KI im Bankwesen

Um den Fintech-Trends voraus zu sein, ihren Wettbewerbsvorteil auszubauen und wertvolle Dienstleistungen sowie eine bessere Customer Experience zu bieten, haben Banken und andere Finanzdienstleister Initiativen zur digitalen Transformation ergriffen.

Das Aufkommen von KI-Technologien hat die digitale Transformation noch wichtiger gemacht und verändert die Branche. KI ist nicht länger eine Option, sondern ein Muss, und Finanzinstitute, die in KI-Plattformen investieren, haben ein größeres Potenzial, führend und erfolgreich zu sein.

Etablierte Finanzdienstleister hatten schon immer mit Innovationen zu kämpfen. Eine Studie von McKinsey ergab, dass große Banken 40 % weniger produktiv sind als Digital Natives.¹ Viele aufstrebende Start-ups im Bankenwesen leisten Pionierarbeit bei der Anwendung von künstlicher Intelligenz. Daher ist es umso wichtiger, dass traditionelle Banken den Anschluss behalten und selbst Innovationen entwickeln.

Banker nutzen seit langem Verarbeitung natürlicher Sprache (NLP), um die riesigen Datenmengen zu analysieren, die sie intern zur Verfügung haben oder aus Quellen Dritter beziehen. Sie nutzen Datenanalysetools, um Erkenntnisse und Trends zu ermitteln und fundiertere Entscheidungen über wichtige Investitionen und Vermögensverwaltung zu treffen.

Insbesondere der Bankensektor setzt zunehmend auf die Vorteile von KI-Technologien, um wettbewerbsfähig zu bleiben. Kunden wünschen sich eine nahtlose digitale Banking-Erfahrung: Apps, die ihre Bedürfnisse antizipieren, und die Möglichkeit, je nach Komplexität ihres Problems mit Menschen oder virtuellen Assistenten zu interagieren. Um diese Kunden zufriedenzustellen, muss die Benutzererfahrung verbessert werden. Die Einführung und Bereitstellung von generativen KI-Lösungen, in Verbindung mit effektiver Datenverwaltung, ist ein wichtiger Schritt hin zu diesem Ziel.

KI ist bereits für sich genommen leistungsstark. Die Kombination mit Automatisierung setzt noch mehr Potenzial frei. KI-gestützte Automatisierung verbindet die Intelligenz der KI mit der Zuverlässigkeit der Automatisierung. Herkömmliche Tools wie Robotic Process Automation (RPA) haben sich bei der Optimierung sich wiederholender Aufgaben bewährt, doch nun beginnen Banken damit, agentische KI-Systeme für komplexere Workflows einzusetzen.

Ein KI-Agent ist in der Lage, autonom zu entscheiden, und kann beispielsweise einen Kreditantrag von Anfang bis Ende begleiten. Er kann mit dem Kunden interagieren, Dokumente prüfen, die Kreditwürdigkeit mit internen und externen Datenbanken abgleichen und Compliance-Probleme aufzeigen. Er passt sich an eine veränderte Datenlage an und entscheidet in Echtzeit, anstatt nur vorgegebenen Regeln zu folgen – und das alles mit minimalem menschlichen Eingreifen.

Unternehmen aus dem Bank- und Finanzwesen setzen KI aus verschiedenen Gründen ein, darunter Risikomanagement, Verbesserung der Customer Experience und Optimierung von Front-, Middle- und Back-Office-Prozessen.

KI hilft Kunden, ihre Entscheidungen in finanziellen Angelegenheiten zu verbessern. Und so bleiben Kunden eher bei Banken, die modernste KI-Technologie einsetzen, um ihr Geld besser zu verwalten.

Angesichts umfangreicher Branchenvorschriften benötigen Banken und andere Finanzdienstleistungsunternehmen jedoch eine umfassende Strategie für den Umgang mit KI. Der Einsatz von KI erfordert eine KI-Strategie und ein Implementierungsframework, das den Geschäftswert maximiert und gleichzeitig das Risiko minimiert.

Das IBM Institute for Business Value (IBV) hat in seinem Global Outlook for Banking 2025 -Bericht einen Leitfaden für Banken veröffentlicht, die KI-Tools und -Praktiken in ihre Abläufe einbinden möchten.² Zu den wichtigsten Maßnahmen gehören folgende:

Anpassen des Geschäftsmodells, um von der Digitalisierung der Finanzdienstleistungen zu profitieren. Überarbeitung Ihrer Geschäftsstrategien, indem Sie die Art und Weise verändern, wie Sie auf Kunden eingehen. Erweiterung Ihrer Fähigkeit, Kunden mit Embedded Finance zu bedienen, damit sie überall und jederzeit ihre Bankgeschäfte erledigen können. Verbesserung der Beratungsangebote mit KI, um neue Servicegebühren zu erfassen, sowohl für Verbraucher, Unternehmen als auch für spezialisierte Bereiche wie Investmentbanking. Betrachten der Zahlungsinitiativen als Rückgrat für neue Daten, um das KI-gestützte Risikomanagement über alle Ökosysteme hinweg zu stärken.

