_Zusammenfassung
Sollten wir unsere eigene KI für Compliance-Zwecke entwickeln oder KI-Lösungen kaufen?
Früher oder später stellen sich die meisten Organisationen, die Prozesse im Zusammenhang mit ESG, regulatorischen Anforderungen oder Due Diligence verwalten, genau diese Frage, und die häufigste Antwort, die wir hören, ist eine Variante von „Wir verwalten KI bereits intern“.
Das ist ein durchaus verständlicher Reflex. Die Technologie scheint zugänglich zu sein, die Open-Source-Modelle sind leistungsstark, und die interne Verwaltung erscheint als der sicherste und am besten kontrollierbare Weg. Untersuchungen zu den konkreten Ergebnissen dieser Projekte, die aus mehreren unabhängigen Studien stammen, die in den letzten zwölf Monaten veröffentlicht wurden, zeichnen jedoch ein komplexeres Bild und zeigen eine kleine Anzahl spezifischer und immer wiederkehrender Gründe auf, warum interne KI-Projekte im Bereich der Compliance auf der Stelle treten.
Das Problem besteht nicht darin, einen KI-Prototypen zu entwickeln. Das Problem ist vielmehr, daraus ein System zu machen, das wirklich funktioniert.
Den meisten Unternehmen fällt es nicht schwer, ein KI-Projekt zu starten. Was ihnen jedoch schwerfällt, ist, es erfolgreich zum Abschluss zu bringen.
Ein internes Team kann innerhalb weniger Wochen einen Chatbot entwickeln, ein groß angelegtes Sprachmodell (LLM) mit den Unternehmensdokumenten verknüpfen, bestimmte Aufgaben automatisieren oder eine beeindruckende Machbarkeitsdemonstration präsentieren.
Das Schwierigste kommt erst danach:
- Kann das System mit den tatsächlichen Unternehmensdaten zuverlässig funktionieren?
- Lässt sich damit ein gleichbleibendes Ergebnis erzielen?
- Können sich die Nutzer auf seine Antworten verlassen?
- Lässt sich jede wichtige Entscheidung nachvollziehen und erklären?
- Lässt es sich in bestehende Systeme integrieren?
- Ist es möglich, eine Nachverfolgung zu gewährleisten, wenn sich das Modell, die Vorschriften oder die zugrunde liegenden Daten ändern?
- Und – was vielleicht am wichtigsten ist – kann das Unternehmen nachweisen, dass diese Investition tatsächlich einen messbaren geschäftlichen Mehrwert schafft?
Hier werden die Fakten immer deutlicher: Die Kluft zwischen der Erprobung von KI und ihrem großflächigen Einsatz ist enorm.
Und genau diese Lücke ist einer der Hauptgründe, warum Unternehmen in Erwägung ziehen sollten, mit einem auf Software und KI spezialisierten Partner zusammenzuarbeiten, anstatt zu versuchen, alles selbst zu entwickeln.
Die Akzeptanz von KI im Unternehmen ist hoch, ihre erfolgreiche Umsetzung jedoch nicht
Eine im Jahr 2025 im Rahmen des NANDA-Projekts des MIT durchgeführte Studie mit dem Titel „The GenAI Divide: State of AI in Business 2025“ analysierte mehr als 300 öffentlich zugängliche Fälle von KI-Implementierungen sowie Interviews und Umfragen unter Führungskräften und Mitarbeitern.
Die auffälligste Erkenntnis ist, dass 95 % der an der Studie teilnehmenden Unternehmen keinen messbaren finanziellen Nutzen aus ihren Pilotprojekten im Bereich der generativen KI feststellen konnten. Nur etwa 5 % von ihnen konnten daraus einen nennenswerten Nutzen ziehen.
Das Wichtigste ist jedoch, was das MIT als Ursache für dieses Ergebnis angibt.
Das Problem bestand nicht einfach darin, dass die KI-Modelle nicht leistungsfähig genug waren.
Das MIT hat vielmehr ein „Lerndefizit“ aufgezeigt: Systeme, die sich nicht ausreichend an den Kontext der Organisation, ihre Arbeitsabläufe und ihre Erfahrungswerte anpassten. Diese Studie hebt zudem eine erhebliche Kluft zwischen dem Experimentieren mit KI und ihrer Integration in reale Geschäftsprozesse hervor.
