Finanzwesen, Verkehr und weitere Branchen

18.1Finanzwesen, Banken und Versicherungen

Einordnung

Agentische Finanzwelt und Handel durch autonome Agenten

Den algorithmischen Handel gibt es seit Langem, doch 2026 kam eine weitere Stufe hinzu: autonome Agenten (Kapitel 6), die man direkt an die Schnittstellen der Plattformen anschließt, damit sie die Märkte analysieren, entscheiden und die Orders allein ausführen, ohne menschlichen Klick. Der bereits erwähnte Agent OpenClaw ist das medial bekannteste Beispiel: Mithilfe von Community-Skills verbindet man ihn mit einer Börse oder einem Broker (Aktien, Kryptowährungen, Prognosemärkte), gibt ihm eine Anweisung in natürlicher Sprache, und er beobachtet die Kurse fortlaufend, um im gewünschten Moment zu handeln. Das Versprechen ist verlockend, doch die Risiken sind entsprechend groß, und dieser Kurs gibt keinerlei Anlageberatung. Erstens gibt es keine Gewinngarantie: Wer einem Agenten Geld anvertraut, verschafft sich damit keinen Marktvorteil, und auf manchen Plattformen verliert die große Mehrheit der Teilnehmer. Zweitens das operative Risiko: Ein Modell, das mitten in einer volatilen Phase halluziniert oder eine Angabe falsch deutet, kann eine ungewollte Order aufgeben und binnen Sekunden Verlust an Verlust reihen. Drittens das Sicherheitsrisiko (Kapitel 20): Ein Agent, der mit API-Schlüsseln verbunden und der Prompt Injection ausgesetzt ist, wird zum bevorzugten Ziel, und auf mehreren Skill-Marktplätzen kursierten bösartige Module, die eigens dafür gebaut waren, diese Schlüssel zu stehlen und Konten leerzuräumen. Viertens das regulatorische Risiko: Eine autonome Ausführung im Hochfrequenztakt kann an Marktmanipulation grenzen. Deshalb zeichnet sich als vernünftige Praxis eine assistierende statt einer autonomen KI ab: Der Agent recherchiert, beobachtet und schlägt vor, der Mensch aber gibt frei und behält die Kontrolle über alle folgenreichen Aktionen.

18.2Verkehr und autonome Mobilität

Abbildung18.1. Die Autonomiestufen (SAE-Skala). 2026 sind fahrerlose Taxis (Stufe 4) in mehreren Städten kommerziell unterwegs, in festgelegten Gebieten. Stufe 5 (überall und bei jedem Wetter fahren) bleibt ein ferner Horizont: Es ist der „Long Tail“ der seltenen und unvorhergesehenen Situationen, der sich noch widersetzt.

