Der AI-Reset im Banking: Von Hype zu ROI

Nach Jahren intensiver Investitionen in KI stellen Banken nun eine andere Frage: Nicht, was KI kann, sondern warum so wenig davon sich in messbaren Geschäftserfolgen niedergeschlagen hat. Branchenweit verschiebt sich der Fokus von der theoretischen Potenzialität der KI hin zu ihrem tatsächlichen Geschäftserfolg, und für viele Banken sind die Ergebnisse bisher gemischt.

Der “KI-Reset” spiegelt eine breitere Verschiebung wider, wie Banken KI angehen – weg von der Experimentierphase und hin zur Konzentration auf Lösungen, die reale, messbare Ergebnisse liefern.

Als das Experimentieren nicht zu Erfolg führte

Die erste Welle der KI-Adoption wurde von der Dynamik getrieben, als Führungskräfte Anwendungsfälle in Kundenservice, Kreditvergabe, Compliance und Betrieb erkundeten. Während Innovation und Investitionen hoch waren, war die Umsetzung in messbaren operativen Erfolg begrenzt.

Im Laufe der Zeit wurde ein Muster deutlich. Teams bauten starke Pilotprojekte, aber diese Lösungen blieben von den täglichen Arbeitsabläufen abgekoppelt. Die Integration in Legacy-Systeme ist komplexer als erwartet, Daten sind inkonsistent, und die Verantwortung zwischen Geschäfts- und Technologie-Teams bleibt fragmentiert. In vielen Fällen lag das Problem nicht am KI-System selbst, sondern an seiner Unfähigkeit, in bestehende Systeme und Prozesse integriert zu werden.

Ein Beispiel: Eine Bank könnte ein KI-Modell zur Unterstützung von Kreditentscheidungen entwickeln, aber wenn dessen Ausgabe nicht in den umfassenden Kreditvergabe-Prozess integriert ist, verbringen Teams weiterhin Zeit damit, die Ausgabe zu überprüfen, zu validieren und zu bearbeiten, anstatt sich auf höherwertige Analysen und einsichtsgetriebene Aktivitäten zu konzentrieren. Das Ergebnis ist mehr Aktivität, aber nicht unbedingt bessere, effizientere Kreditentscheidungen.

Die Erfahrung hat gezeigt, dass der Aufbau von KI-Fähigkeiten und die Lieferung von Geschäftswert nicht dasselbe sind. Erfolg wurde oft anhand transaktionsbasierter Metriken wie der Anzahl der gestarteten Anwendungsfälle oder automatisierten Prozesse gemessen. Der Fokus muss sich auf die Steigerung besserer Geschäftsergebnisse verschieben, wie verbesserte Kreditentscheidungen, beschleunigte Händleraufnahme, reduzierte Compliance-Kosten oder Kreditverarbeitungskosten und letztlich ein verbessertes Top-Line-Ergebnis.

Ein disziplinierterer Ansatz nimmt Form an

Führungskräfte werden selektiver, konzentrieren sich auf einen kleineren Satz domänen-spezifischer Anwendungsfälle mit klar messbarem Einfluss. Funktionen wie Betrug, KYC (Know Your Customer), Inkasso und Kreditentscheidung kristallisieren sich als Prioritäten heraus, da sie hohe Volumina mit strukturierten Prozessen und definierten Ergebnissen kombinieren, die eine erhebliche Geschäftsbedeutung haben.

KI-Programme werden mit dem Geschäftsproblem im Mittelpunkt des Gesprächs neu ausgerichtet. Der Ausgangspunkt ist das Geschäftsproblem: Wo sind die Ineffizienzen? Wo kann die Analyse tiefer sein? Wo verlangsamen Entscheidungen den Prozess? Wo wird das Risiko nicht effektiv gemanagt?

KI als Treiber für Ergebnisse

Daten haben sich von einem Hintergrundthema zu einer strategischen Priorität entwickelt. Ohne saubere, konsistente und gut regierte Daten kämpfen sogar die fortschrittlichsten KI-Modelle darum, bedeutungsvolle Ergebnisse zu liefern.

Für viele Institutionen hat die Suche nach Wegen, um Wert aus Legacy-Umgebungen durch APIs, Middleware und bessere Datenarchitektur zu schaffen, Vorrang vor einer vollständigen Kernersatz, der oft teuer, zeitaufwändig und riskant ist. Um voranzukommen, muss KI direkt in die täglichen Arbeitsabläufe eingebettet werden, anstatt als eigenständiges Tool oder Dashboard eingeführt zu werden, um das Mitarbeiter herum arbeiten müssen.

Wenn diese Grundlagen in Ordnung sind, beginnen Banken, klare Beispiele für KI zu sehen, die messbare Ergebnisse liefern.

Bei der KYC-Onboarding hat die KI-gesteuerte Dokumentenverarbeitung und Entscheidungsfindung die Onboarding-Zeiten erheblich reduziert und die Genauigkeit verbessert. Durch eine domänengeführte, digitale Transformationspartnerschaft reduzierte eine führende asiatische Bank die KYC-Onboarding-Zeit um 50 %, die Fehlerrate um 67 % und die Bearbeitungszeit um mehr als die Hälfte. Darüber hinaus sanken die operativen Kosten um 15 % und die Genauigkeitslevel verbesserten sich auf 96 %.

