Die Finanzbranche ist für KI zugleich die beste und die schwierigste Branche: Die Daten sind digital, strukturiert und reichlich, die Prozesse regellastig und repetitiv, und jedes eingesetzte Modell arbeitet unter den Augen der Aufsicht. In Deutschland heißt das: BaFin-Erwartungen an IT- und Risiko-Governance (MaRisk, BAIT und die sich entwickelnden Leitlinien zu KI und Machine Learning), dazu der EU AI Act, der Systeme wie die Kreditwürdigkeitsprüfung als Hochrisiko einstuft. Die Institute, die echten Wert ziehen, sind nicht die mit den glänzendsten Piloten, sondern die, die Use Cases gewählt haben, bei denen Compliance-taugliches Engineering und Payback in dieselbe Richtung zeigen. Diese Liste ist kürzer, als die Anbieterfolien suggerieren, und sie sieht so aus.
Die fünf Use Cases, nach realistischem Payback geordnet
In der Finanzbranche muss das Payback-Ranking die aufsichtliche Reibung einpreisen: Ein Use Case, der Millionen spart, aber zwei Jahre Validierung braucht, ist ein anderes Investment als einer, der die Governance in einem Quartal durchläuft. Dieses Ranking bildet den Payback netto dieser Reibung ab, als Planungsannahmen für mittelgroße Banken, Versicherer und Finanzdienstleister.
| Rang | Use Case | Typischer Payback-Horizont | Aufsichtliche Reibung |
|---|---|---|---|
| 1 | Betrugserkennung & Transaktionsmonitoring | 6-12 Monate | Mittel; etablierte Modellkategorie, der False-Positive-Workflow ist die eigentliche Arbeit |
| 2 | KYC- & Dokumentenverarbeitung | 6-12 Monate | Mittel; menschliche Verifikation und Audit-Trails erforderlich, gut ausgetretener Pfad |
| 3 | Entwürfe für Risiko- & Compliance-Berichte | 9-15 Monate | Geringer, wenn strikt Entwurf-plus-Prüfung; Quellen müssen nachvollziehbar sein |
| 4 | Kundenservice-Automatisierung | 9-18 Monate | Mittel; Offenlegung, Eskalationspfade und Beratungsgrenzen nötig |
| 5 | Kreditentscheidungs-Unterstützung | 18 Monate+ | Hoch; Hochrisiko-Einstufung nach EU AI Act, volle Validierungs- und Erklärbarkeitspflichten |
Datenreife: reiche Daten, zersplittert durch Legacy
Finanzinstitute haben das umgekehrte Datenproblem der meisten Branchen: nicht Knappheit, sondern Fragmentierung über Kernbanksysteme, Produktsilos und Jahrzehnte von Fusionen. Der Kunde existiert dreimal mit drei Adressen; die Transaktionshistorie ist vollständig, aber semantisch inkonsistent über die Systeme hinweg. Für beaufsichtigte Use Cases kommt eine zusätzliche Messlatte dazu: Sie müssen zeigen können, woher die Trainingsdaten stammen, und belegen, dass sie repräsentativ und auf Verzerrungen geprüft sind.
| Datendomäne | Typische Realität | Mindestmaßnahme vor KI |
|---|---|---|
| Transaktionen & Zahlungen | Vollständig und mit Zeitstempel, Semantik je System unterschiedlich | Vereinheitlichtes Transaktionsschema für den Pilotumfang; dokumentierte Lineage |
| Kundenstammdaten | Dubletten über Produkte und fusionierte Einheiten hinweg | Golden Customer Record fürs Pilotsegment, mit Data Owner |
| Dokumente (KYC, Verträge, Schäden) | Scans und PDFs stark schwankender Qualität und Struktur | Zentrale Eingangs-, Klassifikations- und Extraktions-Pipeline mit menschlicher Verifikation |
| Labels für Betrugs-/Risikomodelle | Bestätigte Fälle selten, verzögert und uneinheitlich erfasst | Strukturierter Fall-Ergebnis-Feedbackloop aus den Ermittlungsteams |
| Modellinventar & Lineage | Oft nicht vorhanden oder eine Tabelle | Modellregister mit Verantwortlichen, Versionen und Validierungsstatus, bevor die Prüfung fragt |
Das Scheitermuster: der Schatten-Pilot, der in der Validierung stirbt
Das typische Scheitern der Finanz-KI ist nicht technisch, sondern prozedural. Ein Fachbereich, des Wartens müde, baut mit einem Anbieter außerhalb des Modellrisiko-Rahmens ein beeindruckendes Modell. In der Demo funktioniert es. Dann trifft es auf die Validierung: keine dokumentierte Daten-Lineage, keine Bias-Tests, kein Monitoring-Konzept, kein Rückfallprozess. Die Validierung kann nicht freigeben, der Fachbereich schimpft auf die Bürokratie, Compliance auf den Fachbereich, und das Institut schließt daraus, dass KI hier nicht funktioniert. Das Modell war nie das Problem; die Reihenfolge war es.
