KI bei Banken und Finanzdienstleistern: Use Cases, Tools und Compliance-Rahmen

Ein Berater bei einer Volksbank eröffnet ein Kundengespräch, nachdem er die vorangegangenen vierzig Minuten mit etwas verbracht hat, das eine Maschine hätte erledigen können: die Kontohistorie ziehen, die letzten drei Vertragsänderungen lesen, die offenen Servicetickets prüfen und ein Produktblatt überfliegen. Das folgende Gespräch ist gut, weil der Berater gut ist. Aber der Wert, für den die Bank zahlt, steckt in diesem Gespräch, nicht in den vierzig Minuten Zusammentragen davor. Multipliziert das mit jedem Berater, jedem Compliance-Analysten, der Fehlalarmen hinterherläuft, und jedem Back-Office-Mitarbeiter, der dieselben Daten zweimal eintippt, und ihr habt die reale Kostenbasis einer modernen Bank.

Der Druck, das zu ändern, kommt aus zwei Richtungen. Die Belegschaft, die das institutionelle Wissen trägt - die erfahrenen Kreditverantwortlichen, die Geldwäsche-Spezialisten, die Risikomanager, die wissen, warum eine Regel existiert - altert und geht in Rente, und die Spezialisten für den Ersatz sind knapp. Gleichzeitig hat die Aufsicht aufgehört, KI als Experiment zu behandeln: Die BaFin ordnet sie jetzt dem IKT-Risikomanagement unter DORA zu, und der EU AI Act nennt Kredit-Scoring eine Hochrisiko-Anwendung mit angehängten Pflichten^10,11.

Das ist eine ehrliche Karte davon, wo KI 2026 in einer Bank tatsächlich funktioniert - die Use Cases quer durch die Abteilungen, die realen Tools und Anbieter, die jeden bedienen, und der Rahmen aus BaFin, MaRisk, DORA, EU AI Act und DSGVO, in dem ihr arbeiten müsst. Kein Tool gewinnt jede Zeile. Und es gibt eine Sache, die fast keines davon bewahrt, und das ist der Unterschied zwischen Software, die euren Prozess fährt, und einem System, das sich erinnert, wie euer Institut tatsächlich entscheidet.

Wo eine Bank tatsächlich Zeit und Wissen verliert

Eine Bank läuft auf Prozessen und auf Menschen, die den Prozess kennen. Das Kostenproblem ist nicht, dass die Arbeit schwer ist; es ist, dass qualifizierte, teure Mitarbeiter den Großteil ihres Tages mit routinemäßigem Sammeln und Entwerfen verbringen, und das Wissen, das die schweren Entscheidungen richtig macht, in einer Handvoll Köpfe lebt.

• Das Back-Office ist dokumentengebunden - KYC-Akten, Kreditdossiers, aufsichtsrechtliche Berichte und Beschwerdeantworten werden von Hand aus Daten zusammengestellt, die schon in zehn Systemen existieren, immer wieder.
• Compliance ertrinkt in Fehlalarmen - das Geldwäsche-Transaktionsmonitoring erzeugt weit mehr Alerts als echt sind, und Analysten verbringen ihre Tage damit, Rauschen zu klären, statt das echte Risiko zu fangen.
• Die Spezialisten gehen in Rente - die erfahrenen Kreditverantwortlichen, Risikomanager und Compliance-Leiter, die wissen, warum eine Regel existiert, scheiden aus, und der Nachwuchs ist knapp und langsam auszubilden.
• Wissen lebt in Menschen, nicht in Systemen - warum ein Firmenkunde immer spät abruft, welche Alerts euer bester Analyst verwirft und warum, wie der Kreditausschuss eine Grenzfall-Akte tatsächlich gewichtet - nichts davon ist aufgeschrieben.
• Jede Entscheidung ist reguliert - eine Kredit- oder Compliance-Entscheidung ist nicht nur eine Geschäftswahl; sie trägt MaRisk-, EU-AI-Act- und DSGVO-Pflichten, also muss die Begründung belastbar und protokolliert sein, nicht nur schnell.
• Die Kernsysteme reden nicht miteinander - das Konto ist in der Kernbanken-Plattform, der Kunde im CRM, das Risiko in einem separaten Modell und der Kontext in einem Postfach, also werden die Mitarbeiter zur Integrationsschicht und kopieren dazwischen.

