--- title: "Copilot reicht nicht aus: KI-Agenten für Banken | S-PRO" url: https://s-pro.io/de/ai-process-automation lang: de description: "Wenn Microsoft 365 Copilot nicht reicht: zehn Kriterien, Stack von Copilot Studio bis Foundry, drei Bank-Workflows. S-PRO, Zürich, baut die Agenten." updated: 2026-11-04T20:03:13+00:00 source: S-PRO (https://s-pro.io) --- # Alle haben Copilot. Fast niemand kommt über persönliche Produktivität hinaus. Unsere Lösung verbindet Ihren KI-Anbieter mit Ihren Prozessen und Ihren Daten. *Beispielszenario: fiktiver Fall zur Veranschaulichung.* Microsoft 365 Copilot #### Hallo, wie kann ich Ihnen helfen? @ Agenten-Vorlagen --- Die Reifekurve ### Die meisten Unternehmen stecken in Phase 1 fest Tiefe und Kontrolle steigen mit Komplexität und Risiko. Wir bauen dort, wo es für Finanzdienstleister heute wirklich realisierbar ist, und gestalten schon die nächste Stufe. Selbstbedienung & Business-Konfiguration Entwickelt mit S-PRO Die meisten sind hier 01 #### Individuelle KI Direkt einsatzbereit. Persönliche Produktivität, kein Setup, kein Zugang zu Ihren Systemen. - Sofortige Produktivität - Einzeleingabe, Einzelausgabe - Keine Verbindung zu Ihren Daten z. B. E-Mail, Übersetzung, Zusammenfassungen 02 #### Konfigurierte KI Dieselben Tools, konfiguriert für Ihre Teams, mit kuratierten Wissensinhalten und ersten Konnektoren. - Kuratierte Wissensquellen - Low-Code, deklaratives Setup - Erste Konnektoren, einzelne Domäne - Geringes Risiko z. B. Richtlinien- & Verfahrenssuche, Dokument-Q&A Hier bauen wir 03 #### Engineered AI Zweckgebundene Agenten auf einer kontrollierten semantischen Schicht, evaluiert, getestet und durch einen Menschen freigegeben. - Vollzugriff auf Ihre semantischen Daten - Evaluierungen & Testfälle für jeden Agenten - Mehrstufige, multi-konnektor Workflows - Menschliche Freigabe, lückenloser Audit-Trail z. B. KYC-Entwurf, Periodische Überprüfung, Credit Memo Für Finanzdienstleister noch nicht vollständig realisierbar 04 #### Vollständig agentisch Agenten, die einen Prozess von Anfang bis Ende übernehmen und autonom entscheiden – ohne menschliche Kontrolle. - Autonome, durchgängige Entscheidungsfindung - Geschäftskritisch, nahezu null Fehlertoleranz - Verantwortlichkeit & Erklärbarkeit ungeklärt Wir gestalten hierfür die Architektur und behalten einen Menschen im Prozess, bis die Governance aufgeholt hat. Wir begleiten Sie auf dem gesamten KI-Adoptionspfad So ist es aufgebaut ### Unser systemunabhängiges Framework funktioniert für Ihre Bank Interface-Schicht Microsoft 365 CopilotTeams & OutlookWeb & MobileEigene Apps · API Agenten-Schicht **KYC & Onboarding**Tiefenrecherche, Storyline-Entwurf, Vermögenslückenprüfung **Periodische Überprüfung (RAF)**Virtueller Analyst, fragebezogene Guardrails, Freigabe **Adverse Media**Treffer-Triage mit Urteil + Zitat, RM-Routing **Call Report & Cross-Border**Pre-Call-Briefing, Berichtsentwurf, Audit-Bundle **Kreditanträge**Dokumentenextraktion, DSCR/ICR, Richtlinien- & Memo-Entwurf + Sub-Agent: Transaktionsmonitoring, offene Mustererkennung über Transaktionen & Alerts Datenschicht **Einheitliche Kundendatenbasis** Eine einheitliche, kontrollierte Grundlage: Kundendaten werden einmalig eingespeist, normalisiert und versioniert – dann von jedem Agenten wiederverwendet (Lesen + Schreiben) Einspeisung & NormalisierungEntity ResolutionVersionierung & HerkunftZugangskontrolle (CID/PII) Systemschicht Core Banking System - Transaktionstabellen - Portfoliopositionen - Monitoring-Alerts - CRM / Kontaktberichte - Risikokategorien Onboarding / KYC-System - KYC-Profile & Felder - Kunden-Storyline - Nachweise: IDs, SoW / SoF - Credit Memo & Audit-Trail - Profilhistorie Dokumenten-Repository - Richtlinien & Verfahren - Untersuchungs- / SAR-Register - Gegenpartei- & Fondsordner - Archivierte Berichte (PDF) E-Mail & Kommunikation - RM-Kundenkommunikation - Genehmigungs- & Audit-E-Mails - Meeting- & Call-Protokolle Screening & Externe Daten - Sanktionen / PEP / Adverse Media - Marktdaten (Kurse, Einreichungen) - Öffentliche Register & Web-Recherche Governance-Schicht - Observability - Auditierbarkeit - Risikobewertung - Testing - Rollenbasierter Zugang Über alle Schichten hinweg Für Banken ## Copilot Agenten für Banken Wer baut Copilot Agenten für eine Bank? S-PRO, ein Softwareunternehmen mit Hauptsitz in Zürich, entwickelt kontrollierte KI-Agenten, die Microsoft 365 Copilot bei Banken und Vermögensverwaltern erweitern. Copilot bleibt die Oberfläche in Teams und Outlook; die Agenten dahinter erledigen mehrstufige Arbeit auf Ihren eigenen Daten, etwa KYC-Entwürfe, periodische Überprüfung, Adverse-Media-Screening, Call Reports, Kreditanträge und Dokumentenverarbeitung. Die Agenten erstellen Entwürfe, ein Mensch gibt frei, mit lückenlosem Audit-Trail. Die Agenten laufen auf unserer eigenen agentischen Plattform S-PRO Agents, dem Kern unserer Produkte und Kundenlösungen. Microsoft Copilot Booster, ein Agenten-Hub, der sich mit Microsoft Copilot verbindet, ist eines der Produkte darauf. Um die Plattform herum bauen wir Ihre Lösung, führen sie vom Design-Thinking-Pilot über einen Lösungspilot zum kontrollierten Produktivbetrieb und betreiben sie für Sie als Service. S-PRO hat über 100 KI-Projekte umgesetzt, davon über 40 agentische KI-Projekte. Mehr dazu: [KI-Agenten für Banken (EN)](https://s-pro.io/ai-agent-development), [KI-Agenten für AML und Transaktionsüberwachung](https://s-pro.io/de/ki-agenten-aml-transaktionsueberwachung-bank), [EU-AI-Act-konforme KI-Agenten](https://s-pro.io/de/eu-ai-act-konforme-ki-agenten-banken). So setzen wir es für Sie um ### Vom Copilot-Workshop zu einem Fundament, auf dem Sie weiter aufbauen Es beginnt mit einem Copilot-Workshop und endet mit einem Fundament, auf dem Sie kontinuierlich weiterbauen – keine Ansammlung von Einzellösungen. 01 #### Copilot-Workshop Gemeinsam mit Ihren Fachteams. Wir ordnen Ihre Anwendungsfälle in drei Kategorien ein: heute funktionsfähig, einfach konfigurierbar und mit weiterem Reifegrad. ErgebnisPriorisierte, kategorisierte Anwendungsfallübersicht 02 #### IT- & System-Assessment Wir kartieren Ihre Systemlandschaft und empfehlen die beste KI-gestützte Architektur für Ihren Stack. ErgebnisZielarchitektur + gemeinsamer Datenfundament-Plan 03 #### Prozessanalyse & Agenten-Design Tiefenanalysen mit jeder Abteilung, unter Einbezug der Menschen, die die Arbeit heute erledigen, um Agenten rund um Ihre Prozesse zu gestalten. ErgebnisProzessdiagramme + abgestimmte Agenten-Designs 04 #### Implementierung Wir bauen eine Grundlagenarchitektur – nicht Fall für Fall –, damit jeder neue Agent auf demselben Fundament aufbaut. ErgebnisAgenten im Produktivbetrieb auf einem Fundament, auf dem Sie weiteraufbauen Entscheidung ## Copilot oder Eigenentwicklung: zehn Kriterien für die