triple-Bottom-Line-Modell geht davon aus, dass ökologische, soziale und ökonomische Nachhaltigkeit sinnvoll miteinander verknüpft sind. Die Forschung bestätigt dies: Finnische Industriebetriebe mit Umweltinvestitionen zeigen signifikant bessere wirtschaftliche Leistung, und bei STOXX-Europe-600-Unternehmen bestehen starke positive Zusammenhänge zwischen Nachhaltigkeitsperformance und Finanzergebnissen — vermittelt über Gewinnmarge und Umsatz.

In der Praxis bleibt die Spannung dennoch bestehen. Ein Textilunternehmen, das in nachhaltige Materialbeschaffung investiert, muss kurzfristige Margeneinbussen akzeptieren. Ein KMU, das Kapital für die grüne Transformation einsetzt, geht ein Überlebensrisiko ein, das ein grösserer Wettbewerber absorbieren kann. Die systemische Natur dieser Spannung — von Forschern als «Systems of Holding Back» bezeichnet — bedeutet, dass einzelne Akteure ihr Verhalten kaum ändern können, ohne das Gesamtsystem zu überblicken, in dem sie operieren.

Genau diese Lücke können Multi-Agenten-KI-Systeme adressieren. Durch die simultane Analyse von finanzieller Tragfähigkeit, Nachhaltigkeitswirkung, regulatorischen Anforderungen und Berichtspflichten liefert ein KI-Team die holistische Perspektive, die die meisten Unternehmen aus eigenen Ressourcen nicht zusammenstellen können. Für Rechtsberater verändert dieses systemische Verständnis die Art der Mandantenberatung: Die Frage lautet nicht «Compliance ja oder nein», sondern «Wie gestalten wir eine Strategie, bei der Compliance finanziellen Wert generiert?»

Die Schweizer und DACH-Perspektive

Für Praktikerinnen und Praktiker in der Schweiz und im DACH-Raum berührt diese Entwicklung mehrere lokale Aspekte.

Das FINMA-Regulierungsrahmenwerk verlangt bereits, dass Finanzinstitute Nachhaltigkeitsrisiken in ihre Governance integrieren. Schweizer Banken, die Sustainability-Linked Loans anbieten, müssen beurteilen, ob KPIs wirklich ambitioniert oder bloss kosmetisch sind. Die britische Financial Conduct Authority hat genau dieses Problem dokumentiert: schwache Anreize, Interessenkonflikte, geringer Ehrgeiz bei der Zielsetzung und mangelhafte KPI-Gestaltung. Diese Bedenken gelten gleichermassen für die Schweizer Kreditpraxis.

Die Schweizer Position ausserhalb der EU, aber innerhalb des wirtschaftlichen Einflussbereichs der EU-Regulierung, bedeutet: Schweizer Unternehmen mit EU-Marktexposition stehen vor denselben Compliance-Anforderungen. Die CSDDD richtet sich zwar direkt an grosse Unternehmen, erstreckt Pflichten aber indirekt über Lieferketten. Ein Schweizer Textilzulieferer einer EU-basierten Marke wird mit vertraglichen Nachhaltigkeitsanforderungen konfrontiert — ob das Schweizer Recht dies vorschreibt oder nicht.

Proaktive Vertragsgestaltung trifft auf KI-Analyse

Eines der praktisch nützlichsten Konzepte an dieser Schnittstelle ist «Proactive Contracting» — Verträge werden nicht für den Streitfall entworfen, sondern für die Umsetzung. Die Idee ist klar: Verträge sollen als Werkzeuge dienen, die den Parteien helfen, ihre Ziele zu erreichen, Nachhaltigkeitsziele voranzutreiben und Probleme zu lösen, bevor sie eskalieren.

Die CSDDD anerkennt diesen Ansatz ausdrücklich. Erwägungsgrund 66 beauftragt die Europäische Kommission, Leitlinien zu Mustervertragsklauseln bereitzustellen — und stellt gleichzeitig klar, dass blosse vertragliche Zusicherungen nicht ausreichen, um die Sorgfaltspflichtstandards zu erfüllen. Worte auf Papier allein genügen der Richtlinie nicht.