Diese Unterscheidung ist wichtig.
Die Frage lautet nicht:
„Kann man KI zum Laufen bringen?“
Die Frage lautet wie folgt:
„Können wir dafür sorgen, dass KI in unserem Unternehmen zuverlässig funktioniert?“
Das sind ganz unterschiedliche technische Probleme.
Vom Prototyp bis zur Serienfertigung: In welcher Phase kommen interne Projekte in der Regel ins Stocken?
Eine weitere Angabe zur Saison 2025/26 geht in die gleiche Richtung.
Eine von IDC und Lenovo durchgeführte Studie zeigt, dass von 33 von Unternehmen gestarteten Proof-of-Concept-Projekten im Bereich der künstlichen Intelligenz nur etwa vier tatsächlich in die Produktion übergehen.
Mit anderen Worten: Eine gelungene Demonstration ist nicht gleichbedeutend mit einem gelungenen KI-Produkt.
Ein Prototyp kann mit folgenden Komponenten betrieben werden:
- eine begrenzte Anzahl von Dokumenten
- bereinigte Daten
- sorgfältig ausgewählte Beispiele
- eine kleine Gruppe begeisterter Nutzer
- manuelle Überprüfung
- Ingenieure, die zur Verfügung stehen, um Probleme sofort zu lösen
Die Produktion ist eine andere Sache.
Ein Produktionssystem muss folgende Anforderungen erfüllen:
- inkonsistente Daten
- Tausende oder Millionen von Dokumenten
- Entwicklung der Rechtsvorschriften
- verschiedene Benutzer und Anwendungsfälle
- Sicherheit und Berechtigungen
- Systemintegrationen
- Vorlagenaktualisierungen
- unerwartete Daten
- Überwachung und Protokollierung
- Leistungsanforderungen
- Kostenkontrolle
- manuelle Überprüfung
- Prüfungsanforderungen
An diesem Punkt hören viele interne KI-Projekte auf, bloße Experimente auf diesem Gebiet zu sein, und werden zu Softwareentwicklungsprojekten.
Und das ist ein weitaus ehrgeizigeres Unterfangen, als sich für ein LLM-Modell zu entscheiden und eine Schnittstelle dafür zu entwickeln.
Warum scheitern interne KI-Projekte?
Es liegt nicht nur an einem Grund.
Verschiedene Studien zeigen, dass KI-Projekte scheitern, weil Unternehmen das Umfeld, in dem KI zum Einsatz kommt, unterschätzen.
Es lassen sich fünf immer wiederkehrende Probleme feststellen.
1. Der Prototyp funktioniert, aber der Arbeitsablauf funktioniert nicht
KI wird oft als technologisches Projekt dargestellt:
„Mal sehen, was dieses Modell alles kann.“
Aber Unternehmen brauchen keine Modelle. Sie brauchen Ergebnisse.
Ein Compliance-Team benötigt keinen hochentwickelten Chatbot. Es benötigt eine schnellere und zuverlässigere Möglichkeit, Nachweise zu prüfen, Lücken zu identifizieren, Berichte zu erstellen und Entscheidungen zu dokumentieren.
Dazu muss die KI in den eigentlichen Arbeitsablauf integriert werden.
Die vom MIT durchgeführten Untersuchungen verdeutlichen dieses Problem: Unternehmen, denen es gelingt, Mehrwert zu schaffen, gehen in der Regel über allgemeine KI-Tools hinaus und entwickeln Lösungen, die eng in spezifische Geschäftsprozesse integriert sind.
Das ist einer der Gründe, warum viele Linienpiloten diesen Beruf weiterhin ausüben.
Diese Technologie funktioniert.
Der zugehörige Geschäftsprozess wurde nicht neu gestaltet.
2. Eine hochwertige KI erfordert weit mehr als nur ein gutes Modell
Man könnte versucht sein, eine KI-Plattform wie folgt zu betrachten:
Benutzer → KI-Modell → Antwort
In Wirklichkeit sieht ein Produktionssystem oft eher so aus:
Benutzer → Anwendung → Berechtigungen → Daten → Extraktion → verschiedene Vorlagen/Tools → Validierung → Geschäftsregeln → manuelle Überprüfung → Prüfpfad
Und all diese Elemente müssen zusammenwirken.
