Insight
KI-Readiness: In 20 Minuten prüfen, ob das eigene Institut bereit ist
Ob ein Finanzinstitut für KI bereit ist, zeigen drei Voraussetzungen: klare Prozesse, gute Daten und gemeinsame Priorität im Management.
Geschäftsmodell und Innovation
6 min Lesezeit
Kernaussage
Bereitschaft für KI zeigt sich an klaren Prozessen, belastbaren Daten und einem Management mit gemeinsamer Priorität. Wer diese Grundlagen überspringt, automatisiert vor allem die eigene Unordnung.

Die wichtigsten Erkenntnisse
Readiness ist ein Zustand, kein Gefühl
Drei Faktoren zählen: Prozesse, Daten, Management
Reihenfolge der Prüfung ist nicht beliebig
Alle sind bereit. Keiner ist vorbereitet.
In vielen Gesprächen mit Führungskräften aus dem Finanzsektor fällt derselbe Satz: „Auf KI sind wir gut vorbereitet.“ Manchmal stimmt das. Häufig nicht. Der Unterschied liegt selten im Willen und selten in der Technik, sondern in drei Voraussetzungen, die sich mit wenigen ehrlichen Fragen prüfen lassen.
Ob ein Finanzinstitut für KI bereit ist, entscheidet sich an Prozessklarheit, Datenqualität und einem Management, das gemeinsam priorisiert. Fehlt eine dieser drei Voraussetzungen, automatisiert KI vor allem die eigene Unordnung, ganz gleich, wie modern die eingekauften Tools sind.
Was zeigen Studien über die KI-Reife deutscher Finanzinstitute?
Verbreitung ja, Verankerung selten. In der Studie „KI in Banken 2025“ von Cofinpro und VÖB-Service mit 317 befragten Fachleuten aus deutschen Kreditinstituten arbeiten 78 Prozent der Institute mit KI. In der Unternehmensstrategie verankert haben sie aber nur 48 Prozent, in der IT-Strategie 58 Prozent. 70 Prozent beschreiben ihre KI-Projekte überwiegend als isolierte Einzelinitiativen. Fehlendes Budget nennen nur 19 Prozent der Institute ohne KI-Anwendungen als Hindernis; die Studie sieht die eigentlichen Engpässe in Strategie, Kultur und Know-how.
Bei der Datenbasis wird es konkret. In der Umfrage „Finanzdienstleistungen und Versicherungen 2025“ von Dun & Bradstreet unter rund 500 Unternehmen in Deutschland und der Schweiz geben in Deutschland 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer an, bereits KI-Projekte gehabt zu haben, die an schlechter Datenqualität gescheitert sind. Nur 39 Prozent der Finanzdienstleister und 33 Prozent der Versicherer fühlen sich in der Lage, auf Basis ihrer aktuellen Daten verlässlich zu entscheiden.

Voraussetzung eins: Prozessklarheit
KI automatisiert und skaliert, was bereits existiert. Ein unklarer Prozess wird durch KI nicht klarer, er wird schneller falsch. Wird ein Ablauf von Abteilung zu Abteilung anders gehandhabt, je nach Erfahrung der Bearbeiterin, gibt es keinen Prozess, der sich automatisieren ließe, sondern viele inoffizielle Varianten.
Der Test ist einfach: Lassen sich die drei kritischsten operativen Abläufe so beschreiben, dass eine neue Mitarbeiterin sie am ersten Tag eigenständig durchführen könnte? Falls nicht, ist Prozessklarheit das nächste Projekt, nicht KI. Diese Vorarbeit wirkt unspektakulär, entscheidet aber darüber, ob ein KI-System später Routine abnimmt oder neue Sonderfälle produziert. Das gilt umso mehr, wenn nicht nur ein Assistent antwortet, sondern ein Agent in der Marktfolge Vorgänge selbst übernimmt.
Voraussetzung zwei: Datenqualität
KI ist so gut wie die Daten, die sie verarbeitet. Nicht die Menge entscheidet, sondern die Qualität. Die Zahlen von Dun & Bradstreet zeigen, dass gescheiterte KI-Projekte wegen schlechter Daten keine Randerscheinung sind, bei Versicherern noch deutlicher als bei Banken.