Hier schafft die KI-Analyse echten Mehrwert. Ein Multi-Agenten-System kann:

• KPIs aus Kreditdokumentation extrahieren und gegen regulatorische Anforderungen abgleichen
• Lücken zwischen vertraglichen Verpflichtungen und tatsächlichem Umsetzungsbedarf identifizieren
• Konkrete Handlungsschritte je KPI generieren und der zuständigen Geschäftsfunktion zuordnen
• Potenzielle Konflikte zwischen Finanzvorgaben und Nachhaltigkeitspflichten aufdecken

Für Rechtsberater, die Lieferkettenverträge, Green-Loan-Vereinbarungen oder ESG-gebundene Finanzierungen entwerfen oder prüfen, verdichtet diese Analysemethode wochenlange interdisziplinäre Abstimmung auf Stunden.

Der Weg zur Spezialisierung

Der aktuelle Stand dieser Systeme ist als Ausgangspunkt zu verstehen. Die Forschung zeigt, dass allgemeine LLMs bereits kompetent als Finanzberater agieren können — aber mit Überzeugung halluzinieren, wenn sie an die Grenzen ihrer Trainingsdaten stossen. Domänenspezifisches Fine-Tuning adressiert dieses Problem direkt.

Techniken wie LoRA und QLoRA machen das zunehmend auch für ressourcenbeschränkte Organisationen zugänglich. Ein Modell, das auf die historischen Finanzdaten, Nachhaltigkeitsberichte und branchenspezifischen Dokumente eines Unternehmens abgestimmt ist, liefert Ergebnisse, die an den spezifischen regulatorischen Kontext und die Geschäftsziele angepasst sind. Für Kanzleien, die mehrere Mandanten in derselben Branche beraten, wird ein branchenspezifisch abgestimmtes Modell zum Wettbewerbsvorteil.

Persona-Design für KI-Agenten — eine Legal-Design-Frage

Eine weniger offensichtliche, aber rechtlich bedeutsame Dimension ist die Gestaltung von KI-Agenten-Personas. Forschungsergebnisse zeigen, dass Menschen KI-Systemen mit definierten Persönlichkeitsmerkmalen mehr Vertrauen entgegenbringen und effektiver mit ihnen interagieren. Im Kontext des Finanzcoachings bedeutet das beispielsweise, dass der «Financial Controller»-Agent als risikoavers oder risikofreudig konfiguriert werden kann — je nach Investitionsappetit des Unternehmens.

Das wirft Fragen auf, die Rechtsberater stellen sollten:

• Haftung: Wenn ein KI-Agent mit «risikobereiter» Persona eine Investition empfiehlt, die fehlschlägt — wer verantwortet die Persona-Konfiguration?
• Transparenz: Müssen Mandanten darüber informiert werden, wie Agenten-Personas konfiguriert sind und wie diese Konfiguration die Empfehlungen beeinflusst?
• Bias: Personas riskieren, bestehende Verzerrungen zu kodieren und zu verstärken. Ein «nachhaltigkeitsaffiner» Agent könnte systematisch finanzielle Risiken untergewichten, die eine neutrale Analyse aufdecken würde.

Das sind keine hypothetischen Überlegungen. Sobald KI-Crews von Forschungsprototypen zu Produktionssystemen werden, haben die in Agenten-Personas eingebetteten Designentscheidungen reale Konsequenzen für Qualität und Ausrichtung der Finanzberatung.

Das Demokratisierungsargument — und seine Grenzen

Eine These, die es sorgfältig zu prüfen gilt: KI-gestütztes Finanzcoaching demokratisiert den Zugang zu anspruchsvoller Beratung. Das Argument ist einleuchtend: Unternehmen, die bisher keine Ressourcen für vertiefte Finanz- und Nachhaltigkeitsanalysen hatten, können nun über KI-Werkzeuge eine vergleichbare Analysequalität abrufen. KMU, die über 99 % aller EU-Unternehmen ausmachen und eine Schlüsselrolle in der grünen Transformation spielen, profitieren am stärksten.

