Die Bank als AI‑Betriebssystem - 5 Lektionen der MoneyLive 2026

Der MoneyLive Summit findet in einer großen Messehalle statt, in der zahlreiche Teilnehmer an Ständen und Diskussionen teilnehmen. Eine Bühne mit Sitzgelegenheiten ist im Vordergrund sichtbar, während im Hintergrund Banner und Stände von verschiedenen Unternehmen präsentiert werden. — Gerd Reinkimm

Jede Konferenz ein Reality‑Check: Diskutieren wir alle nur über die gleichen Buzzwords – oder bewegen wir uns tatsächlich in Richtung eines neuen Operating Models? Auf dem MoneyLive Summit in London war die Antwort klar: AI ist nicht mehr Experiment, sondern wird zur Infrastrukturfrage. Fünf Lektionen der MoneyLive über Daten, Agenten und das Operating Model der Zukunft.

von Gerd Reinkimm

In fast jedem Panel ging es weniger um „ob“, sondern um „wie schnell“ wir AI produktiv bekommen. Ein Satz fiel sinngemäß immer wieder: „We don’t have time. Like Agile, where it took years. Now we need prototypes and move fast.“ Für eine Bank heißt das: Wir können es uns nicht mehr leisten, AI von der Seitenlinie zu beobachten. Wir müssen sie in unsere Plattform integrieren – und zwar jetzt.

AI ist zur Vorstandssache geworden – und damit API‑Thema

Vor wenigen Jahren war AI vor allem ein Thema für Innovation Labs, PoCs in der IT und vereinzelte Digitalteams. Aus den Gesprächen auf der MoneyLive (Website) wurde deutlich: Diese Phase ist vorbei. AI ist auf Vorstandsebene angekommen – und wird dort explizit als Bestandteil der Zielarchitektur der Bank diskutiert.

Auf der MoneyLive 2026-Bühne diskutieren vier Experten über Strategien zur Datenmodernisierung. Im Hintergrund ist die Konferenzdekoration sichtbar, die das Event hervorhebt. Die Atmosphäre ist professionell und fokussiert auf Innovation im Bankensektor. — Gerd Reinkimm

Damit ändert sich auch die Rolle der Entwickler. Sie bauen nicht mehr „nur“ APIs für einzelne Kanäle, sondern eine Infrastruktur, über die AI‑Komponenten sicher an Daten, Prozesse und Produkte angebunden werden. Die Fragen im Vorstand klingen inzwischen so: Wo beginnen wir? Welche Use Cases priorisieren wir? Und: Haben wir eine Plattform, auf der wir AI wiederverwendbar ausrollen können?

Daten schlagen Modelle – aus API‑Sicht besonders spürbar

Fast alle Panels bestätigten etwas, das wir im Alltag längst merken: Das Problem sind nicht die Modelle. Große Sprachmodelle, Vektordatenbanken, Retrieval‑Schichten – all das ist verfügbar und technisch beherrschbar. Der Engpass liegt in der Datenbasis, die wir diesen Modellen zur Verfügung stellen.

In der täglichen Arbeit mit APIs seht man es fast täglich: fragmentierte Datenlandschaften, widersprüchliche Datenmodelle, proprietäre Schnittstellen, fehlendes Domain‑Design. Genau dort kollidiert AI mit der Realität. Eine Teilnehmerin brachte es treffend auf den Punkt: „Der Engpass bei AI ist nicht das Modell. Der Engpass ist die Verfügbarkeit der Daten darunter.“

Für Entwickler heißt das:

Bevor wir AI skalieren, müssen wir unsere Datenplattform und API‑Schichten in Ordnung bringen. Dazu gehören konsistente Domänenmodelle, saubere Produkt‑ und Kundenschnittstellen, klare Verantwortlichkeiten für Datenqualität und ein Zugriffslayer, den AI‑Services nutzen können, ohne jedes Mal individuelle Integrationen zu bauen.“

Von Chatbots zu AI‑Agenten – und zu einer neuen Orchestrierungsschicht

Ein zweites zentrales Motiv der MoneyLive war der Übergang von einfachen Chatbots hin zu AI‑Agenten. Technisch bedeutet das: Wir koppeln Sprachmodelle mit Tool‑Aufrufen, Backends und Ereignisströmen – also genau mit den APIs, die wir in den letzten Jahren mühsam aufgebaut haben.

Gerd Reinkimm

Im Contact Center wurde das besonders anschaulich. Bisher springen Mitarbeiter zwischen mehreren Wissensdatenbanken, CRM‑Systemen und Prozesshandbüchern hin und her. In der Agenten‑Logik sieht das anders aus: Ein AI‑Agent ruft über definierte Schnittstellen genau die Informationen ab, die für die aktuelle Anfrage relevant sind, und stellt sie in natürlicher Sprache bereit.

