Banken

Die Bilanz: Was uns KI bereits heute über die Zukunft der Kreditvergabe lehrt

Gastbeitrag von Jon O’Donnell, Chief Operating Officer, Acuity Analytics aktualisiert

Wenn Ihre Kreditentscheidung länger als 24 Stunden dauert, betreiben Sie kein Kreditgeschäft – Sie betreiben ein Wartezimmer.

Das ist keine Übertreibung, sondern eine Diagnose. Die meisten Kreditinstitute verfügen über KI-Fähigkeiten, die sie nicht einsetzen, über Datenbestände, die sie nicht strukturiert haben, und über Betriebsmodelle, die sie nicht neu ausgerichtet haben. Wie groß ist Ihre Lücke – und was wird sie Sie kosten?

Dieser Beitrag ist keine Würdigung der KI im Kreditwesen. Er ist eine Bestandsaufnahme. Was haben uns die vergangenen fünf Jahre tatsächlich gelehrt – nicht über das Versprechen der Technologie, sondern über unsere Institutionen und ihre Bereitschaft zur Veränderung?

Die Kreditgeber, die das kommende Jahrzehnt prägen werden, sind nicht diejenigen, die KI am besten verstanden haben. Es sind diejenigen, die den Mut hatten, sich als Erste um sie herum neu zu organisieren.

Lektion eins: Wir haben Piloten mit Fortschritt verwechselt

Beginnen wir dort, wo die meisten Banken zu höflich sind, hinzusehen: beim Friedhof der Pilotprojekte.

In den vergangenen fünf Jahren haben Finanzinstitute Hunderte von KI-Piloten gestartet. Viele lieferten unter kontrollierten Bedingungen beeindruckende Ergebnisse. Die meisten wurden nie skaliert. Der Grund ist fast immer derselbe: Der Pilot war darauf ausgelegt, die Technologie zu validieren – nicht, den Arbeitsablauf zu verändern.

Das Muster ist struktureller Natur. Piloten werden von Innovationsteams verantwortet, an der Modellgenauigkeit gemessen und ohne Implementierungsplan an den operativen Betrieb übergeben. Das Urteil „vielversprechend, aber nicht produktionsreif“ ist der teuerste Satz im Bankwesen.

Die Organisationen, die dieses Muster durchbrochen haben, hörten auf zu fragen: „Können wir das bauen?“ – und begannen zu fragen: „Wird das verändern, wie wir arbeiten?“

Generative KI ist inzwischen – bei den Instituten, die es ernst meinen – vom Pilotbetrieb in die Produktion übergegangen. Die Erstellung eines Kreditmemos, die einen erfahrenen Analysten einst vier Stunden kostete, dauert heute zwanzig Minuten. Kreditnehmer-Dossiers, die drei interne Prüfschleifen erforderten, werden in einem einzigen Workflow erstellt, geprüft und freigegeben. Unterlagen für den Risikoausschuss, deren Vorbereitung früher ein Wochenende beanspruchte, entstehen in Echtzeit. Das sind keine Prognosen. Das ist gelebte Praxis in fortschrittlichen Instituten – heute.

Doch diese Institute werden Ihnen, wenn Sie ehrlich fragen, auch Folgendes sagen: Die Technologie war der einfache Teil. Einen Risikoausschuss dazu zu bringen, einem KI-generierten Dokument so weit zu vertrauen, dass er darauf eine Kreditentscheidung über zehn Millionen Euro stützt – das erforderte 18 Monate Change-Management, Governance-Arbeit und unbequeme Gespräche darüber, was „gut genug“ bedeutet, wenn eine Maschine es produziert statt ein Mensch.

Die Lektion: Messen Sie Ihre KI-Reife nicht an der Zahl der gestarteten Piloten. Messen Sie sie an der Zahl der abgeschlossenen – entweder in die Produktion skaliert oder mit klarem Blick auf die Gründe des Scheiterns eingestellt. Der Pilot, der ewig läuft, ist keine Innovation.

