KI-Governance gegen Wissensverlust: Wie Banken ihr Know-how von einzelnen Köpfen lösen

Warum KI-Wissen in Banken an einzelnen Köpfen hängt

In vielen Instituten kennt genau eine Person das Prompt-Design, die Modellparameter und die Datenlogik hinter der ersten produktiven KI-Anwendung. KI entsteht bislang oft projektgetrieben: Ein engagierter Kopf baut, dokumentiert wenig und liefert schnell; das Wissen wächst in seinem Kalender, nicht in der Organisation. Hängt KI-Kompetenz an einzelnen Mitarbeitenden, ist jedes Modell nur so stabil wie deren Verbleib im Institut. KI-Governance gegen Wissensverlust heißt deshalb, Wissen über Modelle in Dokumentation, Prozesse und Rollen zu verankern, statt es Einzelnen zu überlassen.

Was passiert, wenn die Schlüsselperson das Institut verlässt?

Ein Institut verliert dann nicht nur Arbeitskraft, sondern die Fähigkeit, das eigene Modell zu erklären. Revision, Risikocontrolling und Management brauchen Nachvollziehbarkeit, doch niemand kennt mehr die Annahmen hinter einem Score oder die Logik hinter einer Systemanweisung. Der Betrieb läuft weiter, die Kontrolle nicht. Personenabhängigkeit verwandelt einen frühen Vorsprung in ein Klumpenrisiko.

Mit der Demografie wächst dieses Risiko. Nach einer Prognose der Beratung zeb verlieren die meisten deutschen Banken und Versicherungen bis 2030 allein durch Verrentung deutlich über 30 Prozent ihrer Mitarbeitenden; zugleich wechseln gerade KI-affine Fachkräfte häufiger den Arbeitgeber, weil sie gefragt sind. Wie Institute solche Talente halten, beschreibt der Beitrag zur Talentbindung in der Transformation.

Welche Anforderungen an Modelle gelten bereits?

Die Mindestanforderungen an das Risikomanagement (MaRisk) in der Fassung des BaFin-Rundschreibens 05/2023 vom 29. Juni 2023 enthalten in AT 4.3.5 Regeln zur Verwendung von Modellen. Danach sind die zugrunde liegenden Annahmen nachvollziehbar zu begründen; das setzt hinreichende Kenntnisse über die Modellkonzeption voraus, insbesondere zu wesentlichen Annahmen und Parametern. Institute müssen geeignete Verfahren zur Sicherung der Datenqualität implementieren und Regeln für die Verwendung von Modellergebnissen festlegen, soweit relevant einschließlich Überschreibungen.

Diese Pflichten richten sich an das Institut, nicht an eine Einzelperson. Hängt die Nachvollziehbarkeit an einem einzigen Wissensträger, ist sie formal vorhanden, aber nicht belastbar. Hinzu kommt seit dem 2. Februar 2025 Artikel 4 der EU-KI-Verordnung: Anbieter und Betreiber von KI-Systemen ergreifen Maßnahmen, damit ihr Personal über ausreichende KI-Kompetenz verfügt. Wie sich die Anforderungen weiterentwickeln, ordnet der Beitrag zur MaRisk-Novelle und KI ein.

Wie groß ist die Kompetenzlücke wirklich?

In einer repräsentativen Befragung des Digitalverbands Bitkom unter 604 Unternehmen ab 20 Beschäftigten (Februar 2024, branchenübergreifend) gaben nur 22 Prozent an, über Beschäftigte mit den nötigen Kompetenzen zu verfügen, um KI in ihre digitalen Geschäfts- und Verwaltungsprozesse zu integrieren. Zugleich meinten 39 Prozent, dass sich der Fachkräftemangel ohne KI langfristig nicht bewältigen lässt.

Beide Zahlen zusammen beschreiben die Falle: Der Bedarf steigt, die Kompetenz konzentriert sich auf wenige. In einem Institut mit drei KI-affinen Mitarbeitenden ist der Weggang eines Einzelnen kein Personalthema, sondern ein Steuerungsthema. Warum das Wissensproblem über KI hinaus reicht, zeigt der Beitrag Wissensverlust 2030.

Welche Dokumentation macht KI-Wissen personenunabhängig?

Personenunabhängigkeit beginnt mit einer Modellkarte je Anwendung: Zweck, Datenquellen, Trainings- oder Promptlogik, Grenzen, Verantwortliche, Freigabedatum. Jede produktive KI-Anwendung gehört in ein versioniertes Register, das ohne Rückfrage beim Entwickler auskunftsfähig ist. Prompts, Systemanweisungen und Schwellenwerte gehören in ein zentrales Repository, nicht in lokale Notizen; Modelländerungen werden mit Begründung und Datum protokolliert.

