Sechs Fragen entscheiden über ein KI-Projekt, bevor die Technik beginnt

Jedes Finanzunternehmen will ein KI-Projekt. Die meisten starten mit der Technik und scheitern an der Vorbereitung. Ein KI-Projekt im Finanzsektor entscheidet sich vor der ersten Zeile Code an sechs Fragen: Nutzen, Regulatorik, Kompetenz, Daten, Verantwortung und Skalierung.

Lohnt sich der Anwendungsfall überhaupt?

Der häufigste Fehler ist der Start beim Werkzeug statt beim Nutzen. Ein KI-Projekt lohnt sich, wenn es einen messbaren, wiederkehrenden Aufwand senkt oder einen Ertrag hebt, der ohne KI unerreichbar bleibt. Laut dem Global Banking Annual Review 2025 von McKinsey liegt das Kostensenkungspotenzial durch KI-Agenten bei 15 bis 20 Prozent, vor allem im Kundenservice, im Risikomanagement und in der Bekämpfung von Finanzkriminalität. Wer keinen konkreten Prozess mit klarer Kennzahl benennen kann, hat noch keinen Anwendungsfall, sondern eine Idee.

Fällt das System unter die Hochrisiko-Regeln des EU AI Act?

Diese Frage entscheidet über den gesamten Aufwand. Die Kreditwürdigkeitsprüfung zählt nach Anhang III des EU AI Act zu den Hochrisiko-Anwendungen. Der Digital Omnibus hat die Pflichten für diese Systeme auf den 2. Dezember 2027 verschoben, abgeschafft hat er sie nicht. Wer ein solches System plant, muss die Anforderungen von Anfang an mitdenken, statt sie später teuer nachzurüsten.

Haben unsere Leute die vorgeschriebene KI-Kompetenz?

Seit Februar 2025 verlangt Artikel 4 des EU AI Act, dass Anbieter und Betreiber für ein ausreichendes Maß an KI-Kompetenz ihrer Mitarbeiter sorgen. Diese Pflicht gilt unabhängig von der Risikoklasse des Systems. Ein KI-Projekt ohne begleitende Befähigung ist damit nicht nur riskant, sondern regelwidrig. Kompetenz ist kein Nebenprodukt des Projekts, sie ist eine Voraussetzung.

Woher kommt die Datenqualität?

Ein KI-System ist nur so gut wie die Daten, auf denen es arbeitet. Im Finanzsektor scheitern Projekte selten am Modell und oft an verstreuten, unvollständigen oder widersprüchlichen Stammdaten. Vor dem Projekt steht deshalb die ehrliche Bestandsaufnahme: Liegen die Daten in ausreichender Qualität vor, und dürfen sie für diesen Zweck genutzt werden?

Die Antwort verlangt einen Blick in die eigenen Systeme, nicht in eine Präsentation. Wer die Datenqualität erst im laufenden Projekt entdeckt, zahlt doppelt: einmal für das Modell und einmal für die nachträgliche Bereinigung. Datenarbeit ist keine Vorstufe des KI-Projekts, sie ist sein Fundament.

Wer verantwortet das Ergebnis?

KI trifft keine Entscheidung, sie schlägt eine vor. Die Verantwortung bleibt bei einem Menschen und muss vor dem Start klar zugeordnet sein. Wer gibt frei, wer prüft, wer haftet bei einem Fehler? Ein Projekt, das diese Frage offen lässt, produziert Ergebnisse, die niemand verantwortet, und genau das fällt in der nächsten Prüfung auf.

Skaliert der Fall über den Piloten hinaus?

Viele KI-Projekte glänzen im Piloten und verhungern im Betrieb. Die entscheidende Frage lautet nicht, ob der Fall im Labor funktioniert, sondern ob er in den Alltag von hunderten Vorgängen passt. Ein Pilot, der nur unter Idealbedingungen läuft, ist kein Beweis, sondern eine Hoffnung. Wie sich Prozessautomatisierung in der Finanzbranche tragfähig aufsetzt, zeigt der Beitrag zur Prozessautomatisierung in der Finanzbranche.

Der Einstieg: erst die sechs Fragen, dann die Technik

Wer diese sechs Fragen ehrlich beantwortet, hat die Hälfte des Projekts erledigt, bevor die erste Software ausgewählt ist. Die Fragen trennen den tragfähigen Anwendungsfall von der teuren Spielerei. Welche Rolle Governance dabei spielt, ordnet der Beitrag zu Low-Code, No-Code und Governance in Finanzprozessen ein.

Eine kompakte Standortbestimmung geht die sechs Fragen für einen konkreten Anwendungsfall durch und sagt am Ende klar, ob er startreif ist oder wo er nachgeschärft werden muss. Das ist der günstigste Weg, ein KI-Projekt vor dem teuersten Fehler zu bewahren, dem Start ohne Vorbereitung.

Hinweis: Das Titelbild wurde mit KI generiert.