Die Frage ist also nicht, ob man KI auf das Problem setzt. Es ist, welcher Use Case zu welcher Abteilung passt, welches Tool ihn bedient und ob das Tool nur den Prozess fährt oder tatsächlich das Urteil bewahrt, das eure besten Leute tragen.

Warum 2026 für Banken anders ist

Banken nutzen seit Jahrzehnten Modelle, vom Kredit-Scoring bis zu Betrugsregeln. Was sich geändert hat, ist, dass Sprachmodelle jetzt die unstrukturierten Dokumente lesen und entwerfen können, die eine Bank füllen, dass Agenten über Systeme hinweg handeln statt in einem Chatfenster zu antworten, und dass die Aufsicht einen klaren Rahmen gesetzt hat, also kamen Technologie und Regeln zur selben Zeit.

1. Sprachmodelle bewältigen die Dokumente - KYC-Akten, Verträge, Beschwerden und Berichte sind unstrukturierter Text, und KI kann sie jetzt lesen, zusammenfassen und entwerfen, wo der Großteil der manuellen Last einer Bank sitzt¹.
2. Agentic AI ging vom Chat zur Handlung über - frühe Front-Office-Piloten berichten von einer zwei- bis dreifachen Steigerung qualifizierter Leads, weil ein Agent sammelt, entwirft und handelt statt nur eine Frage zu beantworten²⁰.
3. Die Aufsicht setzte den Rahmen - der EU AI Act klassifiziert Kredit-Scoring als Hochrisiko, und die BaFin ordnete KI im Dezember 2025 dem IKT-Risikomanagement unter DORA zu, also sind die Regeln jetzt konkret statt ausstehend^10,11,22.
4. Die Sektor-Rechenzentren lieferten KI aus - die Finanz Informatik baute den S-KIPilot in OSPlus in Richtung rund 200.000 Sparkassen-Arbeitsplätze, und Atruvia bietet den Genossenschaftsbanken GenoGPT, also kommt KI über die Plattformen, die Banken schon fahren^14,15.
5. Die Belegschaftsklippe ist da - die Spezialisten, die Kredit-, Risiko- und Compliance-Wissen halten, gehen in Rente, also ist das Erfassen ihres Wissens jetzt dringend, nicht aspirativ.
6. Der ehrliche Vorbehalt - die meisten Banken haben KI noch nicht in skalierten Umsatz oder Effizienz verwandelt, und langsamere Adoptierer riskieren, was McKinsey Pilot Purgatory nennt, also verbinden die Gewinner die Technologie mit Governance und echter Integration, nicht mit Demos²¹.

Mit dieser Linse im Blick hier die ehrliche Einschätzung dazu, wo KI quer durch die Bank funktioniert.

KI-Use-Cases quer durch die Bank

KI kommt nicht als ein Projekt; sie kommt Abteilung für Abteilung. Hier ist, wo sie sich in einer Bank oder einem Finanzdienstleister auszahlt, von der Front-Linie bis ins Back-Office, mit dem ehrlichen Hinweis, was menschlich bleibt.

Beratung und Front-Office

• Gesprächsvorbereitung - ein Assistent zieht Konto, Verträge, frühere Kontakte und offene Tickets in ein Briefing, sodass der Berater vorbereitet hineingeht, statt vierzig Minuten zu sammeln, genau wie es der S-KIPilot der Sparkassen leisten soll¹⁴.
• Next-Best-Product-Vorschläge - verankert in der realen Situation des Kunden, nicht in einer generischen Kampagne, wobei der Berater entscheidet, was tatsächlich empfohlen wird.
• Gesprächs- und Termin-Dokumentation - die routinemäßige Nachbereitung und CRM-Aktualisierung automatisch entworfen, sodass die Aufzeichnung vollständig ist, ohne dass der Berater sie eintippt.

Kredit, Finanzierung und Underwriting

• Kreditaktenzusammenstellung - Finanzzahlen, Sicherheiten und Historie in ein strukturiertes Dossier sammeln, der langsame Teil jeder Kreditentscheidung, mit Plattformen wie nCino, die um diesen Workflow gebaut sind¹⁸.
• Erstanalyse - das Kreditvotum entwerfen und die Risiken kennzeichnen, sodass der Verantwortliche aus einem geprüften Entwurf statt einer leeren Seite startet.
• Decisioning-Modelle - Zest AI und parcIT im genossenschaftlichen Sektor fahren Kredit- und Risikomodelle, die klar in die Hochrisiko-Klasse des EU AI Act fallen und die passende Governance brauchen^16,22.

