AI-Radar 2025: Warum Technologie allein nicht reicht – Insights von Banken und IT-Providern
Die erste Version unseres AI Radars für den DACH-Raum aus dem Herbst 2024 zeigte deutlich, wie intensiv Banken künstliche Intelligenz bereits einsetzen (LINK). Wir haben systematisch auf Basis öffentlich verfügbarer Information die grössten Banken in der DACH-Region analysiert, welche AI Use Cases sie realisiert haben. Dabei wurden die identifizierten Cases einerseits gemäss dem Bankmodell (Gabler Banklexikon) auf Basis der zugrunde liegenden Bankprozesse strukturiert. Andererseits wurden weitere Kriterien wie verwendetes Modell, Investitionskosten, Lessons Learned etc., soweit verfügbar, erfasst.
Doch wie hat sich die Realität seitdem verändert? In unseren aktuellen Erhebungen haben wir uns auf qualitative Interviews mit Partnerbanken und IT-Providern des Competence Centers Future Financial Services fokussiert, um tiefere Einblicke, konkrete Erfahrungswerte und neue strategische Herausforderungen im Umgang mit AI in der Finanzindustrie zu analysieren.
Insights aus den Interviews
Die Gespräche zeigen deutlich, dass KI inzwischen in vielen Banken über Pilotprojekte hinausgewachsen ist. Nach dem prominenten Release von generativer KI für den Verbrauchermarkt 2022 beobachten wir in den letzten zwei Jahren einen markanten Entwicklungssprung – Banken adoptieren derartige Anwendungen in der Praxis. Chat GPT oder andere große Sprachmodelle sind nun nicht mehr nur Experimentierfeld der Innovationsabteilungen, sondern werden aktiv für konkrete Aufgabenstellungen eingesetzt. Beispiele reichen von Firmenkunden, die ihr E-Banking mit einer AI-gesteuerten Komplettlösung für das Ausgabenmanagement ergänzen, bis hin zu automatisierten Kreditentscheidungen im Backoffice, die laut Aussagen der Befragten zu einer Reduktion der Bearbeitungszeiten um bis zu 90% führen können. Weitere Anwendungen umfassen unter anderem die automatisierte Plausibilisierung von Gutachten, das digitale Onboarding mittels KI-gestützter Dokumentenanalyse oder die DSGVO-konforme Erstellung von Reports im Marketing- und Kommunikationsbereich. Diese und weitere Use Cases von den in der nachfolgenden Abbildung dargestellten Banken haben wir im Rahmen unseres AI-Radars strukturiert aufgenommen und beschrieben.
Über die Implementierung verschiedener Anwendungsfälle von AI in Banken hinausgehend, ist bei den Befragungen zum AI-Radar insbesondere aufgefallen, dass in der Praxis aktuell kein einheitliches Verständnis von künstlicher Intelligenz herrscht: Während die einen sich eher auf die Technologie fokussieren («Machine Learning + x»), beschreiben die anderen eher dessen Funktionalität («Simulation menschlicher Intelligenz»).
Strategische Muster & Entscheidungspfade
Auffällig ist, dass nahezu alle befragten Institute ihre AI- bzw. Datenstrategien inzwischen eng mit der übergeordneten IT- und Unternehmensstrategie verknüpfen. Dennoch bleibt die Governance vielfach eine Herausforderung.
In der Praxis verfolgen Banken und IT-Provider meist einen hybriden Ansatz zum Sourcing der Technologie: Sie greifen auf bestehende, teils Open-Source-basierte Foundation-Modelle zurück und verfeinern diese anschließend für spezifische Anwendungsfälle. Entscheidungswege verlaufen dabei häufig dezentral, Use Cases werden meist über strukturierte Workshops identifiziert und anschließend nach Kriterien wie erwarteter Nutzen, technischer Reife und Umsetzbarkeit priorisiert.
Unterschiede zwischen Banken und IT-Providern
Ein spannender Kontrast ergibt sich im Vergleich zwischen Banken und Technologie-Providern. Banken agieren naturgemäß vorsichtiger. Regulatorische Anforderungen und interne Abstimmungen fordern besonders für Banken eine vorsichtige und strukturierte Implementierung geplanter Anwendungen. Gleichzeitig stehen sie unter Druck, Effizienzgewinne zu realisieren und neue Services zu entwickeln. Provider hingegen agieren typischerweise agiler, testen neue Large Language Models (LLMs) in kurzen Zyklen und verfügen über mehr technische Freiheit. Typischerweise entwickeln Provider neue Use Cases in Abhängigkeit von den Anforderungen der Banken. Ihnen fehlt jedoch häufig der direkte Zugang zu Endnutzerfeedback (von Bankkunden bzw. Bankmitarbeitenden), da Rückmeldungen aus dem Bankalltag oft nur gefiltert über die IT-Abteilung weitergegeben werden.
Herausforderungen in der Umsetzung
Ein zentrales Ergebnis unserer Untersuchung betrifft die vielschichtigen Herausforderungen, mit denen Banken beim Einsatz von künstlicher Intelligenz konfrontiert sind. So sorgt insbesondere die regulatorische Unsicherheit – etwa durch die DSGVO/DSG und das schrittweise Inkrafttreten einzelner Vorschriften des AI Acts in der EU sowie die in Schweiz geplante Umsetzung der europäischen AI Convention durch sektorale Anpassungen bestehender Gesetze für einen erheblichen Anpassungsbedarf auf technischer wie organisatorischer Ebene. Gleichzeitig zeigt sich, dass viele Institute mit der Akzeptanz der Technologie innerhalb der eigenen Belegschaft ringen: Kulturelle und organisatorische Hürden erschweren die Einführung neuer AI-Lösungen, was ein aktives Erwartungsmanagement und gezielte Change-Maßnahmen erforderlich macht.
