Vom KI-Pilot zum Ergebnisbeitrag : Wie Banken KI im Geschäftsmodell verankern und spürbaren Mehrwert schaffen

Die KI-Frage hat sich verschoben

Bankvorstände müssen heute kaum noch begründen, ob und warum künstliche Intelligenz für ihr Institut relevant ist. Im September 2025 berichtete die European Banking Authority, dass 92 Prozent der EU-Banken KI bereits einsetzen; die Europäische Zentralbank stellte 2026 fest, dass mehr als 85 Prozent der von ihr beaufsichtigten Banken KI nutzen. Die strategische Lücke liegt damit weniger in der Adoption als in der Tiefe der Nutzung und in der Fähigkeit, Nutzen dauerhaft zu realisieren.^{1, 2}

Genau hier zeigt sich das zentrale Dilemma: Banken verfügen inzwischen über eine wachsende Liste an KI-Piloten, Chatbots und Assistenzlösungen. Gleichzeitig bleiben Prozessdurchlaufzeiten, Kapazitätsengpässe und Cost-Income-Ratio häufig nahezu unverändert. Die Ursache ist selten ein Mangel an Ideen. Es fehlt ein Operating Model, das fachliche Wertziele, Daten, Technologie, Governance, Change und Ergebnisverantwortung zusammenführt. Die nächste Phase der KI-Transformation wird deshalb über den wirtschaftlichen Transfer entschieden. Zeitersparnis muss in freiwerdende Kapazität, bessere Entscheidungen, höhere Qualität oder zusätzliches Geschäft übersetzt werden. Eine Demo ist noch kein Wertbeitrag.

Der Weg aus diesem Dilemma beginnt mit einem Perspektivwechsel: KI wird als unternehmensweite Fähigkeit gesteuert. Einzelne Anwendungen bleiben wichtig, werden jedoch in Wertströme, wiederverwendbare Komponenten und ein gemeinsames Produkt- und Betriebsmodell eingebettet. Damit verändert sich auch die Investitionslogik. Das Management finanziert keine Sammlung isolierter Projekte, sondern eine Wertschöpfungsarchitektur.

Die Use-Case-Falle: Warum Aktivität noch keinen Mehrwert erzeugt

Die Operationalisierung einer AI-Roadmap scheitert häufig an einem paradoxen Muster: Je größer die Aufmerksamkeit für KI wird, desto mehr lokale Initiativen entstehen. Fachbereiche melden eigene Prioritäten, die IT prüft parallel neue Werkzeuge, Compliance bewertet Einzelfälle und Führungskräfte erwarten schnelle Resultate. So entsteht zwar Dynamik, jedoch keine gemeinsame Richtung.

Ein erstes Problem ist die lokale Optimierung. Anwendungen verbessern einzelne Tätigkeiten, ohne den End-to-end-Prozess zu verändern. Die eingesparte Bearbeitungszeit verpufft dann in Übergaben, Wartezeiten oder Medienbrüchen. Hinzu kommt eine falsche Vergleichslogik. Ein Corporate GPT, eine automatisierte Dokumentenprüfung und ein agentischer Prozess werden häufig mit derselben ROI-Schablone bewertet, obwohl strategische Befähigung und direkt messbare Effizienz unterschiedliche Kriterien benötigen.

Ein weiteres Muster ist der technische KI-Pilot ohne Prozessentscheidung. Die Anwendung funktioniert, doch Rollen, Kontrollpunkte, Datenzugriffe und Folgeschritte bleiben unverändert. Der Pilot läuft neben dem Prozess und wird damit zur zusätzlichen Komplexität. Ebenso problematisch ist Adoption ohne Ergebnisverantwortung: Nutzungszahlen steigen, während niemand verbindlich dafür verantwortlich ist, den gewonnenen Zeitanteil in Kapazität, Servicequalität oder Vertriebserfolg zu überführen.

