Der Posteingang ist der billigste Automatisierungshebel der Bank

Alle reden über Agenten. Der Posteingang sortiert sich derweil von Hand.

Banken suchen den großen KI-Anwendungsfall und übersehen den naheliegendsten. Die Automatisierung einer Bank beginnt nicht im Kernbanksystem, sondern im Posteingang: Dort landen täglich unstrukturierte Nachrichten und Dokumente, deren Sichtung und Verteilung Sachbearbeiter binden, obwohl KI genau diese Arbeit heute zuverlässig übernimmt.

E-Mail ist dabei der zentrale Kanal. Laut der Studie „Digital Office 2025“ des Digitalverbands Bitkom, für die 602 Unternehmen ab 20 Beschäftigten befragt wurden, nutzen alle befragten Unternehmen E-Mail oft oder sehr oft. KI für die automatisierte E-Mail-Verarbeitung setzen dagegen erst 20 Prozent ein, auch wenn das bereits die häufigste genannte KI-Anwendung im Büro ist. Die Zahlen sind branchenübergreifend; die Lücke zwischen ihnen markiert auch für Banken einen der günstigsten Automatisierungshebel.

Warum ist der Posteingang der richtige Startpunkt?

Weil dort die Arbeit ankommt. Kundenunterlagen, Grundbuchauszüge, Behördenschreiben, Pfändungsbeschlüsse, Nachreichungen zur Kreditakte und Vollmachten treffen als E-Mail-Anhang, Scan oder Brief ein, unsortiert und unstrukturiert. Bevor ein Fachprozess startet, muss jemand öffnen, lesen, zuordnen und weiterleiten. Diese Vorarbeit hat keinen Entscheidungsgehalt, und sie steht vor jedem einzelnen nachgelagerten Prozess.

Wer stattdessen tiefer im Prozess automatisiert, verlagert den Engpass nur nach vorn. Die Prozessautomatisierung in der Finanzbranche scheitert selten am Ende der Strecke, sondern am Anfang: Die Daten kommen nicht strukturiert an.

Was kann KI im Eingang heute wirklich?

Drei Aufgaben laufen produktionsreif: Klassifizieren, Extrahieren, Verteilen. Ein Sprachmodell erkennt, ob eine Nachricht eine Kündigung, eine Nachreichung, eine Beschwerde oder eine Anfrage ist, auch wenn der Absender das nirgends hinschreibt. Es liest die relevanten Merkmale aus dem Anhang, etwa Kundennummer, Vorgang und Dokumenttyp. Und es leitet den Vorgang an das richtige Team oder direkt in das richtige Fachverfahren weiter.

Wie das im Betrieb aussieht, dokumentiert das Bitkom-Whitepaper „Beyond the Pilot“ aus dem Jahr 2026 am Beispiel der Maklergruppe MRH Trowe: Eingehende Post erreichte früher nach bis zu drei Tagen das Kundenmanagementsystem, mit KI-gestütztem Posteingang nach rund 180 Sekunden, bei einer Erkennungsquote von etwa 95 Prozent. Das Beispiel stammt aus der Versicherungswirtschaft, die Aufgabe ist in der Bank dieselbe.

Die Antwort an den Kunden bleibt zunächst bewusst außen vor. Der Nutzen liegt in Sichtung und Verteilung, nicht in der automatischen Antwort. Wer mit der Antwort beginnt, handelt sich Prüfaufwand und Reputationsrisiken ein und lässt den einfachen Teil liegen.

Reicht die Erkennungsqualität für den Bankbetrieb?

Für die Triage ja. Eine Fehlklassifikation im Eingang ist korrigierbar: Der Vorgang landet im falschen Korb und wird von einem Menschen umsortiert, wie es heute auch passiert, nur seltener. Anders als bei einer automatisierten Kreditentscheidung entsteht kein irreversibler Schaden.

Sinnvoll ist ein Konfidenz-Schwellwert, also eine Mindestsicherheit des Modells für die automatische Weiterleitung: Eindeutige Fälle laufen durch, unklare Fälle gehen in einen Prüfkorb. So wächst der Automatisierungsgrad mit der Erfahrung, ohne dass ein Vorgang unkontrolliert verschwindet. Für fristgebundene Dokumente wie Pfändungsbeschlüsse lohnt eine eigene, besonders eng überwachte Regel, wie der Beitrag zur Pfändungsbearbeitung zeigt.

Was ist mit Bankgeheimnis und Datenschutz?

Kreditakten und Kundenkommunikation gehören nicht in eine beliebige Cloud. Daraus folgt eine Architekturfrage, kein Ausschlusskriterium. Lokal betriebene Sprachmodelle klassifizieren Dokumente inzwischen in einer Qualität, die für die Eingangs-Triage genügt, und lassen sich im eigenen Rechenzentrum oder beim Verbund-Dienstleister betreiben. Das Bankgeheimnis bestimmt den Betriebsort des Modells, nicht die Frage, ob automatisiert wird.