Compliance, KYC und Geldwäsche

• Onboarding und KYC - Ausweisdokumente lesen, Sanktions- und PEP-Listen prüfen und die Akte zusammenstellen, die volumenstärkste Routinearbeit in der Compliance.
• Transaktionsmonitoring und Alert-Triage - NICE Actimize, Nasdaq Verafin, SymphonyAI und ComplyAdvantage nutzen KI, um Fehlalarme zu senken und die Alerts zu priorisieren, die zählen¹⁷.
• Verdachtsmeldungs-Entwurf - KI stellt den Fall zusammen und entwirft die Meldung, aber ein qualifizierter Mensch verantwortet die Abgabe-Entscheidung, wie es die Regeln verlangen.

Betrug, Risiko und Reporting

• Echtzeit-Betrugserkennung - KI bewertet Transaktionen auf Betrug weit schneller als statische Regeln, eine reife Kategorie mit Anbietern wie Featurespace und FICO neben den Geldwäsche-Führern¹⁹.
• Aufsichtsrechtliches Reporting - die Meldungen entwerfen und abstimmen, die die Risiko- und Finanzfunktion verschlingen, wobei ein Mensch die Zahlen prüft, die Kapital- und MaRisk-Gewicht tragen.
• Modell-Monitoring - eingesetzte Modelle auf Drift überwachen, was in einer Bank nicht optional ist, weil ein Modell, das still falsch läuft, ein echtes finanzielles und aufsichtsrechtliches Risiko ist¹⁶.

Betrieb, IT und Service

• Kundenservice und Anfragen - Routineanfragen beantworten und Antworten entwerfen, mit Eskalation an einen Menschen für alles, was ein Konto oder eine Beschwerde betrifft.
• Modernisierung von Legacy-Code - den alten Kernbanken-Code dokumentieren und refaktorieren, dessen Autoren dort niemand mehr arbeitet, ein Use Case, den die Hälfte der führenden Banken verfolgt.
• Back-Office-Automatisierung - die Abstimmungen, Dateneingaben und das System-zu-System-Kopieren, die qualifizierte Mitarbeiter zur Integrationsschicht machen.

Die KI-Tool-Landschaft für Banken 2026

Hier ist die ehrliche Einschätzung der Kategorien, die zählen, gruppiert nach der Aufgabe, die jede am besten erledigt, was sie wirklich gut kann und wo sie aufhört. Die Bepreisung ist bei fast allen nur auf Anfrage, weil sie nach Modulen, Nutzern und Volumen verkauft werden.

Financial Crime, Geldwäsche und Betrug

1. NICE Actimize

• Was es ist - Eine führende Financial-Crime-Plattform für Geldwäsche, Betrugserkennung und Marktüberwachung, mit KI-gestütztem Transaktionsmonitoring und Fallmanagement¹⁷.
• Am besten für - Banken, die eine etablierte, breite Enterprise-Plattform für den gesamten Financial-Crime-Stack wollen.
• Wo es aufhört - Es überwacht und kennzeichnet; das Ermittlungsurteil und die Abgabe-Entscheidung liegen weiter bei euren Analysten.

2. Nasdaq Verafin

• Was es ist - Eine Cloud-Financial-Crime-Plattform, stark bei Geldwäsche und Betrug, die Konsortialdaten und KI nutzt, um die Erkennung zu schärfen¹⁷.
• Am besten für - Institute, die institutsübergreifende Daten schätzen, um Fehlalarme zu senken.
• Wo es aufhört - Stark bei der Erkennung; die Compliance-Begründung und die Fallverantwortung bleiben menschlich.

3. SymphonyAI und ComplyAdvantage

• Was sie sind - KI-native Financial-Crime-Tools; SymphonyAI (Sensa) fokussiert auf Geldwäsche-Erkennung und -Ermittlung, ComplyAdvantage auf Echtzeit-Geldwäsche- und Sanktionsrisikodaten¹⁷.
• Am besten für - Firmen, die moderne, KI-first-Erkennung wollen, einschließlich Fintechs und mittelgroßer Banken.
• Wo sie aufhören - Sie bewerten und legen Risiko offen; die Verdachtsmeldung und der Prüfpfad bleiben eure Verantwortung.

