KI-Einsatz in Banken: Produktivität steigern

Lisa Ernst · 01.12.2025 · Wirtschaft · 6 min

Gespräche mit Banken über generative KI haben sich in wenigen Monaten grundlegend verändert. Was zuvor ein Experiment im Innovationslabor war, ist heute ein Thema für Vorstände, die Kernprozesse, Governance und Organisationsstrukturen darauf ausrichten. Dieser Wandel wird durch konkrete Investitionen und strategische Neuausrichtungen untermauert.

Quelle: Eigene Darstellung

Generative KI im Bankwesen

Die Potenziale generativer KI im Bankensektor sind erheblich. Beratungen wie McKinsey schätzen, dass generative KI weltweit 2,6 bis 4,4 Billionen US-Dollar an zusätzlichem Wert pro Jahr freisetzen könnte. Für den Bankensektor allein liegen die Potenziale bei rund 200 bis 340 Milliarden US-Dollar jährlich, wenn Anwendungsfälle breit ausgerollt werden. PwC Luxemburg rechnet mit einem Anstieg der potenziellen Ausgaben von Banken für generative KI von prognostizierten 5,6 Milliarden US-Dollar im Jahr 2024 auf 85,7 Milliarden US-Dollar bis zum Ende des Jahrzehnts. Dies signalisiert strukturelle Investitionen über Pilotprojekte hinaus.

Studien von McKinsey zeigen, dass generative KI die Produktivität von Wissensarbeit erheblich steigern kann, mit einem Automatisierungspotenzial von 60 bis 70 % der Arbeitszeit in bestimmten Tätigkeiten, insbesondere in Bereichen wie Kundenservice, Compliance, Softwareentwicklung und Research. Die Reserve Bank of India schätzt, dass generative KI die operative Effizienz von Banken um fast 46 % steigern könnte, wenn sie durchgängig in Prozessen wie Kundenservice, Betrugserkennung, personalisierten Produkten und Compliance eingesetzt wird.

Quelle: klardenker.kpmg.de

KI/Maschinelles Lernen ist die wichtigste Technologie für kurzfristige Geschäftsziele, was die hohe Relevanz generativer KI im Bankensektor verdeutlicht.

Banken verfügen über gigantische Bestände an unstrukturierten Daten wie Kreditverträge, E-Mails, Research und Call-Transkripte. Gleichzeitig operieren sie in einem Umfeld mit strengen Vorgaben zu Datenschutz, Modellrisiko, Anti-Geldwäsche und Konsumentenschutz. Diese Ausgangslage ist ideal und heikel zugleich, wie die Swiss Bankers Association feststellt.

Architektur & Compliance

Die Kooperation von HSBC und Mistral AI ist ein Beispiel für den produktiven Einsatz generativer KI in Banken. HSBC integriert die kommerziellen Modelle von Mistral auf einer selbst gehosteten Plattform, kombiniert mit eigener Infrastruktur und Governance. Die Modelle sollen zunächst komplexe, dokumentenlastige Finanzierungen schneller analysieren, risikorelevante Informationen extrahieren, mehrsprachige Inhalte übersetzen und Analysten bei der Aufbereitung von Markt- und Kundendaten unterstützen. HSBC nutzt bereits über 600 KI-Anwendungsfälle in Bereichen wie Betrugserkennung, Cybersicherheit, Transaktionsüberwachung und Kundenservice, sodass generative KI auf eine etablierte KI-Landschaft aufgesetzt wird.

Die Architekturentscheidung von HSBC, auf eine selbst gehostete Lösung hinter der eigenen Firewall zu setzen, ist bemerkenswert. Dies dient dazu, sensible Daten nicht an generische Public-Cloud-APIs geben zu müssen und regulatorische Anforderungen an Datenhaltung, Logging und Modellrisiko besser zu erfüllen. Dies schafft eine Blaupause für europäische Banken, die aus Datenschutz- und Souveränitätsperspektive auf europäische Modelle und Self-Hosting setzen wollen, wie HSBC selbst hervorhebt.

