Dr. Christian Pasold, Datron Consulting

Warum der Weg von der Idee in den produktiven Einsatz so oft scheitert

Künstliche Intelligenz ist in den Vorständen der Banken angekommen. Die Erwartungen sind hoch: Effizienzgewinne, bessere Entscheidungen, neue Möglichkeiten in Steuerung, Vertrieb und Risiko. Entsprechend groß sind die Investitionen in Use Cases, Plattformen und Pilotprojekte.

Und doch zeigt sich in vielen Instituten ein ernüchterndes Bild: KI bleibt im Prototypenstadium. Der Übergang in den produktiven, nachhaltigen Einsatz gelingt selten.

In zahlreichen Banken existiert heute eine Vielzahl von KI-Initiativen. Proofs of Concept funktionieren, erste Modelle liefern vielversprechende Ergebnisse, Pilotprojekte werden intern präsentiert. Was fehlt, ist die Verstetigung.

Nach anfänglicher Euphorie geraten Projekte ins Stocken. Betriebsfragen bleiben ungeklärt, Verantwortlichkeiten sind diffus, Integrationsaufwände steigen. Der erwartete Business-Impact bleibt aus – trotz technologischer Machbarkeit.

Mehr Reporting schafft keine Kontrolle

Ein häufiger Reflex auf steigende Komplexität ist der Ausbau von Reporting und Gremien. Mehr Statusberichte, mehr Abstimmungen, mehr Kontrollschleifen. Doch Kontrolle entsteht nicht durch zusätzliche Informationen, sondern durch Struktur.

Wenn Organisation, Architektur und Governance nicht zusammenspielen, bleibt selbst detailliertes Reporting wirkungslos. Entscheidungen werden vertagt, Risiken zu spät erkannt, Abhängigkeiten erst sichtbar, wenn sie bereits zum Problem geworden sind.

Die Ursachen liegen selten in der Technologie

Der Reflex ist häufig, technische Defizite zu vermuten: unzureichende Modelle, falsche Tools oder fehlende Daten. In der Praxis liegen die Ursachen jedoch meist an anderer Stelle.

Unklare Verantwortlichkeiten zwischen Fachbereichen, IT und Betrieb verhindern Entscheidungen. Fehlende Zielbilder führen dazu, dass KI-Use-Cases isoliert entwickelt werden. Ohne stabile, governance-fähige Datenbasis steigen Integrationsaufwände und Risiken überproportional.

KI scheitert selten am Algorithmus – sondern an fehlenden Grundlagen.

Produktiver Einsatz braucht Verlässlichkeit

Für den produktiven Einsatz gelten andere Maßstäbe als für Experimente. Modelle müssen nachvollzieh, wartbar und revisionssicher sein. Daten müssen konsistent, verfügbar und qualitätsgesichert vorliegen. Entscheidungen über Einsatz, Weiterentwicklung oder Abschaltung müssen klar verankert sein.

Ohne diese Voraussetzungen wird jeder neue KI-Use-Case zum Einzelfall – mit steigenden Kosten und sinkender Skalierbarkeit.

Zielbilder statt isolierter Use Cases

Ein zentrales Problem vieler KI-Programme ist der fehlende Gesamtzusammenhang. Use Cases werden entlang einzelner Fragestellungen entwickelt, ohne in ein übergeordnetes Zielbild eingebettet zu sein. Die Folge sind Abhängigkeiten, Redundanzen und wachsende Anbieterbindungen.

Ein klares Zielbild beschreibt nicht die Technologie, sondern die Rolle von KI im Institut:
Wo soll sie Entscheidungen unterstützen?
Welche Prozesse profitieren langfristig?
Welche Anforderungen ergeben sich für Daten, Organisation und Governance?

Erst diese Einordnung schafft Orientierung für nachhaltige Umsetzung.

KI als Ergebnis strategischer Vorbereitung

Produktive KI ist kein Zufallsprodukt und kein Ergebnis schneller Experimente. Sie ist das Resultat strategischer Vorbereitung: klarer Verantwortlichkeiten, stabiler Datenstrukturen und einer Steuerungslogik, die Wirkung über Technologie stellt.

Banken, die diesen Weg gehen, reduzieren Abhängigkeiten, erhöhen Umsetzungssicherheit und schaffen Vertrauen – intern wie extern.

---

Fazit: KI braucht Führung, nicht nur Innovation

Die entscheidende Frage für Vorstände lautet nicht, ob KI eingesetzt wird, sondern wie sie wirksam und verantwortungsvoll in den Betrieb überführt wird. Solange Grundlagen fehlen, bleibt KI ein Versprechen ohne Wirkung.

Erst wenn KI strategisch geführt, strukturell verankert und konsequent gesteuert wird, entfaltet sie ihren Nutzen – nicht als Experiment, sondern als fester Bestandteil der Wertschöpfung.