Wie sieht ein realistischer Einstieg aus?

Mit einem einzelnen Postkorb, nicht mit dem ganzen Institut. Ein geeigneter Kandidat hat hohes Volumen, wiederkehrende Dokumenttypen und eine klare Zielstruktur. Behördenpost in der Kreditbearbeitung, Nachreichungen im Baufinanzierungsprozess, Nachlassunterlagen oder das zentrale Servicepostfach erfüllen das typischerweise. Wie viel Hebel allein im Nachlassfall steckt, beschreibt der Beitrag zur Nachlassbearbeitung.

Der Ablauf: zwei Wochen mitlesen und die tatsächliche Verteilung der Dokumenttypen messen, dann das Modell auf die häufigsten Typen einstellen, einige Wochen im Schattenbetrieb parallel laufen lassen und danach mit Prüfkorb scharf schalten. Nach diesem Muster entsteht ein produktiver Prozess statt eines weiteren Proof of Concept.

Woran scheitern Posteingangs-Projekte?

An drei Dingen. Erstens am Anspruch, sofort alles zu erkennen: Wer Dutzende Dokumenttypen gleichzeitig automatisiert, wird mit keinem fertig. Zweitens an fehlender Zielstruktur: Wenn unklar ist, welches Team welchen Vorgang bearbeitet, kann auch die beste Klassifikation nicht sinnvoll verteilen. Drittens an der Messlücke: Ohne Ausgangswert, wie viele Minuten die manuelle Sichtung heute kostet, lässt sich der Nutzen später nicht belegen.

Wie rechnet sich der Business Case?

Über drei Größen, die jedes Institut selbst erheben kann: das tägliche Volumen im betrachteten Postkorb, die durchschnittliche Sichtungszeit je Vorgang und die Fehlleitungsquote, also der Anteil der Vorgänge, die erst beim zweiten oder dritten Team richtig landen. Die ersten beiden Werte ergeben die eingesetzten Bearbeitungsstunden für reine Sortierarbeit; die dritte Größe beziffert die versteckten Kosten aus Liegezeiten und doppelter Einarbeitung.

Die Investitionsseite bleibt überschaubar, weil die Eingangs-Triage keine Eingriffe in Kernbankprozesse verlangt. Das Modell arbeitet vor dem Fachverfahren, nicht in ihm. Genau deshalb eignet sich der Posteingang als erster Baustein einer Automatisierungsarchitektur, die auf Schnittstellen statt auf Oberflächenroboter setzt; die Gründe beschreibt der Beitrag zu RPA und seinen Alternativen im Banking. Die nächste Ausbaustufe ist die strukturierte Extraktion, etwa in der Marktfolge Kredit.

Was ändert sich für die Mitarbeitenden?

Die Sichtung und Zuordnung eingehender Post ist der Teil der Arbeit, den niemand vermisst. Was bleibt, ist der Teil mit Entscheidungsgehalt: prüfen, bewerten, mit dem Kunden klären. Für die Akzeptanz ist entscheidend, dass das Institut genau so kommuniziert: Die Triage nimmt Fleißarbeit ab, sie misst niemanden an einer Maschine. Institute, die den Prüfkorb mit erfahrenen Mitarbeitenden besetzen, gewinnen doppelt, denn deren Rückmeldungen verbessern das Modell, und das Team behält die Kontrolle.

Vier Schritte für das Management

1. Einen Postkorb auswählen mit hohem Volumen und klarer Zielstruktur.

2. Die Ausgangswerte messen: Volumen, Sichtungszeit je Vorgang und Fehlleitungsquote.

3. Den Betriebsort festlegen, lokal oder beim Verbund-Dienstleister, passend zum Schutzbedarf der Daten.

4. Schwellwert und Prüfkorb definieren und mit erfahrenen Mitarbeitenden besetzen, bevor scharf geschaltet wird.

Häufige Fragen

Beantwortet die KI die E-Mails selbst?
Im ersten Schritt nicht. Die KI erkennt, extrahiert und verteilt. Automatische Antworten sind eine spätere, gesondert geprüfte Ausbaustufe.

Was passiert mit unklaren Fällen?
Unterhalb eines festgelegten Schwellwerts gehen Vorgänge in einen Prüfkorb und werden von Menschen zugeordnet. Diese Korrekturen verbessern das Modell.

Braucht es dafür Eingriffe ins Kernbanksystem?
Nein. Die Triage arbeitet vor dem Fachverfahren und übergibt über bestehende Schnittstellen oder Postkörbe.

Weitere Beiträge zu Posteingang, Extraktion und Dunkelverarbeitung bündelt das Dossier Eingangs- & Dokumentenverarbeitung.

Welcher Postkorb im eigenen Institut die meisten Bearbeitungsstunden für reines Sortieren bindet, lässt sich in wenigen Wochen herausfinden. Wir freuen uns über ein erstes Gespräch zu diesem Thema.