Insight

Die drei häufigsten Fehler bei der KI-Strategie in Finanzinstituten

Drei strukturelle Fehler lassen KI-Strategien in Finanzinstituten folgenlos bleiben. Wie Problemfokus, Priorisierung und klare Verantwortung gegensteuern.

Geschäftsmodell und Innovation

8 min Lesezeit

Kernaussage

Eine KI-Strategie entscheidet sich nicht am Umfang des Papiers, sondern daran, wer welchen Anwendungsfall bis wann verantwortet. Ohne benannte Verantwortung bleibt jede Roadmap folgenlos.

Titelbild zum Beitrag „Die drei häufigsten Fehler bei der KI-Strategie in Finanzinstituten“

Die wichtigsten Erkenntnisse

Am teuersten Problem ansetzen, nicht an Technik

Strategie ohne Priorisierung bleibt Papier

Fehlende Verantwortung frisst das Budget

Die Strategie ist fertig. Und jetzt?

Irgendwo in den Shared Drives fast jedes größeren Finanzinstituts liegt eine KI-Strategie. Manche sind 30 Seiten lang, andere 120. Sie alle enthalten eine Analyse des Marktumfelds, eine Übersicht von Use Cases, also konkreten Anwendungsfällen, und eine Roadmap. Und die meisten werden in zwei Jahren kaum jemanden interessieren. Der Grund ist fast immer derselbe: KI-Strategien in Finanzinstituten scheitern nach unserer Erfahrung an drei strukturellen Fehlern. Sie beginnen bei der Technologie, sie priorisieren nicht, und ihnen fehlt die Umsetzungsarchitektur.

KI ist in den Finanzinstituten angekommen, strategisch verankert ist sie seltener. In der Studie „KI in Banken 2025“ von Cofinpro und VÖB-Service geben 78 Prozent der 317 im Juli 2025 befragten Fachleute an, dass ihr Institut mit KI arbeitet, 2023 waren es 52 Prozent. Nur 48 Prozent der Befragten sehen KI in der Unternehmensstrategie verankert. 70 Prozent der Befragten sagen, die KI-Projekte ihres Instituts seien meist isolierte Einzelinitiativen.

Balkendiagramm, Zustimmung der Befragten in Prozent: 78 Prozent sagen, ihr Institut arbeite bereits mit KI, 2023 waren es 52 Prozent. 48 Prozent sehen KI in der Unternehmensstrategie verankert. 70 Prozent sagen, die KI-Projekte ihres Instituts seien meist isolierte Einzelinitiativen. Quelle: Cofinpro und VÖB-Service, Studie KI in Banken 2025, 317 Befragte, Juli 2025.

Im Vorwort der Studie heißt es, solche Insellösungen seien „nützlich im Kleinen, wirkungslos im Großen“. Die RAND Corporation verweist in einem Bericht von 2024 auf Schätzungen, nach denen mehr als 80 Prozent der KI-Projekte scheitern, und zählt den Vorrang der Technologie vor dem Problem zu den fünf Hauptursachen.

Der Grund liegt selten im Geld und nicht allein in der Technik. Er liegt in drei strukturellen Fehlern, die viele KI-Strategien teilen. Wer sie kennt, erkennt sie im eigenen Papier wieder, meistens auf den ersten zwanzig Seiten.

Fehler eins: Die KI-Strategie beginnt bei der Technologie

Die meisten KI-Strategien beginnen mit der Frage: Was können wir mit KI machen? Die richtige Frage ist: Welche Probleme kosten uns am meisten, und welche davon lassen sich mit KI lösen? Der Unterschied klingt semantisch. Er ist fundamental.

Technologiegetriebene Strategien enden in Piloten ohne Skalierung. Sie produzieren beeindruckende Demos, die nie in den Regelbetrieb gehen, weil niemand vorher geprüft hat, ob sie ein teures Problem lösen oder nur ein interessantes. Ein Chatbot, der Produktfragen beantwortet, ist technisch reizvoll. Wenn das Institut sein Geld aber in der manuellen Marktfolge, im langsamen Onboarding und in der überlasteten Sachbearbeitung verliert, löst der Chatbot das falsche Problem mit Bravour.

Problemgetriebene Strategien gehen den umgekehrten Weg. Sie beginnen mit der Gewinn- und Verlustrechnung und mit den Prozessen, die am meisten Zeit, Fehlerkosten und Kundengeduld verbrauchen. Erst danach wird gefragt, wo KI an genau diesen Stellen einen Hebel hat. Das Ergebnis sind weniger, aber wirksamere Vorhaben, die das Institut sofort spürt: kürzere Bearbeitungszeit in der Marktfolge, weniger Rückläufer im Onboarding, weniger manuelle Nacharbeit im Meldewesen.

Am Budget liegt es bei KI-Vorhaben in Finanzinstituten selten. In der Studie von Cofinpro und VÖB-Service nennen nur 17 Prozent ausreichendes Budget als Erfolgsfaktor, aber 46 Prozent klar definierte Anwendungsfälle. Fehlendes Budget nennen nur 19 Prozent der Institute ohne KI-Anwendungen als Hindernis, 2023 waren es 32 Prozent. Wer trotzdem nicht in die Skalierung kommt, hat kein Budgetproblem, sondern ein Fokusproblem. Fokus entsteht nur, wenn die Strategie am Problem ansetzt, nicht an der Technik. Ob das eigene Institut die Grundlagen dafür mitbringt, lässt sich vorab ehrlich prüfen, etwa anhand der drei Voraussetzungen für KI-Reife.