Kredit, Finanzierung und Decisioning

4. nCino

• Was es ist - Eine Cloud-Banking-Plattform, stark im Firmenkreditgeschäft, mit KI-gestütztem Kredit-Decisioning und Workflow über den Kreditlebenszyklus¹⁸.
• Am besten für - Banken, die den Firmenkreditprozess durchgängig digitalisieren und beschleunigen wollen.
• Wo es aufhört - Es fährt den Kredit-Workflow; die finale Kreditentscheidung und ihre EU-AI-Act-Pflichten bleiben bei der Bank.

5. Zest AI

• Was es ist - Ein Spezialist für KI-Kredit-Decisioning, der Underwriting-Modelle baut und fährt, ausgerichtet auf genauere, inklusivere Kreditvergabe¹⁸.
• Am besten für - Kreditgeber, die die Scorecard selbst modernisieren wollen, besonders im Konsumentenkredit.
• Wo es aufhört - Kredit-Scoring ist Hochrisiko nach dem EU AI Act, also braucht das Modell Konformität, Validierung und menschliche Aufsicht²².

6. parcIT (Atruvia)

• Was es ist - Der Anbieter für Kredit- und Risikomethodik innerhalb der genossenschaftlichen Gruppe, der die Modelle liefert, auf die sich die Volksbanken und Raiffeisenbanken verlassen¹⁶.
• Am besten für - Genossenschaftsbanken, deren Risiko- und Kreditmodelle zu den Standards des Sektors passen müssen.
• Wo es aufhört - Wie ein öffentlicher Fall zeigte, kann ein Modellfehler das Risikolimit einer Bank belasten, was genau der Grund ist, warum MaRisk-Validierung und -Monitoring zählen¹⁶.

Digitale Kundenbindung und Kernbanken

7. Backbase

• Was es ist - Eine Engagement-Banking-Plattform, die KI über Onboarding, Service und die Customer Journey auf dem Kern einbindet¹⁸.
• Am besten für - Banken, die das digitale Frontend modernisieren, ohne den Kern auf einen Schlag zu ersetzen.
• Wo es aufhört - Es besitzt die Engagement-Schicht; das Risiko-, Compliance- und Kredit-Urteil lebt anderswo.

8. Temenos, Avaloq und Finastra

• Was sie sind - Etablierte Kern- und Wealth-Banking-Plattformen, die KI-Funktionen in die Systeme-of-Record einbetten, die europäische Banken schon fahren.
• Am besten für - Institute, die KI in ihrem bestehenden Kern erweitern, statt ein separates Tool hinzuzufügen.
• Wo sie aufhören - Die KI ist durch die Plattform begrenzt; sie reicht nicht bis zum Postfach, den vergangenen Fällen und dem stillen Wissen außerhalb.

DACH-Sektorplattformen und Assistenten

9. Finanz Informatik - S-KIPilot und SparkasseGPT

• Was es ist - Die KI des Sparkassen-Rechenzentrums, mit dem S-KIPilot in OSPlus für Berater und SparkasseGPT in Kooperation mit OpenAI entwickelt, in Richtung rund 200.000 Arbeitsplätze ausgerollt^13,14.
• Am besten für - Sparkassen, die die Standard-Beratungs- und -Service-Workflows in OSPlus nutzen.
• Wo es aufhört - Es ist ein sektorweiter Assistent; die Workflows und das Wissen einer einzelnen Sparkasse brauchen weiter etwas obendrauf.

10. Atruvia - GenoGPT

• Was es ist - Die KI-Wissensplattform der genossenschaftlichen Gruppe, die Bankwissen bündelt und für die Volksbanken und Raiffeisenbanken auf agree21 kontextspezifisch verfügbar macht¹⁵.
• Am besten für - Genossenschaftsbanken, die sektorstandardisierte KI in ihrer Kernumgebung wollen.
• Wo es aufhört - Es ist eine geteilte Plattform; die eigenen Prozesse und das institutionelle Gedächtnis einer einzelnen Bank sind nicht ihr Fokus.