Dieses Argument hat Substanz. Ein Vier-Agenten-KI-Team, das auf einer Standard-API läuft, produziert Analysen, für die früher separate Finanz-, Nachhaltigkeits-, Rechts- und Kommunikationsberater hätten beauftragt werden müssen. Der Kostenunterschied ist erheblich.

Aber die Grenzen sind ebenso relevant. KI-Systeme, die auf allgemeinen Daten trainiert wurden, übersehen branchenspezifische Feinheiten. Sie haben keinen Zugang zu vertraulichen Marktinformationen. Und das Halluzinationsproblem — die überzeugende Präsentation falscher Informationen — wird im Finanzkontext gefährlicher, wo fehlerhafte Beratung direkte monetäre Folgen hat. Die Demokratisierung ist real, aber sie geht mit einer Verantwortungslücke einher: Die Unternehmen, die am meisten vom KI-Coaching profitieren, sind häufig die, die am wenigsten in der Lage sind, die Zuverlässigkeit des Coachings zu beurteilen.

Für Rechtsberater ergibt sich daraus eine spezifische Sorgfaltspflichtfrage. Wenn Sie einem Mandanten ein KI-basiertes Werkzeug empfehlen — welche Haftung tragen Sie, falls das Tool eine fehlerhafte Analyse produziert, die der Mandant mangels Fachkompetenz nicht hinterfragen kann?

Was das für Ihre Praxis bedeutet

Wenn Sie Unternehmen zu nachhaltiger Finanzierung, ESG-Compliance oder Lieferkettenverträgen beraten, verdienen drei Punkte jetzt Aufmerksamkeit:

Erstens: Verstehen Sie die Technologie. Multi-Agenten-KI-Systeme sind keine Science-Fiction. Sie basieren auf öffentlich verfügbaren Frameworks wie CrewAI und laufen auf Standard-APIs. Ihre Mandanten werden sie einsetzen — und Sie müssen wissen, was diese Systeme können und was nicht.

Zweitens: Berücksichtigen Sie die regulatorischen Implikationen. Der EU AI Act, ab August 2026 vollständig anwendbar, wird bestimmte KI-Systeme für Finanzberatung als hochriskant einstufen. Wenn der KI-Finanzcoach Ihres Mandanten Empfehlungen abgibt, die Investitionsentscheidungen beeinflussen, gelten die Anforderungen an Transparenz, Dokumentation und menschliche Aufsicht.

Drittens: Betrachten Sie den Vertragsaspekt. Da die CSDDD Nachhaltigkeitsanforderungen tiefer in Lieferketten treibt, wird die Fähigkeit, schnell zu analysieren, ob vertragliche KPIs substanziell oder performativ sind, zu einem echten Wettbewerbsvorteil. KI-Werkzeuge, die diese Analyse im grossen Massstab durchführen können, werden die Art und Weise verändern, wie Lieferketten-Due-Diligence betrieben wird.

Die Spannung zwischen Profitabilität und Nachhaltigkeit ist real, aber sie ist auch ein Gestaltungsproblem. Unternehmen, die Finanzmanagement und Nachhaltigkeitsmanagement als getrennte Bereiche behandeln, werden mit den integrierten regulatorischen Anforderungen kämpfen, die jetzt in Kraft treten. KI-Systeme, die gleichzeitig über diese Domänen hinweg arbeiten, sind kein Luxus. Für Unternehmen in Hochrisikosektoren innerhalb des EU-Regulierungsperimeters werden sie zur Notwendigkeit.

Dieser Artikel stützt sich auf die Forschung aus «AI as a Financial Coach: Promoting Sustainable Financial Management with Generative AI» von Toivonen, Salo-Lahti, Ranta und Haapio, erschienen in Generative AI, Contracts, Law and Design (Springer, 2025).