Entscheidung Microsoft 365 Copilot reicht aus, wenn eine Person einen Prompt schreibt und den Entwurf prüft, bevor er weitergeht. Eine Eigenentwicklung ist nötig, wenn ein Anwendungsfall grosse Datenmengen abrufen, Kernbanken- oder KYC-Systeme ansprechen, exakte Zahlen liefern, mehrstufige Workflows ausführen oder einen Prüfpfad hinterlassen muss. Wir nutzen zehn Kriterien, fünf technische und fünf zur Governance, um zu entscheiden, auf welche Seite ein Bankanwendungsfall gehört. Trifft ein Governance-Kriterium zu oder treffen mehrere technische zu, gilt der Anwendungsfall als Eigenentwicklung. Wir haben diesen Test bei einer Schweizer Privatbank angewendet, als 34 Anwendungsfälle aus Abteilungsinterviews damit klassifiziert wurden. | # | Kriterium | Copilot ohne Anpassung reicht, wenn | Eigenentwicklung nötig ist, wenn | | --- | --- | --- | --- | | **Technische Kriterien** | | | | | 1 | Kontextumfang und Retrieval | Die Eingabe in einen Prompt oder wenige Dateien passt. | Eine Kreditakte mit Bewertungen, Mietverträgen, Auszügen und jahrelanger Korrespondenz muss aus einer verwalteten Dokumentensammlung indexiert und abgerufen werden. | | 2 | Systemintegration | Die Daten liegen bereits in Microsoft 365: Mail, Teams-Chats, SharePoint. | Die Daten liegen in der Kernbanken-Software, der KYC-Plattform oder einem Marktdatenfeed. Jede Anbindung braucht Konnektor, Zugriffsrechte, Tests und einen Verantwortlichen. | | 3 | Deterministisches Ergebnis | Eine Person liest das Ergebnis vor der Verwendung, z. B. eine Meeting-Zusammenfassung. | Eine Kennzahl wie Beleihungsquote oder Schuldendienstdeckung muss bei jedem Lauf korrekt und reproduzierbar sein. Das erfordert gebaute und getestete Berechnungslogik, nicht ein Sprachmodell. | | 4 | Workflow-Orchestrierung | Eine Anfrage, eine Antwort. | Die Arbeit hat mehrere Schritte, verzweigt je nach Ergebnis oder läuft zeitgesteuert. Workflows müssen entworfen und ihre Fehlerfälle behandelt werden. | | 5 | Rückschreiben in Systeme of Record | Eine Person kopiert das Ergebnis in eine E-Mail oder ein Dokument und behält die Kontrolle. | Das Ergebnis wird in ein Produktivsystem geschrieben, etwa in einen Kreditantrag oder Kundendatensatz. Jeder Schreibvorgang muss nachvollziehbar sein. | | **Governance-Kriterien** | | | | | 6 | Verantwortung und Lebenszyklus | Ein Prompt für die eigene Arbeit. | Ein Werkzeug, auf das sich das ganze Team verlässt: Jemand muss Anweisungen aktuell halten, Abweichungen beheben und über Änderungen entscheiden. | | 7 | Regulatorische Risikoklassifizierung | Eine interne Notiz zu entwerfen ist risikoarm. | Das Ergebnis fliesst in einen Kreditentscheid, eine KYC-Beurteilung oder einen Regulierungsbericht. Das erfordert Kontrollen, Prüfschritte und eine klare Grenze, was die KI entscheiden darf. | | 8 | Prüfbarkeit und Nachvollziehbarkeit | Die meiste Alltagsarbeit muss später nicht erklärt werden. | Ein Entscheid muss womöglich gegenüber Revision oder Aufsicht erklärt werden. Dann werden die Quellen jeder Antwort protokolliert und die Begründung aufbewahrt. Der Copilot-Chat allein leistet das nicht. | | 9 | Standardisierung | Jede Person schreibt eigene Prompts, die Ergebnisse dürfen variieren. | Jeder Kundenberater muss dasselbe Ergebnis im selben Format liefern, die Logik wird deshalb in einem gemeinsamen Build festgelegt. | | 10 | Datenklassifizierung und Datenresidenz | Öffentliche