Kennzahlen, Cofinpro/VÖB-Service, KI in Banken 2025, 317 Befragte, Juli 2025: 46 Prozent nennen klar definierte Anwendungsfälle als Erfolgsfaktor, 17 Prozent ausreichendes Budget.

Fehler zwei: Die KI-Strategie priorisiert nicht

Eine Use-Case-Liste ohne klare Priorisierung ist eine Absage an Fokus. Wir sehen regelmäßig KI-Strategien mit 40, 60, manchmal über 100 identifizierten Use Cases. Das klingt nach Gründlichkeit. Es ist das Gegenteil.

Transformationen gelingen nicht durch Breite, sondern durch Tiefe. Wer drei Use Cases wirklich umsetzt, bis sie produktiv laufen, gemessen und in den Prozess integriert sind, ist weiter als wer zwanzig plant. Eine lange Liste verteilt Ressourcen, Aufmerksamkeit und Rückendeckung des Managements auf so viele Vorhaben, dass keines die kritische Schwelle zur Skalierung erreicht. Am Ende steht ein Portfolio aus Halbfertigem, und das Management fragt zu Recht, wo der versprochene Effekt bleibt.

Eine belastbare Priorisierung beantwortet für jeden Kandidaten drei Fragen:

  • Wie hoch ist der wirtschaftliche Hebel, gemessen an eingesparter Zeit, vermiedenen Fehlerkosten oder zusätzlichem Geschäft?

  • Wie aufwendig ist die Umsetzung im Bestandssystem, und welche Schnittstellen werden gebraucht?

  • Wie reif sind die Daten, die der Use Case benötigt?

Was bei allen drei Fragen oben landet, kommt zuerst. Der Rest wartet, bis das Erste läuft.

Unbequem ist diese Priorisierung, weil sie Lieblingsprojekte einzelner Bereiche aussortiert. Genau das ist ihr Wert. Eine Strategie, die niemandem wehtut, hat nicht priorisiert, sie hat nur sortiert. Der Mut zur kurzen Liste ist der erste echte Test, ob ein Institut Transformation ernst meint.

Fehler drei: Der KI-Strategie fehlt die Umsetzungsarchitektur

Strategie endet auf Folie 47 mit einer Roadmap. Was danach kommt, wer was bis wann liefert, wer Entscheidungen trifft, welche Abhängigkeiten existieren, bleibt offen. Dieses Vakuum füllt sich nicht von selbst. Es füllt sich mit Abstimmungsrunden, Zuständigkeitsfragen und Verzögerungen.

Eine Umsetzungsarchitektur legt Zuständigkeiten, Entscheidungswege und Abhängigkeiten fest. Sie klärt vor dem ersten Sprint, woran die meisten Programme später ersticken:

  • Wer ist fachlich verantwortlich, wenn ein Modell live geht?

  • Wie sieht die Integration in das Kernbanksystem konkret aus, in OSPlus bei Sparkassen oder in agree21 bei Genossenschaftsbanken, und wer auf der IT-Seite liefert sie?

  • Welche Governance greift, sobald die KI Vorgänge nicht nur vorbereitet, sondern entscheidet?

  • Wie wird dokumentiert, auf welcher Grundlage ein Vorschlag entstand, damit das System durch die nächste Revision kommt?

  • Woran wird Erfolg in 90 Tagen gemessen?

Eine Roadmap ohne diese Antworten bleibt eine Absichtserklärung.

An diesen Fragen trennt sich das Konzept von der Umsetzung. Ein Konzept zu schreiben ist die leichtere Hälfte. Es bis in den produktiven Betrieb zu bringen, ist die Arbeit, die über den Ertrag entscheidet. Viele Institute erleben hier einen Bruch: Das Konzept ist fertig, und intern bleibt die Frage, wer es jetzt eigentlich baut. Wer Strategie und Umsetzung organisatorisch trennt, plant diesen Bruch unbemerkt mit ein. Wie sich diese Lücke schließen lässt, beschreibt der Beitrag zum Weg von der KI-Strategie in den Betrieb.

Beispiel Kreditprozess: drei Fehler in einem KI-Vorhaben

Ein Beispiel aus der Marktfolge macht alle drei Fehler auf einmal sichtbar. Ein Institut nimmt sich vor, die Dokumentenprüfung im Kreditprozess mit KI zu unterstützen, ein klassischer Marktfolge-Anwendungsfall für KI-Agenten. Das Vorhaben startet mit der Technik, weil ein Anbieter eine beeindruckende Demo gezeigt hat. Es landet auf einer Liste neben 50 weiteren Vorhaben, sodass kein dediziertes Team entsteht. Und es endet mit einer Roadmap, in der niemand benannt ist, der die Integration in das Kreditsystem verantwortet. Sechs Monate später existiert ein Proof of Concept, also ein Machbarkeitsnachweis, der auf Testdaten funktioniert, aber nie an die echten Akten angeschlossen wurde. Das Budget ist verbraucht, der Nutzen gleich null.

Derselbe Use Case, richtig aufgesetzt, sieht anders aus. Er beginnt mit der Frage, wo in der Kreditbearbeitung die meiste Zeit verloren geht. Er steht allein und nicht auf einer Liste mit 50 Geschwistern. Und er hat von Tag eins eine benannte fachliche und eine benannte technische Verantwortung. Das Ergebnis nach sechs Monaten ist nicht eine Demo, sondern ein Prozess, der in der echten Akte funktioniert und dessen Zeitersparnis sich in der Steuerung wiederfindet.

Was verlangt eine KI-Strategie vom Management?