Im Rahmen eines Anwendungsfalls im Zusammenhang mit Vorschriften oder Compliance kann es vorkommen, dass das System folgende Aufgaben ausführen muss:
- die relevanten Dokumente zu ermitteln;
- den entsprechenden rechtlichen Rahmen ermitteln;
- aktuelle Informationen von veralteten Informationen unterscheiden;
- unter Heranziehung mehrerer Quellen;
- eine Antwort generieren;
- Unsicherheiten zu ermitteln;
- Ihre Antwort begründen;
- Geschäftsregeln anwenden;
- Ausnahmen an einen Mitarbeiter weiterleiten;
- die Fakten im Hinblick auf ein künftiges Audit festhalten.
Der LLM ist nur ein Element unter vielen.
Das eigentliche Produkt ist das gesamte System, das es umgibt.
Dieses System muss entwickelt, getestet und gewartet werden.
3. Interne Teams verfügen oft über das erforderliche Fachwissen in ihrem Bereich, aber nicht über die notwendigen Kapazitäten, um eine KI-Plattform einzurichten.
Das ist ein wichtiger Unterschied. Compliance-Experten verstehen das Geschäft besser, als es ein externes Softwareunternehmen jemals könnte.
Sie wissen, dass:
- Welche Vorschriften maßgeblich sind
- Welche Dokumente sind maßgeblich?;
- dort, wo der aktuelle Prozess unterbrochen wird;
- welche Entscheidungen menschliches Urteilsvermögen erfordern;
- was die Zuhörer wollen;
- was die Regulierungsbehörden erwarten.
Dieses Fachwissen ist unverzichtbar.
Das bedeutet jedoch noch lange nicht, dass man in der Lage ist, ein KI-System zu entwickeln und zu betreiben.
Eine im Jahr 2026 von Moody’s durchgeführte Studie, die auf einer Umfrage unter 600 Fachleuten aus den Bereichen Risikomanagement und Compliance basierte, ergab, dass 41 % von ihnen den Mangel an internem Fachwissen oder Kompetenzen als das größte Hindernis für den großflächigen Einsatz von KI betrachteten. Zu den weiteren wesentlichen Hindernissen zählten regulatorische Unsicherheiten, die Integration bestehender Systeme und unzureichende Ressourcen.
Das ist aufschlussreich.
Das größte Problem ist nicht unbedingt, dass Unternehmen KI nicht verstehen.
Das Problem ist, dass sie nicht über genügend Mitarbeiter verfügen, die alle folgenden Eigenschaften vereinen:
KI-Entwicklung + Softwarearchitektur + Datenverarbeitung + Sicherheit + KI-Bewertung + Fachkenntnisse + Produktionsbetrieb.
Es ist schwierig, all diese Kompetenzen intern abzudecken.
Und selbst wenn ein Unternehmen über solche Mitarbeiter verfügt, müssen diese die Wartung des Systems auf unbestimmte Zeit gewährleisten.
4. KI erfordert vom ersten Tag an eine Steuerung und Überwachung
Herkömmliche Software ist relativ deterministisch. Wenn derselbe Code dieselbe Eingabe erhält, erwartet man in der Regel, dass dasselbe Ergebnis entsteht.
KI-Systeme stellen diese Annahme auf einer tieferen Ebene in Frage. Ein gutes Ingenieurteam kann und muss die meisten der beteiligten Faktoren im Griff haben: die Modellversionen sperren, den verwendeten Kontext kontrollieren, die Versionen der Prompts verwalten und externe Dienste überwachen.
Diese Genauigkeit ist zwar notwendig, löst aber nicht das grundlegende Problem: Das Modell selbst ist probabilistisch. Selbst wenn alle Eingabedaten konstant bleiben, kann dieselbe Abfrage an einem Dienstag eine andere Antwort liefern als an einem Montag, und dieses Phänomen lässt sich durch keinerlei technische Genauigkeit beseitigen.
Genau dadurch lässt sich diese Variabilität nachvollziehbar machen. Dazu dienen Governance und Bewertung: nicht, um zu verhindern, dass das Modell probabilistisch ist, sondern um genau zu verstehen, warum es ein bestimmtes Ergebnis geliefert hat, und um etwaige Abweichungen von den erwarteten Ergebnissen zu erkennen.
Das bedeutet, dass ein KI-System für Unternehmen über eigene Bewertungs- und Steuerungsmechanismen verfügen muss.