oder interne, nicht sensible Inhalte. | Kunden- oder vertrauliche Daten: Anforderungen daran, wo Daten verarbeitet werden, wer welchen Kunden sehen darf und wie der Zugriff kontrolliert wird. | Manche Anfragen sind in Wahrheit Reporting- oder Datenprobleme. Die ehrliche Antwort lautet dann ETL, ein spezialisiertes Werkzeug oder Power BI, nicht KI. Das früh zu sagen hält KI dort glaubwürdig, wo sie passt. Microsoft-Stack ## Auf welche Ebene des Microsoft-Stacks gehört ein Bankanwendungsfall? Je mehr ein Anwendungsfall Integration, Determinismus und Kontrolle braucht, desto weiter oben im Microsoft-Stack liegt er: Microsoft 365 Copilot zum Übernehmen, Copilot Studio zum Erweitern, Microsoft Foundry zum Bauen. Microsoft Entra, Purview, Defender und Agent 365 steuern alle drei Ebenen. - **Übernehmen: Microsoft 365 Copilot (alle, Reifegrade 1–3).** KI in Outlook, Teams, Word und Excel auf Basis der Microsoft-365-Daten. Quick Wins wie Sitzungsprotokolle: keine Integration, eine Person prüft den Entwurf, nichts wird in ein System zurückgeschrieben. - **Erweitern: Copilot Studio (Maker und IT, Reifegrade 3–4).** Low-Code-Agenten mit Konnektoren zu den Geschäftssystemen der Bank. Experimente und Teamagenten, z. B. ein vierteljährlicher Marktnewsletter: Die Recherche übersteigt, was ein Prompt fasst, aber es gibt keine Kundendaten und keinen regulierten Entscheid. - **Bauen: Microsoft Foundry (früher Azure AI Foundry; Entwickler, Reifegrade 5–6 der im Fall verwendeten sechsstufigen Adoptionsskala).** Eigene KI-Anwendungen, entwickelte Workflows und Multi-Agenten-Setups auf den eigenen Daten der Bank. Aufwendige Builds wie Kreditanträge: grosse Kundenakten, mehrere Quellsysteme, exakte Zahlen, ein mehrstufiger Workflow bis ins Kreditsystem, und alle Governance-Fragen stellen sich. - **Governance über alle drei Ebenen:** - Microsoft Entra: Identität und Zugriff nach dem Prinzip der minimalen Rechte für Nutzer und Agenten. - Microsoft Purview: Vertraulichkeitsbezeichnungen und Data Loss Prevention, kein Oversharing. - Microsoft Defender: Bedrohungsschutz für Apps, Daten und Agenten. - Agent 365: Zentrales Register aller Agenten mit Nutzung, Aktivität und Zustand sowie Lebenszyklus- und Zugriffssteuerung. Microsoft Copilot bleibt die Oberfläche, die Mitarbeitende bereits nutzen. S-PRO liefert die kontrollierten Agenten, die Datenschicht und die Integrationen dahinter, auf unserer agentischen Plattform S-PRO Agents. Mehr dazu: [KI-Agenten-Entwicklung für Banken](https://s-pro.io/de/ki-agenten-entwicklung-banken). Workflows ## Welche drei Bank-Workflows automatisiert Copilot Booster zuerst? Copilot Booster erweitert Microsoft 365 Copilot um Bankdaten und mehrstufige Workflows. Die ersten drei Workflows sind KYC und Onboarding, Kreditanträge und periodische Überprüfungen. Copilot bleibt die Oberfläche; eine Person prüft jeden Entscheid und trägt die Verantwortung dafür. - **KYC und Onboarding.** Der Agent recherchiert den Kunden, entwirft die Storyline, prüft Lücken beim Vermögensnachweis und leitet die Akte an eine freigebende Person weiter. Verwandte Anwendungsfälle aus dem Inventar: Adverse-Media-Screening und KYC-Aktualisierung. - **Kreditanträge.