Eine KI-Strategie, die alle drei Fehler vermeidet, verlangt vom Management drei unbequeme Dinge: den Mut, sich auf wenige Vorhaben festzulegen und Lieblingsprojekte einzelner Bereiche abzulehnen, die Bereitschaft, klare Verantwortung über Ressortgrenzen hinweg zuzuweisen, und die Ausdauer, dranzubleiben, wenn die erste Begeisterung verflogen ist. Wo diese drei Dinge fehlen, hilft kein noch so gutes Strategiepapier. Wo sie vorhanden sind, reichen 20 Seiten und drei priorisierte Use Cases, um in Bewegung zu kommen.

Es ist bequem, das Scheitern der IT oder dem Markt zuzuschreiben. In der Praxis liegt der Engpass häufiger an der Spitze. Die Qualität der Strategie hängt am Ende weniger an der Analyse als an der Entschlossenheit, mit der sie umgesetzt wird.

Was gehört in eine KI-Strategie für Finanzinstitute?

Eine gute KI-Strategie für Finanzinstitute ist nicht länger als 20 Seiten. Sie setzt jedem Fehler ein Gegenmittel entgegen.

Schema: drei Fehler der KI-Strategie in Finanzinstituten und ihre Gegenmittel. Fehler 1: Die Strategie beginnt bei der Technologie. Gegenmittel: Bei den teuersten Problemen beginnen. Fehler 2: Die Strategie priorisiert nicht. Gegenmittel: Drei Use Cases auswählen. Fehler 3: Der Strategie fehlt die Umsetzungsarchitektur. Gegenmittel: Vorab klären, wer was bis wann liefert.

Daraus folgen drei Schritte:

  1. Bei den teuersten Problemen beginnen: Welche kosten uns am meisten?

  2. Drei Use Cases auswählen: Welche kommen zuerst, welche warten?

  3. Vorab klären, wer was bis wann liefert: Wer verantwortet jeden Schritt, woran messen wir Erfolg in 90 Tagen?

Mehr braucht es nicht, um zu starten. Die Institute, die KI bereits nutzen, sind nicht im Vorteil, weil sie früh angefangen haben. Sie sind im Vorteil, sobald sie aufhören, breit zu planen, und anfangen, tief umzusetzen. Der erste produktive Use Case verändert die interne Debatte mehr als jedes Strategiepapier, weil er aus einer Behauptung einen Beweis macht.

Häufige Fragen

Wie lang sollte eine KI-Strategie für ein Finanzinstitut sein?
Kurz genug, um gelesen und umgesetzt zu werden, nach unserer Erfahrung nicht länger als 20 Seiten. Entscheidend sind wenige priorisierte Anwendungsfälle mit benannter Verantwortung, nicht der Umfang der Marktanalyse.

Wie viele KI-Anwendungsfälle sollte ein Institut gleichzeitig umsetzen?
Für den Start drei. Sie sollten einen spürbaren wirtschaftlichen Hebel haben, im Bestandssystem umsetzbar sein und auf ausreichend reifen Daten beruhen. Weitere Fälle folgen, wenn die ersten produktiv laufen.

Warum scheitern KI-Strategien selten am Budget?
In der Studie „KI in Banken 2025“ nennen nur 17 Prozent ausreichendes Budget als Erfolgsfaktor, aber 46 Prozent klar definierte Anwendungsfälle. Der Engpass liegt meist bei Fokus und Verantwortung.

Weitere Beiträge zu Anwendungsfällen, Plattformen und Steuerung bündelt das Dossier KI-Strategie & Plattformen.

Ob einer der drei Fehler in der eigenen KI-Strategie steckt, zeigt meist schon ein Blick auf die Liste der Vorhaben und die Namen der Verantwortlichen. Wir freuen uns über ein erstes Gespräch zu diesem Thema.

Sotica Insights

Redaktion · Beiträge aus der Beratungspraxis

Ein Thema, das gerade beschäftigt?

Gemeinsam einordnen, was daraus folgt.

Titelbild zum Beitrag „Die drei häufigsten Fehler bei der KI-Strategie in Finanzinstituten“

Die wichtigsten Erkenntnisse

Am teuersten Problem ansetzen, nicht an Technik

Strategie ohne Priorisierung bleibt Papier

Fehlende Verantwortung frisst das Budget

Die Strategie ist fertig. Und jetzt?

Irgendwo in den Shared Drives fast jedes größeren Finanzinstituts liegt eine KI-Strategie. Manche sind 30 Seiten lang, andere 120. Sie alle enthalten eine Analyse des Marktumfelds, eine Übersicht von Use Cases, also konkreten Anwendungsfällen, und eine Roadmap. Und die meisten werden in zwei Jahren kaum jemanden interessieren. Der Grund ist fast immer derselbe: KI-Strategien in Finanzinstituten scheitern nach unserer Erfahrung an drei strukturellen Fehlern. Sie beginnen bei der Technologie, sie priorisieren nicht, und ihnen fehlt die Umsetzungsarchitektur.

KI ist in den Finanzinstituten angekommen, strategisch verankert ist sie seltener. In der Studie „KI in Banken 2025“ von Cofinpro und VÖB-Service geben 78 Prozent der 317 im Juli 2025 befragten Fachleute an, dass ihr Institut mit KI arbeitet, 2023 waren es 52 Prozent. Nur 48 Prozent der Befragten sehen KI in der Unternehmensstrategie verankert. 70 Prozent der Befragten sagen, die KI-Projekte ihres Instituts seien meist isolierte Einzelinitiativen.