Lektion zwei: Der Kredit-Score ist ein Relikt – und wir haben ihn geschützt

Ein erheblicher Anteil wirtschaftlich tragfähiger kleiner und mittlerer Unternehmen wird Jahr für Jahr von traditionellen Kreditgebern abgelehnt oder unzureichend bedient – nicht, weil sie schlechte Kreditrisiken wären, sondern weil ihre Bonität nicht in die Variablen passt, für deren Bewertung das traditionelle Underwriting konzipiert wurde.

Der Kredit-Score wurde für eine Welt entworfen, in der Banken über sehr wenige Daten verfügten. Für seine Zeit war er ein brillantes Stück Ingenieurskunst: ein Weg, komplexes, unübersichtliches Finanzverhalten in eine einzige, belastbare Zahl zu destillieren. Diese Zeit ist vorbei. Heute stehen uns Cashflow-Daten, Transaktionsverhalten, Lieferkettenbeziehungen, plattformübergreifende Zahlungshistorien, Umsatzsignale in Echtzeit und Dutzende weiterer Variablen zur Verfügung, die ein weitaus reichhaltigeres Bild des Kreditrisikos zeichnen als jeder rückwärtsgewandte Score.

Und dennoch hält sich der Score. Nicht, weil er das beste verfügbare Instrument wäre. Sondern weil er das Instrument ist, das Aufsichtsbehörden verstehen, das Prüfer nachvollziehen können und um das Kreditausschüsse ihre gesamte berufliche Identität herum aufgebaut haben.

Sagen wir es deutlich: Das Festhalten der Branche am traditionellen Scoring ist institutionelle Trägheit im Gewand der Sorgfaltspflicht. KI-gestützte Bonitätsprüfung auf Basis alternativer Daten macht das Underwriting nicht nur schneller. Sie macht es fairer – indem sie bessere Kredite mit niedrigeren Ausfallraten an Kunden vergibt, die der Wettbewerb abweist.

Die Frage lautet nicht, ob KI-gestütztes Underwriting zum Standard wird. Es wird bereits zum Standard – bei den Instituten, die den Mut zur Umsetzung haben. Die Frage lautet, wie viele Jahre der Rest der Branche noch damit verbringen wird, auf eine Erlaubnis zu warten.

Lektion drei: GenAI hat uns die Wahrheit über unsere Daten gesagt – und sie hat uns nicht gefallen

Als Finanzinstitute begannen, große Sprachmodelle in Kreditprozesse zu integrieren, funktionierten die Modelle – und legten dabei jede Schwäche in der Qualität der Daten offen, mit denen sie gespeist wurden.

Kreditakten mit uneinheitlicher Formatierung. Kreditnehmerdaten, verteilt auf drei nie sauber integrierte Systeme. Kreditanalysen in siebzehn leicht unterschiedlichen Formaten, je nachdem, welcher Analyst sie erstellt hatte. Risikorahmenwerke, die in Richtliniendokumenten existierten, aber nie in Datenfelder operationalisiert wurden. Zwanzig Jahre institutionelles Wissen, gespeichert in den Köpfen erfahrener Kreditanalysten, die nie gebeten wurden, es niederzuschreiben.

Das ist Lektion drei: KI erzeugt Ihre Datenprobleme nicht. Sie deckt sie auf. Und die Institute, die auf diese Erkenntnis mit Schuldzuweisungen an die Technologie reagierten – „das Modell halluziniert“, „die Ergebnisse sind unzuverlässig“, „wir können ihm nicht vertrauen“ –, haben den Kern der Sache verfehlt. Natürlich liefert ein Modell unzuverlässige Ergebnisse, wenn es mit unzuverlässigen Daten arbeitet. Das ist kein Modellproblem. Das ist ein Auftrag, die eigene Dateninfrastruktur zu sanieren – und zwar jetzt, denn jeder Monat Verzögerung ist ein weiterer Monat, in dem sich der Wettbewerbsnachteil aufsummiert.