Einordnung

Der Stand des autonomen Fahrens 2026

Hinter der SAE-Skala hat sich das tatsächliche Bild geklärt, entlang zweier entgegengesetzter Wetten. Waymo (Tochter von Alphabet) liegt klar vorn: Ende September 2026 bedienen seine fahrerlosen Taxis (Stufe 4) 14 US-amerikanische Städte im vollständig autonomen Betrieb (Las Vegas seit dem 8. Juli 2026; Denver, San Diego und Tampa seit dem 1. September 2026) und absolvieren mehr als eine halbe Million bezahlte Fahrten pro Woche (letzte offizielle Zahl; die für Ende 2026 angepeilte Million bleibt ein Ziel). International hat Waymo im September 2026 eine Versicherungspartnerschaft mit der Allianz für seine ersten europäischen Märkte, London und München, angekündigt, außerdem eine Vereinbarung mit den Behörden von Singapur (öffentlicher kommerzieller Start für 2028 angestrebt). Laut der von Waymo am 24. September 2026 veröffentlichten Bilanz, die 270 Millionen autonom gefahrene Meilen umfasst, haben seine Fahrzeuge 82 % weniger Unfälle mit Verletzten als menschliche Fahrer (Angabe des Unternehmens). Sein Rezept: eine kostspielige Kombination aus Lidaren, Radaren und Kameras, hochauflösende Karten jeder einzelnen Straße und eine vorsichtige Ausweitung, Stadt für Stadt. Tesla setzt auf das Gegenteil: ausschließlich Kameras und massives Lernen aus den Daten der eigenen Flotte, in der Hoffnung auf eine überall verallgemeinerbare Autonomie (und darauf, langfristig die Autos von Privatleuten in Taxis zu verwandeln); sein 2025 in Austin gestarteter Robotaxi-Dienst ist bis heute nach Größe und abgedecktem Gebiet deutlich bescheidener. Seit dem Sommer 2026 betreibt Tesla Robotaxis ohne Aufsichtsperson an Bord in sechs Städten in Texas und Florida (Austin, Dallas, Houston, Miami, Orlando, Tampa), während in der San Francisco Bay Area weiterhin ein Sicherheitsfahrer mitfährt, und meldet 1 Million ohne Aufsicht gefahrene Meilen (Angabe des Unternehmens). Das Cybercab, ein Zweisitzer ohne Lenkrad und Pedale, ist am 3. September 2026 in Austin zur Flotte gestoßen; am selben Tag hat die NHTSA (die US-amerikanische Behörde für Straßenverkehrssicherheit) eine Prüfung der Art und Weise eingeleitet, wie Tesla dieses Fahrzeug ohne manuelle Bedienelemente selbst zertifiziert hat. Weitere Anbieter steigen ins Rennen ein (Zoox, Tochter von Amazon; Uber, das autonome Fahrzeuge einbindet; chinesische Akteure wie Baidu, Pony.ai oder WeRide, wobei Letzteres zum 31. Juli 2026 rund 3.400 autonome Fahrzeuge der Stufe 4 und eine Präsenz in 13 Ländern meldet). Das vorläufige Urteil: Die Machbarkeit der Stufe 4 in einem abgegrenzten Stadtgebiet ist bewiesen, doch die Skalierung stößt sich am Long Tail (den seltenen Situationen), an der lokalen Regulierung und am Vertrauen der Öffentlichkeit, das jeder noch so kleine Unfall wieder aufs Spiel setzt.

Einordnung

Das Auto und das „Trolley-Problem“

Das autonome Fahren hat ein altes Problem der Moralphilosophie wiederbelebt, das Trolley-Problem: Sollte ein Auto angesichts eines unvermeidlichen Unfalls so programmiert sein, dass es beispielsweise eher seinen Insassen opfert als mehrere Fußgänger? Solche Szenarien haben unzählige Debatten befeuert (und eine große weltweite Erhebung, die Moral Machine des MIT, die zeigte, dass die Intuitionen je nach Kultur variieren). Viele Ingenieure halten die Frage jedoch für teilweise falsch gestellt: In der Wirklichkeit „wählt“ ein Fahrzeug so gut wie nie ein Opfer, es versucht vor allem zu bremsen und auszuweichen; und es verfügt in der Regel gar nicht über die Informationen (wer sich wo befindet, wie viele Personen), die diese theoretischen Dilemmata voraussetzen. Die eigentliche ethische Debatte ist nüchterner, aber dringlicher: Welches Risikoniveau insgesamt ist akzeptabel, um diese Fahrzeuge zuzulassen, wie lässt sich ihre Sicherheit mit der menschlicher Fahrer vergleichen, und wer haftet bei einem Unfall (Kapitel 21)? Das Trolley-Problem ist ein ausgezeichnetes Gedankenexperiment, es darf aber nicht diese konkreten Fragen verdecken, die tatsächlich über die Einführung entscheiden werden.

Einordnung

KI im Auto jenseits des Fahrens

Das autonome Auto steht im Rampenlicht, doch die KI verändert das Fahrzeug auch ganz unabhängig von jeder Autonomie. An Bord halten Sprachassistenten (die sich zunehmend auf große Modelle stützen) und Systeme zur Fahrerüberwachung (Erkennung von Müdigkeit oder Unaufmerksamkeit) Einzug in den Innenraum. Vor allem wird das Automobil zum softwaredefinierten Fahrzeug (software-defined vehicle): Ein wachsender Teil seiner Funktionen wird über Updates aus der Ferne (over-the-air) ausgeliefert und verbessert, ganz wie bei einem Smartphone, was seinen Wert weit über den Kauf hinaus verlängert. KI dient außerdem der vorausschauenden Wartung (den Verschleiß eines Bauteils anhand von Sensordaten vorhersehen, Abschnitt 18.3) und, vorgelagert, der Entwicklung und den virtuellen Tests mittels digitaler Zwillinge. Diese Anwendungen, unauffälliger als das Robotaxi, werden bereits in großem Maßstab in gewöhnlichen Fahrzeugen eingesetzt.

