Deepak Kinger, Chief Strategy Officer und Mitgründer von EvoluteIQ – Interviewreihe

Deepak Kinger, Chief Strategy Officer und Mitgründer von EvoluteIQ, ist eine erfahrene Führungskraft in den Bereichen Technologie und Wirtschaft mit mehr als zwei Jahrzehnten Erfahrung in der Unternehmenstransformation, im Finanzdienstleistungssektor, in der Automatisierung und im Bereich künstliche Intelligenz. Bei EvoluteIQ gestaltet er die Gesamtstrategie des Unternehmens mit und leitet zugleich wichtige Technologieallianzen, Lösungspartnerschaften, das Marketing und die Beziehungen zu Analysten. Bevor er 2019 EvoluteIQ mitgründete, hatte Kinger leitende Positionen bei GALE Partners, Virtusa, Sapient, Headstrong, Wipro und Mphasis inne. Zu seinen Aufgaben gehörten die Leitung von Finanzdienstleistungsgeschäften im asiatisch-pazifischen Raum und die Beratung von Führungskräften auf Vorstandsebene zur digitalen Transformation ebenso wie der Aufbau neuer Geschäftsbereiche und die Leitung umfangreicher Technologieprojekte. Seine Erfahrung umfasst Strategie, Geschäftsentwicklung, Kundenbeziehungsmanagement, P&L-Management, Betriebsabläufe und neue Technologien wie KI, maschinelles Lernen, robotergestützte Prozessautomatisierung, Blockchain und Data Science.

EvoluteIQ ist ein Unternehmen für KI und intelligente Automatisierung im Unternehmensbereich, das Organisationen dabei unterstützt, komplexe, durchgängige Geschäftsprozesse zu automatisieren und zu orchestrieren. Die EIQ-Plattform vereint agentische KI, generative KI, Prozess- und Entscheidungsautomatisierung, intelligente RPA, Ereignisverarbeitung, Daten-Fabric, Analytik, Unternehmenskonnektoren und die Entwicklung von Multichannel-Anwendungen in einer Low-Code-/No-Code-Umgebung. Die Plattform soll Unternehmen ermöglichen, bestehende Systeme zu verknüpfen, KI-Agenten und automatisierte Workflows zu erstellen und bereitzustellen, Ergebnisse zu überwachen und die Automatisierung in Bereichen wie Kundenerlebnis, Finanzen, Betrieb, Vertrieb und Lieferkettenmanagement auszuweiten. EvoluteIQ wurde 2019 gegründet und hat seinen Schwerpunkt mit Technologien wie der AI Workbench und der Agentic Mesh Architecture zunehmend auf agentische Unternehmensautomatisierung verlagert. 2025 gab das Unternehmen eine Minderheitsinvestition zur Wachstumsfinanzierung in Höhe von 53 Millionen US-Dollar bekannt, angeführt von Baird Capital, um die globale Expansion und weitere Investitionen in seinen Forschungs- und Entwicklungsbetrieb in Bengaluru zu unterstützen.

Bevor Sie 2019 EvoluteIQ mitgründeten, waren Sie zwei Jahrzehnte lang in den Bereichen Finanzdienstleistungen, Unternehmenstechnologie und digitale Transformation tätig. Welche wiederkehrenden Probleme sind Ihnen in großen Organisationen begegnet, die Sie letztlich davon überzeugten, dass es eine Gelegenheit gab, EvoluteIQ aufzubauen, und was wollten Sie anders angehen?

Vor EvoluteIQ war ich 25 Jahre lang in der Unternehmensberatung tätig und konzentrierte mich dabei vielfach darauf, große Finanzinstitute bei Transformationsvorhaben zu unterstützen. Dazu gehörten frühe Programme für digitales Banking ebenso wie der Handel, das Risikomanagement und umfassendere, durchgängige Transformationen. Mit der Zeit beobachtete ich eine wachsende Nachfrage nach Automatisierung, und wir unterstützten Unternehmen bei der Einführung von Plattformen einiger der größten Anbieter.

Letztlich motivierte uns die Möglichkeit, EvoluteIQ zu gründen, dazu, nicht länger die Technologie anderer zu implementieren, sondern selbst etwas zu entwickeln. Wir sahen die Chance für einen stärker integrierten Automatisierungsansatz, bei dem Unternehmen nicht mehrere Technologien, Lizenzen und Integrationsebenen zusammenführen müssen. Das war ein Teil der Motivation, EvoluteIQ 2019 zu gründen.