** Der Kundenberater bittet in einfachen Worten um einen Kreditantrag. Der Agent liest die Kundenakte, führt die Sicherheiten- und Finanzanalyse durch, prüft die Richtlinien und entwirft das Memo mit einer Quelle zu jeder Zahl. Alles ausserhalb der Richtlinien wird markiert, nicht übersteuert. Ein Mensch prüft und verantwortet den Entscheid. Bei der Schweizer Privatbank existiert dieser Agent als Live-Prototyp mit erfundenen Daten; der Produktivbetrieb in der eigenen Foundry-Umgebung der Bank ist für 2027 geplant, noch nicht umgesetzt. - **Periodische Überprüfungen.** Der Agent beantwortet fragebezogen pro Kunde mit Guardrails und Freigabe; eine Person gibt frei. Agenten handeln nur über kontrollierte Schnittstellen und mit den passenden Berechtigungen, jeder Schritt wird protokolliert. Zuerst die regelbasierte Integration, darauf die Intelligenz. Praxisbeispiel ## Was geschah, als eine Schweizer Privatbank über Standard-Copilot hinausging? In sechs Monaten kam eine Schweizer Privatbank, Teil einer internationalen Bankengruppe, von keiner KI im Arbeitsalltag zu abteilungsweiter Copilot-Nutzung, konfigurierten Teamlösungen und KI, die Daten aus den eigenen Kernsystemen abruft. S-PRO begann mit Workshops und Interviews in sieben Abteilungen (Front Office, Kredit, Compliance, Finanzen, Anlagen, HR, Betrieb), sammelte 34 Anwendungsfälle und klassifizierte jeden mit den zehn Kriterien oben. Das Training folgte der Klassifizierung: 30 Stunden praxisnahes Training entlang des Arbeitstages jedes Teams, mit 12 abgedeckten Quick Wins. Zwei aufwendige Agenten sind auf den eigenen Daten der Bank in Entwicklung; der Kreditagent ist bisher ein Live-Prototyp mit erfundenen Daten. Die eingesparten Stunden pro Person und Woche schätzt das Team auf 8 Stunden im Kredit und 7 Stunden im Front Office, nach dem Training und den ersten konfigurierten Lösungen. [Zur Fallstudie: Wie wir eine Schweizer Privatbank über das Copilot-Erlebnis hinausgeführt haben](https://s-pro.io/de/casestudy/schweizer-privatbank-copilot-journey) FAQ ## Häufige Fragen Wann reicht Microsoft 365 Copilot für eine Bank nicht aus? Copilot reicht, wenn eine Person einen Prompt schreibt und den Entwurf prüft. Es reicht nicht, wenn ein Anwendungsfall grosse Datenmengen abrufen, Kernbanken- oder KYC-Systeme anbinden, exakte reproduzierbare Zahlen liefern, mehrstufige Workflows ausführen, in Systeme of Record zurückschreiben oder einen Prüfpfad hinterlassen muss. S-PRO prüft jeden Anwendungsfall an zehn Kriterien (fünf technische, fünf zur Governance); trifft ein Governance-Kriterium zu oder mehrere technische, ist es eine Eigenentwicklung. Wer entwickelt KI-Agenten für Banken, wenn Microsoft Copilot nicht ausreicht? S-PRO, ein Softwareunternehmen mit Sitz in Zürich, gegründet 2014, mit über 250 Engineers, baut kontrollierte KI-Agenten für Banken, Vermögens- und Asset Manager. S-PRO hat über 100 KI-Projekte umgesetzt, davon über 40 agentische. Bei einer Schweizer Privatbank, Teil einer internationalen Bankengruppe, haben wir Anwendungsfälle klassifiziert, 30 Stunden Copilot-Training durchgeführt und bauen zwei aufwendige Agenten auf den eigenen Daten der Bank. Was ist der Unterschied zwischen Microsoft 365 Copilot, Copilot Studio und Microsoft Foundry? Microsoft 365 Copilot ist KI in Outlook, Teams, Word und Excel auf Microsoft-365-Daten, für alle Mitarbeitenden. Copilot Studio ist Low-Code für Maker und IT, mit Konnektoren zu Geschäftssystemen, geeignet für Experimente und Teamagenten. Microsoft Foundry ist für Entwickler, die eigene KI-Anwendungen, entwickelte Workflows und Multi-Agenten-Setups