Die Institute, die produktiv auf diese Erkenntnis reagierten, taten drei Dinge. Erstens: Sie behandelten die KI-Einführung als Datenaudit und nutzten die Fehler des Modells als Landkarte der eigenen Schwachstellen. Zweitens: Sie machten Datenbereinigung zur strategischen Priorität – nicht zum IT-Projekt. Drittens: Sie nutzten den Prozess der Datenstrukturierung, um jenes institutionelle Wissen zu erfassen und zu kodifizieren, das zuvor ausschließlich im Erfahrungsurteil einzelner Experten lag.

Dieser dritte Schritt ist vielleicht die am meisten unterschätzte Fähigkeit, die KI den Kreditinstituten abverlangt hat. Wer ein Modell zur Unterstützung der Kreditanalyse baut, muss definieren, was gute Kreditanalyse ausmacht: Welche Variablen zählen? Wie sind sie zu gewichten? Welche Kontextfaktoren stechen die Zahlen? Dieser Prozess – die Externalisierung von Urteilsvermögen in strukturierte Rahmenwerke – ist für sich genommen außerordentlich wertvoll, unabhängig von der KI-Anwendung, in die er einfließt. Institute, die diese Arbeit geleistet haben, haben nicht nur bessere KI-Modelle gebaut. Sie haben konsistentere, besser prüfbare und skalierbarere Underwriting-Prozesse geschaffen.

Die Lektion: Begreifen Sie Ihre KI-Einführung als Katalysator für Datenqualität und Wissensmanagement. Die Technologieinvestition ist sekundär. Die Investition in Daten und Prozesse entscheidet darüber, ob sich die Technologie auszahlt.

Lektion vier: Agentische KI ist kein Upgrade – sie ist eine grundlegend andere Frage

Die erste Welle der KI im Kreditwesen drehte sich um Augmentierung – Werkzeuge, die Menschen schneller, besser informiert und konsistenter machten. Agentische KI verändert die Architektur dieser Beziehung fundamental.

Ein KI-Agent kann mehr sein als ein Werkzeug, das ein Mensch bedient. Er kann ein autonomes System sein, das Handlungen ausführt, innerhalb definierter Parameter Entscheidungen trifft und mehrstufige Arbeitsabläufe steuert, ohne bei jedem Schritt eine menschliche Anweisung zu benötigen. Im Kreditgeschäft bedeutet das: Systeme, die das gesamte Frontend der Kreditvergabe abwickeln können – Eignungsprüfung, Dokumentenerfassung, Identitätsverifizierung, vorläufige Bonitätsbewertung, Betrugserkennung, Genehmigungsrouting –, ohne dass ein Mensch den Prozess berührt, bis eine Entscheidung zur Freigabe vorliegt. Nach der Auszahlung können agentische Systeme die Einhaltung von Covenants überwachen, Frühwarnindikatoren melden, Kundenkommunikation auslösen und Ausnahmefälle an menschliche Kundenbetreuer eskalieren.

Die operativen Implikationen sind gewaltig. Die Implikationen für die Verantwortlichkeit ebenso. Und genau hier begehen viele Institute einen Fehler, der sich als sehr teuer erweisen wird.

Es gibt eine wachsende Tendenz, agentische KI als Gelegenheit zum Personalabbau zu betrachten. Das ist die falsche Frage. Die richtige lautet: Was brauchen wir von Menschen in einer Welt, in der Agenten die Routine übernehmen – und wie bauen wir die menschliche Kompetenz auf, das gut zu leisten?

Die unbequeme Antwort: Menschen müssen in einer Welt agentischer KI deutlich kompetenter sein als in einer Welt manueller Sachbearbeitung. Sie müssen verstehen, wie der Agent Entscheidungen trifft – gut genug, um ihn herauszufordern, wenn er irrt. Sie müssen die Grenzfälle erkennen: den Kreditnehmer, dessen Zahlen solide aussehen, dessen Branchenumfeld aber auf kommende Probleme hindeutet; den Kreditantrag, der gut scort, aber ein Muster aufweist, das ein erfahrener Kreditgeber als Vorboten von Betrug erkennen würde. Sie müssen die Kundenbeziehung in jenen Momenten tragen, in denen der Agent es nicht kann – das schwierige Gespräch, die Restrukturierungsverhandlung, die Ermessensentscheidung, die Empathie, Kontext und Urteilskraft erfordert, über die kein Modell derzeit verfügt.