11. Allgemeine Assistenten (ChatGPT, Microsoft Copilot) als Basislinie

• Was sie sind - Allzweck-Assistenten, die Text entwerfen, ein Dokument zusammenfassen oder eine Frage beantworten.
• Am besten für - einmalige Entwurfs- und Analyseaufgaben neben den echten Bankensystemen.
• Wo sie aufhören - Sie sind kein Bankensystem. Sie halten eure Konten nicht, verbinden sich nicht mit eurem Kern, und ohne Governance genutzt erzeugen sie ein Schatten-KI- und DSGVO-Problem. Nutzt sie als Co-Pilot, nicht als das System.

Was jedes Banking-Tool verpasst

Stellt die Tools von oben nebeneinander, und ein Muster erscheint. Sie unterscheiden sich im Preis, in der Breite und darin, wie viel sie automatisieren. In einem blinden Fleck sind sie sich einig: Jedes ist eine Prozessmaschine für einen Teil der Bank, und keines bewahrt die Begründung, die eine Entscheidung richtig macht, wenn der Spezialist, der sie hielt, in Rente geht.

• Sie fahren den Prozess, nicht das Urteil - das Geldwäsche-Tool kennzeichnet einen Alert. Es weiß nicht, dass dieses Muster für diesen Kunden derselbe Fehlalarm ist, den euer bester Analyst letztes Quartal geklärt hat, und warum.
• Der Kontext verlässt das Haus - wenn ein erfahrener Kreditverantwortlicher in Rente geht, behält die Plattform die Akten, verliert aber das Gespür dafür, welchen Kreditnehmern man vertraut, welche Branchen kippen und wie der Ausschuss einen Grenzfall wirklich gewichtet. Der nächste Mitarbeiter lernt es neu.
• Jedes Tool sieht nur seine eigene Box - die Kernbanken-Plattform, das Geldwäsche-Tool, das Kreditsystem und das CRM halten je einen Ausschnitt, also hat kein einzelnes Tool die abteilungsübergreifende Sicht, die eine echte Entscheidung braucht.
• Entwerfen ist nicht Entscheiden - ein perfektes Kreditvotum braucht weiter jemanden, der das Risiko abwägt und die Zahl verantwortet, und eine Aufsicht erwartet, dass dieser Mensch verantwortlich ist, nicht das Modell.
• Die Reichweite endet an der Systemgrenze - der Grund, warum eine Entscheidung sich bewegen sollte, lebt oft in einer E-Mail, einer vergangenen Fallnotiz oder einem Gespräch, das das Tool nie sieht.
• Governance bleibt euch überlassen - die EU-AI-Act-, MaRisk- und DORA-Pflichten rund um ein Modell sind Sache der Bank, und ein Punkt-Tool gibt euch selten die Protokollierung und Aufsicht, die die Aufsicht über alles hinweg will.

Das ist die Lücke, die ein Company Brain plus KI-Mitarbeiter schließen soll.

Der Company-Brain-Ansatz

Ein Company Brain ist Unternehmensgedächtnis: das Menschenwissen, die Prozesse und die Entscheidungen, die eure Bank funktionieren lassen, erfasst, sodass sie Fluktuation überleben und darauf gehandelt werden kann. Es ist die Schicht über euren Banking-Tools, und es ist das, was eine Prozessmaschine in einen KI-Mitarbeiter verwandelt, der die Aufgabe erledigt und die Fragen beantwortet - innerhalb eures Compliance-Rahmens, nicht daran vorbei.

Was es bewahrt

• Wie euer Kredit wirklich entscheidet - wie euer Ausschuss eine Grenzfall-Akte gewichtet, die Branchen, bei denen ihr vorsichtig seid, und die Kreditnehmer, die ihr kennt, sodass die Analyse eure Risikoneigung widerspiegelt, nicht ein generisches Modell.
• Welche Alerts Rauschen sind - die Transaktionsmuster, die eure besten Analysten als Fehlalarme klären, und warum, sodass die Triage besser wird, statt dieselben Ermittlungen zu wiederholen.
• Die Kundenmuster - wer spät abruft, wer die Ausnahme wert ist, und die Beziehungshistorie, sodass Beratung und Kredit widerspiegeln, wen ihr wirklich bedient.
• Warum ihr entschieden habt - die Begründung hinter vergangenen Kredit-, Compliance- und Preisentscheidungen, bewahrt und protokolliert, sodass die nächste Entscheidung von der letzten lernt und gegenüber der Aufsicht belastbar ist.
• Feedback, während es passiert - das Company Brain lernt jeden Tag aus den Korrekturen eurer Spezialisten, sodass es genau bleibt, wenn Märkte, Regeln und Kunden sich ändern, statt zu veralten.