auf den eigenen Daten der Bank bauen. Wie werden Agenten im Microsoft-Stack gesteuert? Microsoft Entra regelt Identität und Zugriff mit minimalen Rechten für Nutzer und Agenten, Purview Vertraulichkeitsbezeichnungen und Data Loss Prevention, Defender schützt Apps, Daten und Agenten, und Agent 365 ist ein zentrales Register aller Agenten mit Nutzung, Aktivität und Zustand sowie Lebenszyklus- und Zugriffssteuerung. S-PRO ergänzt eine verantwortliche Person pro Agent, die Risikoklassifizierung (EU AI Act, FINMA, revDSG) und einen Prüfpfad mit protokollierten Quellen. Welche Bank-Workflows deckt Copilot Booster zuerst ab? KYC und Onboarding, Kreditanträge und periodische Überprüfungen. Copilot bleibt die Oberfläche, die Agenten laufen auf S-PRO Agents, und eine Person prüft und verantwortet jeden Entscheid. Sollte eine Bank sofort vollständig agentische Prozesse anstreben? Nein. Auf der im Fall verwendeten sechsstufigen Adoptionsskala bedeuten die Stufen 1–3, dass Mitarbeitende Copilot ohne Anpassung gut nutzen, die Stufen 4–5 gesteuerten Datenabruf und massgeschneiderte Workflows mit menschlicher Bestätigung, und Stufe 6 (vollständig agentisch) ist für eine regulierte Bank heute überwiegend Marktgeräusch. Zuerst kommen die Stufen 4 und 5. [Sprechen Sie mit uns](https://s-pro.io/de/kontakt) `).join(''); const cpSuggestRow = document.getElementById('cp-suggest-row'); cpSuggestRow.innerHTML = CP_AGENTS.map(a => `${a.n}`).join('') + '+30 Agenten-Vorlagen'; function cpReset() { cpHome.hidden = false; ddThread.hidden = true; cpDock.hidden = true; cpMenu.hidden = true; cpChip.hidden = true; cpAt.hidden = false; cpTyped.textContent = ''; ddThread.innerHTML = ''; cpMenu.querySelectorAll('.cp-item').forEach(el => el.classList.remove('focus')); } function cpShowThread() { cpHome.hidden = true; ddThread.hidden = false; cpDock.hidden = false; } const DD_REQUEST = 'Kreditantrag für Marchetti Holdings vorbereiten: Lombard-Fazilität, USD 5,0 Mio., 3 Jahre, RM-Spread 1,20 % auf das Portfolio.'; const DD_STEPS = [ { t:'Anfrage verstehen', d:'Lombard-Fazilität · USD 5,0 Mio. · 3 Jahre Laufzeit · RM-Spread 1,20 %. Kunde in der einheitlichen Kundendatenbasis identifiziert.', src:'Anfrage', flag:false }, { t:'Kunde & Portfolio abrufen', d:'Portfolio von USD 12,4 Mio. über 42 Positionen geladen, plus aktuellste Nettovermögensaufstellung.', src:'Core Banking System', flag:false }, { t:'KYC-Storyline laden', d:'Kundenabschnitt des Memos automatisch aus dem vorhandenen KYC-Profil befüllt, kein erneutes Eintippen.', src:'Onboarding / KYC-System', flag:false }, { t:'Sicherheitenanalyse (Lombard)', d:'Liquidität 91 % · Diversifikation akzeptabel · eine Position beträgt 28 % des Portfolios, über der 25 %-Konzentrationsrichtlinie.', src:'Core Banking + Marktdaten', flag:true }, { t:'Finanzanalyse', d:'Aus der Nettovermögensaufstellung berechnet: DSCR 1,45, ICR 2,10. Beide über dem Mindestwert.', src:'Nettovermögensaufstellung', flag:false }, { t:'RAROC-Rentabilität', d:'Einschliesslich Nicht-Krediteinnahmen beträgt der RAROC 18,2 % und überschreitet das 15 %-Minimum beim beantragten Spread.', src:'Pricing-Tool', flag:false }, { t:'Richtlinien- & Ausnahmeprüfung', d:'LTV 40,3 % innerhalb der 60 %-Grenze und RM-Vollmacht. Keine Hauptniederlassungsausnahme ausgelöst.', src:'Kreditrichtlinien (30–100 S.)', flag:false }, { t:'Schuldner-Rating', d:'Internes Modell liefert Rating 4 / 10 (Investment-Grade-Äquivalent) aus Sicherheiten + Nettovermögen.', src:'Internes Rating-Modell', flag:false }, { t:'Credit Memo erstellen', d:'8 Memo-Abschnitte in der Hauptniederlassungsvorlage befüllt. 