Das Whitepaper „Raus aus der Use-Case-Falle“ beschreibt diese Entwicklung entlang der Phasen Forming, Storming, Norming und Performing. In der frühen Phase geht es zunächst um Erfahrung und ein belastbares Mandat. In der Storming-Phase werden Ideen kanalisiert und priorisiert. Erst mit einem integrierten Operating Model entsteht die Voraussetzung für Skalierung und messbaren Nutzen.

Frühe KI-Piloten sollten deshalb bewusst als „Experience Cases“ verstanden werden. Sie verfolgen zunächst Lernziele: Welche Datenqualität ist erreichbar? Wie verändern sich Kontrollhandlungen? Wo entsteht Akzeptanz? Welche Plattformkomponenten sind wiederverwendbar? Der Erfolg wird in dieser Phase in Erkenntnissen und Anschlussfähigkeit gemessen. Sobald die Bank in die Skalierung geht, werden daraus Business Cases mit klaren Wert- und Exit-Kriterien.

Vom Use Case zum Wertstrom: Die Geschäftsmodelllogik vor die Technologie stellen

Spürbarer Mehrwert entsteht, wenn die Bank von ihren strategischen Wertpools ausgeht. Die Leitfrage lautet daher: Welche Ergebnis- oder Leistungsgröße soll sich in den nächsten zwölf bis 24 Monaten sichtbar verändern? Erst danach wird entschieden, welche KI-Fähigkeit benötigt wird.

Beim Wertpool Wachstum stehen beispielsweise Abschlussquote, Share of Wallet und Time-to-Offer im Mittelpunkt. KI kann hier die Beratungsvorbereitung, den Angebotsentwurf, Next-Best-Action-Ansätze oder das Fördermittel-Matching unterstützen. Der Nutzen zeigt sich in zusätzlichem Ertrag und höherer Konversion.

Beim Wertpool Kapazität sind Bearbeitungszeit, Volumen je Vollzeitäquivalent und Automatisierungsgrad die zentralen Größen. Typische Anwendungsfelder sind die Prüfung von KYC-Unterlagen, die Kreditvorprüfung, Vertragsanalysen oder die Beschwerdebearbeitung. Der wirtschaftliche Effekt entsteht durch realisierbare Stunden, vermiedene Neueinstellungen oder die Fähigkeit, steigende Volumen ohne proportionalen Personalaufbau zu bewältigen.

Im Wertpool Qualität und Risiko werden Fehlerquote, Nachbearbeitung, Findings oder Verlustquoten adressiert. KI-basierte Vollständigkeitsprüfungen, Plausibilisierungen, Quality Gates und ein kontinuierliches Monitoring können Fehler- und Risikokosten reduzieren.

Der Wertpool Resilienz und Wissen fokussiert Servicelevel, Lastspitzenfähigkeit, Wissenszugriff und Einarbeitungszeit. Corporate GPTs, Wissensassistenten, regulatorische Recherche und eine schnellere Auskunftsfähigkeit erhöhen Stabilität, Geschwindigkeit und Kompetenzaufbau.

Der AI Value Sprint: In sechs Wochen vom Engpass zum belastbaren Wertbeleg

Ein wirkungsorientierter Ansatz beginnt mit einem abgegrenzten Wertstrom und einem messbaren Engpass. Beispielsweise wird im Firmenkundengeschäft nicht allgemein ein „Kreditassistent“ entwickelt. Stattdessen wird der Abschnitt von Dokumenteneingang bis zur entscheidungsreifen Vorlage untersucht. Prozessdaten, Interviewergebnisse und Stichproben zeigen, wo Suchaufwand, fehlende Unterlagen, wiederholte Prüfungen oder manuelle Übertragungen entstehen.

Der AI Value Sprint startet mit einem klaren Wertziel, einem Ergebnis-KPI und einem eindeutig abgegrenzten Prozessumfang.

Darauf folgt ein Process Twin, der den tatsächlichen Ist-Ablauf, Mengen, Wartezeiten und Kontrollpunkte erfasst.