Dokumentation ersetzt keine Kompetenz, aber sie macht Kompetenz übertragbar. Ein guter Prüfstein: Kann eine neue Kollegin eine Anwendung anhand der Unterlagen innerhalb weniger Wochen betreiben, ohne die ursprüngliche Entwicklerin zu fragen?

Wie wird KI-Wissen in Prozessen statt in Köpfen verankert?

Wissen wird stabil, wenn es Teil eines wiederkehrenden Ablaufs ist. Ein Vier-Augen-Prinzip bei jeder Modellfreigabe bringt zwei Personen ins Thema. Regelmäßige Modell-Reviews verteilen Kenntnis über Fachbereich, Risikocontrolling und IT. Rotation in der Betreuung verhindert, dass ein Modell zum Privatprojekt wird, und Einarbeitungspfade für KI-Rollen sorgen dafür, dass Nachfolgerinnen und Nachfolger nicht bei null beginnen.

Ein tragfähiger Rahmen ordnet Verantwortung entlang der drei Verteidigungslinien: Der Fachbereich betreibt und dokumentiert, das Risikocontrolling prüft Annahmen und Grenzen, die Revision kontrolliert unabhängig. Ein zentrales KI-Inventar listet jede Anwendung mit Kritikalität, Verantwortlichen und letztem Review; Eskalationswege regeln, wer bei Modellabweichungen entscheidet. Ein Rahmen, der ohne die Namen einzelner Mitarbeitender funktioniert, erfüllt seinen Zweck.

Wie bleibt der Aufwand für Governance verhältnismäßig?

Nicht jede Anwendung braucht dieselbe Tiefe. Ein interner Assistent, der Arbeitsanweisungen durchsucht, verlangt eine schlankere Dokumentation als ein Modell, das in Kreditentscheidungen einfließt. Sinnvoll ist eine Einstufung nach Kritikalität: Wie stark wirkt die Anwendung auf Kundinnen und Kunden, auf Risikokennzahlen oder auf Pflichtprozesse? Daraus ergibt sich, wie ausführlich Modellkarte, Review-Rhythmus und Vertretungsregelung ausfallen.

So bleibt Governance ein Tool der Steuerung statt ein Bremsklotz für neue Anwendungen. Ein knappes Pflichtformat für alle Anwendungen und ein erweitertes für kritische hat sich in vielen Organisationen als praktikabler Mittelweg bewährt.

Welche Rolle spielt Schatten-KI beim Wissensverlust?

Wo offizielle Tools fehlen, greifen Beschäftigte zu privaten Tools. Diese Schatten-KI entzieht sich jeder Dokumentation und verschwindet mit der Person, die sie eingeführt hat. Ungesteuerte Nutzung bedeutet doppelten Verlust: Das Institut lernt nicht mit, und es verliert die Kontrolle über Daten. Wie der Übergang von verbotener zu gesteuerter Nutzung gelingt, zeigt der Beitrag zu Schatten-KI in Instituten. Gerade in Sparkassen, in denen bis 2030 viele Erfahrene gehen, lohnt es, KI-Wissen und Fachwissen gemeinsam zu sichern; mehr dazu im Beitrag Jeder Vierte geht bis 2030.

Was das Management jetzt anstoßen sollte

1. Eine Bestandsaufnahme erstellen: Welche KI-Anwendung hängt an genau einer Person? Diese Liste ist die Prioritätenordnung.

2. Für jede kritische Anwendung eine Modellkarte anlegen und von einer zweiten Person gegenlesen lassen.

3. Dokumentation zum Freigabekriterium machen, nicht zur Nacharbeit nach dem Go-live.

4. Mindestens zwei Personen je Modell auf Betriebsniveau befähigen und Reviews mit fester Teilnehmerrunde einplanen.

5. Ein zentrales KI-Inventar führen, das Kritikalität, Verantwortung und letzten Review je Anwendung zeigt.

Häufige Fragen

Was ist KI-Governance in einer Bank?
Der Rahmen aus Rollen, Prozessen, Dokumentation und Kontrollen, mit dem ein Institut seine KI-Anwendungen steuert, nachvollziehbar hält und Verantwortung klar zuordnet.

Was gehört in eine Modellkarte?
Zweck der Anwendung, Datenquellen, Trainings- oder Promptlogik, bekannte Grenzen, Verantwortliche, Freigabedatum und Änderungshistorie.

Wie viele Personen sollten ein KI-Modell beherrschen?
Mindestens zwei auf Betriebsniveau, bei kritischen Anwendungen zusätzlich Ansprechpersonen im Risikocontrolling, damit Ausfälle einzelner Personen den Betrieb nicht gefährden.

Weitere Beiträge zu Demografie, Kompetenzaufbau und Wissenssicherung bündelt das Dossier Fachkräfte & Wissenssicherung.

Die Frage, welche KI-Anwendung im eigenen Institut morgen ohne ihre Entwicklerin auskunftsfähig wäre, beantwortet sich selten mit „alle“. Auf ein erstes Gespräch dazu freuen wir uns.