Steigern Sie die betriebliche Effizienz mithilfe von KI. Konzentrieren Sie sich auf Workloads mit hoher Auswirkung, um Angebote zu optimieren und zu verbessern und sie nahtlos digital nutzbar zu machen. Nutzen Sie KI, um Prozesse durchgängig neu zu gestalten und so Effizienz und Innovation zu steigern. Gestalten Sie die Hybrid Cloud, um Kosten zu optimieren und Abläufe zu vereinfachen.

Erneuern Sie Ihre Risikomanagementkultur – eine Kultur, in der jeder Banker zum KI-Risikomanager wird. Beschleunigen Sie die Softwareentwicklung mit KI, aber übersehen Sie nicht das Risiko von erhöhter Komplexität – investieren Sie in eine klare Plattform-Governance, um Sicherheit, Compliance und Resilienz zu verwalten, während Sie die Innovation skalieren. Priorisieren Sie Data Governance, um Vertraulichkeit, Integrität und Verfügbarkeit zu gewährleisten und sicherzustellen, dass KI-Modelle auf robusten Frameworks aufbauen, so dass Risiken wie Data Breach, Rechtsunsicherheiten und Modellverzerrung minimiert werden.

Implementieren Sie clevere Fortbildungsprogramme, die mit dem technologischen Fortschritt Schritt halten. Unsere Perspektive ist, dass KI sowohl ein Automatisierungsvorteil als auch eine Erweiterungsmöglichkeit bietet – Banker werden dadurch in die Lage versetzt, ihre Beiträge in einer digital transformierten Branche neu zu gestalten. Dieser Ansatz gilt für Geschäftsbereiche und Technologieabteilungen gleichermaßen. Banken haben möglicherweise Schwierigkeiten, die richtigen Fachkräfte zu finden, und können sich das Aufschieben von Umschulungsmaßnahmen für Mitarbeiter nicht leisten, die oft in Routineaufgaben verstrickt sind und mit den rasanten Innovationen nicht Schritt halten können.

Mit KI führen oder zurückbleiben. Banken müssen ihre Geschäftsstrategie klar formulieren, um sich im Zeitalter der KI von ihren Mitbewerbern abzuheben – technologische Innovationen allein reichen nicht aus. Der Übergang von Innovationen mit KI zu Innovationen auf Basis von KI erfordert einen KI-gestützten Ansatz, bei dem die KI-Plattform zum Kernstück aller Geschäfts- und Betriebsstrategien wird. 

Für Banken hat das Nutzen und Einsetzen von KI mehrere entscheidende Vorteile.

Verbesserte APIs: Der Bankbetrieb hängt zunehmend von der Verwendung von Anwendungsprogrammierschnittstellen (APIs) ab, damit Kunden ihr Geld über verschiedene Anwendungen verfolgen können. Zum Beispiel müssen Banken Budgetierungs-Apps von Drittanbietern eine API-Berechtigung erteilen, damit Kunden mehrere Bankkonten überwachen können. KI verbessert die API-Nutzung, indem sie mehr Sicherheitsmaßnahmen ermöglicht und sich wiederholende Aufgaben automatisiert. So werden APIs leistungsfähiger.

Intelligentere Kundentools: Das Aufkommen generativer KI auf Basis von Deep Learning bedeutet, dass die Investment- und Bankenbranche ausgefeiltere Tools einsetzen kann, um den Kundenservice zu optimieren. KI-gestützte Chatbots und virtuelle Assistenten können den Kundensupport verbessern und Kunden helfen, kleinere Probleme selbst zu lösen. KI kann auch die Grundlage für Budgetierungs-Apps bilden, die den Kunden dabei helfen, ihre Finanzen besser zu verwalten und mehr Geld zu sparen.

Intelligentere Kreditbewertung: Die Bestimmung der Kreditwürdigkeit ist eine wichtige Dienstleistung von Banken. Banken müssen erhebliche Mengen an Kundendaten verarbeiten, um wichtige Kreditentscheidungen zu treffen, z. B. ob ein Kreditkartenantrag akzeptiert oder eine Krediterhöhung genehmigt werden soll. KI-Algorithmen und Techniken des maschinellen Lernens können Finanzinstituten dabei helfen, Kreditkarten, Krediterhöhungen und andere Kundenanfragen schnell zu genehmigen oder abzulehnen.