Anschließend wird die passende KI-Fähigkeit bestimmt, etwa Extraktion, Recherche, Bewertung, Generierung oder Orchestrierung. Der minimale KI-Service wird mit realen Fällen, definierten Qualitätsgrenzen und direktem Nutzerfeedback getestet.

Nach sechs Wochen muss eine belastbare Managemententscheidung möglich sein: skalieren, verändern oder beenden. Zu dieser Entscheidung gehört von Beginn an die Frage, wie ein möglicher Kapazitätsgewinn wirtschaftlich genutzt werden soll. So entsteht Geschwindigkeit, ohne Governance und Wirtschaftlichkeit zu umgehen.

Sieben innovative Hebel für messbaren KI-Nutzen

Der folgende Baukasten verbindet kurzfristige Wirkung mit langfristiger Skalierbarkeit. Die Ansätze greifen ineinander und können abhängig von Reifegrad, Geschäftsmodell und Risikoprofil des Instituts unterschiedlich gewichtet werden.

Die wirtschaftliche Logik hinter diesen Hebeln lässt sich in einer einfachen Formel ausdrücken: Der realisierte Wert ergibt sich aus dem Zeitgewinn, multipliziert mit der Nutzungsquote, dem geeigneten Fallvolumen und dem wirtschaftlich nutzbaren Kapazitätsanteil. Hinzu kommen Qualitäts- und Ertragseffekte; abzuziehen sind Betriebs-, Transformations- und Risikokosten. Diese Logik verhindert, dass theoretisch eingesparte Minuten vorschnell als Ergebnisbeitrag verbucht werden.

Das Operating Model: Wertverantwortung, Governance und Technologie verzahnen

Ein skalierbares Operating Model benötigt drei miteinander verzahnte Ebenen.

Auf der Ebene der strategischen Steuerung definieren Vorstand und AI Review Board die Wertpools, die Risikobereitschaft, den Investitionsrahmen sowie Portfolio- und Stop-Entscheidungen.

Auf der Ebene der KI-Produktverantwortung steuern Fachbereich, Product Owner und technische Experten gemeinsam den End-to-end-Prozess, den Nutzen-KPI, die Adoption, die fachliche Qualität und die kontinuierliche Weiterentwicklung.

Die dritte Ebene bilden KI-Plattform und KIOps. IT, Datenmanagement, Informationssicherheit und Compliance verantworten Modelle, Datenzugriffe, Service-Connector, Monitoring, Freigaben, Betrieb und Anbieterwechsel.

Entscheidend ist das Zusammenspiel: Der Vorstand definiert Ambition und Risikokorridor, fachliche Produktteams tragen den Wertbeitrag und eine zentrale Plattform stellt wiederverwendbare technische sowie regulatorische Fähigkeiten bereit.

Governance nach Risikospuren: Geschwindigkeit dort erhöhen, wo sie vertretbar ist

Governance wird zum Beschleuniger, wenn wiederkehrende Entscheidungen standardisiert werden. Eine risikobasierte Triage ordnet neue Initiativen frühzeitig einer Bearbeitungsspur zu.

• In einer grünen Spur werden interne Assistenzlösungen mit öffentlichen oder unkritischen Daten und verbindlicher menschlicher Prüfung über standardisierte Freigaben schnell umgesetzt.
• In einer gelben Spur befinden sich Anwendungen mit internen Daten, relevanter Prozesswirkung oder automatisierter Qualitätsprüfung; hier sind vertiefte Datenschutz-, Modell- und Kontrollanalysen erforderlich.
• Die rote Spur umfasst Anwendungen mit Kundenwirkung, hoher Kritikalität oder entscheidungsnaher Nutzung. Sie benötigen eine individuelle Prüfung, strikte Human Oversight und ein explizites Vorstandsmandat.