Wichtig ist dabei: Es geht nicht um Vollautomatisierung um jeden Preis, sondern um „digitale Kollegen“. Oder, wie ein Teilnehmer sagte: „Der nächste Schritt im Banking sind keine besseren Chatbots, sondern digitale Kollegen.“ Für die API‑Roadmap heißt das: Wir brauchen eine Orchestrierungsschicht, in der Agenten über standardisierte Schnittstellen mit Kernsystemen, Datenplattform und Kanälen interagieren können – und zwar unter klaren Sicherheits‑ und Governance‑Vorgaben.

Governance als kritischer Layer im AI‑Betriebssystem

Bei fast allen Beispielen, die über den Prototypenstatus hinausgingen, drehte sich die Diskussion schnell um Governance. Die Technik bekommt man relativ schnell zum Laufen. Die eigentliche Frage lautet: Wie betreiben wir diese Systeme sicher, nachvollziehbar und regulatorisch sauber?

Aus Sicht eines API‑Programms bedeutet das mehrere Dinge:

Wir brauchen ein Inventar der AI‑Services und der angebundenen Schnittstellen.
Wir müssen nachvollziehen können, welche Daten über welche APIs in welche Modelle fließen.
Wir brauchen Observability – nicht nur für Response-Zeiten, sondern auch für Output‑Qualität und Fehlverhalten.

Ein Sprecher formulierte es so:

Die Herausforderung wird nicht sein, AI zu bauen. Die Herausforderung wird sein, sie sicher zu betreiben.“

Genau hier wird die API‑Schicht zur Kontrollstelle: Über sie definieren wir Zugriff, Limits, Logging, Audit‑Trails und im Zweifel auch Abschaltmechanismen für AI‑Funktionalitäten, die an kritische Prozesse gekoppelt sind.

Life‑Event‑Banking – ohne Events und APIs bleibt es Theorie

Die Veranstaltung MoneyLive 2026 zeigt eine belebte Messehalle mit zahlreichen Ständen und Besuchern. Unternehmen präsentieren ihre Lösungen, während Fachleute in Gespräche vertieft sind. Der Fokus liegt auf Innovationen im Bankensektor und Life-Event-Banking. — Gerd Reinkimm

Inhaltlich war Life‑Event‑Banking eines der Themen, das sich durch viele Sessions zog. Die Idee ist nicht neu: Kunden entlang von Lebensereignissen statt entlang von Produkten zu denken – Berufseinstieg, Familiengründung, Immobilienkauf, Ruhestand. Neu ist, dass AI uns hilft, diese Ereignisse aus Daten zu erkennen und proaktiv zu reagieren.

Aus API‑Perspektive steckt darin eine recht konkrete Aufgabenliste: Wir brauchen Domänen‑Events (z. B. „Gehaltseingang erstmalig über Betrag X“, „Kontoeröffnung Kind“, „Ablauf Zinsbindung“), die in Echtzeit oder Near‑Realtime verfügbar sind. Wir brauchen Schnittstellen, über die AI‑Services auf diese Ereignisse zugreifen und Vorschläge generieren können. Und wir brauchen Kanäle, die über APIs in der Lage sind, genau in diesem Moment die passende Interaktion auszulösen – in der App, im Contact Center oder beim persönlichen Berater.

Auf der MoneyLive war spürbar: Viele Institute sehen Life‑Event‑Banking als eines der attraktivsten AI‑Anwendungsfelder. Ob es funktioniert, hängt aber weniger am Modell als an der Fähigkeit, Ereignisse sauber zu erkennen, sie als APIs verfügbar zu machen und sie unter Governance‑Aspekten zu nutzen.“

Die Bank als AI‑Plattform – was das für ein API‑Programm bedeutet

Die wichtigste Erkenntnis aus London: Wir bauen nicht „noch ein weiteres IT‑System“, sondern ein AI‑Betriebssystem für die Bank. In diesem Betriebssystem sind APIs, Datenplattform und agentische Komponenten keine losen Bausteine, sondern bilden gemeinsam die Infrastruktur, auf der Produkte, Prozesse und Kundenerlebnisse laufen.

Gerd Reinkimm

Der Weg dorthin führt nicht über die eine große, spektakuläre Innovation. Er führt über solide Grundlagen: ein konsistentes Domänen‑ und API‑Design, eine robuste Datenbasis und klare Governance‑Strukturen. Wenn diese Schichten stehen, können wir AI‑Agenten wie weitere Services auf unsere Plattform setzen – wiederverwendbar, kontrollierbar und integrierbar in das bestehende Operating Model.

Oder anders formuliert:

Die Bank der Zukunft wird nicht nur digitale Produkte anbieten. Sie wird zur Plattform, auf der Daten, AI‑Agenten und menschliche Expertise über klar definierte Schnittstellen zusammenarbeiten.“

Gerd Reinkimm/aj