In unserem vorherigen Unite.AI-Interview mit Ihrem Mitgründer Sameet Gupte sprach er über die umfassendere Vision von EvoluteIQ, Unternehmen von einer auf Einzelaufgaben ausgerichteten Automatisierung hin zu KI-nativen, durchgängigen autonomen Abläufen zu führen. Wie veranschaulicht das Management regulatorischer Änderungen, warum dieser Wandel von der Automatisierung einzelner Aufgaben hin zur Orchestrierung ganzer Geschäftsprozesse notwendig ist?

Regulatorische Änderungen betreffen selten nur eine einzelne, isolierte Aufgabe. 2020 entwickelten wir eine Lösung für die LIBOR-Umstellung. Banken standen vor einer umfassenden Änderung, die bestehende Verträge betraf und von Betriebsteams, juristischen Fachkräften und Geschäftsbereichen verlangte, diese zu prüfen und anzupassen. Viele Institute reagierten im Grunde darauf, indem sie einfach mehr Personal für das Problem einsetzten. Aus der LIBOR-Umstellung lernten wir, dass sich zwar die jeweilige Regulierung ändert, die zugrunde liegende Herausforderung aber immer wiederkehrt. Regulatorische Änderungen und Compliance gehören dauerhaft zu den betrieblichen Anforderungen.

Bei den jüngeren von FinCen vorgeschlagenen Änderungen zur Bekämpfung von Geldwäsche und Terrorismusfinanzierung (AML/CFT) beobachten wir eine Abkehr von einem stark vorschreibenden Compliance-Modell nach dem Muster „Kästchen abhaken“. Dadurch steigen die Anforderungen an die Compliance, statt dass sie leichter zu bewältigen wären: Institute müssen die Regulierung auslegen, ihre eigenen Risiken benennen und bestimmen, was diese Risiken für ihr Betriebsmodell bedeuten. Dieser Wandel betrifft zwangsläufig verschiedene Abteilungen und Funktionen im gesamten Unternehmen, nicht nur die Compliance- und Prüfungsteams.

Sie haben dafür plädiert, dass Banken aufhören sollten, jede größere regulatorische Änderung als neues Transformationsprojekt zu behandeln, und stattdessen das Management regulatorischer Änderungen als dauerhafte betriebliche Fähigkeit aufbauen sollten. Wie würde ein solches Betriebsmodell in der Praxis aussehen, und warum ist es Finanzinstituten in der Vergangenheit schwergefallen, es aufzubauen?

Das neue Betriebsmodell würde davon ausgehen, dass Veränderungen kontinuierlich stattfinden und kein Prozess mehr sind, der vierteljährlich oder erst dann angestoßen werden muss, wenn die Prüfer vor der Tür stehen. Die Entwicklung einer Lösung für LIBOR hat uns gezeigt: Auch wenn eine regulatorische Änderung irgendwann umgesetzt ist, bleibt der Anpassungsbedarf bestehen. Die nächste regulatorische Änderung wird es erforderlich machen, die Änderungen zu verstehen, in operative Anforderungen zu übersetzen und Prozesse anzupassen.

Das neue Betriebsmodell darf auch nicht auf die Compliance-Funktion beschränkt sein. In einem stärker risikobasierten Modell ist möglicherweise weiterhin letztlich die Compliance-Funktion für die Einhaltung der Vorgaben verantwortlich. Doch auch die Bereiche Betrieb und Recht sowie in manchen Fällen das Kontrahentenrisikomanagement gewinnen an Bedeutung. Ein Fehler, den Unternehmen machen können, ist zu unterschätzen, wie weitreichend sich regulatorische Änderungen auf die Organisation auswirken.

Das war in der Vergangenheit schwierig, weil Unternehmen fragmentierte Technologielandschaften und isolierte Betriebsmodelle aufgebaut haben. Wenn verschiedene Geschäftsbereiche auf separate Plattformen für RPA, BPM, Berichterstattung und andere Anwendungen angewiesen sind, wird schon die Reaktion auf eine neue Anforderung zu einem eigenen Integrationsprojekt.

Wenn eine neue Vorschrift eingeführt wird, muss eine Bank möglicherweise ermitteln, welche Kunden, Produkte, Verträge, Systeme und Prozesse davon betroffen sind. Wo kann KI diese Auswirkungsanalyse wesentlich verbessern, und für welche Prozessschritte sind weiterhin deterministische Regeln oder menschliches Urteilsvermögen erforderlich?

