AI ist nicht gleich AI. Wir sollten im Banking zwingend unterscheiden, welche Art und Tiefenimplementierung wir meinen, wenn wir über „AI in Banking“ diskutieren. Denn längst haben die verschiedenen AI-Modelle und Anbieter unterschiedlichste Ausprägungen, Funktionalitäten und Autonomiegrade hervorgebracht. Die Diskussion, ob nun ‚GenAI oder klassische AI?‘ die richtige ist, greift für mich daher auch zu kurz. Pauschal lässt sich das nicht beantworten. Es kommt vielmehr auf den Anwendungsfall an. Hier passt längst nicht jede AI auf jede Fragestellung.
Wie meine ich das? Kurz gesagt: Klassische AI erkennt und prognostiziert. GenAI versteht und erzeugt. Aber agentische AI handelt. Wenn man sich diese Abstufung vor Augen führt, wird klar: Der wirkliche Business Impact entsteht, wenn AI nicht nur Antworten liefert, sondern innerhalb klarer Leitplanken Aufgaben und Prozesse tatsächlich zum Ergebnis führt.
Die Frage nach echtem Mehrwert für Banken sollten wir auch in dieser Logik beantworten: GenAI macht Wissen schneller zugänglich und Mitarbeitende produktiver. Das ist wertvoll – aber noch nicht die eigentliche Transformation. Der entscheidende Schritt kommt mit agentischer AI: wenn aus einer Antwort eine Handlung wird, wenn die AI Informationen zusammenführt, den nächsten Prozessschritt anstößt und den Vorgang bis zum Ergebnis begleitet.
Effizienzbetrachtung legt den Maßstab an
Für uns als Berliner Volksbank ist der Maßstab dabei denkbar einfach. Wir legen das Kriterium der Effizienz an, wenn wir über Mehrwert diskutieren und vergleichen Prozesse unter folgender Fragestellung: Schafft die Technologie mehr Zeit für unsere Kunden und Mitglieder und macht sie deren Banking einfacher und besser? Unsere Auffassung ist dabei klar: Die performante, die Mehrwert schaffende, KI ist für uns nicht die, die den Menschen aus der Bank entfernt. Es ist die, die unseren Mitarbeitenden mehr Zeit für den Menschen gibt.
AI als echtes Transformationsvorhaben begreifen
Vielleicht auch gerade deswegen ist der erfolgreichste AI-Use-Case im Banking nicht der spektakulärste, sondern eben derjenige, der ein echtes Problem in aufwändigen Kernprozessen einer Bank löst. Dafür sollten wir allerdings aufhören, AI als reines Technologieprojekt zu behandeln, sondern als Transformationsvorhaben in enger Vernetzung mit der gelebten Unternehmenskultur. Es braucht bei dieser Transformation meines Erachtens einen klaren Prozessverantwortlichen, messbaren Nutzen, verlässliche Daten, eine Integration in die bestehende Arbeitswelt und damit einhergehend viel Kommunikation, vor allem intern. Denn die Menschen in der Bank müssen verstehen, was die AI macht und leistet, auch wo ihre Grenzen liegen, damit sie Akzeptanz erfährt. Wir brauchen daher nicht hundert weitere Piloten – wir brauchen wenige Anwendungsfälle, die Ende-zu-Ende funktionieren und dann konsequent skaliert werden.
AI in Banking: der genossenschaftliche Ansatz
Was wir dabei auch sehen: Technologie allein ist heute nur noch selten der Engpass. Entscheidend sind verlässliche Daten, klare Governance und eine Organisation, die Verantwortung übernimmt und ins Handeln kommt. Hier sehe ich eine besondere Stärke unseres genossenschaftlichen Modells. Unsere Leistungsmerkmale liegen doch gerade in diesem Dreiklang: digitale Stärke, persönliche Beratung und regionales Vertrauen.
Wir können Technologie, Infrastruktur und Know-how in der genossenschaftlichen FinanzGruppe gemeinsam skalieren und gleichzeitig Kundennähe und unternehmerische Verantwortung in der regionalen Bank erhalten. Genau diese Verbindung aus Skalierung und Nähe ist im Zeitalter der von AI ein Wettbewerbsvorteil und kein Bremsklotz. AI zu skalieren heißt für uns Genossenschaftsbanken: Technologie gemeinsam nutzen – aber Verantwortung und Kundennähe nicht auslagern. Daher stehen wir bei der Fragestellung nach der besten oder richtigen AI im Banking derzeit an einem Punkt, den ich so zusammenfasse: Nicht der beste Algorithmus gewinnt, sondern der beste integrierte Prozess.