Balkendiagramm, Zustimmung der Befragten in Prozent: 78 Prozent sagen, ihr Institut arbeite bereits mit KI, 2023 waren es 52 Prozent. 48 Prozent sehen KI in der Unternehmensstrategie verankert. 70 Prozent sagen, die KI-Projekte ihres Instituts seien meist isolierte Einzelinitiativen. Quelle: Cofinpro und VÖB-Service, Studie KI in Banken 2025, 317 Befragte, Juli 2025.

Im Vorwort der Studie heißt es, solche Insellösungen seien „nützlich im Kleinen, wirkungslos im Großen“. Die RAND Corporation verweist in einem Bericht von 2024 auf Schätzungen, nach denen mehr als 80 Prozent der KI-Projekte scheitern, und zählt den Vorrang der Technologie vor dem Problem zu den fünf Hauptursachen.

Der Grund liegt selten im Geld und nicht allein in der Technik. Er liegt in drei strukturellen Fehlern, die viele KI-Strategien teilen. Wer sie kennt, erkennt sie im eigenen Papier wieder, meistens auf den ersten zwanzig Seiten.

Fehler eins: Die KI-Strategie beginnt bei der Technologie

Die meisten KI-Strategien beginnen mit der Frage: Was können wir mit KI machen? Die richtige Frage ist: Welche Probleme kosten uns am meisten, und welche davon lassen sich mit KI lösen? Der Unterschied klingt semantisch. Er ist fundamental.

Technologiegetriebene Strategien enden in Piloten ohne Skalierung. Sie produzieren beeindruckende Demos, die nie in den Regelbetrieb gehen, weil niemand vorher geprüft hat, ob sie ein teures Problem lösen oder nur ein interessantes. Ein Chatbot, der Produktfragen beantwortet, ist technisch reizvoll. Wenn das Institut sein Geld aber in der manuellen Marktfolge, im langsamen Onboarding und in der überlasteten Sachbearbeitung verliert, löst der Chatbot das falsche Problem mit Bravour.

Problemgetriebene Strategien gehen den umgekehrten Weg. Sie beginnen mit der Gewinn- und Verlustrechnung und mit den Prozessen, die am meisten Zeit, Fehlerkosten und Kundengeduld verbrauchen. Erst danach wird gefragt, wo KI an genau diesen Stellen einen Hebel hat. Das Ergebnis sind weniger, aber wirksamere Vorhaben, die das Institut sofort spürt: kürzere Bearbeitungszeit in der Marktfolge, weniger Rückläufer im Onboarding, weniger manuelle Nacharbeit im Meldewesen.

Am Budget liegt es bei KI-Vorhaben in Finanzinstituten selten. In der Studie von Cofinpro und VÖB-Service nennen nur 17 Prozent ausreichendes Budget als Erfolgsfaktor, aber 46 Prozent klar definierte Anwendungsfälle. Fehlendes Budget nennen nur 19 Prozent der Institute ohne KI-Anwendungen als Hindernis, 2023 waren es 32 Prozent. Wer trotzdem nicht in die Skalierung kommt, hat kein Budgetproblem, sondern ein Fokusproblem. Fokus entsteht nur, wenn die Strategie am Problem ansetzt, nicht an der Technik. Ob das eigene Institut die Grundlagen dafür mitbringt, lässt sich vorab ehrlich prüfen, etwa anhand der drei Voraussetzungen für KI-Reife.

Kennzahlen, Cofinpro/VÖB-Service, KI in Banken 2025, 317 Befragte, Juli 2025: 46 Prozent nennen klar definierte Anwendungsfälle als Erfolgsfaktor, 17 Prozent ausreichendes Budget.

Fehler zwei: Die KI-Strategie priorisiert nicht

Eine Use-Case-Liste ohne klare Priorisierung ist eine Absage an Fokus. Wir sehen regelmäßig KI-Strategien mit 40, 60, manchmal über 100 identifizierten Use Cases. Das klingt nach Gründlichkeit. Es ist das Gegenteil.

Transformationen gelingen nicht durch Breite, sondern durch Tiefe. Wer drei Use Cases wirklich umsetzt, bis sie produktiv laufen, gemessen und in den Prozess integriert sind, ist weiter als wer zwanzig plant. Eine lange Liste verteilt Ressourcen, Aufmerksamkeit und Rückendeckung des Managements auf so viele Vorhaben, dass keines die kritische Schwelle zur Skalierung erreicht. Am Ende steht ein Portfolio aus Halbfertigem, und das Management fragt zu Recht, wo der versprochene Effekt bleibt.

Eine belastbare Priorisierung beantwortet für jeden Kandidaten drei Fragen:

  • Wie hoch ist der wirtschaftliche Hebel, gemessen an eingesparter Zeit, vermiedenen Fehlerkosten oder zusätzlichem Geschäft?

  • Wie aufwendig ist die Umsetzung im Bestandssystem, und welche Schnittstellen werden gebraucht?

  • Wie reif sind die Daten, die der Use Case benötigt?

Was bei allen drei Fragen oben landet, kommt zuerst. Der Rest wartet, bis das Erste läuft.

Unbequem ist diese Priorisierung, weil sie Lieblingsprojekte einzelner Bereiche aussortiert. Genau das ist ihr Wert. Eine Strategie, die niemandem wehtut, hat nicht priorisiert, sie hat nur sortiert. Der Mut zur kurzen Liste ist der erste echte Test, ob ein Institut Transformation ernst meint.

Fehler drei: Der KI-Strategie fehlt die Umsetzungsarchitektur

Strategie endet auf Folie 47 mit einer Roadmap. Was danach kommt, wer was bis wann liefert, wer Entscheidungen trifft, welche Abhängigkeiten existieren, bleibt offen. Dieses Vakuum füllt sich nicht von selbst. Es füllt sich mit Abstimmungsrunden, Zuständigkeitsfragen und Verzögerungen.