Unternehmen sollten Folgendes wissen:
- Wie genau ist das?
- In welchen Fällen funktioniert das nicht?
- Welche Arten von Fällen sind unzuverlässig?
- Welches Modell hat diese Antwort gegeben?
- Welche Quellen wurden herangezogen?
- Auf welche Daten hat das System zugegriffen?
- Wann wurde dieses Ergebnis generiert?
- War ein Mensch daran beteiligt?
- Was passiert, wenn die KI keine Antwort mit ausreichender Sicherheit liefern kann?
- Haben sich die Leistungsdaten seit dem letzten Modell-Update verändert?
Das NIST-Rahmenwerk für das Risikomanagement im Zusammenhang mit KI betrachtet das Management dieser Risiken ausdrücklich als eine Frage, die Organisationen während des gesamten Prozesses der Konzeption, Entwicklung, Einführung und Nutzung von KI-Systemen berücksichtigen müssen. Sein „Profil für generative KI“ legt einen stärkeren Schwerpunkt auf Überlegungen zur Bewertung und Zuverlässigkeit während des gesamten Lebenszyklus der KI.
Und je mehr Autonomie die KI gewinnt, desto schwieriger wird es, dieses Problem zu lösen.
Gartner prognostiziert, dass bis Ende 2027 mehr als 40 % der Projekte im Bereich der agentenbasierten KI eingestellt werden, und führt dies auf steigende Kosten, einen ungewissen geschäftlichen Nutzen und unzureichende Risikokontrollen zurück.
Die Schlussfolgerung, die man daraus ziehen sollte, ist nicht, dass KI-Agenten nicht funktionieren.
Denn diese Autonomie erhöht den Bedarf an technischer Planung und Steuerung im Zusammenhang mit dem Modell.
5. Wie viel kostet die interne Implementierung von KI tatsächlich?
Selbst Unternehmen, die die technischen und geschäftlichen Hürden überwinden, stoßen auf eine dritte Hürde: den wirtschaftlichen Aspekt. Die KPMG-Umfrage aus dem zweiten Quartal 2026 ergab, dass fast die Hälfte der Unternehmen eine KI-Einführung bereits in Frage gestellt, verschoben, reduziert oder ausgesetzt hat, sobald die erwarteten Kosten den Nutzen zu übersteigen begannen. Nur etwa ein Drittel gibt an, vollständigen Überblick über die tatsächlichen Kosten für den täglichen Betrieb ihrer KI-Systeme zu haben, und diejenigen, die über diesen vollständigen Überblick verfügen, berichten fünfmal häufiger von einem nachweisbaren Return on Investment als diejenigen, bei denen dies nicht der Fall ist.
Die Compliance-spezifischen Daten von Moody’s ergänzen dieses Bild: 41 % der Befragten nennen den Mangel an internem Fachwissen oder Kompetenzen als größtes Hindernis für den großflächigen Einsatz von KI in den Bereichen Risiko und Compliance – noch vor regulatorischer Unsicherheit, der Komplexität der Integration oder dem Budget selbst.
Ingenieure mit Spezialisierung auf KI, die in der Lage sind, ein produktionsreifes System zu entwickeln und zu warten, sind rar und teuer, und diese Kosten enden nicht mit der Einführung: Sie fallen jedes Mal an, wenn ein Modell aktualisiert wird, sich eine Vorschrift ändert oder ein Zwischenfall in der Produktion auftritt.
Die zweiten Kosten entstehen durch die Nutzung selbst. Die meisten hochmodernen Modelle werden auf Token-Basis abgerechnet, und der Token-Verbrauch für eine Arbeitslast mit umfangreichen Dokumenten und iterativen regulatorischen Überlegungen lässt sich im Voraus nur sehr schwer vorhersagen. Die Feststellung von KPMG, dass der Zugang zu kostengünstigen Modellen mit hoher Genauigkeit mittlerweile der Faktor ist, der die KI-Strategie am schnellsten beeinflusst – mit einem Anstieg um 7 Punkte innerhalb eines einzigen Quartals –, spiegelt genau diesen Druck wider: Unternehmen erkennen, dass der Einsatz von KI und das Wissen darüber, was sie kostet und was sie wert ist, zwei ganz unterschiedliche Dinge sind.