Hinzu kommt die wirtschaftliche Abwägung zwischen Aufwand und Nutzen. Zwar lassen sich die Investitionskosten häufig klar beziffern, die klare Messung der möglichen Effizienzgewinne wie schnellere Bearbeitungszeiten oder automatisierte Prüfprozesse steht häufig noch aus. Erschwert wird die Umsetzung zudem durch fehlende Standards in Datenformaten, was die Zusammenarbeit mit Technologieanbietern behindert und die Integration von Lösungen verkompliziert.
Nicht zuletzt fehlt es in zahlreichen Organisationen an klaren Governance-Strukturen: Wer das KI-Portfolio steuert, welche Prioritäten gesetzt werden und wie der Erfolg einzelner Anwendungen gemessen wird, ist vielerorts noch nicht systematisch geregelt. Diese offenen Fragen machen deutlich, dass technologische Machbarkeit allein nicht genügt – es braucht auch klare Rahmenbedingungen, Entscheidungslogiken und Zuständigkeiten.
Eine Herausforderung, die in den Gesprächen zunehmend an Bedeutung gewonnen hat, betrifft geopolitische Abhängigkeiten und das Risiko eines Vendor-Lock-ins. Insbesondere bei der Nutzung großer, meist außereuropäischer Foundation Models und Cloud-Infrastrukturen wird deutlich, dass Banken langfristig in die Abhängigkeit einzelner Anbieter geraten können – sowohl technologisch als auch im Hinblick auf regulatorische und wirtschaftliche Rahmenbedingungen. Dies betrifft nicht nur Fragen der Datenhoheit und Compliance, sondern auch die strategische Flexibilität bei Modellwahl, Integration und Weiterentwicklung.
Hingegen wurde das Problem der Halluzinationen bei LLMs in den Gesprächen als vergleichsweise gering eingeschätzt. Zwei Unternehmen berichteten, dass sie die Leistung von LLMs systematisch mit der manuellen Bearbeitung durch Mitarbeitende verglichen hätten – insbesondere bei der Analyse umfangreicher Aktenbestände. Das Ergebnis: Die Fehlerquote der LLM-gestützten Auswertung lag unter jener der menschlichen Bearbeitung.
Handlungsempfehlungen aus der Praxis
Aus den Interviews lassen sich fünf zentrale Handlungsempfehlungen ableiten.
- Use Cases priorisieren: Mithilfe von Kriterien wie «Greatest Shortest Job First» oder des im Competence Center Future Financial Services entwickelten Data Use Case Assesment Frameworks (LINK) lassen sich Quick Wins identifizieren und zügig realisieren.
- Governance verankern: Klar definierte Zuständigkeiten, AI-Guidelines und ein zentrales Portfolio-Management erhöhen die Umsetzungsgeschwindigkeit.
- Feedbacksysteme etablieren: Insbesondere bei Zusammenarbeit mit Providern sollten Rückmeldungen aus dem operativen Alltag systematisch zurückfließen.
- Make-or-Buy-Entscheidungen transparent bewerten: Hybride Ansätze des Sourcings sollten kritisch im Hinblick auf die Balance zwischen Kontrolle und Geschwindigkeit geprüft werden.
- Kompetenzaufbau fördern: Kompetenzaufbau fördern: Bei der Einführung von AI reicht Technik allein nicht aus – gezielte Weiterbildung, Change-Management und Leadership-Trainings sind entscheidend für den Erfolg.
Risiken beherrschen: Generative KI eröffnet nicht nur neue Chancen, sondern auch neue Angriffsflächen – etwa durch Deepfakes, Identitätsfälschungen oder automatisierte Betrugsversuche. Sicherheitskonzepte müssen dieser wachsenden Bedrohung aktiv und vorausschauend begegnen.
Zukunftsperspektiven – Was kommt als Nächstes?
Unsere Partner empfinden prozessorientierte Agentensysteme als besonders spannend, die nicht nur Einzelschritte, sondern ganze Workflows orchestrieren können. Auch der Einsatz von Small Language Models und Multi-Agent-Architekturen wird zunehmen. Mit Blick auf die Zukunft erwarten unsere Partner zudem eine zunehmende Etablierung adaptiver KI-Systeme, die regulatorische Veränderungen automatisch berücksichtigen können.
Fazit & Ausblick
Der AI Radar 2025 zeigt: Erfolgreicher AI-Einsatz in Banken erfordert weit mehr als Technologie – entscheidend ist, wie AI strategisch eingebettet, organisatorisch gesteuert, kulturell verankert und auf einer tragfähigen Datenbasis umgesetzt wird – trotz teils fragmentierter Strukturen und systemischer Altlasten.
Noch unbeantwortet ist bisher die Frage, wie AI grundsätzlich die Bankprozesse und IT-Architektur beeinflussen wird und ob sie vor finanziellen Themen und Finanzberatung, bspw. als persönliche AI- Assistenten beim Kunden, halt machen wird.
