Nachgefragt: Zwischen Hype und Hausaufgaben – was Banken mit KI heute tatsächlich tun

Schwerpunkt: Agentic, explainable & poisoned AI

Deutsche Banken loben den produktiven Einsatz künstlicher Intelligenz, doch in der Praxis stecken viele noch in Pilotprojekten. Unsere Nachforschungen zeigten, die echten Limitierungen im KI-Einsatz liegen in veralteter Datenarchitektur, nicht in den Algorithmen selbst. Zwischen hyperscalergetriebenen KI-Vorhaben und konservativen On-Prem-Strategien klafft eine Lücke im deutschen Bankensektor.

von Oliver Jessner

Viele Banken sprechen inzwischen selbstverständlich über Künstliche Intelligenz, doch wie weit ist der produktive Einsatz wirklich? Für diese Recherche hat das IT Finanzmagazin 14 Institute von der Landesbank bis zum Fintech um eine Einordnung gebeten. Nicht alle wollten sich äußern: DZ Bank und KfW verzichteten auf eine Stellungnahme, Revolut verwies auf das kommende Jahr, Trade Republic blieb trotz Erinnerung stumm.

Die übrigen Antworten zeichnen ein differenziertes Bild zwischen Ambition, Architekturproblemen und Aufsichtsdruck.

KI im Maschinenraum

Wer antwortet, betont fast immer: KI läuft bereits im Alltag. Mehrere Landesbanken und Großbanken berichten von produktiver Use Cases, etwa in der Betrugserkennung, im Kundenservice oder bei der Dokumentenverarbeitung.

Einige Förderbanken und Direktbanken nennen konkrete Verhältnisse von Pilot- zu Produktivprojekten, andere sprechen eher von “laufenden Initiativen“ und “gefüllten Pipelines“. Ein einheitlicher Reifegrad lässt sich daraus nicht ableiten.

Gleichzeitig bestätigt die PwC-Studie „Einblicke zur Künstlichen Intelligenz im Finanzsektor“ den Trend: 73 Prozent der befragten Finanzunternehmen setzen bereits KI ein, 84 Prozent wollen vor allem Effizienzgewinne erzielen.

Allerdings geben nur 55 Prozent an, systematisch Risikoanalysen und Dokumentation ihrer KI-Lösungen vorzunehmen (PwC)

Für Außenstehende bleibt damit schwer erkennbar, welche Häuser KI tief in Prozesse integriert haben und wer vor allem kommunikativ aufrüstet.“

Daten als Nadelöhr

Quer durch die Antworten zieht sich ein Motiv: Die entscheidende Hürde sind weniger die Modelle, sondern Datenqualität und Architektur. Mehrere Institute berichten von heterogenen, historisch gewachsenen Systemlandschaften, teils noch stark on-premises.

Ein Institut formuliert es so: “Daten sind überwiegend verfügbar, aber liegen zum Teil nicht in automatisiert weiterverwendbaren Formaten vor”.

KI-Projekte beginnen deshalb oft mit mühsamer Extraktion, Vereinheitlichung und Bereinigung, bevor überhaupt ein Modell trainiert wird.

Das deckt sich mit externen Analysen: PwC sieht fehlende Ressourcen und unzureichend vorbereitete Daten als zentrale Bremsklötze, obwohl ein Großteil der Unternehmen den KI-Einsatz ausweiten will (PwC).

In den Stellungnahmen der Banken zeigt sich, dass gerade Data-Governance, zentrale Plattformen und einheitliche Schnittstellen zu strategischen Themen geworden sind.“

Die spektakulären Anwendungsfälle wirken vor diesem Hintergrund eher wie sichtbare Ausläufer eines viel größeren Infrastrukturprojekts, das im Hintergrund läuft und Jahre dauern wird.

Cloud-Offensive und Eigenbetrieb

Besonders deutlich unterscheiden sich die Institute bei der Frage, wo KI technisch läuft. Einige Häuser setzen offensiv auf Hyperscaler, kombinieren Azure- oder Google-Cloud-Dienste mit eigenen Plattformen und lassen dort sowohl Modelle als auch zentrale Fachanwendungen laufen.

Sie verweisen auf Skalierbarkeit, Geschwindigkeit und den Zugang zu vortrainierten Modellen. Andere Banken betonen dagegen ausdrücklich ihre Strategie, KI aus eigenen Rechenzentren heraus zu betreiben, oft mit Verweis auf Datensouveränität, regulatorische Anforderungen und ein geringeres Abhängigkeitspotenzial.

Dazwischen positionieren sich hybride Ansätze: KI-Services werden in der Cloud entwickelt oder skaliert, kritische Datenhaltung und Kernbankverfahren bleiben on-premises.

BaFin und EU-Regulierung liefern dafür den Rahmen, schreiben aber keine bestimmte Infrastruktur vor (BaFin).