Verbesserte Cybersicherheit und Betrugserkennung: Cyberangreifer nutzen zunehmend KI, um immer ausgefeiltere Methoden zum Betrug von Finanzinstituten zu entwickeln. Sie können mit KI erzeugte Audioaufnahmen³ verwenden, um Kunden zu imitieren und so Kundensupportmitarbeiter verwirren. Sie können KI einsetzen, um Phishing-E-Mails zunehmend echter wirken zu lassen. Daher müssen auch Finanzinstitute KI-Algorithmen einsetzen, um ihre Mitarbeiter in Echtzeit vor Cybersicherheitsbedrohungen zu schützen, und gleichzeitig Tools entwickeln, die ihren Kunden helfen, solche Tricks zu erkennen. Finanzinstitute und Behörden können KI-Systeme auch einsetzen, um andere Finanzstraftaten wie Geldwäsche oder Identitätsdiebstahl zu verhindern.

Integrierbares Banking: Dies ist die Integration von Bankfunktionen in bankfremde Verfahren. Ein Beispiel dafür ist Starbucks, das eine eigene Zahlungs-App einführte⁴. Integrierbares Banking wird als Service voraussichtlich an Bedeutung gewinnen. KI spielt bei diesem Wachstum eine wichtige Rolle, da sie Einzelhändlern und anderen Unternehmen dabei hilft, Daten über potenzielle Marktchancen zu sammeln und zu analysieren, die Kreditwürdigkeit einzuschätzen und Dienstleistungen für Kunden besser zu personalisieren.

Neue Märkte und Chancen: KI-gestützte Tools für vorausschauende Analysen und Prognosen können neue Wachstumsbereiche identifizieren, Underwriting-Prozesse verbessern und besser einschätzen, bei welchen Kunden ein Abwanderungsrisiko besteht. Zum Beispiel können Banken die Gewohnheiten ihrer Kunden analysieren und sie mit anderen Datenpunkten vergleichen, um festzustellen, ob einzelne Kunden kurz davor stehen, ihr Konto zu kündigen.

Die Einführung von KI im Bankwesen ist nicht ohne Risiken und Komplikationen. Eine IBM IBV-Studie aus dem Jahr 2025 ergab, dass 55 % der CEOs in Unternehmen und Finanzmärkten der Meinung sind, dass die potenziellen Produktivitätsgewinne durch Automatisierung so groß sind, dass sie erhebliche Risiken in Kauf nehmen müssen, um wettbewerbsfähig zu bleiben.⁵  Einige dieser Risiken sind:

Cybersicherheit: Generative KI-Technologie kann zur Betrugsprävention und für das Compliance-Management eingesetzt werden, birgt aber auch Risiken. Die Einbindung offener KI-Tools und -Technologien in die IT-Systeme von Banken bringt einige Sicherheitsherausforderungen mit sich, da KI-Modelle besonders wertvolle Ziele für böswillige Akteure sind. Deshalb brauchen Banken einen ganzheitlichen Ansatz zur KI-Governance, der Innovation und Risikomanagement wirksam ausbalanciert.

Rechtsunsicherheit im Zusammenhang mit dem Betrieb: Generative KI-Modelle müssen mit bestehenden Datensätzen trainiert werden, um effektiv zu sein. Es gibt immer noch einige ungelöste Fragen dazu, ob die Analyse öffentlich zugänglicher Daten wie Nachrichten und Erklärvideos eine Urheberrechtsverletzung darstellt⁶. 77 % der BFM-CEOs geben an, dass uneinheitliche Standards und Vorschriften sie daran hindern, ihr Geschäft auszubauen.² Eine Möglichkeit, dieses Problem zu vermeiden, ist die Verwendung von KI-Modellen, die auf Daten trainiert wurden, die der Bank gehören, wie z. B. Interaktionen mit dem Kundenservice oder eigene Forschung.

Schwierigkeiten bei der Kontrolle der Ergebnisgenauigkeit: Derzeit können KI-Modelle ihre Ergebnisse nicht begründen oder „verstehen“. Stattdessen erkennen KI-Modelle Muster in den Daten, die sie erhalten, und generieren Ergebnisse. Das Modell kann daher dem menschlichen Mitarbeiter nicht sagen, ob die Daten falsch oder ungenau sind. Daher ist die Erklärbarkeit von entscheidender Bedeutung, vor allem in einer regulierten Branche wie dem Bankensektor, wo das Verständnis, wie ein Modell zu seiner Entscheidung gekommen ist, entscheidend ist.