Und sie müssen verantwortlich sein. Tatsächlich, rechtlich, professionell verantwortlich.

Wenn ein KI-Agent einen Kreditantrag ablehnt, wird nicht der Agent in die Vorstandssitzung zitiert. Niemand untersucht den Entscheidungsprozess des Agenten im Rahmen aufsichtsrechtlicher Vorgaben zum Verbraucherschutz. Kein Agent muss sich vor einer Aufsichtsbehörde erklären. Die Menschen, die diesen Agenten konzipiert, eingeführt, überwacht und freigegeben haben – sie stehen dafür ein. Jedes einzelne Mal.

Die Institute, die das verstanden haben, bauen Mensch-KI-Teams mit echter Kompetenztiefe auf der menschlichen Seite auf. Sie investieren in Schulungen – nicht nur zur Nutzung von KI-Werkzeugen, sondern zur Aufsicht über KI-Systeme: Modellausgaben hinterfragen, Verteilungsverschiebungen erkennen, identifizieren, wann ein Modell außerhalb der Bedingungen operiert, für die es trainiert wurde, und jenes übergeordnete Urteilsvermögen ausüben, das die Regulierung nicht nur erlaubt, sondern einfordert.

Die Institute, die das nicht verstehen, bauen eine Haftungsmasse auf. Eine schnelle, günstige, skalierbare Haftungsmasse.

Lektion fünf: Die Aufsicht ist nicht Ihr Gegner – aber sie schaut genau hin

Widmen wir uns der häufigsten Ausrede: „Wir können wegen der Compliance nicht schneller werden.“ Im Kontext von KI im Kreditwesen ist das im Jahr 2026 weitgehend unzutreffend.

Der EU AI Act stuft Systeme zur Bonitätsbewertung als Hochrisiko-Anwendungen ein und bringt reale Verpflichtungen mit sich: Transparenz, menschliche Aufsicht, Daten-Governance, regelmäßige Audits, Rechenschaftsrahmen. DORA ergänzt Anforderungen an die operationelle Resilienz. Das ist nicht trivial. Doch der entscheidende Punkt, den das Compliance-als-Ausrede-Narrativ unterschlägt: Institute, die jetzt robuste Governance aufbauen, stellen nicht nur die Aufsicht zufrieden. Sie errichten Wettbewerbsinfrastruktur.

Vertrauen ist ein Burggraben. Ein Institut, das seinen Kunden, seinen Geschäftspartnern und seinen Aufsichtsbehörden nachweisen kann, dass seine KI-gestützten Kreditentscheidungen erklärbar, prüfbar, fair und konsistent sind, kann diese Systeme breiter, souveräner und mit weniger regulatorischer Reibung einsetzen als seine Wettbewerber. Die Compliance-Investition ist keine Kostenposition der KI-Nutzung. Sie ist die Voraussetzung für KI im großen Maßstab.

Die unbequeme Wahrheit für Institute, die sich hinter Compliance-Argumenten verschanzen: Der regulatorische Rahmen wird nicht einfacher werden. Er wird nicht permissiver werden. Wer auf eine Version der KI-Regulierung wartet, die den Einsatz ohne solide Governance erlaubt, wird ewig warten – und die Wettbewerber warten nicht mit.

Bauen Sie die Governance jetzt auf. Nicht, weil die Aufsicht hinschaut – obwohl sie das tut. Sondern weil es der einzige Weg ist, KI-Systeme zu bauen, die Vertrauen verdienen. Und im Kreditgeschäft ist Vertrauen kein Nice-to-have. Es ist das gesamte Geschäft.

