Gradient Labs Test (2026): Lohnt sich der KI-Agent für den Finance-Bereich?

Was Gradient Labs eigentlich ist

Ich baue seit einigen Jahren KI für den Helpdesk und lese deshalb sehr viele Launch-Seiten von "autonomen Support-Agenten". Die meisten verschwimmen ineinander. Gradient Labs ist eines der wenigen Produkte, das sich für eine enge, spezifische Nische entschieden hat und dort in die Tiefe statt in die Breite gegangen ist.

Das Unternehmen wurde 2023 in London gegründet, von drei ehemaligen Monzo-Mitarbeitern: Dimitri Masin (CEO, der bei Monzo das Daten- und ML-Team leitete), Neal Lathia (baute Monzos ML-Infrastruktur auf) und Danai Antoniou (Chief Scientist). Diese Herkunft ist wichtig, denn das gesamte Produkt liest sich wie von Leuten gebaut, die jahrelang beobachtet haben, wie Support innerhalb einer echten Bank an seine Grenzen stößt. Wie Masin es in einem Interview mit The Register formulierte, verbrachten sie bei Monzo Jahre damit, "typischerweise bescheidene 10%-Effizienzgewinne anzustreben", und der Wechsel zu modernen Modellen machte es plötzlich möglich, "70-80% der manuellen, repetitiven Arbeit komplett autonom zu automatisieren."

Der Markt hat diesen Fokus belohnt. Gradient Labs hat insgesamt 26 Millionen Dollar in einer Series-A-Finanzierung eingesammelt, zunächst 13 Millionen Dollar unter Führung von Redpoint im Juli 2025, dann eine zweite Erweiterung um 13 Millionen Dollar unter Führung von Octopus Ventures und CommerzVentures um Juni 2026. Der Umsatz wuchs im Jahresvergleich um etwa das Zehnfache, und die Agenten erreichen inzwischen mehr als 32 Millionen Endnutzer bei Kunden wie Wise, Zego, Plum, Current, Stash und Pockit.

Wie Otto tatsächlich funktioniert

Hier hebt sich Gradient Labs von einem regelbasierten Chatbot ab. Der Agent ist als Zustandsautomat aufgebaut, der spezialisierte Fähigkeiten orchestriert: Ein zentraler Reasoning-Agent entscheidet, was der Kunde braucht, und leitet den Fall dann über deterministische und agentische Schritte weiter, ohne den Kontext zu verlieren. Er ruft nicht einfach einen Artikel ab und hofft auf das Beste, er führt eine Prozedur aus.

Zwei Design-Entscheidungen sind mir aufgefallen. Erstens ist er wirklich multi-model: Gradient Labs routet zwischen OpenAI, Anthropic und Google, nutzt größere Modelle für reasoning-lastige Schritte und kleinere für schnelle, deterministische Aufgaben, mit Provider-Failover, damit ein einzelner Ausfall nicht den ganzen Agenten lahmlegt. Antoniou sagte dem Team der OpenAI-Fallstudie, sie sähen "500 Millisekunden Latenz mit GPT-5.4 mini und nano", was natürliche Sprachgespräche überhaupt erst möglich macht.

Zweitens bringst du ihm etwas bei, wie du es einer neuen Mitarbeiterin beibringen würdest. Prozeduren werden in normaler Sprache verfasst, und der Agent lernt aus deinen echten vergangenen Konversationen und SOPs, nicht nur aus dem Help Center. Ihre These lautet: "Support-Automatisierung so einfach wie das Schreiben eines Dokuments."

Ein ehrlicher Kompromiss, zu dem die Gründer offen stehen: Er ist nicht der schnellste Agent im Text-Chat. Masin merkt an, dass ihre mediane Antwortzeit "vielleicht 15-20 Sekunden" beträgt, weil der Agent sich mehr Zeit zum Nachdenken nimmt, und stellt das als fairen Deal für Finanzinstitute dar, bei denen eine falsche Antwort schlimmer ist als eine langsame. Ob das für dich passt, hängt von der Geduld deiner Kunden ab.