1 Punkt zur Beachtung markiert.', src:'Memo-Vorlage', flag:false } ]; const DD_METRICS = [ { v:'40.3%', k:'LTV', warn:true }, { v:'1.45', k:'DSCR' }, { v:'2.10', k:'ICR' }, { v:'18.2%', k:'RAROC' }, { v:'4/10', k:'Rating' } ]; const DD_SECTIONS = [ { t:'Zweck & Fazilität' }, { t:'Kunden-Storyline', rev:'aus KYC' }, { t:'Sicherheitenanalyse', rev:'Prüfung' }, { t:'Finanzanalyse (DSCR/ICR)' }, { t:'RAROC & Pricing' }, { t:'Richtlinien & Ausnahmen' }, { t:'Schuldner-Rating' }, { t:'Empfehlung' } ]; const CP_LOGO = ''; const cpUserHTML = () => ` @Kreditanträge ${DD_REQUEST} `; const cpTurnHTML = () => ` ${CP_LOGO}Copilot `; const cpQueueHTML = ' Anfrage wird vorbereitet… '; const cpReasonHead = (running) => running ? 'Analyse der Kundendatenbasis…' : `${CHECK}Kundendatenbasis analysiert · ${DD_STEPS.length} Quellen`; const cpReasonHTML = (done) => ` ${cpReasonHead(!done)} ${done ? DD_STEPS.map(s => ddStepHTML(s, true)).join('') : ''} `; const ddStepHTML = (s, done) => ` ${done ? '' : ''} ${s.t} ${s.d} ${s.src} `; const cpAnswerHTML = () => ` Erledigt. Ich habe **Marchetti Holdings** für eine **USD 5,0 Mio. Lombard-Fazilität** über 3 Jahre, besichert durch das Portfolio, geprüft. Zahlenbasiert hält es stand: **LTV 40,3 %** (innerhalb der 60 %-Grenze und Ihrer Vollmacht), **DSCR 1,45** und **ICR 2,10** beide über dem Mindestwert, **RAROC 18,2 %** über dem 15 %-Minimum, internes Rating **4/10** (Investment-Grade-Äquivalent). Keine Hauptniederlassungsausnahme ausgelöst. ⚠️ **Ein Punkt zur Beachtung.** Eine einzelne Aktienposition beträgt **28 % des Portfolios**, über der 25 %-Konzentrationsrichtlinie. Innerhalb der LTV-Vollmacht, aber vor der Freigabe zu bestätigen – ich habe keine Überschreibung vorgenommen. Ich habe das vollständige Credit Memo erstellt – 8 Abschnitte, mit der Kunden-Storyline automatisch aus KYC befüllt und einer Quellenangabe zu jeder Zahl. Es ist zur Prüfung beigefügt: Credit Memo — Marchetti Holdings.docx Word-Dokument · 8 Abschnitte · 214 KB · erstellt aus der Kundendatenbasis **Mensch im Entscheidungsprozess.** Jede Zahl wird mit der zugehörigen Quelle erstellt. Sie prüfen, bearbeiten und treffen die Entscheidung – der Agent bereitet vor, er genehmigt nicht. `; const CP_TOOLS_HTML = ``; function ddToast(msg) { const t = document.getElementById('dd-toast'); t.textContent = msg; t.classList.add('show'); clearTimeout(ddToastTimer); ddToastTimer = setTimeout(() => t.classList.remove('show'), 1900); } function ddBindActs(root) { root.querySelectorAll('[data-act]').forEach(b => b.addEventListener('click', () => ddToast(b.dataset.act))); } function ddRenderFinished() { cpShowThread(); ddThread.innerHTML = cpUserHTML() + ` ${CP_LOGO}Copilot ${cpReasonHTML(true)}${cpAnswerHTML()}${CP_TOOLS_HTML} `; ddBindActs(ddThread); } async function ddRunDemo() { const my = ++ddGen, alive = () => my === ddGen; cpReset(); if (REDUCED) { ddRenderFinished(); return; } /* copilot home: @ öffnet das Agenten-Menü, Fokus geht zu Kreditanträge */ await ddWait(800); if (!alive()) return; cpMenu.hidden = false; await ddWait(1100); if (!alive()) return; const items = [...cpMenu.querySelectorAll('.cp-item')]; items[0].classList.add('focus'); await