Die KI-Mitarbeiter obendrauf

Verankert in diesem Gedächtnis erledigen KI-Mitarbeiter die Routinearbeit durchgängig und bleiben mit den Systemen verbunden, in denen eure Konten und ihr Kontext tatsächlich leben - die Kernplattform, das CRM, E-Mail, Teams und SharePoint.

• Die Akte zusammenstellen - die KYC-, Kredit- oder Beschwerdeakte aus jedem System zusammenziehen und kennzeichnen, was ein menschliches Auge braucht.
• Die Analyse entwerfen - das Kreditvotum, die Fallzusammenfassung oder den aufsichtsrechtlichen Entwurf in eurem Format erstellen, bereit zur Prüfung.
• Die Alerts triagieren - das Geldwäsche- und Betrugsrauschen vom echten Risiko trennen, anhand eurer eigenen Historie dessen, was sich als wichtig erwies.
• Den Berater vorbereiten - das Gesprächsbriefing und die Next-Best-Action aus der realen Situation des Kunden bauen.
• Täglich besser werden - jede Korrektur und jeder abgeschlossene Fall fließt zurück ins Company Brain, sodass ihr mehr Output ohne mehr Personal bekommt.

Ein Company Brain ersetzt nicht eure Kernbanken-Plattform oder euer Geldwäsche-Tool. Es sitzt darüber und bewahrt das, was sie nie erfasst haben: wie euer Institut tatsächlich entscheidet und wer die Nachverfolgung erledigt.

Build vs Buy vs Layer: Das Fazit

Der Instinkt bei Banking-KI ist, es als Build versus Buy zu rahmen. Das ist die falsche Frage. Der richtige Rahmen hat drei Teile, und für die meisten Banken ist die Antwort alle drei, in dieser Reihenfolge.

1. Kauft die Banking-Tools - Kernplattformen, Geldwäsche-Engines und Kreditsysteme sind gelöste Probleme, gebaut von Anbietern mit Jahren an Daten- und Compliance-Arbeit. Eigenbau ist eine Milchmädchenrechnung; wählt die Tools, die zu eurem Sektor passen, und verbindet sie.
2. Baut nicht die Plattform - ein selbstgebautes Geldwäsche- oder Kernsystem konkurriert mit Spezialisten und trägt die regulatorische Last allein. Ihr gebt mehr aus und seht weniger.
3. Legt Gedächtnis und Handlung obendrauf - der Teil, den euch kein Banking-Tool gibt, das bewahrte Kredit- und Compliance-Urteil und die KI-Mitarbeiter, die die Routineaufgaben über euren Kern, das CRM und das Postfach erledigen, ist der Ort, an dem sich eine eigene Schicht rechtfertigt, weil sie spezifisch dafür ist, wie eure Bank entscheidet.

Der 90-Tage-Einführungsplan

Die meisten Banking-KI-Projekte bleiben stecken, weil sie das Meer auskochen wollen, oder weil sie mit einem Hochrisiko-Use-Case starten und in der Governance hängen bleiben. Ein fokussierter 90-Tage-Plan nimmt einen risikoärmeren, volumenstarken Back-Office-Prozess von der Basislinie zu einer funktionierenden, messbaren Schleife, mit dem Compliance-Rahmen an Ort und Stelle, und erweitert dann. Hier ist die Form.

Phase 1: Basislinie und Erfassung (Wochen 1-4)

1. Woche 1: Einen risikoärmeren, volumenstarken Prozess wählen - KYC-Aktenzusammenstellung, Beschwerdeentwurf oder Gesprächsvorbereitung, nicht Kredit-Decisioning, sodass ihr Wert bekommt, ohne zuerst die volle Hochrisiko-Konformitätslast.
2. Woche 2: Die Zahlen als Basislinie - messt Bearbeitungszeit, Volumen pro Mitarbeiter, Fehler- und Nacharbeitsquote und Rückstau. Das ist euer Vorher-Bild.
3. Woche 3: Die Begründung erfassen - setzt euch mit eurem besten Spezialisten zusammen und dokumentiert, wie der Prozess wirklich läuft und wo das Urteil lebt. Das seedet das Company Brain.
4. Woche 4: Die Leitplanken setzen - definiert, was die KI automatisch darf, was Prüfung braucht und was immer an einen Menschen geht, plus die Protokollierung, die DORA und die MaRisk erwarten.