Eine Umsetzungsarchitektur legt Zuständigkeiten, Entscheidungswege und Abhängigkeiten fest. Sie klärt vor dem ersten Sprint, woran die meisten Programme später ersticken:

  • Wer ist fachlich verantwortlich, wenn ein Modell live geht?

  • Wie sieht die Integration in das Kernbanksystem konkret aus, in OSPlus bei Sparkassen oder in agree21 bei Genossenschaftsbanken, und wer auf der IT-Seite liefert sie?

  • Welche Governance greift, sobald die KI Vorgänge nicht nur vorbereitet, sondern entscheidet?

  • Wie wird dokumentiert, auf welcher Grundlage ein Vorschlag entstand, damit das System durch die nächste Revision kommt?

  • Woran wird Erfolg in 90 Tagen gemessen?

Eine Roadmap ohne diese Antworten bleibt eine Absichtserklärung.

An diesen Fragen trennt sich das Konzept von der Umsetzung. Ein Konzept zu schreiben ist die leichtere Hälfte. Es bis in den produktiven Betrieb zu bringen, ist die Arbeit, die über den Ertrag entscheidet. Viele Institute erleben hier einen Bruch: Das Konzept ist fertig, und intern bleibt die Frage, wer es jetzt eigentlich baut. Wer Strategie und Umsetzung organisatorisch trennt, plant diesen Bruch unbemerkt mit ein. Wie sich diese Lücke schließen lässt, beschreibt der Beitrag zum Weg von der KI-Strategie in den Betrieb.

Beispiel Kreditprozess: drei Fehler in einem KI-Vorhaben

Ein Beispiel aus der Marktfolge macht alle drei Fehler auf einmal sichtbar. Ein Institut nimmt sich vor, die Dokumentenprüfung im Kreditprozess mit KI zu unterstützen, ein klassischer Marktfolge-Anwendungsfall für KI-Agenten. Das Vorhaben startet mit der Technik, weil ein Anbieter eine beeindruckende Demo gezeigt hat. Es landet auf einer Liste neben 50 weiteren Vorhaben, sodass kein dediziertes Team entsteht. Und es endet mit einer Roadmap, in der niemand benannt ist, der die Integration in das Kreditsystem verantwortet. Sechs Monate später existiert ein Proof of Concept, also ein Machbarkeitsnachweis, der auf Testdaten funktioniert, aber nie an die echten Akten angeschlossen wurde. Das Budget ist verbraucht, der Nutzen gleich null.

Derselbe Use Case, richtig aufgesetzt, sieht anders aus. Er beginnt mit der Frage, wo in der Kreditbearbeitung die meiste Zeit verloren geht. Er steht allein und nicht auf einer Liste mit 50 Geschwistern. Und er hat von Tag eins eine benannte fachliche und eine benannte technische Verantwortung. Das Ergebnis nach sechs Monaten ist nicht eine Demo, sondern ein Prozess, der in der echten Akte funktioniert und dessen Zeitersparnis sich in der Steuerung wiederfindet.

Was verlangt eine KI-Strategie vom Management?

Eine KI-Strategie, die alle drei Fehler vermeidet, verlangt vom Management drei unbequeme Dinge: den Mut, sich auf wenige Vorhaben festzulegen und Lieblingsprojekte einzelner Bereiche abzulehnen, die Bereitschaft, klare Verantwortung über Ressortgrenzen hinweg zuzuweisen, und die Ausdauer, dranzubleiben, wenn die erste Begeisterung verflogen ist. Wo diese drei Dinge fehlen, hilft kein noch so gutes Strategiepapier. Wo sie vorhanden sind, reichen 20 Seiten und drei priorisierte Use Cases, um in Bewegung zu kommen.

Es ist bequem, das Scheitern der IT oder dem Markt zuzuschreiben. In der Praxis liegt der Engpass häufiger an der Spitze. Die Qualität der Strategie hängt am Ende weniger an der Analyse als an der Entschlossenheit, mit der sie umgesetzt wird.

Was gehört in eine KI-Strategie für Finanzinstitute?

Eine gute KI-Strategie für Finanzinstitute ist nicht länger als 20 Seiten. Sie setzt jedem Fehler ein Gegenmittel entgegen.

Schema: drei Fehler der KI-Strategie in Finanzinstituten und ihre Gegenmittel. Fehler 1: Die Strategie beginnt bei der Technologie. Gegenmittel: Bei den teuersten Problemen beginnen. Fehler 2: Die Strategie priorisiert nicht. Gegenmittel: Drei Use Cases auswählen. Fehler 3: Der Strategie fehlt die Umsetzungsarchitektur. Gegenmittel: Vorab klären, wer was bis wann liefert.

Daraus folgen drei Schritte:

  1. Bei den teuersten Problemen beginnen: Welche kosten uns am meisten?

  2. Drei Use Cases auswählen: Welche kommen zuerst, welche warten?

  3. Vorab klären, wer was bis wann liefert: Wer verantwortet jeden Schritt, woran messen wir Erfolg in 90 Tagen?

Mehr braucht es nicht, um zu starten. Die Institute, die KI bereits nutzen, sind nicht im Vorteil, weil sie früh angefangen haben. Sie sind im Vorteil, sobald sie aufhören, breit zu planen, und anfangen, tief umzusetzen. Der erste produktive Use Case verändert die interne Debatte mehr als jedes Strategiepapier, weil er aus einer Behauptung einen Beweis macht.

