KI antwortet falsch? Das Problem sind die Daten, nicht das Modell

Das Modell ist erstklassig. Die Antworten sind es nicht.

Wenn der KI-Assistent der Bank falsch antwortet, sucht die Fehleranalyse meist am falschen Ort. Eine KI-Anwendung antwortet so gut wie die Wissensbasis, an die sie angeschlossen ist, und in den meisten Banken ist diese Wissensbasis der eigentliche Baustellenbereich.

Die Finanz Informatik benennt das in ihrem Praxisbericht zum S-KIPilot ungewohnt deutlich: Nicht die Modelle waren die größte Herausforderung, sondern die Datenqualität. Systeme, die Antworten aus angebundenen Dokumenten erzeugen, verstärken Mängel ihrer Quelldaten eins zu eins. Veraltete Arbeitsanweisung hinein, veraltete Auskunft heraus, nur schneller und in besserem Deutsch.

Für die Belegschaft ist das der schnellste Weg, Vertrauen zu verlieren: Wer zweimal eine falsche Auskunft aus dem Assistenten bekommt, fragt beim dritten Mal wieder die Kollegin. Der Rollout läuft weiter, die Nutzung stirbt leise.

Warum der Fehler selten im Modell liegt

Die Sprachmodelle hinter den Assistenten der Verbünde sind austauschbar gut geworden. Was sich zwischen den Instituten unterscheidet, ist der Zustand dessen, was sie lesen: Prozessdokumente in mehreren Versionen, Arbeitsanweisungen mit unklarem Gültigkeitsdatum, Wissen in persönlichen Ablagen und Excel-Listen, die nur ihr Autor versteht. Größenordnung dazu liefert ebenfalls die Finanz Informatik: rund 1.000 Prozessdokumente je Institut in der Wissensbasis, dazu über 10.000 abfragbare Wissenselemente.

Wer in dieser Menge Dubletten und Altstände nicht bereinigt, bekommt keine falsche KI, sondern eine ehrliche: Sie zeigt dem ganzen Institut, wie es um die Dokumentation wirklich steht.

Verschärft wird das durch die dezentralen Bestände, die in keiner offiziellen Wissensbasis auftauchen: Bereichslaufwerke, persönliche Notizen, gewachsene Excel-Tools mit eingebauter Fachlogik. Dort liegt oft das eigentliche Praxiswissen des Instituts, und genau dieses Wissen erreicht die KI-Anwendung nie, solange es nicht in eine gepflegte, zugängliche Form überführt ist.

Der Wettbewerb entscheidet sich an der Datenbasis

Tool-Zugang ist keine Differenzierung mehr. Nach einer Bitkom-Befragung von 604 Unternehmen ab 20 Beschäftigten vom März 2026 setzen 41 Prozent der deutschen Unternehmen KI aktiv ein, nach 17 Prozent im Vorjahr. Wenn alle dieselbe Tool-Klasse haben, gewinnt das Institut, dessen Inhalte stimmen. Warum eine Datenstrategie deshalb vor jedem KI-Programm steht, begründet der Beitrag Ohne Datenstrategie keine KI.

Was eine Bank konkret tun kann

Der wirksame Einstieg ist eng begrenzt: einen Anwendungsbereich wählen, etwa Passivprozesse oder Kartengeschäft, und dessen Wissensbasis auf Stand bringen. Eine gültige Version je Dokument, ein Eigentümer je Dokument, ein Prüfdatum. Dann die KI-Anwendung auf genau diesen bereinigten Bestand anschließen und die Antwortqualität messen, bevor der nächste Bereich folgt.

Entscheidend ist die dauerhafte Verantwortung: Ohne benannte Dateneigentümer kippt jede bereinigte Wissensbasis binnen eines Jahres zurück in den alten Zustand. Die Pflege gehört als feste Aufgabe in die Fachbereiche, nicht als Projekt in die IT, denn nur der Fachbereich erkennt, wann eine Arbeitsanweisung inhaltlich veraltet ist.

Der Nebeneffekt ist größer als der Anlass: Eine gepflegte Wissensbasis nützt auch jedem Menschen im Institut, der heute drei Ablagen durchsucht. Wie viel Wert allein in der Quellenanbindung steckt, zeigt der Beitrag über Wissensdatenbanken in Banken.

Erst die Basis, dann die Breite

Ein KI-Rollout auf ungepflegten Daten skaliert vor allem das Misstrauen der Belegschaft. Die Reihenfolge ist deshalb fest: erst die Wissensbasis eines Bereichs bereinigen, dann anschließen, dann ausweiten. Wer den Zustand der eigenen Datenbasis ehrlich bewerten will, braucht ein klares Bild: welche Bestände tragen, welche bremsen und womit der Einstieg lohnt. Gern denken wir das in einem ersten Gespräch gemeinsam durch.