Phase 2: Bauen und testen (Wochen 5-8)

5. Woche 5-6: Verbinden und verankern - verdrahtet den KI-Mitarbeiter mit Kern, CRM und Dokumentablagen und verankert ihn in der erfassten Begründung. Er läuft neben dem Team, noch nicht auf Live-Fällen.
6. Woche 7: Schattenmodus - die KI stellt Akten zusammen und entwirft auf echten Fällen, und eure Spezialisten prüfen und korrigieren. Jede Korrektur speist das Company Brain.
7. Woche 8: Feinschliff - stimmt die Grenzfälle ab, finalisiert die Prüfpunkte, bestätigt den Prüfpfad und setzt den Go-live-Umfang.

Phase 3: Laufen und messen (Wochen 9-12)

9. Woche 9: Soft Launch - lasst die KI den Prozess für ein Team fahren, wobei ein Mensch jede Entscheidung verantwortet und das Protokoll jeden Schritt erfasst.
10. Woche 10-11: Voller Rollout - erweitert auf die breitere Funktion und plant erst dann den Schritt zu einem Hochrisiko-Use-Case mit bereits bewiesener Governance.
11. Woche 12: Messen und erweitern - vergleicht Bearbeitungszeit, Volumen und Nacharbeit mit der Basislinie aus Woche 1, prüft den Prüfpfad und wählt den nächsten Prozess.

Wie Superkind passt

Superkind baut KI-Mitarbeiter, verankert in einem Company Brain. In einer Bank heißt das KI-Mitarbeiter, die die routinemäßigen, regulierten Back-Office-Aufgaben erledigen - Aktenzusammenstellung, Entwürfe, Alert-Triage, Gesprächsvorbereitung - verbunden mit den Systemen, die ihr schon nutzt, und ein Unternehmensgedächtnis, das bewahrt, wie euer Institut entscheidet, auch wenn Spezialisten in Rente gehen.

• Arbeitet auf euren Banking-Tools - es sitzt neben OSPlus, agree21, Temenos, nCino oder eurer Geldwäsche-Plattform, kein Rip-and-Replace der Systeme, die ihr schon fahrt.
• Verankert in eurem Company Brain - die Analyse spiegelt eure reale Kreditneigung, eure bekannten Kunden und eure Fehlalarm-Historie wider, nicht ein generisches Modell.
• Verbunden mit euren echten Systemen - es handelt über Kern, CRM, E-Mail, Teams und SharePoint per API-Verbindungen, arbeitet also dort, wo der Kontext lebt.
• Erledigt die Aufgabe, nicht nur einen Chat - es stellt die Akte zusammen, entwirft das Votum, triagiert die Alerts und bereitet den Berater vor, wobei ein Mensch jede Entscheidung verantwortet, die einen Kunden oder eine Pflicht betrifft.
• Für den Compliance-Rahmen gebaut - Human-in-the-Loop by Design, protokollierte Aktionen, EU-Datenresidenz und Anbieter-Governance, die zu DORA und MaRisk passt, kein aufgesetzter Consumer-Chatbot.
• Bewahrt das Wissen - das Kredit-, Compliance- und Beratungsurteil, das eure Spezialisten halten, wird erfasst, während die Arbeit passiert, sodass es Renteneintritte und Fluktuation überlebt.
• Wird jeden Tag besser - das Feedback eures Teams und jeder abgeschlossene Fall machen es mit der Zeit genauer, sodass ihr mehr Output ohne mehr Personal bekommt.
• Live in Wochen - ein erster risikoärmerer Prozess erreicht typischerweise in 8 bis 12 Wochen die beaufsichtigte Produktion, ein Workflow, bevor es erweitert.

