Banken, Versicherungen und Asset Manager investieren so viel in künstliche Intelligenz wie nie zuvor. 88 Prozent der Unternehmen setzen KI bereits in mindestens einer Funktion ein. Und doch bleibt der große Durchbruch in den meisten Häusern aus.
Die Diskrepanz ist gut belegt: 86 Prozent der Führungskräfte halten ihre KI-Strategie für „best in class“ – aber nur 42 Prozent berichten, dass ihre KI-Initiativen überhaupt geschäftlichen Mehrwert erzeugen. Fast zwei Drittel der Unternehmen haben noch gar nicht begonnen, KI unternehmensweit zu skalieren. Die Botschaft dahinter ist unbequem, aber eindeutig: Piloten funktionieren. Skalierung nicht. Das hat einen Grund, der jedoch nicht dort liegt, wo die meisten ihn suchen.
Der Engpass liegt nicht in der Technologie, sondern in der Organisation.
Der Anspruch an KI hat sich in kurzer Zeit grundlegend verschoben. Die erste Welle generativer KI war eine Effizienzwelle – Texte, Code, interne Assistenten, schnellere Wissensarbeit. Das ist legitim, und es rechnet sich. Aber es greift strategisch zu kurz. Generative KI zielt nicht darauf ab, den Kunden schneller zu bedienen. Es verändert das Kundenerlebnis grundsätzlich, durch personalisierte Beratung, Conversational Banking und neue Formate im Kontakt mit Kundinnen und Kunden. Am Ende zielt sie auf das Geschäftsmodell, auf datenbasierte Services, auf neue Kundenschnittstellen und auf eine veränderte Wertschöpfung für Finanzinstitute. Die Entwicklung verläuft dabei stufenweise: von Effizienz über Kundenerlebnis hin zum Geschäftsmodell. Die Gefahr für die Banken ist dabei weniger, dass sie die erste Stufe der Effizienz verfehlen. Sie liegt viel eher darin, dass sie auf ihr stehen bleiben.
Hier liegt der entscheidende Punkt, der in den meisten Strategiepapieren übersprungen wird: Jede dieser Stufen verlangt nicht mehr Technologie, sondern mehr Organisation. Effizienz lässt sich noch mit einzelnen, gut betreuten Anwendungsfällen heben. Wer aber das Kundenerlebnis verändern möchte, braucht einen durchgängigen Weg in der Organisation von der Idee bis in den Produktivbetrieb, mit sauberen Übergaben zwischen Fachbereich, IT und Betrieb. Und wer KI zum Bestandteil des Geschäftsmodells machen will, muss diese als integralen Teil der Wertschöpfung führen: mit gesteuertem Portfolio und messbarem Wertbeitrag.
Eine Bank, die auf der dritten Stufe spielen möchte, jedoch bei den notwendigen Änderungen im Betriebsmodell nicht mitgezogen hat, scheitert eher an sich selbst als an der künstlichen Intelligenz.
Was muss sich ändern?
Der Umbau lässt sich konkret benennen. Es entstehen neue Rollen, die es in dieser Form bislang nicht gab: Produktverantwortliche für KI-Anwendungen, Machine-Learning-Ingenieure, Verantwortliche speziell für KI-Risiko und Compliance, Data Stewards, die für Qualität und Herkunft der Daten geradestehen. Es braucht eine Struktur, die zwischen einem zentralen Kompetenzzentrum und der dezentralen Verankerung in den Fachbereichen vermittelt. In der Praxis läuft das auf Hybridmodelle hinaus. Doch ein solches Modell funktioniert nur, wenn Mitarbeitende frühzeitig durch Reskilling und Upskilling darauf vorbereitet werden. Dafür braucht es schon heute eine vorausschauende Personalstrategie für die nächsten fünf bis zehn Jahre.
Zudem sind Prozesse erforderlich, die einen Anwendungsfall verlässlich von der Idee in den Regelbetrieb tragen, samt Pflege, Wartung und Monitoring. Es braucht eine Governance, die von Anfang an eingebaut ist und nicht nachträglich aufgesetzt wird, mit klaren Antworten auf Halluzinationen, Datenschutz und regulatorische Anforderungen.
Governance ist in einer Bank keineswegs ein Bremsklotz. Sie ist vielmehr die Bedingung dafür, dass künstliche Intelligenz überhaupt in die Fläche darf.
Mindestens ebenso entscheidend ist die Kultur. Ein Betriebsmodell trägt nur, wenn die Mitarbeiterinnen und Mitarbeiter es als Gestalter mittragen und nicht als Betroffene erdulden. Wer KI über die Köpfe der Belegschaft hinweg einführt, erntet Pilotprojekte. Keine Transformation.
Wer ist bereit?
Daraus folgt ein nüchterner Weg. Wer das ernst nimmt, behandelt KI weniger als Tool-Rollout, sondern vielmehr als eine reifegradbasierte Transformation: erst eine ehrliche Standortbestimmung über alle Ebenen hinweg, von Strategie und Datenfundament über Plattform und Governance bis zu Menschen und Skills, dann ein klares Zielbild, und erst dann fließt das Budget. Es ist besser, mit wenigen, klar verantworteten Anwendungsfällen aber klarer Richtung in den Regelbetrieb zu gehen als mit einem Dutzend Piloten ohne Orientierung und Eigentümer. Betrieb, Pflege und Governance müssen von der ersten Stunde an mitgedacht werden – nicht an deren Ende.
Der Wettbewerbsvorteil der nächsten Jahre wird nicht aus der neuesten Technologie mit besseren Werkzeugen erwachsen. Modelle und Plattformen werden zur Handelsware, denn sie stehen am Ende allen offen. Den Unterschied macht die organisatorische Reife: die Fähigkeit, ein sich entwickelndes und steigendes Zielbild verlässlich, sicher und im großen Maßstab einzulösen.
Die entscheidende Frage ist deshalb nicht, wo eine Bank künstliche Intelligenz einsetzt. Die Frage lautet: Wer baut seine Organisation rechtzeitig so um, dass aus Piloten echte Wertschöpfung wird? Die Häuser, die vorne liegen werden, sind nicht die mit der teuersten Technologie. Es sind die, die den Mut hatten, sich selbst umzubauen.
Autoren
Torsten Kusmanow
Bereichsleitung | Business Development Financial Services | msg for banking
Torsten Kusmanow ist Bereichsleiter bei msg for banking. Mit dem msg.AI Transformation Framework begleitet er Unternehmen bei der KI-Transformation – mit einem reifegradbasierten Systemansatz über zehn Ebenen, abgeglichen mit MIT CISR und dem EU AI Act.
Stefan Baumann
Bereichsleitung | Management Consulting | msg for banking
Stefan Baumann leitet den Bereich Management Consulting bei msg for banking und berät Entscheider in Finanzinstituten dabei, künstliche Intelligenz strategisch im Geschäftsmodell zu verankern.