Kennisbank

KI-Reifegrad bei Banken, Versicherern und Finanzdienstleistern

Ein Sektor, der bereits an Regeln gewöhnt ist, aber nicht an Flexibilität

Die Finanzdienstleistung unterscheidet sich von anderen Sektoren durch eine lange Geschichte strukturierter Daten und strikter Kontrolle. Wo viele Organisationen noch beginnen müssen, Informationen zu ordnen, verfügt dieser Sektor oft schon über jahrzehntelange Erfahrung mit Datenmodellen, Audit Trails und Risikomanagement. Das verschafft einen Scheinvorsprung. Die Dimension Datenmanagement erzielt in der Praxis oft höhere Werte als in anderen Sektoren, doch das bedeutet nicht, dass die Organisation als Ganzes bereit ist für KI. Wo beispielsweise die Baubranche mit fragmentierten Projektdaten kämpft, kämpft der Finanzsektor eher mit Datensilos, die so gut gesichert sind, dass sie sich nicht mehr gegenseitig erreichen.

Das Verhältnis zwischen den fundamentalen Dimensionen ist dadurch schief, aber auf eine andere Weise als anderswo. Die IT-Infrastruktur ist in der Regel robust, aber auch schwerfällig: große, alte Systeme, die sich nicht schnell anpassen lassen. Die Organisationsstruktur ist häufig hierarchisch und über strikte Verantwortungslinien verteilt, was die Entscheidungsfindung über neue Technologie verzögern kann. Das Ergebnis ist ein Sektor, der auf dem Papier bei der Basis gut abschneidet, in der Praxis aber langsam ist beim Schritt von Foundation zu Activation.

Warum Compliance sowohl hilft als auch bremst

Compliance und Risikomanagement sind in der DNA des Sektors verankert. Das wirkt in zwei Richtungen. Auf der einen Seite sorgt es für Disziplin bei der Datenqualität und für eine klare Abgrenzung von Verantwortlichkeiten, etwas, das andere Sektoren noch aufbauen müssen. Auf der anderen Seite führt die Gewohnheit, Risiken zunächst durchzurechnen, zu Zurückhaltung beim Einsatz neuer Technologie, bevor die Auswirkungen vollständig durchgerechnet sind. Diese Zurückhaltung ist nicht unbedingt ein Nachteil, erklärt aber, warum Pilotprojekte häufiger im Versuchsstadium hängen bleiben, als dass sie zu einer strukturellen Anwendung heranwachsen.

Die Dimension Entscheidungsfindung ist hier ausschlaggebend. In vielen Finanzorganisationen fehlt ein klarer Überblick darüber, wer welche Entscheidung über eine KI-Anwendung treffen darf, und auf Grundlage welcher Informationen. Dieser Überblick, was in ein Entscheidungsinventar gehört, ist genau der Punkt, an dem viele Reifegradmessungen eine Lücke aufdecken: Die Technik ist vorhanden, die Befugnis, damit zu arbeiten, nicht.

Die Streuung zwischen Abteilungen ist oft größer als in anderen Sektoren

Was diesen Sektor weiter unterscheidet, ist das Ausmaß des Unterschieds zwischen Abteilungen. Eine Risikoabteilung arbeitet schon seit Jahren mit Modellen und Statistik und betrachtet KI als logische Erweiterung dessen, was bereits geschieht. Eine Backoffice- oder Kundenkontaktabteilung sieht KI vor allem als etwas, das von oben auferlegt wird, ohne dass die eigenen Arbeitsprozesse darauf ausgerichtet sind. Wenn mehrere Personen aus derselben Organisation die sieben Dimensionen getrennt bewerten, fällt diese Streuung oft sofort auf. Das Ergebnis ist selten ein einheitliches Bild, und genau das ist wertvoll: Es zeigt, wo das Gespräch über Bereitschaft noch nicht stattgefunden hat.

Diese Streuung ist weniger zufällig, als es scheint. Finanzinstitute sind oft aus Divisionen aufgebaut, die historisch getrennt voneinander gewachsen sind, jede mit ihrem eigenen Tempo der Digitalisierung. Das ist ein anderes Muster als beispielsweise in der Installationsbranche, wo die Streuung häufiger zwischen Hauptsitz und Ausführung im Feld entsteht, oder in dem Immobiliensektor, wo der Unterschied oft zwischen Verwaltung und Entwicklung liegt.

Warum die Reihenfolge der Dimensionen hier nicht übersprungen werden darf

Die Verlockung, bei den sichtbaren, abhängigen Dimensionen zu beginnen, ist im Finanzsektor groß, weil bereits viele Daten und viel Modellerfahrung vorhanden sind. Trotzdem gilt die Reihenfolge weiterhin: Organisationsstruktur, IT-Infrastruktur und Datenmanagement bilden die Basis, auf der der Rest ruht. Eine Organisation, die auf dem Papier hohe Werte beim Datenmanagement erzielt, aber bei der Entscheidungsfindung und Verantwortung nicht ausgearbeitet sind, stößt an dieselbe Wand wie eine Organisation, die noch ganz am Anfang steht. Warum die fundamentalen Dimensionen zuerst kommen müssen, ist dann keine Frage der Präferenz, sondern der Art, wie KI-Anwendungen tatsächlich funktionieren: Ohne ein solides Fundament bleibt alles auf dem Niveau eines Pilotprojekts, wie fortschrittlich das Modell auch sein mag.

Der Vergleich mit anderen kapitalintensiven Sektoren, wie dem Energiesektor, zeigt, dass eine starke technische Basis nicht automatisch zu Reife in den anderen Dimensionen führt. Technik und Disziplin sind notwendig, aber nicht ausreichend.

Von Bereitschaft zu konkreten Aufgaben

Die Reifegradmessung zeigt, ob die Organisation als Ganzes die Basis hat, um KI verantwortungsvoll zu tragen: die Struktur, die Infrastruktur, das Datenmanagement und die Entscheidungsfindung darum herum. Das ist eine andere Frage als die, welcher Teil der Arbeit selbst für eine Übernahme in Frage kommt. Sobald diese Basis erfasst ist, wird es relevant, pro Aufgabe zu betrachten, was KI übernehmen kann und was nicht. Das ist der Bereich des Arbeitsscans von FTE TO AI, der pro Aufgabe berechnet, welcher Teil der Arbeit von KI übernommen werden kann, basierend auf der Art der Aufgabe selbst statt auf der Bereitschaft der Organisation.