Häufige Fragen

Wie lang sollte eine KI-Strategie für ein Finanzinstitut sein?
Kurz genug, um gelesen und umgesetzt zu werden, nach unserer Erfahrung nicht länger als 20 Seiten. Entscheidend sind wenige priorisierte Anwendungsfälle mit benannter Verantwortung, nicht der Umfang der Marktanalyse.

Wie viele KI-Anwendungsfälle sollte ein Institut gleichzeitig umsetzen?
Für den Start drei. Sie sollten einen spürbaren wirtschaftlichen Hebel haben, im Bestandssystem umsetzbar sein und auf ausreichend reifen Daten beruhen. Weitere Fälle folgen, wenn die ersten produktiv laufen.

Warum scheitern KI-Strategien selten am Budget?
In der Studie „KI in Banken 2025“ nennen nur 17 Prozent ausreichendes Budget als Erfolgsfaktor, aber 46 Prozent klar definierte Anwendungsfälle. Der Engpass liegt meist bei Fokus und Verantwortung.

Weitere Beiträge zu Anwendungsfällen, Plattformen und Steuerung bündelt das Dossier KI-Strategie & Plattformen.

Ob einer der drei Fehler in der eigenen KI-Strategie steckt, zeigt meist schon ein Blick auf die Liste der Vorhaben und die Namen der Verantwortlichen. Wir freuen uns über ein erstes Gespräch zu diesem Thema.

Sotica Insights

Redaktion · Beiträge aus der Beratungspraxis

Ein Thema, das gerade beschäftigt?

Gemeinsam einordnen, was daraus folgt.

Titelbild zum Beitrag „Die drei häufigsten Fehler bei der KI-Strategie in Finanzinstituten“

Die wichtigsten Erkenntnisse

Am teuersten Problem ansetzen, nicht an Technik

Strategie ohne Priorisierung bleibt Papier

Fehlende Verantwortung frisst das Budget

Die Strategie ist fertig. Und jetzt?

Irgendwo in den Shared Drives fast jedes größeren Finanzinstituts liegt eine KI-Strategie. Manche sind 30 Seiten lang, andere 120. Sie alle enthalten eine Analyse des Marktumfelds, eine Übersicht von Use Cases, also konkreten Anwendungsfällen, und eine Roadmap. Und die meisten werden in zwei Jahren kaum jemanden interessieren. Der Grund ist fast immer derselbe: KI-Strategien in Finanzinstituten scheitern nach unserer Erfahrung an drei strukturellen Fehlern. Sie beginnen bei der Technologie, sie priorisieren nicht, und ihnen fehlt die Umsetzungsarchitektur.

KI ist in den Finanzinstituten angekommen, strategisch verankert ist sie seltener. In der Studie „KI in Banken 2025“ von Cofinpro und VÖB-Service geben 78 Prozent der 317 im Juli 2025 befragten Fachleute an, dass ihr Institut mit KI arbeitet, 2023 waren es 52 Prozent. Nur 48 Prozent der Befragten sehen KI in der Unternehmensstrategie verankert. 70 Prozent der Befragten sagen, die KI-Projekte ihres Instituts seien meist isolierte Einzelinitiativen.

Balkendiagramm, Zustimmung der Befragten in Prozent: 78 Prozent sagen, ihr Institut arbeite bereits mit KI, 2023 waren es 52 Prozent. 48 Prozent sehen KI in der Unternehmensstrategie verankert. 70 Prozent sagen, die KI-Projekte ihres Instituts seien meist isolierte Einzelinitiativen. Quelle: Cofinpro und VÖB-Service, Studie KI in Banken 2025, 317 Befragte, Juli 2025.

Im Vorwort der Studie heißt es, solche Insellösungen seien „nützlich im Kleinen, wirkungslos im Großen“. Die RAND Corporation verweist in einem Bericht von 2024 auf Schätzungen, nach denen mehr als 80 Prozent der KI-Projekte scheitern, und zählt den Vorrang der Technologie vor dem Problem zu den fünf Hauptursachen.

Der Grund liegt selten im Geld und nicht allein in der Technik. Er liegt in drei strukturellen Fehlern, die viele KI-Strategien teilen. Wer sie kennt, erkennt sie im eigenen Papier wieder, meistens auf den ersten zwanzig Seiten.

Fehler eins: Die KI-Strategie beginnt bei der Technologie

Die meisten KI-Strategien beginnen mit der Frage: Was können wir mit KI machen? Die richtige Frage ist: Welche Probleme kosten uns am meisten, und welche davon lassen sich mit KI lösen? Der Unterschied klingt semantisch. Er ist fundamental.

Technologiegetriebene Strategien enden in Piloten ohne Skalierung. Sie produzieren beeindruckende Demos, die nie in den Regelbetrieb gehen, weil niemand vorher geprüft hat, ob sie ein teures Problem lösen oder nur ein interessantes. Ein Chatbot, der Produktfragen beantwortet, ist technisch reizvoll. Wenn das Institut sein Geld aber in der manuellen Marktfolge, im langsamen Onboarding und in der überlasteten Sachbearbeitung verliert, löst der Chatbot das falsche Problem mit Bravour.

Problemgetriebene Strategien gehen den umgekehrten Weg. Sie beginnen mit der Gewinn- und Verlustrechnung und mit den Prozessen, die am meisten Zeit, Fehlerkosten und Kundengeduld verbrauchen. Erst danach wird gefragt, wo KI an genau diesen Stellen einen Hebel hat. Das Ergebnis sind weniger, aber wirksamere Vorhaben, die das Institut sofort spürt: kürzere Bearbeitungszeit in der Marktfolge, weniger Rückläufer im Onboarding, weniger manuelle Nacharbeit im Meldewesen.