Die ehrliche Selbstprüfung: Lässt sich ein einziger, belastbarer Bericht zu den wichtigsten Geschäftskennzahlen ziehen, ohne dass jemand Daten manuell zusammenführt? Falls nicht, liegt kein KI-Problem vor, sondern ein Datenproblem, und das wird zuerst gelöst. Wer die Datenbasis überspringt, merkt es erst, wenn das Modell im Echtbetrieb an Ausnahmen scheitert, die in den sauberen Pilotdaten nicht vorkamen.
Voraussetzung drei: ein Management mit gemeinsamer Priorität
KI-Transformation erfordert Entscheidungen, die quer durch Bereiche gehen: Priorisierungen, die wehtun, und ein Mandat, das hält, wenn der erste Widerstand kommt. Genau daran fehlt es häufiger als an Technik oder Budget. Wie diese Engpässe konkret aussehen, zeigen die drei häufigsten Fehler bei der KI-Strategie.
Gemeinsame Priorität heißt nicht, dass alle einer Meinung sind. Sie heißt, dass eine Person die Verantwortung trägt, dass es ein gemeinsames Zielbild gibt und dass Konflikte zwischen Bereichen entschieden statt vertagt werden. Ziehen zwei Ressorts unausgesprochen in unterschiedliche Richtungen, versandet jedes KI-Vorhaben in Abstimmungsrunden, egal wie gut die Technik ist.
Was KI-Readiness nicht ist
Readiness ist nicht der Besitz einer Lizenz und nicht die Existenz einer Innovationsabteilung. Ein Institut kann jedes moderne Tool gekauft haben und trotzdem nicht bereit sein, weil Prozesse unklar, Daten unzuverlässig und Prioritäten uneinig sind. Umgekehrt kann ein Institut mit bescheidener Technik sehr bereit sein, wenn die drei Voraussetzungen sitzen. Bereitschaft ist ein organisatorischer Zustand, kein Einkaufsbeleg. Auch eine Reihe von Workshops ersetzt sie nicht; warum KI-Workshops oft nichts verändern, zeigt ein eigener Beitrag.
Warum ist die Reihenfolge der Voraussetzungen nicht beliebig?
Weil sie aufeinander aufbauen. Werden Daten aus unklaren Prozessen gesammelt, sind sie unzuverlässig. Ein Modell auf unzuverlässigen Daten liefert Ergebnisse, denen niemand traut. Und ohne ein Management, das wehtuende Priorisierungen durchsetzt, bleibt selbst die beste technische Vorbereitung im Abstimmungsstau stecken.
Reihenfolge schlägt Tempo. Wer erst die Prozesse klärt, dann die Daten ordnet und parallel die Verantwortung festlegt, kommt langsamer los, aber deutlich weiter. Wer die Reihenfolge ignoriert und sofort ein Tool einkauft, ist schnell beschäftigt und selten erfolgreich. Welche Anwendungsfälle danach wirklich zählen, beschreibt der Beitrag zur Auswahl von KI-Anwendungsfällen.

Wie sieht eine KI-Diagnose in 20 Minuten aus?
Drei Fragen reichen für eine erste Standortbestimmung, am besten in einer Runde von Bereichsleitungen beantwortet statt allein:
Prozesse: Sind die wichtigsten Abläufe so klar, dass sie sich aufschreiben lassen, und stimmt die Beschreibung mit der Praxis überein?
Daten: Ist das Vertrauen in die eigenen Daten groß genug, um Entscheidungen darauf zu stützen?
Management: Gibt es eine Person, die KI-Entscheidungen über Bereichsgrenzen hinweg durchsetzen darf?
Drei klare Ja bedeuten Bereitschaft. Unterschiedliche Antworten am Tisch sind selbst ein Befund: Sie zeigen, wo die Baustelle liegt, und das ist mehr wert als jede optimistische Selbsteinschätzung.
Was das Management jetzt anstoßen sollte
Die Drei-Fragen-Diagnose durchführen: mit den Bereichsleitungen gemeinsam, Antworten getrennt erheben und dann vergleichen.
Drei kritische Prozesse beschreiben lassen: so, dass eine neue Mitarbeiterin sie am ersten Tag durchführen könnte.
Einen Kennzahlenbericht ohne Handarbeit testen: zeigt sofort, wie belastbar die Datenbasis ist.