Häufige Fragen, die sich Compliance-Verantwortliche stellen, bevor sie eine Entscheidung treffen
„Ist es langfristig nicht kostengünstiger, die Entwicklung intern durchzuführen, da wir so keine wiederkehrenden Kosten an Dienstleister zahlen müssen?“
Im Allgemeinen nein, wenn man alle Kosten berücksichtigt. Die anfänglichen Entwicklungskosten lassen sich am einfachsten abschätzen. Schwieriger einzuschätzen sind die wiederkehrenden Kosten: die fortlaufende Schulung angesichts sich ändernder Vorschriften, die Wartung einer sicheren Infrastruktur und die dafür erforderlichen technischen Fachkenntnisse. Laut einer von Moody’s durchgeführten Umfrage unter Compliance-Experten stellen diese bereits das häufigste Hindernis für den großflächigen Einsatz von KI in diesem Bereich dar.
„Wir verfügen über fundierte ingenieurwissenschaftliche Kompetenzen. Reicht das nicht aus, um das selbst zu entwickeln? “
Technisches Know-how und der nachhaltige Einsatz von KI gehören zu unterschiedlichen Disziplinen. Untersuchungen des MIT zeigen, dass ein „Lerndefizit“ die Hauptursache für das Scheitern von KI-Projekten in Unternehmen ist, was bedeutet, dass oft nicht die anfängliche Entwicklungsphase das Problem darstellt. Vielmehr sind die darauf folgenden Monate und Jahre der Anpassung ausschlaggebend: Genau in dieser Phase reduzieren laut Daten von KPMG fast die Hälfte der Unternehmen letztendlich ihre KI-Einsätze, sobald die tatsächlichen Kosten und die Komplexität sichtbar werden.
„Unsere Daten sind zu sensibel, um sie einer externen Plattform anzuvertrauen; sollten wir sie daher nicht selbst entwickeln?“
Das ist ein berechtigter Einwand, doch in Wirklichkeit geht es hier um die Frage, wo die KI ausgeführt wird, und nicht darum, wer sie entwickelt. Eine spezialisierte Plattform kann vollständig innerhalb Ihrer eigenen Umgebung oder in einem Rechenzentrum in der EU oder in der Schweiz betrieben werden, ohne dass Daten diesen Bereich verlassen. Damit wird die Frage der Souveränität direkt beantwortet, ohne dass Sie das KI-System selbst entwickeln und warten müssen.
„Könnten wir nicht mit einem kleinen Pilotprojekt beginnen und das Projekt anschließend ausweiten?“
Genau vor diesem Szenario warnt diese Studie. IDC hat festgestellt, dass nur etwa 4 von 33 KI-Demonstrationskonzepten tatsächlich in die Produktion übergehen. Die Prognosen von Gartner zu Projektabbrüchen im Bereich der agentenbasierten KI beschreiben genau diesen Verlauf: vielversprechende Pilotprojekte, die ins Stocken geraten, sobald das tatsächliche Dokumentenvolumen, konkrete regulatorische Feinheiten und strenge Prüfungen ins Spiel kommen.
„Wenn wir uns entscheiden, dieses Projekt in Angriff zu nehmen, welche unverzichtbaren Voraussetzungen müssten wir dann neben ingenieurtechnischem Fachwissen noch erfüllen?“
In den Studien werden systematisch mindestens drei Elemente genannt, die häufig fehlen: ein ausgereiftes Governance-Modell für KI (laut Deloitte verfügt nur jede fünfte Organisation darüber), eine festgelegte Methode zur Bewertung, ob das System tatsächlich funktioniert (ein Drittel der von Moody’s befragten Compliance-Teams führt keinerlei Maßnahmen dieser Art durch) sowie vollständige Transparenz hinsichtlich der Betriebskosten des Systems, da KPMG festgestellt hat, dass allein diese Transparenz mit einer fünfmal höheren Kapitalrendite (ROI) korreliert.
Warum sollte man also auf ein auf KI-Software spezialisiertes Unternehmen zurückgreifen, und warum kann eine Partnerschaft effektiver sein, als alles selbst zu entwickeln?
Das ist zweifellos das wichtigste Argument, das man bei der Entscheidung zwischen „selbst machen“ und „fertig kaufen“ berücksichtigen sollte.