Am Budget liegt es bei KI-Vorhaben in Finanzinstituten selten. In der Studie von Cofinpro und VÖB-Service nennen nur 17 Prozent ausreichendes Budget als Erfolgsfaktor, aber 46 Prozent klar definierte Anwendungsfälle. Fehlendes Budget nennen nur 19 Prozent der Institute ohne KI-Anwendungen als Hindernis, 2023 waren es 32 Prozent. Wer trotzdem nicht in die Skalierung kommt, hat kein Budgetproblem, sondern ein Fokusproblem. Fokus entsteht nur, wenn die Strategie am Problem ansetzt, nicht an der Technik. Ob das eigene Institut die Grundlagen dafür mitbringt, lässt sich vorab ehrlich prüfen, etwa anhand der drei Voraussetzungen für KI-Reife.

Kennzahlen, Cofinpro/VÖB-Service, KI in Banken 2025, 317 Befragte, Juli 2025: 46 Prozent nennen klar definierte Anwendungsfälle als Erfolgsfaktor, 17 Prozent ausreichendes Budget.

Fehler zwei: Die KI-Strategie priorisiert nicht

Eine Use-Case-Liste ohne klare Priorisierung ist eine Absage an Fokus. Wir sehen regelmäßig KI-Strategien mit 40, 60, manchmal über 100 identifizierten Use Cases. Das klingt nach Gründlichkeit. Es ist das Gegenteil.

Transformationen gelingen nicht durch Breite, sondern durch Tiefe. Wer drei Use Cases wirklich umsetzt, bis sie produktiv laufen, gemessen und in den Prozess integriert sind, ist weiter als wer zwanzig plant. Eine lange Liste verteilt Ressourcen, Aufmerksamkeit und Rückendeckung des Managements auf so viele Vorhaben, dass keines die kritische Schwelle zur Skalierung erreicht. Am Ende steht ein Portfolio aus Halbfertigem, und das Management fragt zu Recht, wo der versprochene Effekt bleibt.

Eine belastbare Priorisierung beantwortet für jeden Kandidaten drei Fragen:

  • Wie hoch ist der wirtschaftliche Hebel, gemessen an eingesparter Zeit, vermiedenen Fehlerkosten oder zusätzlichem Geschäft?

  • Wie aufwendig ist die Umsetzung im Bestandssystem, und welche Schnittstellen werden gebraucht?

  • Wie reif sind die Daten, die der Use Case benötigt?

Was bei allen drei Fragen oben landet, kommt zuerst. Der Rest wartet, bis das Erste läuft.

Unbequem ist diese Priorisierung, weil sie Lieblingsprojekte einzelner Bereiche aussortiert. Genau das ist ihr Wert. Eine Strategie, die niemandem wehtut, hat nicht priorisiert, sie hat nur sortiert. Der Mut zur kurzen Liste ist der erste echte Test, ob ein Institut Transformation ernst meint.

Fehler drei: Der KI-Strategie fehlt die Umsetzungsarchitektur

Strategie endet auf Folie 47 mit einer Roadmap. Was danach kommt, wer was bis wann liefert, wer Entscheidungen trifft, welche Abhängigkeiten existieren, bleibt offen. Dieses Vakuum füllt sich nicht von selbst. Es füllt sich mit Abstimmungsrunden, Zuständigkeitsfragen und Verzögerungen.

Eine Umsetzungsarchitektur legt Zuständigkeiten, Entscheidungswege und Abhängigkeiten fest. Sie klärt vor dem ersten Sprint, woran die meisten Programme später ersticken:

  • Wer ist fachlich verantwortlich, wenn ein Modell live geht?

  • Wie sieht die Integration in das Kernbanksystem konkret aus, in OSPlus bei Sparkassen oder in agree21 bei Genossenschaftsbanken, und wer auf der IT-Seite liefert sie?

  • Welche Governance greift, sobald die KI Vorgänge nicht nur vorbereitet, sondern entscheidet?

  • Wie wird dokumentiert, auf welcher Grundlage ein Vorschlag entstand, damit das System durch die nächste Revision kommt?

  • Woran wird Erfolg in 90 Tagen gemessen?

Eine Roadmap ohne diese Antworten bleibt eine Absichtserklärung.

An diesen Fragen trennt sich das Konzept von der Umsetzung. Ein Konzept zu schreiben ist die leichtere Hälfte. Es bis in den produktiven Betrieb zu bringen, ist die Arbeit, die über den Ertrag entscheidet. Viele Institute erleben hier einen Bruch: Das Konzept ist fertig, und intern bleibt die Frage, wer es jetzt eigentlich baut. Wer Strategie und Umsetzung organisatorisch trennt, plant diesen Bruch unbemerkt mit ein. Wie sich diese Lücke schließen lässt, beschreibt der Beitrag zum Weg von der KI-Strategie in den Betrieb.

Beispiel Kreditprozess: drei Fehler in einem KI-Vorhaben

Ein Beispiel aus der Marktfolge macht alle drei Fehler auf einmal sichtbar. Ein Institut nimmt sich vor, die Dokumentenprüfung im Kreditprozess mit KI zu unterstützen, ein klassischer Marktfolge-Anwendungsfall für KI-Agenten. Das Vorhaben startet mit der Technik, weil ein Anbieter eine beeindruckende Demo gezeigt hat. Es landet auf einer Liste neben 50 weiteren Vorhaben, sodass kein dediziertes Team entsteht. Und es endet mit einer Roadmap, in der niemand benannt ist, der die Integration in das Kreditsystem verantwortet. Sechs Monate später existiert ein Proof of Concept, also ein Machbarkeitsnachweis, der auf Testdaten funktioniert, aber nie an die echten Akten angeschlossen wurde. Das Budget ist verbraucht, der Nutzen gleich null.

