Künstliche Intelligenz (KI) und organisatorische Identität

Da KI-Agenten zunehmend im Auftrag von Organisationen Dienstleistungen suchen, Informationen austauschen und Zahlungen veranlassen, stellt sich eine praktische Frage: Wie kann eine andere Partei überprüfen, welche Organisation hinter einem Agenten steht und wozu dieser Agent befugt ist? Der Legal Entity Identifier (LEI) bietet einen weltweit standardisierten Identifikator, der mit verifizierten Legal Entity-Referenzdaten der Organisation verknüpft ist. Der digitalisierte und kryptografisch verifizierbare LEI (vLEI) erweitert diese Grundlage auf digitale Interaktionen und ermöglicht es Gegenparteien, die Identität einer Organisation sowie die Befugnisse der in ihrem Namen handelnden Personen computergestützt zu überprüfen.

Die GLEIF untersucht derzeit, wie diese Infrastruktur zukünftige Ansätze zur delegierten Befugnis für KI-Agenten unterstützen könnte, insbesondere im Zahlungsverkehr. Neben diesem aufstrebenden Bereich unterstützen standardisierte LEI-Referenzdaten bereits die KI-basierte Klassifizierung von Rechtsträgern. Diese Anwendungen dienen unterschiedlichen Zwecken: der Überprüfung der Befugnisse, wenn KI-Agenten Maßnahmen ergreifen, und der Verbesserung der Organisationsdaten, die bei KI-gestützten Analysen verwendet werden.

Agentische KI im Zahlungsverkehr: Überprüfung von Identität und delegierter Befugnis

Eine Organisation kann Zahlungsaufgaben an Software delegieren, doch eine Gegenpartei benötigt weiterhin den Nachweis darüber, wer den Agenten autorisiert hat, welche Handlungen er vornehmen darf und wie diese Berechtigungen überprüft werden. Der Legal Entity Identifier identifiziert den beteiligten Rechtsträger. Bestehende vLEI-Zugangsdaten ermöglichen die computergestützte Überprüfung der Identität der Organisation sowie der Rollen und Befugnisse von Personen, die für diesen Rechtsträger handeln. Die Verknüpfung eines bestimmten KI-Agenten mit einer Organisation und deren zulässigen Handlungen erfordert zum Zeitpunkt der Transaktion zusätzliche Nachweise für die Befugnisübertragung sowie entsprechende Kontrollen.

Das Arbeitspapier der GLEIF vom September 2026 mit dem Titel „Agentic AI in Payments: Establishing Interoperable Trust and Control“ untersucht einen möglichen Ansatz. Das Papier befasst sich mit einem vorgeschlagenen „Agent Mandate Credential“ (AMC), das die kryptografische Kennung eines KI-Agenten mit einer verifizierten Organisation und einer autorisierten Person verknüpfen und gleichzeitig zulässige Aufgaben, Transaktionslimits und die Gültigkeitsdauer festlegen könnte. Beispielsweise könnte ein Finanzverantwortlicher eines Unternehmens einen Agenten zur Ausführung definierter Lieferantenzahlungen autorisieren; der Zahlungsdienstleister könnte die Autorisierungskette überprüfen und vor der Ausführung Kontrollen zum Zeitpunkt der Transaktion anwenden. Das Papier befasst sich zudem mit Widerruf, Prüfprotokollen, Datenschutz und Interoperabilität. Die AMC ist nach wie vor ein Vorschlag für weitere Forschung und Tests. Es handelt sich derzeit weder um einen im vLEI-Ökosystem ausgestellten Berechtigungsnachweis noch um einen endgültigen Industriestandard.

KI-gestützte Datenanalyse: Rechtsträger-Name-Verstehen (LENU)

Rechtsformen variieren je nach Rechtsordnung, Sprache und Namenskonventionen, was eine einheitliche Klassifizierung erschwert. Die auf ISO 20275 basierende Code-Liste für Rechtsformen weist jeder Rechtsform eines Rechtsträgers einen vierstelligen alphanumerischen Code zu. Die GLEIF hat in Zusammenarbeit mit Sociovestix Labs das „Legal Entity Name Understanding“ (LENU) entwickelt, ein Open-Source-Tool für maschinelles Lernen, das die Rechtsform eines Rechtsträgers anhand seines Namens vorhersagt und den entsprechenden ELF-Code vorschlägt. LENU nutzt standardisierte LEI-Referenzdaten, um rechtsraum-spezifische Modelle zu trainieren, und kann Folgendes unterstützen:

• Eine einheitlichere Klassifizierung der Rechtsformen über Sprachen und Namenskonventionen hinweg.
• Bessere Zuordnung von Rechtsträgern und Datenintegration, wenn Datensätze unterschiedliche Bezeichnungen verwenden.
• Weniger manuellen Aufwand bei der Aufbereitung von Daten zur Rechtsform für nachgelagerte Prozesse.
• Überprüfungen der Datenqualität, wenn die vorgeschlagenen ELF-Codes von denen in bestehenden LEI-Datensätzen abweichen.

Diese maschinenlesbaren Klassifizierungen helfen Organisationen dabei, konsistentere Unternehmensdaten für Analysen, Onboarding und andere digitale Prozesse aufzubereiten. Das folgende „GLEIF Explains“-Video stellt LENU vor.

LENU ist eine Open-Source-Python-Bibliothek, die auf GitHub verfügbar ist; rechtsraum-spezifische Modelle sind zudem auf Hugging Face verfügbar. Seine auf Transformern basierenden Modelle können Unternehmensnamen sprach- und rechtsraumübergreifend verarbeiten.

Stellt die GLEIF eindeutige Diskrepanzen zwischen den LENU-Vorhersagen und bestehenden LEI-Datensätzen fest, kann sie eine Überprüfung an die zuständige LEI-Vergabestelle senden, um diese zu überprüfen und gegebenenfalls zu korrigieren. Aktualisierte Referenzdaten können dann in nachfolgende Modellversionen einfließen.

Die GLEIF, die Universität St. Gallen und Sociovestix Labs haben die wissenschaftliche Forschungsarbeit „Transformer-based Entity Legal Form Classification“ veröffentlicht, in der der Ansatz und sein Potenzial zur Unterstützung der Datenstandardisierung und des Entity-Matching untersucht werden.

Einen Überblick finden Sie in unserem neuesten Blogbeitrag „Wenn KI-Agenten Transaktionen durchführen – wer steht dahinter?“. Zum weiteren Kontext des Zahlungsverkehrs siehe „Grenzüberschreitende Zahlungen“