KI kann den manuellen Aufwand, der zum Verständnis und zur Umsetzung regulatorischer Änderungen erforderlich ist, erheblich verringern. Konkret kann KI dabei helfen, große Informationsmengen zu analysieren und zu kategorisieren sowie gezielt herauszuarbeiten, worauf sich die Aufmerksamkeit von Menschen konzentrieren sollte. So können die Funktionen von EvoluteIQ zur Reaktion auf regulatorische Änderungen beispielsweise Verträge nach Kunde und Vermögenswert kategorisieren und priorisieren, diese Informationen mit Unternehmenssystemen und externen Datenquellen verknüpfen und anschließend die nachgelagerten Aufgaben in den Bereichen Recht, Risiko und Betrieb koordinieren. So können Unternehmen nicht nur ermitteln, was möglicherweise betroffen ist, sondern auch die daraus entstehenden Änderungen über den gesamten Prozess hinweg tatsächlich steuern.

Menschliche Kontrolle und Aufsicht bleiben unverzichtbar. In bestimmten Abschnitten eines regulierten Prozesses benötigt ein Unternehmen klar definierte Geschäftsregeln, Bedingungen, Ausnahmen und Eskalationswege. Das Modell, an das wir glauben, verbindet die Anpassungsfähigkeit von KI mit deterministischer Automatisierung und menschlichem Urteilsvermögen, wo dies angemessen ist. KI kann dabei helfen, zu interpretieren und sichtbar zu machen, wo möglicherweise Handlungsbedarf besteht; deterministische Regeln können festlegen, wie klar definierte Entscheidungen umgesetzt werden; und Ausnahmen oder Entscheidungen, die Urteilsvermögen erfordern, können an die zuständige Person eskaliert werden.

Die Umsetzung regulatorischer Vorgaben betrifft häufig die Bereiche Recht, Compliance, Risiko, Betrieb, Daten und Technologie. Wie können KI und die Koordination von Prozessen diesen Gruppen dabei helfen, von einem gemeinsamen Verständnis einer Vorschrift auszugehen, statt separate Arbeitsabläufe und möglicherweise widersprüchliche Geschäftsregeln zu entwickeln?

Eine der wichtigsten Folgen eines stärker risikobasierten Compliance-Modells ist, dass sich die Verantwortung auf weitere Bereiche der Organisation verteilt. Die letztliche Rechenschaftspflicht liegt möglicherweise weiterhin bei der Compliance-Funktion, doch auch die Teams für Betrieb, Recht und Kontrahentenrisiken spielen eine wichtige Rolle. Unternehmen müssen daher vermeiden, die Umsetzung als etwas zu behandeln, das die Compliance-Funktion allein bewältigen kann.

Deshalb ist eine integrierte Plattform entscheidend. In einem großen Unternehmen müssen in diesem neuen Modell verschiedene führende Systeme und Geschäftsregeln integriert werden; zugleich gilt es, die komplexen Sicherheitsanforderungen zu berücksichtigen. Ein einheitlicher Ansatz kann das Risiko verringern, dass verschiedene Bereiche der Organisation dieselbe Änderung mithilfe vollständig getrennter Technologiestacks umsetzen.

Generative KI kann komplexe regulatorische Dokumente interpretieren. Banken können sich jedoch keine Halluzinationen oder uneinheitlichen Interpretationen leisten, wenn Compliance-Entscheidungen anstehen. Welche Schutzmaßnahmen sollten für KI-Systeme vorgesehen werden, die bei regulatorischen Änderungen zum Einsatz kommen, und an welchen Stellen sollten menschliche Fachleute weiterhin in den Entscheidungsprozess eingebunden sein?

Erstens sollten KI-Agenten nicht isoliert eingesetzt werden, da dies ohne angemessene Governance zu einer unkontrollierten Ausbreitung von Agenten führen kann.

Zweitens wird die Automatisierung in einer Organisation nicht nur durch ihre technischen Möglichkeiten begrenzt, sondern auch durch Vorschriften, Datenschutz und die Frage, welche Daten rechtmäßig weitergegeben werden dürfen.

Der zentrale Gestaltungsgrundsatz lautet: KI sollte die Interpretationsarbeit beschleunigen, aber nicht die Entscheidung treffen. Die Verantwortung für die Einhaltung der Vorschriften bleibt bei namentlich benannten Personen, wie es die Aufsichtsbehörden erwarten. Schutzmaßnahmen lassen sich in zwei Gruppen einteilen: Kontrollen der KI-Ausgaben und die gezielte Festlegung menschlicher Entscheidungspunkte. Jede von der KI erzeugte Ausgabe muss sich auf eine maßgebliche Quelle stützen; zudem müssen innerhalb des KI-Systems Leitplanken für Ein- und Ausgaben eingerichtet werden.

Schließlich sollte für jede Ausgabe ein Prüfpfad mit den zugrunde liegenden Quellenklauseln, den Versionen des Modells und der Prompts, der Konfidenz, der prüfenden Person, der Entscheidung und ihrer Begründung geführt werden.