Derselbe Use Case, richtig aufgesetzt, sieht anders aus. Er beginnt mit der Frage, wo in der Kreditbearbeitung die meiste Zeit verloren geht. Er steht allein und nicht auf einer Liste mit 50 Geschwistern. Und er hat von Tag eins eine benannte fachliche und eine benannte technische Verantwortung. Das Ergebnis nach sechs Monaten ist nicht eine Demo, sondern ein Prozess, der in der echten Akte funktioniert und dessen Zeitersparnis sich in der Steuerung wiederfindet.

Was verlangt eine KI-Strategie vom Management?

Eine KI-Strategie, die alle drei Fehler vermeidet, verlangt vom Management drei unbequeme Dinge: den Mut, sich auf wenige Vorhaben festzulegen und Lieblingsprojekte einzelner Bereiche abzulehnen, die Bereitschaft, klare Verantwortung über Ressortgrenzen hinweg zuzuweisen, und die Ausdauer, dranzubleiben, wenn die erste Begeisterung verflogen ist. Wo diese drei Dinge fehlen, hilft kein noch so gutes Strategiepapier. Wo sie vorhanden sind, reichen 20 Seiten und drei priorisierte Use Cases, um in Bewegung zu kommen.

Es ist bequem, das Scheitern der IT oder dem Markt zuzuschreiben. In der Praxis liegt der Engpass häufiger an der Spitze. Die Qualität der Strategie hängt am Ende weniger an der Analyse als an der Entschlossenheit, mit der sie umgesetzt wird.

Was gehört in eine KI-Strategie für Finanzinstitute?

Eine gute KI-Strategie für Finanzinstitute ist nicht länger als 20 Seiten. Sie setzt jedem Fehler ein Gegenmittel entgegen.

Schema: drei Fehler der KI-Strategie in Finanzinstituten und ihre Gegenmittel. Fehler 1: Die Strategie beginnt bei der Technologie. Gegenmittel: Bei den teuersten Problemen beginnen. Fehler 2: Die Strategie priorisiert nicht. Gegenmittel: Drei Use Cases auswählen. Fehler 3: Der Strategie fehlt die Umsetzungsarchitektur. Gegenmittel: Vorab klären, wer was bis wann liefert.

Daraus folgen drei Schritte:

  1. Bei den teuersten Problemen beginnen: Welche kosten uns am meisten?

  2. Drei Use Cases auswählen: Welche kommen zuerst, welche warten?

  3. Vorab klären, wer was bis wann liefert: Wer verantwortet jeden Schritt, woran messen wir Erfolg in 90 Tagen?

Mehr braucht es nicht, um zu starten. Die Institute, die KI bereits nutzen, sind nicht im Vorteil, weil sie früh angefangen haben. Sie sind im Vorteil, sobald sie aufhören, breit zu planen, und anfangen, tief umzusetzen. Der erste produktive Use Case verändert die interne Debatte mehr als jedes Strategiepapier, weil er aus einer Behauptung einen Beweis macht.

Häufige Fragen

Wie lang sollte eine KI-Strategie für ein Finanzinstitut sein?
Kurz genug, um gelesen und umgesetzt zu werden, nach unserer Erfahrung nicht länger als 20 Seiten. Entscheidend sind wenige priorisierte Anwendungsfälle mit benannter Verantwortung, nicht der Umfang der Marktanalyse.

Wie viele KI-Anwendungsfälle sollte ein Institut gleichzeitig umsetzen?
Für den Start drei. Sie sollten einen spürbaren wirtschaftlichen Hebel haben, im Bestandssystem umsetzbar sein und auf ausreichend reifen Daten beruhen. Weitere Fälle folgen, wenn die ersten produktiv laufen.

Warum scheitern KI-Strategien selten am Budget?
In der Studie „KI in Banken 2025“ nennen nur 17 Prozent ausreichendes Budget als Erfolgsfaktor, aber 46 Prozent klar definierte Anwendungsfälle. Der Engpass liegt meist bei Fokus und Verantwortung.

Weitere Beiträge zu Anwendungsfällen, Plattformen und Steuerung bündelt das Dossier KI-Strategie & Plattformen.

Ob einer der drei Fehler in der eigenen KI-Strategie steckt, zeigt meist schon ein Blick auf die Liste der Vorhaben und die Namen der Verantwortlichen. Wir freuen uns über ein erstes Gespräch zu diesem Thema.

Sotica Insights

Redaktion · Beiträge aus der Beratungspraxis

Ein Thema, das gerade beschäftigt?

Gemeinsam einordnen, was daraus folgt.

Sotica ist eine Unternehmensberatung mit Sitz in München. Für alle Aufträge gelten unsere AGB. Die Inhalte dieser Website dienen der allgemeinen Information. Sotica ist eine eingetragene Marke. © 2026 Sotica GmbH. Alle Rechte vorbehalten.

Sotica ist eine Unternehmensberatung mit Sitz in München. Für alle Aufträge gelten unsere AGB. Die Inhalte dieser Website dienen der allgemeinen Information. Sotica ist eine eingetragene Marke. © 2026 Sotica GmbH. Alle Rechte vorbehalten.

Sotica ist eine Unternehmensberatung mit Sitz in München. Für alle Aufträge gelten unsere AGB. Die Inhalte dieser Website dienen der allgemeinen Information. Sotica ist eine eingetragene Marke. © 2026 Sotica GmbH. Alle Rechte vorbehalten.