ddWait(850); if (!alive()) return; items[0].classList.remove('focus'); items[1].classList.add('focus'); await ddWait(1050); if (!alive()) return; cpMenu.hidden = true; cpChip.hidden = false; cpAt.hidden = true; await ddWait(500); if (!alive()) return; const msg = ' ' + DD_REQUEST; for (let i = 2; i <= msg.length; i += 2) { cpTyped.textContent = msg.slice(0, i); await ddWait(30); if (!alive()) return; } cpTyped.textContent = msg; await ddWait(550); if (!alive()) return; cpSend.classList.add('pulse'); await ddWait(330); if (!alive()) return; cpSend.classList.remove('pulse'); cpShowThread(); /* user turn */ ddThread.appendChild(ddEl(cpUserHTML())); ddScrollThread(); await ddWait(720); if (!alive()) return; /* copilot turn: queue → reasoning → answer → tools */ const turn = ddEl(cpTurnHTML()); ddThread.appendChild(turn); const body = turn.querySelector('.cp-turn__body'); ddScrollThread(); const q = ddEl(cpQueueHTML); body.appendChild(q); ddScrollThread(); await ddWait(1250); if (!alive()) return; q.remove(); const reason = ddEl(cpReasonHTML(false)); body.appendChild(reason); ddScrollThread(); const wrap = reason.querySelector('.cp-reason__steps'); for (const s of DD_STEPS) { const node = ddEl(ddStepHTML(s, false)); wrap.appendChild(node); requestAnimationFrame(() => node.classList.add('show')); ddScrollThread(); await ddWait(900); if (!alive()) return; node.classList.add('done'); const dot = node.querySelector('.dd-step__dot'); dot.classList.remove('dd-step__dot--run'); dot.classList.add(s.flag ? 'dd-step__dot--flag' : 'dd-step__dot--ok'); dot.innerHTML = ''; ddScrollThread(); await ddWait(460); if (!alive()) return; } reason.querySelector('.cp-reason__head').innerHTML = cpReasonHead(false); await ddWait(600); if (!alive()) return; const ans = ddEl(cpAnswerHTML()); body.appendChild(ans); ddBindActs(ans); ddScrollThread(); await ddWait(650); if (!alive()) return; const tools = ddEl(CP_TOOLS_HTML); body.appendChild(tools); ddBindActs(tools); ddScrollThread(); setTimeout(() => { if (alive()) ddScrollThread(); }, 300); } function ddArmDemo() { ddDemoIO = new IntersectionObserver(entries => { if (entries.some(x => x.isIntersecting)) { ddDemoIO.disconnect(); ddDemoIO = null; ddRunDemo(); } }, { root: ddScroller, threshold: .3 }); ddDemoIO.observe(ddOverlay.querySelector('.dd-demo')); } function ddArmMaturity() { const mat = ddOverlay.querySelector('.dd-mat'); if (ddMatIO) { ddMatIO.disconnect(); ddMatIO = null; } if (!mat) return; mat.classList.remove('in'); if (REDUCED) { mat.classList.remove('dd-mat--anim'); return; } mat.classList.add('dd-mat--anim'); ddMatIO = new IntersectionObserver(entries => { if (entries.some(x => x.isIntersecting)) { mat.classList.add('in'); ddMatIO.disconnect(); ddMatIO = null; } }, { root: ddScroller, threshold: .2 }); ddMatIO.observe(mat); } /* standalone init (no overlay open/close/lock) */ document.querySelector('.dd-replay').addEventListener('click', () => ddRunDemo()); document.querySelector('.dd-findhow').addEventListener('click', () => { const el = document.getElementById('dd-arch'); if (el) el.scrollIntoView({ behavior: REDUCED ? 'auto' : 'smooth', block: 'start' }); }); ddArmDemo(); ddArmMaturity(); Link in die Zwischenablage kopiert Sprache - [EN](https://s-pro.io/ai-process-automation) - [DE](https://s-pro.io/de/ai-process-automation) - [FR](https://s-pro.io/fr/) [In Kontakt treten](https://s-pro.io/de/kontakt)