Die spezialisierten Agenten

Statt eines einzelnen Generalisten-Bots liefert Gradient Labs eine Reihe rollenspezifischer Agenten, jeder gemessen an seinem eigenen Ergebnis. Das ist der Teil, der ihn wie für das Bankwesen gebaut wirken lässt und nicht nachträglich angepasst.

• Customer Service Agent löst Anliegen über Chat, E-Mail und Sprache (das Demo-Dashboard zeigt 87,4% Lösungsrate im Text und 75,9% bei Sprache).
• Disputes Agent sammelt und verifiziert Beweise, entscheidet über das Ergebnis, eskaliert zur Freigabe an einen Menschen und reicht die Rückbuchung beim Kartennetzwerk ein.
• Collections Agent kontaktiert säumige Kreditnehmer zum richtigen Zeitpunkt und sichert ein Zahlungsversprechen, auch über KI-Sprachtelefonie.
• KYB-/KYC-Agent prüft Dokumente gegen Richtlinien und verifiziert ein Unternehmen oder einen Kunden vor dem Onboarding.
• Lending Agent, im April 2026 eingeführt, automatisiert die gesamte Kreditnehmer-Journey von der Antragstellung bis zum Inkasso.

Die Breite hier ist der Burggraben. Ein generischer Support-Bot kann "wo ist meine Rückerstattung" beantworten, aber er reicht keine Rückbuchung bei Visa ein und führt keine Vulnerability-Prüfung durch, und genau das sind die Workflows, die eine Bank abgedeckt haben muss.

Löst er tatsächlich Anfragen?

Die Kennzahlen sind der Grund, warum überhaupt jemand einen Gradient Labs Test liest, also lass mich präzise sein und darauf hinweisen, dass sie vom Anbieter selbst stammen (ein unabhängiges Audit gibt es bisher nicht).

Das entscheidende Muster ist die Steigerung. Die meisten Deployments starten mit über 50% Lösungsrate am ersten Tag, selbst bei komplexen Abläufen wie Reklamationen und Kontoverifizierung. Direkt out of the box ohne Anpassung liegt man bei 40-60%. Die Spitze von 80-90% wird nach 3-5 Monaten Optimierung erreicht. Die ehrliche Einordnung ist also: Das ist kein Sofort-80%-Tool, sondern ein Anstieg, in den man investiert.

Die genannten Kundenergebnisse untermauern diesen Verlauf:

Mein Lieblingssignal ist keine Zahl, sondern die Reaktionen der Endnutzer, die Gradient Labs zitiert, der Art, die sich schwer fälschen lässt. Eine Plum-Kundin schrieb: "bist du virtuell? Ich dachte, du wärst ein Mensch!" und ein Morse-Kunde sagte: "Ich dachte tatsächlich das ganze Gespräch über, du wärst eine Person." Wenn Kunden es nicht erkennen können, hat man die Hürde genommen, an der die meisten Support-Bots scheitern.

Guardrails und Compliance

Für einen regulierten Käufer ist dieser Abschnitt das ganze Spiel, und hier ist Gradient Labs am stärksten. Jede Interaktion in jeder Konversation durchläuft mehr als 20 finanzdienstleistungsspezifische Guardrails parallel: Erkennung von Finanzberatung, Signale für Kundenschutzbedürftigkeit, Beschwerdeerkennung, Prompt-Injection- und Text-Moderation sowie Prüfungen auf Versuche, die Verifizierung zu umgehen.

Es ist SOC 2 Type 2 zertifiziert mit SSO, rollenbasierten Berechtigungen und Audit-Logs, und vorkonfiguriert für FCA Consumer Duty, CONC, Reg E, Reg Z, PSD2, DSGVO und den EU AI Act. Antonious Formulierung im OpenAI-Beitrag trifft es genau: "Man muss von Grund auf gegen Halluzinationen konzipieren. Das muss das Leitprinzip beim Bauen sein." Im Finanzwesen ist die Lücke, wie sie es ausdrückt, "der Unterschied zwischen dem Lösen eines Anrufs und dem Erzeugen eines Compliance-Vorfalls." Selbst der beste Agent braucht Halluzinationsprävention als vorrangiges Thema, und das ist eines der wenigen Tools, die das eindeutig tun.