In der Praxis führt das zu zwei Lagern mit unterschiedlichen Risikoprofilen: Die einen akzeptieren Cloud-Abhängigkeiten, um Tempo zu machen, die anderen investieren in Eigenbetrieb und nehmen dafür längere Projektlaufzeiten in Kauf.

Für die Kundschaft ist dieser Unterschied auf den ersten Blick kaum sichtbar, für die strategische Steuerung der Bank jedoch zentral.

Standardisierung für die Fläche

Eine besondere Rolle spielen die großen IT-Dienstleister der Institute: Finanz Informatik und Atruvia bauen Plattformen, Datenpools und KI-Komponenten, die anschließend von Hunderten Häusern genutzt werden.

Sie entwickeln Arbeitsplatz-Assistenten, Dokumentenstrecken, Betrugserkennung oder Wissensplattformen und stellen sie der gesamten Gruppe zur Verfügung. Damit verschieben sich viele Innovationen aus den einzelnen Häusern in die Verbund-IT.

Studien zum deutschen Finanzsektor betonen, dass gerade solche zentralen Einheiten den KI-Reifegrad der Branche prägen, weil sie Standards, Governance-Vorgaben und Referenzarchitekturen vorgeben.

In den Stellungnahmen wird deutlich: Sparkassen und Genossenschaftsbanken bauen ihre KI-Kompetenz nicht allein im Institut, sondern entlang von Kompetenzzentren und Gruppenstrategien auf.“

Öffentlich treten FI und Atruvia selten als “KI-Marke” auf, faktisch bestimmen sie aber, welche Lösungen in der Fläche praxistauglich und rechtssicher verfügbar sind.

Responsible AI ohne Kennzahlen

Beim Blick auf Regulierung und Governance herrscht nach außen betrachtet Einigkeit. Fast alle antwortenden Banken verweisen auf EU AI Act, BAIT, DSGVO und interne Richtlinien.

Einige verzichten bewusst auf besonders heikle Felder wie vollautomatisierte Kreditentscheidungen oder algorithmisches Bewerber-Profiling. Andere bauen Ethik-Gremien, KI-Register und “Human-in-the-Loop“-Mechanismen auf, um Hochrisiko-Anwendungen kontrolliert einsetzen zu können.

Eine Förderbank formuliert ausdrücklich:

Aufgrund starker regulatorischer Vorgaben sehen wir aktuell vom Einsatz von KI in Feldern wie automatisierter Kreditentscheidung oder Profiling von Bewerbern ab”.

Auffällig ist jedoch, dass viele Institute zwar Responsible-AI-Prinzipien benennen, aber nur selten konkrete Kennzahlen nennen. Wie oft werden Modelle auf Verzerrungen überprüft, wie stark konnten Fehlentscheidungen reduziert werden, wie viele Systeme wurden wegen ethischer Bedenken angepasst oder gestoppt?

Hier bleiben die Antworten vage. Externe Analysen sehen darin ein Risiko: Regulierung homogenisiert Begriffe und Dokumentationspflichten, schafft aber nicht automatisch eine einheitliche Risikokultur (BaFin).

Für die Branche wird sich daran entscheiden, ob Responsible AI mehr ist als eine neue Überschrift für klassische Compliance-Prozesse.

Einordnung

Der Blick in die Praxis zeigt: KI ist in den Banken angekommen, aber nicht überall im selben Tempo und nicht mit derselben Konsequenz. Viele Institute nutzen KI bereits in klar umrissenen Bereichen wie Geldwäscheprävention, Betrugsbekämpfung, Dokumentenverarbeitung oder Kundenservice.

Parallel laufen Programme, um Datenqualität, Architektur und Governance auf ein Niveau zu bringen, das flächendeckende, skalierbare Nutzung erlaubt.

Externe Studien bestätigen diesen Befund: Der Großteil der Häuser setzt KI ein oder plant den Ausbau, doch Ressourcenengpässe, Legacy-Systeme und Compliance-Aufwand bremsen.

Auffällig ist, wie stark der strategische Kurs von Infrastruktur- und Regulierungsfragen beeinflusst wird.“

Cloud-Offensiven stehen On-Premise-Strategien gegenüber, mutige Anwendungsfälle treffen auf bewusst gezogene rote Linien.

Verbunddienstleister verschieben Innovation und Governance in zentrale Plattformen, während einzelne Institute eher an der Oberfläche experimentieren oder auf den “richtigen Zeitpunkt” warten.

Für Aufsicht, Politik und Kundschaft bleibt entscheidend, dass Versprechen zu Effizienz und Fairness mit überprüfbaren Ergebnissen hinterlegt werden.

Erst wenn Banken systematisch nachweisen können, wie KI ihre Prozesse verbessert und Risiken reduziert, löst sich die Spannung zwischen Hype und Hausaufgaben auf. Oliver Jessner