Für viele Institute ist die Frage „Cloud-API oder self hosted LLM?“ zentral. Fachartikel betonen, dass selbst gehostete Modelle den Vorteil bieten, dass Prompts und Outputs vollständig in der eigenen Infrastruktur verbleiben und nicht für Trainingszwecke externer Provider genutzt werden. Self-Hosted-LLMs lassen sich in abgeschotteten Umgebungen betreiben und strenger an interne Sicherheitsrichtlinien, Aufbewahrungsfristen und regulatorische Vorgaben koppeln. Spezialisierte Beratungshäuser argumentieren, dass öffentliche LLM-Plattformen bei Compliance, Datenschutz, Kostenkontrolle und Domänenspezifik an Grenzen stoßen und Banken deshalb prüfen sollten, ihre Modelle langfristig selbst zu hosten.

Quelle: blog.enra.app

Generative KI bietet im Bankwesen vielfältige Einsatzmöglichkeiten, birgt jedoch auch spezifische Risiken, die es zu managen gilt.

Die Europäische Datenschutzaufsicht (EDPB) stellt klar, dass für LLM-basierte Systeme Datenschutz durch Technikgestaltung (Art. 25 DSGVO) und robuste Sicherheitsmaßnahmen (Art. 32 DSGVO) nachweisbar umgesetzt werden müssen. Für Banken bedeutet eine self-hosted Architektur, dass Logging, Zugriffsrechte, Löschkonzepte und Audit-Trails so gestaltet werden können, dass sie internen Revisionsanforderungen und externen Aufsichtsprüfungen standhalten, insbesondere bei sensiblen Daten wie Kundendaten oder Kreditakten, wie das FinTech Magazin berichtet.

PwC Hongkong beschreibt, wie generative KI dabei hilft, Kundeninteraktionen besser zu dokumentieren, Risiken frühzeitig zu erkennen und Kosten im Risk- und Compliance-Bereich zu senken. Der Schweizer Bankenverband skizziert Anwendungsfälle wie automatische Meeting-Transkripte, GenAI-gestützte Erstellung von Beratungsdokumentation und intelligente Suche über rechtliche Vorgaben.

Gleichzeitig nutzen Cyberkriminelle generative KI, um Phishing-Mails, Schadcode und Deepfake-Inhalte glaubwürdiger zu erzeugen, wie Business Insider berichtet. Dies setzt Banken unter Druck, Authentifizierung und Betrugserkennung zu modernisieren. Auf der Verteidigungsseite wollen Unternehmen generative KI gezielt für Cyber Defence einsetzen, etwa für die frühzeitige Erkennung von Anomalien oder die automatisierte Analyse von Logdaten, wie PwC Schweiz zeigt.

Anwendungsfälle

Im Corporate Banking ist der Nutzen von generativer KI besonders greifbar. McKinsey beschreibt im Kreditgeschäft drei Kernfähigkeiten von GenAI: die Verdichtung großer Datenmengen, die Generierung von Inhalten sowie dialogorientierte Kundeninteraktion. Ein praktisches Szenario ist die Unterstützung von Relationship-Managern bei der Analyse komplexer Dokumentationen für syndizierte Kredite, wobei ein internes LLM Kennzahlen extrahiert und einen ersten Entwurf für das Kreditmemo erstellt.

Ein weiteres Feld ist die strukturierte Kapitalmarkt- und Treasury-Beratung. BNP Paribas nutzt generative Modelle, um ein Cross-Asset-Trend- und AI-Index-Produkt aufzubauen. Auch im Research-nahen Umfeld wird generative KI eingesetzt: Sumitomo Mitsui Trust Bank arbeitet mit Zapata AI daran, finanzielle Zeitreihen mit generativer KI zu modellieren und Szenarien für Risiko- und Portfolioanalysen zu erzeugen. McKinsey berichtet von Banken, die GenAI-Assistenten für Relationship-Manager entwickeln, die Kundengespräche vorbereiten und Meeting-Notizen automatisch in CRM-Tasks übersetzen.