Sprache, Kanäle und ein Mensch bleibt im Loop

Otto ist von Grund auf omnichannel und behandelt Chat, Sprache, E-Mail und SMS als einen Agenten statt als separate, aneinandergeschraubte Bots. Sprache in Produktion in dieser Größenordnung ist selten, und das ist ein echtes Unterscheidungsmerkmal.

Das Feature, das ich jeder Ops-Führungskraft ans Herz legen würde, ist Ask a Human. Statt einer abrupten Übergabe, bei der der Kunde in einer Warteschlange wartet und sich wiederholen muss, führt die KI die Unterhaltung weiter, während im Hintergrund ein Mensch den sensiblen Schritt bearbeitet (etwa die Genehmigung einer Reklamation über 2.000 £). Der Agent übernimmt anschließend das Ergebnis und beendet das Gespräch. Das ist ein cleverer Ansatz für Support-Eskalation als eine harte Übergabe. Zegos Ergebnisse zeigen, warum das wichtig ist:

"Das Ask-a-Human-Feature hat die menschliche Bearbeitungszeit von 12 Minuten auf gut 3 gesenkt und gleichzeitig die CSAT-Werte gesteigert."

Andy Murray, Head of Strategy & Enablement, Zego

Preise: outcome-basiert, aber du musst anrufen

Hier kommt die konsequenteste Entscheidung, die Gradient Labs getroffen hat, und der Teil dieses Tests, den ich dir am meisten mitgeben möchte. Es gibt nirgendwo einen veröffentlichten Preis. Die Preisseite ist ein Lead-Formular. Das Modell lautet, in ihren Worten, "outcome-basierte Preisgestaltung ohne Plattformgebühren, bei der du nur für erfolgreiche Anfragenlösungen zahlst."

Masin war erfrischend deutlich, warum. In The Register nahm er die Preisgestaltung pro Konversation direkt aufs Korn: Ein Wettbewerber, der pro Konversation abrechnet, wird bezahlt, "egal wozu es führt", was "keinerlei Anreiz schafft", den Agenten tatsächlich zu verbessern. Sein Satz zum Modell ist das klarste Plädoyer für outcome-basierte Preise, das ich gesehen habe: "Wenn wir das Problem nicht lösen und du trotzdem dein menschliches Team einschalten musst, dann musst du uns nicht bezahlen." Er hat angedeutet, etwa 30% der äquivalenten menschlichen Kosten zu berechnen, was bedeutsame Kosteneinsparungen implizieren würde, wenn die Lösungsrate hält (die Rechnung KI-Agent vs. menschlicher Agent Kosten ist der Maßstab, an dem man das bewerten sollte).

Die Philosophie gefällt mir. Der praktische Nachteil ist, dass du deine Rechnung ohne ein Vertriebsgespräch nicht abschätzen kannst, es keine kostenlose Testphase gibt, und der Preis pro Lösung selbst geheim ist, sodass ein Vergleich mit einem veröffentlichten Preis-pro-Lösung-Tool (Zendesk nennt als Referenzwert 1,50 $ pro automatisierter Lösung) von außen unmöglich ist. Wenn dir vorhersehbare Self-Serve-Budgetierung wichtig ist, ist das eine echte Reibung. Unsere vollständige Gradient Labs Preisübersicht geht die Rechnung im Detail durch.

Was sagen die Leute tatsächlich darüber?

Das ist die ehrliche Lücke in jedem Gradient Labs Test: Es gibt fast keine unabhängige Nutzerstimme. Keine nennenswerten G2-, Capterra- oder Trustpilot-Bewertungen, keine Reddit-Diskussionen, kein Benchmark von Dritten. Die öffentliche Erzählung besteht aus Gründerinterviews, den eigenen Beiträgen des Unternehmens und Fallstudien seiner Modell-Partner. Behandle die Zahlen als glaubwürdig, aber vom Anbieter berichtet, nicht als geprüft.

