Raus aus der „Pilot-Falle“: Mit KI im Finanzsektor Werte schaffen

Schwerpunkt: Agentic, explainable & poisoned AI

Künstliche Intelligenz (KI) schreibt eine historische Erfolgsgeschichte, doch auf Unternehmensebene fällt die Bilanz bislang verhalten aus. Laut einer MIT-Studie scheitern 95 Prozent der Pilotprojekte mit generativer KI. Auch im Finanzsektor steht das Thema zwar hoch auf der Agenda, doch die Umsetzung verläuft schleppend. Die zentrale Frage lautet: Warum wird mit einer verfügbaren Technologie so wenig Wertschöpfung erzeugt?

von Jörg Dietmann, Mitgründer Nagarro

Ein wesentlicher Grund, warum so wenig Werte geschaffen werden liegt in der Struktur der Unternehmensdaten. Viele Finanzinstitute arbeiten mit fragmentierten Systemen – Kernbankenplattformen, Portfoliomanagement, Risiko- und Meldewesen, CRM. Diese Landschaften sind operativ stabil, jedoch kaum KI-fähig: Es fehlen integrierte Datenmodelle, automatisierte Pipelines und einheitliche Schnittstellen, die Informationen für Modelle konsistent bereitstellen.

Moderne KI dagegen benötigt Daten, die über einheitliche Schnittstellen verfügbar sind; idealerweise über Data-Lakehouse-Architekturen, in denen Rohdaten, harmonisierte Daten und Features für Modelle klar getrennt vorliegen. Solange Daten in Silos verbleiben, kann kein Modell ein vollständiges Bild erzeugen. Auch starre Workflows und manuelle Übergaben erschweren produktive KI-Anwendungen.

Wissensbereiche verbinden

Ein erfolgreicher Ansatz verbindet alle Ebenen der Unternehmensintelligenz: das Erfahrungswissen der Mitarbeitenden, das organisationale Prozesswissen, die Verfügbarkeit und Qualität der Daten sowie adaptive Modelle, die dieses Wissen nutzbar machen.“

Technisch bedeutet das die Kombination aus modernen Datenplattformen, klar definierten Prozessketten und einem MLOps-Framework, das Modelle versioniert, überwacht und sicher in den Betrieb bringt. Erst diese Architektur macht KI skalierbar.

Diese Kombination führt dazu, dass KI nicht isoliert als Tool eingesetzt wird, sondern in den operativen Entscheidungsfluss integriert wird. Unternehmen, die diesen Ansatz bereits verfolgen, berichten von rund 20 Prozent Produktivitätsgewinn, ohne ihre Betriebsstrukturen fundamental verändern zu müssen. Für den Finanzsektor bedeutet das konkret: Modelle müssen nicht nur performant, sondern auch auditierbar, erklärbar und überwacht sein.

Paradebeispiel Fraud Detection

Wie das in der Praxis aussieht, zeigt der Bereich Betrugserkennung (Fraud Detection). Forschung und Aufsichtsbehörden führen ihn als einen der reifsten KI-Anwendungsfelder. Machine-Learning-Modelle analysieren Transaktionsströme in Echtzeit, erkennen neue Muster und reduzieren falsch-positive Alarme. In Projekten, die wir im Finanzumfeld umgesetzt haben, werden regelbasierte Verfahren mit ML-Modellen in einer Echtzeit-Scoring-Engine kombiniert. Wesentlich für den Erfolg ist nicht die Modellkomplexität, sondern die technische Umgebung: saubere Datenströme, robuste Features, klare Entscheidungslogiken und ein MLOps-Prozess, der kontinuierliches Monitoring und Modellaktualisierung sicherstellt.

Regulatorische Erkenntnisse bestätigen diese Entwicklung. Die Bank of England und die FCA zeigen, dass mehr als die Hälfte der KI-Anwendungsfälle in britischen Finanzinstituten auf Fraud Detection, Monitoring und Risk & Compliance entfallen. Auch das Alan Turing Institute zählt diese Bereiche zu den reifesten, weil sie sich in klar definierte Kontrollprozesse integrieren lassen und hohe Anforderungen an Explainability und Auditability erfüllen.

Raus aus der Pilotfalle – Werte schaffen

Warum gelingt die Umsetzung in diesem Bereich besser als in vielen anderen? Weil die größten Hindernisse seltener in der Modellgüte liegen als in den Strukturen, in die KI eingebettet wird. Damit KI im gesamten Finanzsektor produktiv wird, braucht es im Kern drei technische Grundvoraussetzungen:

• Eine integrierte Datenbasis: Moderne Lakehouse-Architekturen, standardisierte Datenmodelle und automatisierte Pipelines, die Features zuverlässig bereitstellen.
• Einen durchgängigen MLOps-Prozess: Versionierung, Validierung, Drift-Erkennung und automatisiertes Monitoring, damit Modelle stabil und regulatorisch belastbar bleiben.
• Einen klar definierten Entscheidungs- und Governance-Rahmen: Transparente Prozesse, nachvollziehbare Modellentscheidungen (Explainability) und Verantwortlichkeiten, die nahtlos in bestehende Kontrollmechanismen eingebettet sind.

Wer diese drei Grundlagen beherrscht, überwindet die „Pilotfalle“. Die Frage lautet dann nicht mehr, ob KI produktiv wird, sondern wo sie als Nächstes Werte schafft.Jörg Dietmann, Nagarro/dk