Kein Sektor hat in den letzten zwei Jahren mehr über AI gesprochen als Financial Services. Und kein Sektor hat gleichzeitig mehr Projekte gestartet, die wenig geliefert haben.
Das ist kein Vorwurf. Es ist die logische Folge davon, AI als Kommunikationsthema zu behandeln, bevor man es als Werkzeug versteht.
Wo AI in Finance wirklich funktioniert
Es gibt drei Bereiche, in denen AI im Banking heute echten, messbaren Hebel erzeugt: Dokumentenverarbeitung, Risikobewertung und Kundenkommunikation. Alle drei haben gemeinsam, dass sie hochvolumig, regelgebunden und bisher manuell sind. Genau dort liefert AI — nicht als Assistent, sondern als Prozessinfrastruktur.
Konkret: AI-gestützte Kreditprüfung, die Bonitätsdaten mit unstrukturierten Quellen kombiniert. Dokumentenklassifizierung und -extraktion, die Compliance-Teams entlastet. Konversationale Interfaces für Kundenanliegen, die wirklich verstehen statt nur Stichwörter erkennen.
Wo es scheitert — und warum
Die meisten gescheiterten AI-Projekte in Finance scheitern nicht an der Technologie. Sie scheitern an der Datenlage. Historische Daten sind fragmentiert, in Legacy-Systemen eingeschlossen, schlecht dokumentiert. AI braucht saubere, zugängliche Daten — und genau daran mangelt es in vielen Instituten strukturell.
Das zweite Scheiternsmuster: AI wird auf bestehende Prozesse aufgesetzt, statt diese neu zu denken. Eine AI, die einen fehlerhaften manuellen Prozess schneller macht, ist kein Fortschritt. Sie ist eine teurere Version des alten Problems.
Was das für die Strategie bedeutet
Bevor AI-Budget fliesst, sollten Finanzinstitute eine ehrliche Frage beantworten: Haben wir die Datenbasis, die AI braucht? Und sind wir bereit, Prozesse wirklich zu verändern, nicht nur zu beschleunigen?
Wenn ja: der Hebel ist real und die Implementierung ist heute schneller und günstiger als je zuvor. Wenn nein: besser mit einem kleineren Scope anfangen — und von dort bauen.