Der regulatorische Rahmen bleibt Teil dieser Steuerung. Der EU AI Act gilt seit August 2024 stufenweise; Transparenzpflichten für bestimmte KI-Systeme greifen seit dem 2. August 2026. Für Banken ist deshalb ein integrierter Blick auf AI Act, Datenschutz, DORA, Auslagerungsmanagement, Informationssicherheit und bestehende Modellrisikoprozesse erforderlich. Ein separates KI-Regelwerk ohne Anschluss an vorhandene Kontrollsysteme schafft zusätzliche Bürokratie.³

Die 100-Tage-Agenda für den Vorstand

Die Integration von KI in das Geschäftsmodell benötigt keine jahrelange Vorbereitungsphase. Innerhalb von 100 Tagen kann das Management ein belastbares Fundament schaffen, zwei bis drei Wertbelege erzeugen und die Skalierungsentscheidungen vorbereiten. Voraussetzung ist eine klare Begrenzung des Umfangs.

In den ersten 30 Tagen werden drei strategische Wertpools festgelegt und für die priorisierten Prozesse Baselines zu Volumen, Zeit, Qualität und Kosten erhoben. Gleichzeitig werden das AI Review Board und seine Entscheidungsrechte mandatiert sowie Risikospuren und erste Plattformleitplanken definiert.

Zwischen Tag 31 und Tag 60 führt die Bank zwei AI Value Sprints in priorisierten Wertströmen durch. Vorhandene Corporate-GPT- oder Plattformkomponenten werden wiederverwendet, reale Nutzer und Power User eingebunden und Nutzen, Qualität, Risiken sowie Betriebskosten transparent gemessen.

Von Tag 61 bis Tag 100 werden die Gewinner skaliert und schwache Initiativen konsequent gestoppt. Das AI Value Ledger wird in Controlling und Portfoliosteuerung verankert, Kapazitäts- und Prozessentscheidungen werden getroffen und eine Roadmap für Plattform, Rollen und die nächsten Wertströme verabschiedet.

Fünf Entscheidungen, die nur der Vorstand treffen kann

Erstens muss der Vorstand den Wertfokus festlegen und entscheiden, welche zwei bis drei strategischen Wertpools Vorrang erhalten und welche Initiativen bewusst zurückgestellt werden.

Zweitens definiert er den Risikokorridor: Welche Daten, Prozesse und Entscheidungstiefen sind zulässig und an welchen Stellen bleibt menschliche Verantwortung zwingend?

Drittens entscheidet er über die Kapazitätslogik und damit darüber, ob frei werdende Zeit für Wachstum, Qualitätssteigerung, Entlastung oder strukturelle Kostenwirkung genutzt wird.

Viertens ist eine Souveränitätsentscheidung erforderlich: Welche Komponenten müssen kontrollierbar und austauschbar bleiben, und wo ist der Bezug von Standardleistungen wirtschaftlich überlegen?

Fünftens muss der Vorstand die Führungssysteme anpassen und festlegen, welche Zielgrößen in Bereichs- und Teamsteuerung aufgenommen werden, damit Adoption und Ergebniswirkung gemeinsam verantwortet werden.

Bewusst vermeiden sollte der Vorstand ein technologiegetriebenes Großprogramm ohne priorisierte Wertströme, eine stetig wachsende Liste von KI-Piloten ohne Stop-Entscheidungen, einen Governance-Prozess, der jeden Fall wie ein Hochrisikosystem behandelt, Produktivitätsversprechen ohne Kapazitätsentscheidung sowie Change-Kommunikation ohne gelebte Anwendung im Arbeitsalltag.

Mehrwert messbar machen: Von der Nutzungsquote zur Ergebniswirkung

Die wichtigste Veränderung in der Steuerung betrifft die Messlogik. Viele Institute messen Logins, aktive Nutzer oder generierte Antworten. Diese Kennzahlen zeigen Akzeptanz, jedoch noch keine ökonomische Wirkung. Ein belastbares KPI-System verbindet die fünf Ebenen:

• Nutzung,
• Prozess,
• Qualität,
• Geschäft und
• Risiko.

Auf der Nutzungsebene werden aktive Nutzer, geeignete Fälle und Wiederholungsnutzung betrachtet. Die zentrale Managementfrage lautet, ob die Anwendung tatsächlich im relevanten Arbeitskontext eingesetzt wird.