Untersuchungen im Rahmen des NANDA-Projekts des MIT haben ergeben, dass externe Partnerschaften mit maßgeschneiderten, lernfähigen KI-Systemen etwa doppelt so häufig zum Einsatz kamen wie intern entwickelte Tools – das entspricht einem Anteil von etwa 67 % gegenüber 33 % in der Stichprobe der Studie. Die Forscher weisen jedoch darauf hin, dass diese Zahlen auf einer begrenzten Stichprobe beruhen und nicht als allgemeingültige Erfolgsquote interpretiert werden sollten; dennoch ist dieser Trend signifikant.
Das bedeutet jedoch nicht, dass:
„Unternehmen sollten KI auslagern.“
Das ist:
„Unternehmen sollten nicht davon ausgehen, dass eine interne Entwicklung automatisch die risikoärmste Lösung darstellt.“
In vielen Fällen besteht der beste Ansatz darin, das interne Fachwissen in einem bestimmten Bereich mit externem Software-Know-how zu kombinieren.
Das Unternehmen behält die Kontrolle über seine Daten, seine Geschäftsregeln und seine Entscheidungen.
Der Softwarepartner stellt die erforderliche Technologie bereit, damit diese Entscheidungen skalierbar, messbar und leicht zu warten sind.
Messbare betriebliche Effizienz, vorhersehbare KI-Preise, zuverlässige und sichere KI mit Dydon AI
Auf dieser Ebene haben wir Dydon AI aufgebaut. Es handelt sich dabei nicht um ein einziges Modell, das alles abdeckt, sondern um mehrere Modelle und technische Lösungen, die kombiniert werden, um den tatsächlichen Anforderungen jeder Prozessphase gerecht zu werden. Das Ganze läuft auf einer Infrastruktur, die entweder in der kundeneigenen Umgebung oder in Rechenzentren in der Schweiz oder in der Europäischen Union gehostet wird.
Das ist auch der Grund, warum wir unsere Preise nicht anhand des Bruttoverbrauchs an Token festlegen: Wir arbeiten mit unseren Kunden zusammen, um herauszufinden, wo der tatsächliche Wert liegt, und strukturieren unsere Preise dann auf der Grundlage vorhersehbarer Geschäftsergebnisse, sodass die Budgetierung nicht von vorab getroffenen Schätzungen zum Token-Verbrauch abhängt. Und deshalb wird jede Antwort einer manuellen Überprüfung unterzogen, bevor sie in einem Bericht erscheint – nicht aus Gründen der Einschränkung, sondern weil genau darin, laut den Befragten von Moody’s selbst, der Markt bereits erkannt hat, dass das wahre Vertrauen liegt.
Die Entscheidung zwischen „Entwicklung“ und „Kauf“ hängt nicht wirklich von den Fähigkeiten Ihres Teams ab. Vielmehr geht es darum, zu klären, ob die laufenden Kosten für die Entwicklung, Verwaltung, Bewertung und Finanzierung eines KI-Systems, das den regulatorischen Anforderungen entspricht – und das auf unbestimmte Zeit –, mit der Art und Weise übereinstimmen, wie Sie diese Fähigkeit umgesetzt haben möchten.
Möchten Sie wissen, wo KI in Ihrem Arbeitsablauf tatsächlich einen Mehrwert schaffen könnte?
Dydon AI bietet eine Analyse des KI-Potenzials an, um Bereiche zu identifizieren, in denen KI messbare Effizienzsteigerungen erzielen kann, Prozessschritte zu ermitteln, bei denen eine menschliche Überprüfung beibehalten werden muss, und aufzuzeigen, wie eine auf die Bedürfnisse von Unternehmen zugeschnittene Umsetzung aussehen könnte.
Erhalten Sie Ihre Analyse zum KI-Potenzial →
Sources
- Challapally, A. et al. (2025). The GenAI Divide: State of AI in Business 2025. MIT Media Lab, Project NANDA.
- Gartner, Inc. (2025). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Press release, June 25, 2025.
- IDC / Lenovo (2025). AI proof-of-concept to production benchmark findings.
- KPMG International (2026). Global AI Pulse Q2 2026: From Deployment to Value Realization. June 2026.
- Moody’s, with We Live Context (2025). From Reactive to Proactive: How AI is Transforming Risk and Compliance.
- Moody’s (2026). Navigating the Shift: How Agentic AI is Reshaping Risk and Compliance.
- Deloitte (2026). State of AI governance maturity findings, cited via Dreamix RegTech industry analysis.