Vorurteile aufgrund von Modellverzerrung: Banken investieren zunehmend in Initiativen im Bereich Umwelt, Soziales und Governance (Environmental, Social and Governance, ESG), um Transparenz und Verantwortlichkeit für ihre Handlungen zu demonstrieren. Da KI-Modelle an von Menschen erstellten Daten trainiert werden, können sie darin enthaltene menschliche Vorurteile übernehmen. Banken müssen eine Verzerrung bei der Produktvermarktung und der Ermittlung von Kreditwürdigkeit, die sich in der Vergangenheit auf bestimmte demografische Merkmale negativ auswirkten, vermeiden.

Finanzinstitute stehen im Hinblick auf die digitale Transformation unter erhöhtem Druck. Kunden verlangen automatisierte Erlebnisse mit Self-Service-Funktionen. Sie wollen aber auch, dass sich Interaktionen persönlich und einzigartig menschlich anfühlen.

Banken räumen KI-Investitionen Priorität ein, um der Konkurrenz einen Schritt voraus zu sein und ihren Kunden immer ausgefeiltere Tools für die Verwaltung ihrer Gelder und Investitionen zur Verfügung zu stellen. Kunden bevorzugen Banken, die personalisierte KI-Anwendungen anbieten können, die ihnen helfen, finanzielle Möglichkeiten zu erkennen.

Die Zukunft der KI im Bankwesen wird wahrscheinlich dazu führen, dass Institute damit werben, dass sie KI einsetzen und damit Fortschritte schneller als ihre Wettbewerber bereitstellen können. KI wird Banken bei der Umstellung auf neue Betriebsmodelle, der Optimierung von Workflows, der Digitalisierung und kluger Automation sowie der Gewährleistung anhaltender Rentabilität in einer neuen Ära des Geschäfts- und Privatkundenbankings unterstützen.

Verwenden Sie vielfältige, repräsentative Datensätze und führen Sie fortlaufende Tests auf algorithmische Verzerrungen durch, um ungleiche Auswirkungen auf geschützte Gruppen aufzudecken. Integrieren Sie Kontrollmechanismen in ein formales Modellrisikomanagement (MRM)-Framework, um Modelle zu validieren, zu überwachen und zu dokumentieren. Stellen Sie die Einhaltung der Gesetze zur fairen Kreditvergabe und des Equal Credit Opportunity Act (ECOA) sicher, die gemeinsam diskriminierende Kreditentscheidungen verbieten und Erklärbarkeit vorschreiben.

Verfolgen Sie einen API-First-Ansatz, bei dem KI-Dienste auf bestehende Kernbankensysteme aufgesetzt werden, anstatt diese vollständig zu ersetzen. Nutzen Sie Middleware und Microservices, um neue KI-Funktionen von der Altsystemarchitektur zu entkoppeln, modernisieren Sie Datenpipelines für den Echtzeitzugriff und stellen Sie die Bereitstellung schrittweise bereit, um operative und regulatorische Risiken zu bewältigen.

Zur Unterstützung der Hyperpersonalisierung nutzt KI Machine-Learning-Modelle, die anhand von Transaktionsverläufen, Verhaltenssignalen und Daten zu Lebensereignissen trainiert wurden, um individuelle Angebote, Preisgestaltung und Finanzberatung bereitzustellen. KI-Agenten können dann in Echtzeit auf diese Erkenntnisse reagieren, indem sie proaktiv mit Kunden in Kontakt treten oder Empfehlungen anpassen. Vorausschauende Analyse antizipiert Kundenbedürfnisse (wie beispielsweise Refinanzierungsmöglichkeiten) und gewährleistet einen hohen Datenschutz.

Definieren Sie klare, am geschäftlichen Nutzen orientierte KPIs für Anwendungsfälle, wie beispielsweise Umsatzwachstum, Kosteneinsparungen, Betrugsbekämpfung, Verringerung von Kreditausfällen oder Kundenbindung, und vergleichen Sie die Basisleistung mit der KI-gestützten Leistung. Der ROI sollte zudem risikobereinigte Renditen berücksichtigen, einschließlich Gewinnen bei der Kapitaleffizienz und geringeren operativen Verlusten, die durch eine bessere Entscheidungsfindung erzielt werden.

Unternehmen können das Vertrauen ihrer Kunden aufrechterhalten, indem sie KI sowohl als strategische Kompetenz als auch als kontrolliertes Risiko betrachten, gestützt durch klare KI-Governance-Strukturen, die Verantwortlichkeiten, Aufsicht und ethische Standards festlegen. Die Integration von Modellrisikomanagement, Cybersicherheitsmaßnahmen und Data Governance in die unternehmensweiten Risikoprozesse sowie eine transparente Berichterstattung und Leistungsverwaltung tragen dazu bei, dass KI-Systeme sicher sind und den Kundenerwartungen entsprechen.