Die Nachvollziehbarkeit von Prüfungen ist im Finanzdienstleistungssektor besonders wichtig. Wenn KI dabei hilft, Vorschriften zu interpretieren, Geschäftsregeln zu erstellen, betroffene Kunden zu ermitteln und Arbeitsabläufe anzustoßen: Wie können Unternehmen eine lückenlose Beweiskette gewährleisten, aus der für Aufsichtsbehörden klar hervorgeht, wie und warum jede einzelne Entscheidung getroffen wurde?

In stark regulierten Branchen muss die Nachvollziehbarkeit über die bloße Dokumentation der endgültigen Entscheidung hinausgehen. Viel wertvoller ist es vielmehr, den Weg zu dieser Entscheidung rekonstruieren zu können: Welche Informationen wurden herangezogen, welche Regeln angewandt, welche Entscheidungen getroffen und welche Änderungen im Verlauf des Prozesses vorgenommen? Außerdem muss erkennbar sein, an welchen Stellen Menschen eingegriffen und was sie genehmigt haben.

Wenn mehrere Agenten, Geschäftsregeln und Workflows miteinander interagieren, wird die Nachvollziehbarkeit noch wichtiger. Die Prüfbarkeit sollte in die Orchestrierungsebene integriert sein. Entscheidungsprotokolle können Entscheidungen, Regeländerungen und deren Begründungen festhalten, während die durchgängige Nachverfolgung von Agenten Einblick in eine Kette autonomer Aktionen ermöglicht.

Wenn eine Aufsichtsbehörde wissen möchte, warum ein bestimmter Kunde, Vertrag oder eine bestimmte Transaktion auf eine bestimmte Weise behandelt wurde, sollte das Finanzinstitut dieses Ergebnis über die zugrunde liegenden Daten, Regeln, KI-gestützten Entscheidungen, Genehmigungen und Aktionen zurückverfolgen können. Dadurch wird Erklärbarkeit von einer Frage auf Modellebene zu einer operativen Fähigkeit.

Großbanken arbeiten seit Jahrzehnten mit gewachsenen Infrastrukturen, in denen wichtige Kunden- und Transaktionsdaten über zahlreiche Systeme verteilt sind. Wie können sie eine wiederverwendbare KI-gestützte Compliance-Ebene aufbauen, ohne die zugrunde liegende technologische Infrastruktur kostspielig ersetzen zu müssen? 

Jede neue unternehmensweite Fähigkeit muss innerhalb der bestehenden Infrastruktur funktionieren. Etwas anderes zu erwarten, wäre unrealistisch. Auch die Konsolidierung ist wichtig, denn Kunden berichten uns zunehmend, dass sie mehrere RPA-Plattformen oder ein veraltetes BPM-System mit verschiedenen, voneinander getrennten Berichtstechnologien im Unternehmen einsetzen. Unsere Kunden betonen immer stärker, dass sie sich lieber auf Tools und Systeme konzentrieren möchten, die einen ROI erzielen, statt nach einem Ersatz zu suchen. Eine wiederverwendbare Compliance-Ebene muss daher in der bestehenden Systemlandschaft funktionieren, anstatt vorauszusetzen, dass die gesamte darunterliegende Infrastruktur ersetzt wird.

Sie haben mit Finanzinstituten über mehrere Technologiezyklen hinweg zusammengearbeitet – von herkömmlichen Kernsystemen über robotergestützte Prozessautomatisierung und maschinelles Lernen bis hin zur agentenbasierten KI. Was unterscheidet den aktuellen KI-Umbruch grundlegend, und wo besteht Ihrer Ansicht nach für Finanzinstitute die Gefahr, Fehler aus früheren Automatisierungszyklen zu wiederholen?

Frühere Automatisierungsgenerationen waren für Aufgaben gedacht, die bereits klar definiert waren. Kernbankensysteme bildeten Datensätze und Transaktionen ab. RPA automatisierte Tastatureingaben über verschiedene Bildschirme hinweg. Maschinelles Lernen erstellte auf Grundlage strukturierter Daten eng umrissene Prognosen, etwa zu Betrugswahrscheinlichkeiten und Kreditrisiken, deren Genauigkeit messbar war. In jedem Fall entschied ein Mensch oder eine festgelegte Regel, was als Nächstes geschah, und die Technologie führte einen vorgegebenen Ablauf aus.