Auf der Prozessebene stehen Durchlaufzeit, Touch Time und Automatisierungsgrad im Mittelpunkt. Hier geht es darum, ob sich der End-to-end-Prozess verändert oder lediglich ein einzelner Arbeitsschritt beschleunigt wird.

Die Qualitätsebene erfasst Fehlerquote, Nacharbeit, Vollständigkeit und Konsistenz und prüft, ob die Leistung verlässlicher und nachvollziehbarer wird.

Auf der Geschäftsebene werden Volumen je Vollzeitäquivalent, Konversion, Servicelevel und vermiedene Einstellungen gemessen. Entscheidend ist, ob ein sichtbarer Ergebnis- oder Kundenbeitrag entsteht.

Die Risikoebene betrachtet Modellabweichungen, Overrides sowie Datenschutz- und Sicherheitsereignisse. Sie beantwortet die Frage, ob der Nutzen innerhalb des definierten Risikokorridors bleibt.

Besonders wichtig ist die Kapazitätsbrücke. Wenn ein KI-Assistent eine Tätigkeit um 30 Minuten verkürzt, entsteht zunächst nur ein technisches Potenzial. Erst die Multiplikation mit geeigneten Fällen, tatsächlicher Nutzung und wirtschaftlich bündelbarer Kapazität zeigt den realisierbaren Wert. Diese Transparenz schützt vor überhöhten Erwartungen und macht zugleich sichtbar, welche organisatorischen Entscheidungen erforderlich sind.

Ein AI Value Ledger sollte deshalb monatlich aktualisiert und quartalsweise im Portfolio überprüft werden. Produkte mit wachsender Wirkung erhalten Skalierungsbudget. Produkte mit geringer Nutzung oder fehlender Prozesswirkung werden überarbeitet oder beendet. Diese Konsequenz ist ein wesentlicher Unterschied zwischen Experimentierkultur und professionellem KI-Management.

Fazit: KI wird zum Geschäftsmodellhebel, wenn die Bank Fähigkeiten industrialisiert

Künstliche Intelligenz ist im Bankgeschäft angekommen. Der Wettbewerbsvorteil entsteht jetzt durch die Fähigkeit, aus der Technologie wiederholbar Wert zu erzeugen. Dafür müssen Banken die Logik einzelner Anwendungsfälle überwinden und KI entlang ihrer Wertströme, Entscheidungen und Betriebsprozesse organisieren.

Die zentrale Managementaufgabe besteht aus vier Elementen: einem klaren Wertfokus, einem dualen Portfolio aus horizontaler Befähigung und vertikalen Services, einer modularen Plattform mit risikobasierter Governance sowie einer Messlogik, die Zeitgewinn in Ergebniswirkung übersetzt.

Ergänzt um ein Lernen im Arbeitsfluss entsteht ein Operating Model, das Innovation und Kontrolle verbindet.

Der nächste Schritt ist keine weitere Ideensammlung. Er ist eine Vorstandsentscheidung darüber, wo KI im Geschäftsmodell messbar wirken soll und welche Strukturen diese Wirkung dauerhaft ermöglichen.

Sieben Fragen für die nächste Vorstandssitzung

In der nächsten Vorstandssitzung sollten sieben Fragen im Mittelpunkt stehen:

• Welche drei Wertpools sollen durch KI in den kommenden zwölf Monaten sichtbar beeinflusst werden?
• Welcher End-to-end-Wertstrom eignet sich für den ersten belastbaren AI Value Sprint?
• Welche Plattformkomponenten können alle Fachbereiche wiederverwenden?
• Wie unterscheiden wir Lerninvestitionen von unmittelbar renditeorientierten KI-Produkten?
• Wer trägt die Verantwortung für realisierten Nutzen und die damit verbundene Kapazitätsentscheidung?
• Welche Risikospuren beschleunigen einfache Fälle und sichern kritische Anwendungen ab?
• Und welche Initiativen stoppen wir, um Fokus und Umsetzungskraft zu gewinnen?

Lesetipp