Im Retail-Banking und Contact Center ist das Massengeschäft ein großer Hebel. NatWest arbeitet mit OpenAI daran, den Chatbot „Cora“ und den internen Assistenten „AskArchie“ leistungsfähiger zu machen. Citi setzt in einer mehrjährigen Kooperation mit Google Cloud auf die Nutzung von Vertex AI für Entwickler-Werkzeuge, Dokumentverarbeitung und digitale Customer-Service-Workflows. Spezialisierte Anbieter berichten, dass Banken generative KI im Contact Center nutzen, um Anfragen automatisch zu klassifizieren, Antworten vorzuschlagen und Gesprächszusammenfassungen zu generieren, mit messbaren Effekten auf Bearbeitungszeiten und Kundenerlebnis.

Implementierung & Herausforderungen

Der Engpass bei der Implementierung generativer KI liegt weniger in der Technologie, sondern in Datenqualität, Governance und Veränderungsbereitschaft. PwC Middle East berichtet, dass rund 75 % der Financial-Services-CEOs in der Region erwarten, dass GenAI die Qualität ihrer Produkte und Services erhöht und gleichzeitig Effizienz, Umsatz und Profitabilität steigert – aber nur, wenn gezielt Anwendungsfälle priorisiert und Risiken aktiv gemanagt werden.

Quelle: computerweekly.com

Die Implementierung generativer KI im Bankensektor ist mit verschiedenen geschäftlichen Herausforderungen verbunden, die strategisch adressiert werden müssen.

Eine PwC-Analyse zum Hongkonger Bankensektor empfiehlt, die GenAI-Einführung an der Gesamtstrategie auszurichten, bestehende Pain Points systematisch zu identifizieren, eine Governance für Datensicherheit, Bias-Kontrolle und Modellvalidierung aufzubauen und den gesamten Lebenszyklus in einem geschlossenen Regelkreis zu betreiben. Der Schweizer Bankenverband betont, dass zunächst „digitale Reibung“ im Alltag reduziert werden sollte, bevor hochkritische Entscheidungen vollständig delegiert werden.

Der World Economic Forum-Bericht zu „Artificial Intelligence in Financial Services“ hebt hervor, dass eine verantwortungsvolle KI-Einführung robuste Governance-Frameworks, klare Rollen und transparente Kommunikation erfordert, insbesondere wenn Modelle Entscheidungen im Kredit-, Markt- oder Compliance-Kontext beeinflussen.

Generative KI ist im Bankensektor nicht mehr nur ein Experiment, sondern ein integraler Bestandteil der Infrastruktur, mit eigenen Rollen wie dem Chief AI Officer, Plattformen wie selbst gehosteten LLMs und klaren Prioritäten entlang der Wertschöpfung, wie die Beispiele von HSBC, UBS, NatWest oder Citi zeigen. Die Kombination aus großen unstrukturierten Datenbeständen, hohem Effizienzdruck und strenger Regulierung macht Banken zu idealen, aber anspruchsvollen Kandidaten für generative KI. Für einen produktiven Einsatz sind eine klare strategische Verankerung, eine Architekturentscheidung (inklusive der Frage nach selbst gehosteten LLMs im Kontext von Datenschutz) und ein robustes Governance-Set-up für KI-Compliance-Lösungen unerlässlich, wie PwC und axxiome.com betonen. Dort, wo diese Grundlagen stehen, werden sich die Anwendungsfälle im Corporate- und Retail-Banking in messbarer Produktivität, besserer Compliance-Qualität und neuen Geschäftsmodellen niederschlagen, wie McKinsey hervorhebt.