Agentenbasierte KI verändert das in mehrfacher Hinsicht:

• Sie bewältigt unstrukturierte Aufgaben, die Ermessensentscheidungen erfordern, effektiver. Banken automatisieren nicht mehr nur einzelne Aufgaben, sondern übertragen die Verantwortung für Ergebnisse – und das System wählt selbst den Weg dorthin.
• Fehler bleiben unbemerkt. Änderte eine Bank das Layout eines Bildschirms, fiel ein RPA-Bot deutlich erkennbar aus und jemand behob das Problem. Ein Sprachmodell dagegen liefert auch dann eine flüssige, plausible und überzeugend formulierte Antwort, wenn sie falsch ist. Das ist problematisch.
• Ihr Verhalten ist probabilistisch. Deshalb ist es äußerst wichtig, es im Unternehmenskontext zu verankern, um Halluzinationen zu vermeiden.
• Schließlich ist die Entwicklung mit KI kostengünstig geworden, und Fachanwender können nun innerhalb eines Nachmittags einsatzfähige Agenten erstellen. Früher war die Automatisierung durch die begrenzten IT-Kapazitäten ausgebremst; heute ist die Governance-Kapazität der Engpass.

Finanzinstitute sollten außerdem darauf achten, die Lehren aus der Ära der traditionellen Automatisierung nicht zu vergessen. Dazu gehören zum Beispiel:

• Fehlerhafte Prozesse automatisieren. Das größte Erbe von RPA waren Tausende Bots, die auf Prozessen aufsetzten, die niemand zuvor neu gestaltet hatte. Dadurch entstand eine anfällige technische Schuldenlast, deren Wartung Banken bis heute bezahlen. Agenten auf dieselben fragmentierten Workflows aufzusetzen, wiederholt den Fehler lediglich auf einem höheren technischen Niveau. Banken sollten die Arbeit zunächst neu gestalten und erst danach entscheiden, welche Aufgaben sie delegieren.
• Auf Schönwetterkennzahlen setzen: Proofs of Concept kommen ohne einen finanzierten Weg in den Produktivbetrieb nicht voran. Wer die Zahl der eingesetzten Agenten zählt, wiederholt die RPA-Gewohnheit, Bots zu zählen, statt die tatsächlichen Geschäftsergebnisse zu messen.
• Zu wenig in die Datengrundlagen investieren. Maschinelles Lernen hat gezeigt, dass die Qualität eines Modells durch die Datenqualität begrenzt wird. Agenten, die auf veraltete Richtlinien, doppelte Dokumente oder widersprüchliche Quellen zurückgreifen, ziehen aus fehlerhaften Prämissen selbstbewusst ihre Schlüsse.

Wie wird sich die Einhaltung regulatorischer Vorgaben Ihrer Ansicht nach künftig entwickeln? Könnte sie kontinuierlich oder sogar teilweise autonom erfolgen, sodass KI-Systeme regulatorische Änderungen erkennen, ihre Auswirkungen bewerten, Workflows aktualisieren und nur jene Ausnahmefälle eskalieren, die menschliches Urteilsvermögen erfordern? Was müsste geschehen, bevor Banken und Aufsichtsbehörden einem solchen Maß an Autonomie vertrauen?

Ja, aber Autonomie wird schrittweise Einzug halten. Erkennung, Triage, Folgenabschätzung und die Aktualisierung von Workflows bei klar definierten Änderungen werden weitgehend kontinuierlich und automatisiert erfolgen. Die Beurteilung mehrdeutiger Vorschriften, die Akzeptanz von Risiken und regulatorische Positionierungen bleiben Menschen vorbehalten. Ein realistisches Endziel ist eine „überwachte Autonomie“: Maschinen führen den Zyklus standardmäßig aus, während Menschen Ausnahmen steuern.

Damit dies geschehen kann, müssen die Aufsichtsbehörden außerdem Vorschriften in strukturierten, versionierten Formaten veröffentlichen und dabei auf Initiativen wie die Arbeiten der FCA und der Bank of England zur digitalen aufsichtsrechtlichen Berichterstattung aufbauen.

Es müssen außerdem Rückgängigmachbarkeit und Notausschalter in die Ausführungssysteme integriert werden, damit autonome Workflow-Änderungen leicht rückgängig gemacht werden können, wenn Anomalien, erhöhte Fehlerraten oder Modelländerungen festgestellt werden. Das Vertrauen wird schneller wachsen, wenn Aufsichtsverantwortliche selbst ähnliche Werkzeuge verwenden. Dadurch entsteht eine gemeinsame Sprache für Tests und möglicherweise mit der Zeit auch eine direkte Überwachung von Maschine zu Maschine.

Vielen Dank für das großartige Interview. Leserinnen und Leser, die mehr erfahren möchten, sollten EvoluteIQ besuchen.