KI skalieren im Finanzsektor: Warum Organisation wichtiger ist als Technologie

Viele Finanzdienstleister nutzen künstliche Intelligenz, aber nur wenige KI-Anwendungen laufen bereits zuverlässig im Alltag und führen zu einem bedeutenden geschäftlichen Mehrwert. Nicht weil die Plattform fehlt, sondern weil Verantwortlichkeiten, Betrieb und Kostensteuerung nicht mitgewachsen sind. KI scheitert selten an Technologie. Sie scheitert an Organisation. 

Obwohl Unternehmen weltweit massiv in KI investieren, gelingt nur wenigen die Skalierung. Das zeigt die KPMG-Umfrage „Global AI Pulse“ unter 2.110 Führungskräften weltweit. Lediglich rund elf Prozent der Organisationen zählen zu den „AI Leaders“, die KI erfolgreich im gesamten Unternehmen operationalisieren, während mehr als die Hälfte noch in frühen Phasen verharrt. Gleichzeitig steigt der Investitionsdruck erheblich: Drei Viertel der Führungskräfte priorisieren KI-Investitionen trotz unsicherer wirtschaftlicher Lage, jedoch gelingt es nur einem Teil der Unternehmen, daraus messbaren Geschäftswert auf Unternehmensebene zu generieren.

Die Ursache liegt dabei nicht in der Technologie, sondern in der Fähigkeit zur organisatorischen Orchestrierung: Der „Global AI Pulse“ zeigt, dass erfolgreiche Unternehmen KI nicht als isolierte Anwendungsfälle betreiben, sondern zu Operating Models übergehen, die Governance und Prozesse konsequent auf eine Skalierung ausrichten. Genau hier entscheidet sich in den kommenden Jahren, welche Organisationen KI industrialisieren – und welche in Pilotphasen verharren.

In Gesprächen mit Fachbereichen, IT und Risk machen wir ähnliche Erfahrungen. Drei Muster tauchen immer wieder auf:

• Niemand ist durchgängig für KI-Anwendungen verantwortlich. Daten, Modell, Integration, Betrieb, Risiko und Budget liegen bei unterschiedlichen Teams. Das bremst Entscheidungen und macht Fehler teuer.
• KI wird wie ein Projekt behandelt. Nach dem ersten Go‑live endet das Budget, das Team löst sich auf, aber das Modell braucht Pflege, Überwachung und Weiterentwicklung.
• Kosten bleiben unsichtbar. Wenn niemand sagen kann, was ein KI‑Service pro Nutzung kostet und wer die Kosten auslöst, wird Optimierung zum Ratespiel.

Die zentrale Frage lautet daher: „Wie muss unser Operating Model aufgebaut sein, damit KI nachhaltig, kontrolliert und wirtschaftlich läuft?“

1. Verantwortung für KI-Services von Anfang bis Ende festlegen
   Einer der größten Schwachpunkte vieler Organisationen ist fragmentierte Verantwortung. Das wird an folgendem Beispiel deutlich: Eine Bank hatte ein Modell zur Betrugserkennung im Zahlungsverkehr. Die Fachseite definierte Regeln, ein Data‑Team lieferte Daten, ein anderes Team betrieb die Plattform. Nach einigen Wochen stieg die Zahl der Fehlalarme, weil sich Muster im Zahlungsverhalten änderten. Jeder sah das Problem, aber niemand fühlte sich zuständig: nicht für die Modellgüte, nicht für die Freigabe der Anpassung, nicht für die laufenden Kosten.
   
   Der Wendepunkt kam erst, als ein festes Service‑Team Betrugserkennung etabliert wurde, mit klarer Verantwortung für Datenqualität, Modellpflege, Integration, Überwachung, Risiko‑Abstimmung und Budget. Das Ergebnis waren schnellere Anpassungen, klarere Entscheidungen und nachvollziehbarer Betrieb.
   
   
2. Von Projektlogik zu Produktlogik wechseln
   Viele Unternehmen finanzieren Technologie noch immer projektbasiert. Doch KI ist nie fertig: Modelle altern oder müssen kontinuierlich trainiert werden, Daten ändern sich, neue Betrugsmuster oder Kundenanfragen entstehen.
   Deshalb setzen moderne Operating Models zunehmend auf Produkt- bzw. Service-Orientierung mit kontinuierlicher Finanzierung. Denken Sie zum Beispiel an einen unternehmensweiten Chatbot, der als Projekt startet. Wenn das Projektteam den Chatbot nach dem Go-Live „abgibt“, entsteht eine Lücke: niemand priorisiert Verbesserungen, niemand misst Nutzen oder übernimmt Verantwortung für Weiterentwicklung oder regulatorische Vorgaben.
   
   In einem produktorientierten Modell bleibt das Produktteam jedoch dauerhaft verantwortlich und erhält ein kontinuierliches Budget zur Weiterentwicklung, wodurch Qualität, Nutzungsquote und Kundenzufriedenheit messbar gesteigert werden können. Erfahren Sie hier mehr über produktnahe Teams.
   
   
3. Kosten und Nutzen pro Service sichtbar machen
   KI-Nutzung, Cloud-Plattformen oder ganze SaaS-Ökosysteme verändern Kostenstrukturen, die in vielen Unternehmen intransparent sind. Hilfreich ist hier ein serviceorientierter Blick auf Kosten, wie ihn etwa das Technology Business Management Framework verfolgt. Dahinter steckt ein einfaches Prinzip: Zunächst werden Infrastrukturkosten (z. B. GPU, Datenverarbeitung, APIs) den zugrunde liegenden Services zugeordnet. Anschließend erfolgt die Verteilung auf Geschäftsprozesse anhand klar definierter Kostentreiber wie z.B. die Anzahl von Transaktionen.
   
   Im Beispiel der Betrugserkennung heißt das: Kosten für Rechenleistung, Datenverarbeitung, Programmierschnittstellen werden zunächst dem Service „Betrugserkennung“ zugeordnet. Danach lässt sich sichtbar machen, welche Prozesse diese Leistungen in welchem Umfang nutzen, etwa gemessen an der Zahl der geprüften Transaktionen. So entsteht eine belastbare Grundlage für Entscheidungen: Welche KI-Anwendung rechnet sich, wo steigen die Kosten überproportional und an welcher Stelle lohnt sich Optimierung zuerst?

Wählen Sie einen KI‑Service mit hoher Relevanz. Setzen Sie dafür ein festes Service‑Team auf, definieren Sie die Verantwortung von Anfang bis Ende, vereinbaren Sie wenige messbare Kennzahlen und machen Sie Kosten pro Nutzung transparent. Damit schaffen Sie die Grundlage, aus einem Pilotbetrieb eine skalierbare Wertschöpfung zu machen.

KI wird die Finanzindustrie der kommenden Jahre fundamental verändern. Der entscheidende Wettbewerbsfaktor wird jedoch nicht allein die Qualität der eingesetzten Modelle sein, sondern die Fähigkeit, KI effizient, kontrolliert und wertorientiert zu betreiben. Dafür reichen klassische IT-Strukturen nicht mehr aus. Die Zukunft gehört Organisationen, die Technologie, Governance, Kostensteuerung und Business-Wert in einem modernen Operating Model zusammenführen. 
Und während sich viele Organisationen noch in frühen, explorativen KI-Phasen befinden, kann genau jetzt der richtige Zeitpunkt sein, Governance, Ownership und Betriebsmodelle sauber zu etablieren.