18.3Landwirtschaft, Industrie und Handel

Im Klartext

Drei weitere Branchen veranschaulichen die stille Ausbreitung der KI.

Präzisionslandwirtschaft: Drohnen und Sensoren analysieren die Felder, die KI optimiert Bewässerung, Düngung und Pflanzenschutz, Parzelle für Parzelle, um die Erträge zu steigern und den Einsatz von Betriebsmitteln zu senken. Ein möglicher Hebel, um die Welt nachhaltiger zu ernähren.
Industrie: die vorausschauende Wartung (den Ausfall einer Maschine vorhersehen, bevor er eintritt), die bildbasierte Qualitätskontrolle sowie die Optimierung von Produktions- und Lieferketten („Industrie 4.0“).
Handel: die Empfehlungssysteme (die vorschlagen, was man kaufen, ansehen oder anhören soll), die dynamische Preisgestaltung (Preise in Echtzeit anpassen), die Lagerverwaltung und die Logistik der letzten Meile.

Einordnung

Der agentische Handel

Ein aufkommender Trend verlängert die Logik der Agenten (Kapitel 6) bis zum Kauf: Der Agent begnügt sich nicht mehr damit, ein Produkt zu empfehlen, er stellt den Warenkorb zusammen, bezahlt und schließt die Transaktion für Sie ab. Seit Ende 2025 ermöglichen Schnittstellen wie der „Instant Checkout“ von ChatGPT (über das von OpenAI und Stripe gemeinsam entwickelte Protokoll ACP) den Kauf innerhalb einer Unterhaltung; Google (Protokoll UCP), Visa („Intelligent Commerce“) und Mastercard („Agent Pay“) bauen konkurrierende Infrastrukturen auf. Der Mechanismus beruht auf der Tokenisierung: Statt dem Agenten die eigene Kartennummer anzuvertrauen, überträgt man ihm ein Token mit eingeschränktem Verwendungszweck, gedeckelt, auf einen Händler begrenzt und mit Schwellenwerten, ab denen eine menschliche Freigabe erforderlich ist (im Einklang mit der Regel für folgenreiche Aktionen, Kapitel 6). Ein Beispiel in großem Maßstab: Der im September 2026 in den USA gestartete Agent Muse von Meta bezahlt über die Wallet Link von Stripe, wobei jeder Kauf vom Nutzer freigegeben wird (Kapitel 6). Bei Händlern, die Link akzeptieren, erfolgt die Zahlung direkt; andernorts nutzt der Agent eine gedeckelte virtuelle Einmalkarte. Die Versprechen sind groß (manche Prognosen sprechen von Hunderten Milliarden Dollar an „agentischen“ Käufen bis 2030), doch drei Hindernisse bleiben. Erstens der Betrug: Einer von einem Agenten durchgeführten Transaktion fehlen die Verhaltenssignale, auf denen die Systeme zur Betrugsabwehr beruhen (Kapitel 20). Zweitens die Disintermediation: Wenn man über den eigenen Assistenten einkauft, drohen Händler und Banken die direkte Kundenbeziehung zu verlieren. Drittens die Zuverlässigkeit: Die ersten Tests mit dem breiten Publikum haben mitunter enttäuscht (ein viel beachteter Versuch erzielte eine deutlich schlechtere Konversionsrate als ein klassischer Kaufprozess). Viele dieser Zahlungen werden sich zudem auf Stablecoins stützen können, insbesondere bei Mikrotransaktionen zwischen Maschinen (Kapitel 11).