Dieser Unterschied wurde nicht durch Technologie allein erzielt, sondern durch den Prozessansatz. Anstatt KI auf bestehende Arbeitsabläufe aufzuschichten, wurde der Prozess von Anfang an neu gestaltet. Hierhin konzentrieren sich Banken zunehmend.

Eine ähnliche Verschiebung ist im Finanzkriminalitätsschutz im Gange. Traditionell war viel der Aufwand reaktiv, auf die Untersuchung von Alarmen konzentriert, die nach Vorfällen ausgelöst wurden. Banken nutzen nun KI, um Muster zu erkennen, potenziellen Betrug vorherzusagen und Risiken zu mindern. Diese Verschiebung von reaktiver zu proaktiver Herangehensweise ist der Bereich, in dem KI echten Wert schafft.

Menschliche Aufsicht entwickelt sich weiter, nicht zurück

In der stark regulierten Finanzdienstleistungsbranche haben Entscheidungen erhebliche finanzielle und reputationsbezogene Konsequenzen. Regulierungsbehörden erwarten Transparenz und Rechenschaftspflicht, was bedeutet, dass menschliche Aufsicht unerlässlich bleibt.

Wenn KI repetitive und regelbasierte Aufgaben übernimmt, verschieben sich menschliche Rollen hin zu Ausnahmehandling, komplexer Entscheidungsfindung und Aufsicht. Anstatt Transaktionen zu bearbeiten, konzentrieren sich Teams zunehmend auf die Überprüfung von Ausgaben, das Handling von Randfällen, die Sicherstellung der Qualität und die Minderung von Risiken.

In praktischer Hinsicht bedeutet dies, dass KI Routine- und Alltagsaufgaben übernimmt, während Menschen die endgültige Verantwortung behalten. Der Schwerpunkt verschiebt sich von volumenbasierten Arbeiten hin zu verbesserten Ergebnissen mit Entscheidungsqualität, Kontrolle und regulatorischer Zuverlässigkeit.

Regierungsführung ist zentral für das digitale Ökosystem

Wenn KI-Modelle im großen Maßstab eingesetzt werden, müssen sie kontinuierlich überwacht, getestet und verfeinert werden. Fragen zur Erklärbarkeit, Voreingenommenheit und Compliance sind nicht zweitrangig, sondern zentral für die Bewertung dieser Systeme.

Die Verantwortung geht über IT hinaus, mit Geschäfts-, Risiko- und Compliance-Teams, die eine viel aktivere Rolle bei der KI-Implementierung und -Regierungsführung spielen. Ohne starke Regierungsführung ist Vertrauen in KI-gesteuerte Entscheidungen schwer aufrechtzuerhalten. Die Organisationen, die den meisten Fortschritt machen, behandeln Regierungsführung, Erklärbarkeit und Prüfbarkeit als Designanforderungen, nicht als Nachgedanken.

Was die Führungskräfte von den anderen unterscheidet

Die Institutionen, die vorankommen, werden diejenigen sein, die fokussiert bleiben – priorisieren weniger, höherwertige Anwendungsfälle, vollständig die Prozesse neu gestalten, um KI besser zu nutzen, ihre Datenfundamente stärken und Regierungsführung von Anfang an aufbauen.

Andere mögen weiter experimentieren, aber ohne disziplinierten Fokus wird es schwieriger sein, Anstrengungen in Ergebnisse umzusetzen.

Was als Nächstes kommt

Wenn die letzten Jahre von der Erforschung des KI-Potenzials geprägt waren, wird die nächste Phase durch den Einfluss auf den täglichen Bankbetrieb definiert.

Das Gespräch verschiebt sich von der grundlegenden Automatisierung hin zu fortgeschritteneren, agierenden Systemen, die mehrschrittige Prozesse und kontextuelle Entscheidungen bewältigen können. Wir sehen bereits diese Aufwertung im Finanzkriminalitätsschutz, Kreditwesen und Service – und der nächste Schritt ist, sich auf Skalierbarkeit zu konzentrieren.

Ein großer Teil der effektiven Skalierbarkeit hängt davon ab, zu wissen, wo Autonomie Sinn macht und wo Eingreifen notwendig ist.

In Prozessen mit geringem Risiko und hohem Volumen gibt es mehr Raum, um autonomes Entscheiden zu testen. In Bereichen mit höherem Risiko kann das KI-Modell die erste Phase der Ausgabe liefern, aber menschliche Einsicht und Aufsicht bleiben entscheidend. Diese Balance wird durch Risikobereitschaft, regulatorische Erwartungen und wirtschaftliche Sinnhaftigkeit geprägt.

Die Fähigkeit, effektiv zu skalieren und messbaren Geschäftserfolg zu demonstrieren, ist der Weg, auf dem Führungskräfte sich von der Masse abheben werden. Die Institutionen, die dies richtig machen, werden diejenigen sein, die sich auf klare Geschäftsergebnisse konzentrieren, in die Stärkung ihrer Datenfundamente investieren und KI in ihre Kernprozesse integrieren, anstatt sie als eigenständiges Tool zu behandeln. Ebenso wichtig ist, dass sie die richtige Regierungsführung aufbauen, um kontinuierlich die Leistung dieser Systeme zu überwachen und zu verfeinern.

KI im Bankwesen ist hier, um zu bleiben, aber es geht nicht mehr nur darum, fortschrittliche Technologien zu adoptieren. Es geht darum, wie diese Technologie Entscheidungen verbessert, Reibung reduziert und realen Wert liefert.