| Symptom | Ursache | Gegenmaßnahme |
|---|---|---|
| Pilot beeindruckt, Validierung lehnt ab | Außerhalb des Modellrisiko-Rahmens gebaut | Modellvalidierung zur Designzeit einbinden, nicht erst bei der Einreichung |
| Monate gehen für die Rekonstruktion der Daten-Lineage verloren | Trainingsdaten ad hoc aus Extrakten zusammengesetzt | Dokumentierte, reproduzierbare Daten-Pipelines von Tag eins an |
| Betrugsmodell ertränkt das Team in False Positives | Auf Erkennungsquote optimiert, nicht auf Ermittleraufwand | Schwellen und Fall-Workflow gemeinsam mit dem Ermittlungsteam gestalten |
| GenKI-Entwurf zitiert falsche Zahlen im Bericht | Keine Quellenverankerung, keine Prüfdisziplin | Retrieval-gestützte Entwürfe, verpflichtende menschliche Freigabe, protokollierte Herkunft |
Das Team: kaufen, leihen oder ausbilden
Finanz-KI-Teams haben einen strukturellen Unterschied zu anderen Branchen: Modellvalidierung und Modellentwicklung müssen getrennte Personen sein, und beide müssen existieren. Darüber hinaus gilt die Kaufen/Leihen/Ausbilden-Logik, mit einem Aufschlag für Engineers, die Auditierbarkeit als Feature begreifen statt als Zumutung.
| Rolle | Kaufen / leihen / ausbilden | Warum |
|---|---|---|
| Senior ML Engineer (Betrugs-/Risikomodelle) | Kaufen, oder erst leihen, dann kaufen | Kernkompetenz; auf Erfahrung in regulierten Umgebungen prüfen, nicht nur auf Modell-Skills |
| Data Engineer (Kernbank-Integration, Lineage) | Kaufen | Lineage-saubere Pipelines sind dauerhafte Infrastruktur und eine Prüfungsanforderung |
| Modellvalidierer:in (Second Line) | Kaufen oder leihen, aber unabhängig | Aufsichtliche Erwartung; darf nicht dieselbe Person sein, die das Modell gebaut hat |
| Compliance-/KI-Governance-Lead | Ausbilden (aus bestehender Compliance) + externe Beratung | Regulatorisches Wissen ist im Haus; die KI-spezifische Schicht ist erlernbar |
| GenKI-Engineer (Entwurfs-/RAG-Systeme) | Leihen, dann interne Engineers ausbilden | Abgegrenzte Aufbauten; Betrieb und Prompts sollte das interne Team besitzen |
Pragmatische erste 90 Tage
Das richtige erste Quartal in der Finanzbranche verbindet einen messbaren Use Case, KYC-Dokumentenverarbeitung und die Triage von Betrugsalarmen sind die üblichen Kandidaten, mit dem Governance-Gerüst, das jedes spätere Modell wiederverwendet. Validierung und Compliance in Woche eins an den Tisch zu holen ist kein Vorsichtstheater; es ist die einzige Reihenfolge, die ausliefert.
| Phase | Wochen | Was passiert |
|---|---|---|
| Zuschnitt & Governance | 1-3 | Einen Use Case und ein Portfoliosegment wählen; Baseline messen (Bearbeitungszeit, False-Positive-Quote); Validierung, Compliance und Datenschutz am Tisch; Modellregister gestartet |
| Daten & Lineage | 4-7 | Dokumentierte, reproduzierbare Daten-Pipeline für den Pilotumfang; Label-Qualität mit dem Ermittlungs- oder Operations-Team geprüft |
| Bauen & Vor-Validieren | 8-11 | Modell oder Extraktions-Pipeline schlägt die Baseline auf zurückgehaltenen Daten; Dokumentation parallel geschrieben, nicht danach; Monitoring und Rückfallprozess entworfen |
| Begleiteter Go-live | 12-13 | Produktiver Schattenmodus oder menschlich verifizierter Live-Betrieb; wöchentliche Kennzahlen gegen die Baseline; Entscheidungsvorlage: skalieren, nachbessern oder stoppen |