Einordnung

Die digitalen Zwillinge

Ein Begriff prägt die Industrie immer stärker: der digitale Zwilling (digital twin), ein virtuelles Abbild eines Objekts, einer Maschine, einer Fabrik oder sogar eines Organs, das fortlaufend mit den Sensordaten seines realen Gegenstücks gespeist wird. Die KI spielt dabei zwei Rollen: den Zwilling laufen zu lassen (ihn originalgetreu zu simulieren) und seine Daten auszuwerten, um vorherzusagen und zu optimieren. So lässt sich eine Änderung am Zwilling testen, bevor man das reale System anfasst, ein Ausfall vorhersehen (die bereits erwähnte vorausschauende Wartung) oder eine Produktionslinie optimieren, ohne sie anzuhalten. Die Anwendungen reichen über die Fabrik hinaus: Zwillinge von Stromnetzen, von Gebäuden, von ganzen Städten und in der Medizin sogar Organzwillinge (ein virtuelles Herz, um eine Behandlung zu erproben). Das Prinzip deckt sich mit dem der Weltmodelle (Kapitel 5) und der Simulation in der Robotik (Kapitel 13): über ein originalgetreues virtuelles Double zu verfügen, an dem sich mit geringerem Risiko und zu geringeren Kosten ausprobieren lässt, was direkt am realen System zu erproben man sich nicht leisten kann. Die Grenze ist überall dieselbe: Ein Zwilling ist nur so viel wert wie die Genauigkeit seines Modells und die Qualität der Daten, die ihn speisen.

18.4Ein gemeinsamer Nenner: Daten und Vertrauen

Einordnung

Geht man diese so unterschiedlichen Branchen durch, zeichnet sich ein gemeinsames Muster ab. Überall läuft die KI mit dem Treibstoff Daten und verspricht dasselbe: optimieren, vorhersagen, automatisieren. Und überall stößt sie an dieselben Grenzen: die Intransparenz der Entscheidungen (die „Black Box“, Kapitel 2), das Risiko von Verzerrungen (Bias) und Diskriminierung (Kapitel 21), die Notwendigkeit von Zuverlässigkeit in Zusammenhängen, in denen Fehler teuer sind, und eine hartnäckige Kluft zwischen spektakulären Demonstrationen und dem realen Einsatz in großem Maßstab. Die Verbreitung der KI in der Wirtschaft wird weniger von technischen Glanzleistungen abhängen als von der Fähigkeit, Vertrauen zu schaffen: durch überprüfbare, erklärbare und beaufsichtigte Systeme.

Einordnung

Die Kluft zwischen Pilotprojekt und Produktivbetrieb

Diese Kluft ist die prägende Tatsache der Einführung in Unternehmen. Viele Organisationen haben Pilotprojekte mit generativer KI gestartet; ein weit geringerer Anteil hat sie tatsächlich in großem Maßstab in den Produktivbetrieb überführt, mit messbarem Return on Investment. Die Hindernisse liegen selten im Modell selbst: Es sind die Qualität der internen Daten und der Zugang zu ihnen, die Integration in die bestehenden Systeme, das Veränderungsmanagement, die Governance der Risiken (Datenabfluss, Halluzination, Compliance) und die Schwierigkeit, den Nutzen zu messen. Erfolgreiche Einführungen zielen auf präzise und messbare Anwendungsfälle statt auf allgemeine Versprechen und belassen dort einen Menschen in der Schleife, wo Fehler teuer sind.

Das Wichtigste (Kapitel 18)

Das Finanzwesen ist ein fortgeschrittenes Einsatzfeld der KI (Handel, Betrugserkennung, Kredit, Versicherung), allerdings mit Risiken der Diskriminierung, der Volatilität und der Halluzination.
Das autonome Fahrzeug macht Fortschritte: Robotaxis (Stufe 4) sind 2026 kommerziell unterwegs, doch Stufe 5 (überall, jederzeit) bleibt wegen des „Long Tail“ der seltenen Situationen in weiter Ferne.
Die KI breitet sich auch in der Präzisionslandwirtschaft, der Industrie (vorausschauende Wartung, Qualität) und im Handel (Empfehlung, dynamische Preisgestaltung) aus.
Gemeinsamer Nenner: Überall läuft die KI mit Daten und verspricht zu optimieren, stößt aber auf Intransparenz, Verzerrungen, Zuverlässigkeit und die Kluft zwischen Demonstration und Einsatz. Entscheidend ist das Vertrauen.

Nach den Wirtschaftsbranchen rückt Kapitel 19 ganz nah an das Private heran: den Alltag, die Beziehungen und die Psychologie.

18.1Finanzwesen, Banken und Versicherungen#

18.2Verkehr und autonome Mobilität#

18.3Landwirtschaft, Industrie und Handel#

18.4Ein gemeinsamer Nenner: Daten und Vertrauen#

Das Wichtigste (Kapitel 18)

18.1Finanzwesen, Banken und Versicherungen

18.2Verkehr und autonome Mobilität

18.3Landwirtschaft, Industrie und Handel

18.4Ein gemeinsamer Nenner: Daten und Vertrauen