Das zitierfähigste Statement im öffentlichen Diskurs ist eigentlich Masin, der offen über die Grenzen der Kategorie spricht. Zu der Frage, wo KI-Agenten zu viel versprechen, sagte er The Register, dass Sales- und Marketing-Agenten "in den meisten Fällen wirklich nutzlos" seien. Ein Gründer, der das öffentlich sagt, wirkt auf mich glaubwürdiger bei den Aussagen, die er tatsächlich über Support macht.

"Wir bauen die Agenten-Schicht, die Finanzdienstleister brauchen, um ihre Kundenoperationen autonom zu betreiben."

Dimitri Masin, Co-Founder & CEO, Gradient Labs

Das Fazit: Wer sollte Gradient Labs kaufen

Nach dem Durchgehen des Produkts, hier meine klare Einschätzung.

Kauf es, wenn du eine Bank, ein Kreditgeber, eine Neobank oder ein Versicherer mit echter regulatorischer Exposition bist und das Volumen hast, um ein abgegrenztes Rollout zu rechtfertigen. Die spezialisierten Agenten, die mehr als 20 Compliance-Guardrails, die SOC-2-Aufstellung und Sprache in Produktion sind anderswo kaum zusammenzubekommen, und die outcome-basierte Preisgestaltung bedeutet, dass du nicht für gescheiterte Gespräche zahlst. Für diesen Käufer ist das eines der glaubwürdigsten KI-Kundenservice-Unternehmen auf dem Markt.

Überspring es, wenn du außerhalb der regulierten Finanzbranche tätig bist, Preise sehen willst, bevor du mit dem Vertrieb sprichst, oder diese Woche live gehen musst. Der Finance-Fokus, der es für eine Bank stark macht, macht es für einen Onlineshop, ein SaaS-Support-Team oder ein internes IT-Helpdesk überdimensioniert (und unzugänglich). Für diese Teams ist unser Leitfaden zur besten KI-Helpdesk-Software der bessere Ausgangspunkt. Und die reine Vertriebs-Anlaufstelle bedeutet, dass es keine Möglichkeit gibt, es zuerst selbst an den eigenen Tickets auszuprobieren, was genau die Build-vs-Buy-Sicherheit ist, die die meisten Teams wollen.

Probier eesel aus, wenn du außerhalb der Finanzbranche tätig bist

Wenn du dieses Fazit gelesen hast und bei "keine Bank" gelandet bist, ist dieser Teil für dich. eesel AI ist die horizontale Version der Idee, die Gradient Labs im Bankwesen bewiesen hat: ein KI-Agent, der echte Tickets löst und dafür gebaut ist, sich in das Helpdesk einzuklinken, das du bereits betreibst.

Die Unterschiede sind die, die zählen, wenn du keine Bank betreibst. eesel klinkt sich in wenigen Minuten in Zendesk oder Freshdesk ein, trainiert mit deinen bisherigen Tickets und deinem Help Center, sodass es sich von Tag eins an nach deinem Team anhört, und lässt dich gegen Tausende historischer Tickets simulieren, bevor auch nur eine einzige Antwort rausgeht. Die Preise sind öffentlich und nutzungsbasiert, sodass du die Kostenrechnung selbst machen kannst, bevor du überhaupt ein Gespräch buchst, und du kontrollierst genau, welche Tickets es bearbeitet und leitest den Rest an einen Menschen weiter. Der Beweis zeigt sich schnell, weil es kein abgegrenztes Projekt gibt, auf das man warten müsste. Wie Kim Simpson bei Gridwise es formulierte: "Im ersten Monat löst eesel bereits 73% unserer Tier-1-Anfragen", nach einer 7-tägigen Testphase. Du kannst eesel kostenlos testen und diese gleiche Simulation noch heute mit deinen eigenen Tickets durchführen.