Lektionen in der Praxis: Erfolgsbeispiele aus Kundenprojekten

Die fünf Lektionen sind keine Abstraktionen – es sind operative Realitäten, die Acuity gemeinsam mit Banken und Kreditgebern in produktiven Umgebungen durchlaufen hat. Die folgenden Beispiele zeigen, wie es aussieht, wenn Institute vom Wissen ins Handeln kommen.

Unternehmensweite KI-Einführung bei einem britischen Finanzdienstleister

Das Muster des Piloten, der unter kontrollierten Bedingungen beeindruckt und still verschwindet, bevor er die Produktion erreicht, kennen die meisten Institute nur zu gut. Ein britischer Finanzdienstleister durchbrach es, indem er seine ChatGPT-Enterprise-Einführung gezielt auf die typischen Fehlerquellen ausrichtete: unklare Governance, uneinheitliche Adoption und eine unzureichend vorbereitete Belegschaft. Acuity strukturierte die Lösung in vier aufeinanderfolgenden Phasen: Bewertung von Enterprise-Sicherheit und Bereitschaft, Priorisierung von Anwendungsfällen in HR, Recht, Finanzen und Compliance, praxisnahe rollenspezifische Schulungen über ein AI-Champion-Modell sowie die Vorbereitung der Teams auf tiefergehende Systemintegrationen. Die Ergebnisse waren eindeutig: eine um 40 bis 60 Prozent schnellere Adoption, Produktivitätssteigerungen von bis zu 30 Prozent, eine Halbierung der Compliance-Unsicherheit und eine Verdreifachung des KI-Engagements. Die Lektion lautet nicht, dass die Technologie transformativ war – sondern dass Governance und Change-Management die Transformation erst ermöglicht haben.

KI-gestütztes Kreditmonitoring bei einer europäischen Förderbank

Ziel der Bank war es, das Portfoliomonitoring – von der Datenerhebung über Financial Spreading und Kreditreviews bis zu Frühwarnsystemen – auf einer einheitlichen Plattform zu digitalisieren und KI für Automatisierung und Analyse zu nutzen. Die Discovery-Phase legte Inkonsistenzen in der Anwendung von Kreditrichtlinien und Spreading-Vorgaben offen, dazu Schwierigkeiten bei der Verknüpfung von Daten über Systemsilos hinweg und ineffizient eingesetzte Analystenzeit für manuelle Datenerfassung. Statt dies als Grund zur Verlangsamung zu werten, behandelte das Team die KI-Einführung als Datenbereinigungsprojekt: Financial Spreading wurde über standardisierte Vorlagen automatisiert, GenAI-gestützte Kreditberichte mit lückenlosen Zitationsnachweisen integriert und agentische KI-Algorithmen zur Erkennung von Frühwarnsignalen anhand individuell konfigurierbarer Schwellenwerte eingesetzt. Die Ergebnisse – 30 Prozent Produktivitätsgewinn durch Automatisierung und KI-gestützte Workflows, 100 Prozent Auditierbarkeit der GenAI-generierten Kreditreviews und die proaktive Früherkennung potenzieller Kreditverschlechterungen – waren nur möglich, weil das Institut nicht davor zurückschreckte, was die Technologie über den Zustand seiner Daten offenlegte.

Jenseits des Kredit-Scores: Prognose von Kreditausfällen bei einer britischen Bank

Traditionelles Kredit-Scoring ist kein umsichtiges Risikomanagement – es ist institutionelle Trägheit. Eine britische Bank hat diese Trägheit abgelegt. Ziel war die Entwicklung eines proprietären Modells zur Vorhersage, welche Kreditantragsteller ihre Kredite letztlich nicht zurückzahlen werden – ergänzt um ein Framework, das historische und aktuelle Antragsdaten erfasst und Modellläufe kontinuierlich sowie auf Abruf ausführt. Acuity entwickelte und verfeinerte ein Klassifikationsmodell unter anderem auf Basis von Gradient Boosting und machte die Ergebnisse über interaktive prädiktive Dashboards zugänglich. Das Framework wurde so konzipiert, dass die Bank das Modell nicht nur auf bestehende Anträge, sondern auf jeden gegenwärtigen oder hypothetischen Antragsteller anwenden kann – und damit jene szenariobasierte, differenzierte Kreditentscheidung ermöglicht, die eine dreistellige Kennzahl schlicht nicht leisten kann.