BaFin, MaRisk, DORA, EU AI Act und DSGVO

Für eine Bank oder einen Finanzdienstleister ist Compliance die erste Zeile der KI-Shortlist, nicht die letzte. Die gute Nachricht ist, dass die meiste Back-Office-KI risikoärmer ist, aber Kredit-Scoring ist Hochrisiko, KI liegt jetzt innerhalb von DORA und der MaRisk, und personenbezogene Daten fallen unter die DSGVO, also muss der Rahmen Teil des Designs sein.

EU AI Act

• Kredit-Scoring ist Hochrisiko - Anhang III nennt die Kreditwürdigkeitsprüfung und das Kredit-Scoring natürlicher Personen als Hochrisiko und bringt Risikomanagement, Daten-Governance, Dokumentation, Protokollierung, menschliche Aufsicht und eine Konformitätsbewertung²².
• Die meiste Back-Office-KI ist risikoärmer - Akten zusammenstellen, Dokumente zusammenfassen und internen Text entwerfen liegt in der Regel außerhalb der Hochrisiko-Kategorien, also gelten die schweren Pflichten meist nicht.
• Artikel 50 Transparenz - wo ein KI-System mit einer Person interagiert, sollte das klar sein, also legt die KI in kundengerichteten Nachrichten offen²³.
• Die Durchsetzung ist real - Verstöße gegen den AI Act können Bußgelder bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes nach sich ziehen, also ist die Klassifizierung keine Formalie¹¹.

DORA, MaRisk und BaFin

• KI ist IKT-Risiko unter DORA - die BaFin-Orientierungshilfe vom Dezember 2025 behandelt KI als Teil des IKT-Risikomanagements unter DORA, also fallen das Modell und sein Anbieter in euer Resilienzframework¹⁰.
• Modellrisiko unter der MaRisk - jedes Modell, das eine Risiko- oder Kapitalzahl speist, braucht Validierung, Monitoring und klare Verantwortung, und ein öffentlicher Fall, in dem ein Anbieter-Modellfehler das Risikolimit einer Bank belastete, zeigt warum¹⁶.
• Drittanbieter-Governance - ein externer KI-Anbieter ist ein Drittanbieter, den es zu registrieren, auf Konzentrationsrisiko zu bewerten und zu beaufsichtigen gilt, genau wie DORA es für kritische IKT-Dienste verlangt.
• Menschliche Aufsicht und Protokollierung - haltet einen qualifizierten Menschen bei jeder regulierten Entscheidung und protokolliert, was die KI tut, was die Aufsicht zufriedenstellt und schlicht gute Bank-Governance ist.

DSGVO und die DACH-Passung

• Kundendaten sind personenbezogene Daten - Konto-, Transaktions- und Identitätsdaten fallen unter die DSGVO, also verarbeitet sie rechtmäßig, minimal und mit klarem Zweck und Rechtsgrundlage.
• Haltet Daten in der EU - bevorzugt Tools, die innerhalb eurer Infrastruktur oder einer konformen EU-Grenze verarbeiten, ein Punkt, den die Souveränitätsdebatte um US-Cloud-Anbieter geschärft hat¹².
• Betriebsratsbeteiligung - wo KI ändert, wie Mitarbeiter arbeiten, ist in deutschen Instituten typischerweise der Betriebsrat beteiligt. Holt ihn früh dazu, nicht nach dem Piloten.
• Sektor-Passung - ein Tool, das nicht in OSPlus oder agree21 arbeiten kann oder deutsche Meldekonventionen ignoriert, passt zu keiner Sparkasse oder Volksbank, so gut seine KI auch ist.

Häufig gestellte Fragen

Verwandte Artikel

• KI-Tools für Versicherungsmakler
• KI im Forderungsmanagement
• Der KI-Compliance-Assistent
• Der EU AI Act für den Mittelstand
• Souveräne KI: Die KI eures Unternehmens in der EU halten
• KI-Agenten für den Mittelstand

Henri Jung

Mitgründer von Superkind, wo er SMEs und Unternehmen dabei hilft, maßgeschneiderte KI-Mitarbeiter einzusetzen, die tatsächlich dazu passen, wie ihre Teams arbeiten. Henri brennt dafür, die Lücke zwischen dem, was KI kann, und dem Wert, den sie in echten Unternehmen schafft, zu schließen. Er glaubt, dass der Mittelstand alles hat, was er braucht, um bei KI zu führen - er braucht nur den richtigen Ansatz.