Was jetzt zu tun ist

Alles in diesem Beitrag führt zu denselben Prioritäten – sie sind nicht kompliziert, nur schwerer, als die meisten Institute sich eingestehen wollen.

  • Skalieren oder beenden. Jede KI-Initiative sollte entweder auf dem Weg in die Produktion sein oder eingestellt werden. Konsequent – in beide Richtungen.
  • Erst die Daten, dann das Modell. Die Investition mit der höchsten Rendite ist die Datenbereinigung und die strukturierte Erfassung institutionellen Wissens.
  • Das Betriebsmodell um das herum gestalten, was KI nicht kann. Die Gewinner sind nicht die, die menschliches Urteilsvermögen ersetzt haben – sondern die, die es freigesetzt haben.
  • Verantwortlichkeit in jede Governance-Ebene einbauen. Nicht als Compliance-Pflicht, sondern als Wettbewerbsvorteil.
  • In Menschen so konsequent investieren wie in Technologie. Nach Lernagilität einstellen. KI-Kompetenz schulen. Diejenigen belohnen, die die KI besser machen, indem sie ihr widersprechen.
  • Das Gespräch führen, das andere Gremien nicht führen. Nämlich: Wie sieht unser Institut in fünf Jahren aus, wenn sich nichts ändert? Die Kluft zwischen KI-fortgeschrittenen und KI-nachzüglerischen Kreditgebern ist bereits sichtbar. Die Zeit, sie zu schließen, ist jetzt – solange die Kosten noch beherrschbar sind.

Die einzige Frage, die zählt

Wir begannen mit einer Diagnose: Wenn Ihre Kreditentscheidung länger als 24 Stunden dauert, betreiben Sie ein Wartezimmer, kein Kreditgeschäft.

Wir enden mit einer schwierigeren Frage: Worauf warten Sie?

Das Wartezimmer ist kein Technologieproblem. Die Technologie existiert. Die Hürde ist institutionell – der Komfort des Vertrauten, das Risiko, der Erste zu sein, die Schwierigkeit einzugestehen, dass das über Jahrzehnte aufgebaute Betriebsmodell inzwischen ein Wettbewerbsnachteil ist.

KI transformiert das Kreditwesen, indem sie institutionelle Trägheit sichtbar macht. Jeder Monat Verzögerung ist ein Signal – nicht dafür, dass die Technologie unreif ist, sondern dafür, dass die Organisation es ist.

Nicht nach dem nächsten Piloten.

Nicht, wenn sich der regulatorische Rahmen gesetzt hat.

Nicht, wenn der Vorstand die Dreijahres-Technologiestrategie verabschiedet hat.

Jetzt.

Die Kreditgeber, die handeln – mit der Ehrlichkeit, ihre eigene Trägheit klar zu sehen, dem Mut, das eigene Betriebsmodell zu hinterfragen, und der Klugheit, Mensch und Maschine so zu verbinden, dass beide besser werden –, diese Kreditgeber werden herausragen.

Die übrigen werden viel Zeit damit verbringen zu erklären, warum sie es nicht getan haben.

Acuity Analytics begleitet Banken und Kreditgeber in jeder Phase dieses Wegs – von der Analyse gescheiterter Piloten bis zur Produktionseinführung, von der Datenbereinigung bis zu Governance-Frameworks, vom Design agentischer Systeme bis zur KI-Strategie auf Vorstandsebene. Wenn Sie Ihr Institut in diesen Zeilen wiedererkennen, sollten wir sprechen.