Eine verantwortliche Person für KI benennen: mit Mandat über Bereichsgrenzen und eigenem Budget.
Den ersten Anwendungsfall erst danach wählen: dort, wo Prozess und Daten bereits tragen.
Häufige Fragen
Woran erkennt ein Finanzinstitut, ob es für KI bereit ist?
An drei Voraussetzungen: klar beschriebenen Prozessen, Daten, auf die sich Entscheidungen stützen lassen, und einem Management mit gemeinsamer Priorität und einer verantwortlichen Person.
Ist fehlendes Budget das größte Hindernis für KI?
Selten. In der Studie „KI in Banken 2025“ nennen nur 19 Prozent der Institute ohne KI-Anwendungen fehlendes Budget als Hindernis; als Engpässe gelten Strategie, Kultur und Know-how.
Was ist zu tun, wenn die Datenqualität nicht reicht?
Zuerst die Daten für einen klar abgegrenzten Prozess in Ordnung bringen und den ersten Anwendungsfall so wählen, dass er mit dieser Datenbasis funktioniert.
Weitere Beiträge zu Strategie, Plattformen und Steuerung von KI bündelt das Dossier KI-Strategie & Plattformen.
Wie bereit ein Institut für KI ist, zeigt sich oft schon daran, ob drei Bereichsleitungen die drei Fragen gleich beantworten. Wir freuen uns über ein erstes Gespräch zu diesem Thema.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
Readiness ist ein Zustand, kein Gefühl
Drei Faktoren zählen: Prozesse, Daten, Management
Reihenfolge der Prüfung ist nicht beliebig
Alle sind bereit. Keiner ist vorbereitet.
In vielen Gesprächen mit Führungskräften aus dem Finanzsektor fällt derselbe Satz: „Auf KI sind wir gut vorbereitet.“ Manchmal stimmt das. Häufig nicht. Der Unterschied liegt selten im Willen und selten in der Technik, sondern in drei Voraussetzungen, die sich mit wenigen ehrlichen Fragen prüfen lassen.
Ob ein Finanzinstitut für KI bereit ist, entscheidet sich an Prozessklarheit, Datenqualität und einem Management, das gemeinsam priorisiert. Fehlt eine dieser drei Voraussetzungen, automatisiert KI vor allem die eigene Unordnung, ganz gleich, wie modern die eingekauften Tools sind.
Was zeigen Studien über die KI-Reife deutscher Finanzinstitute?
Verbreitung ja, Verankerung selten. In der Studie „KI in Banken 2025“ von Cofinpro und VÖB-Service mit 317 befragten Fachleuten aus deutschen Kreditinstituten arbeiten 78 Prozent der Institute mit KI. In der Unternehmensstrategie verankert haben sie aber nur 48 Prozent, in der IT-Strategie 58 Prozent. 70 Prozent beschreiben ihre KI-Projekte überwiegend als isolierte Einzelinitiativen. Fehlendes Budget nennen nur 19 Prozent der Institute ohne KI-Anwendungen als Hindernis; die Studie sieht die eigentlichen Engpässe in Strategie, Kultur und Know-how.
Bei der Datenbasis wird es konkret. In der Umfrage „Finanzdienstleistungen und Versicherungen 2025“ von Dun & Bradstreet unter rund 500 Unternehmen in Deutschland und der Schweiz geben in Deutschland 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer an, bereits KI-Projekte gehabt zu haben, die an schlechter Datenqualität gescheitert sind. Nur 39 Prozent der Finanzdienstleister und 33 Prozent der Versicherer fühlen sich in der Lage, auf Basis ihrer aktuellen Daten verlässlich zu entscheiden.

Voraussetzung eins: Prozessklarheit
KI automatisiert und skaliert, was bereits existiert. Ein unklarer Prozess wird durch KI nicht klarer, er wird schneller falsch. Wird ein Ablauf von Abteilung zu Abteilung anders gehandhabt, je nach Erfahrung der Bearbeiterin, gibt es keinen Prozess, der sich automatisieren ließe, sondern viele inoffizielle Varianten.
Der Test ist einfach: Lassen sich die drei kritischsten operativen Abläufe so beschreiben, dass eine neue Mitarbeiterin sie am ersten Tag eigenständig durchführen könnte? Falls nicht, ist Prozessklarheit das nächste Projekt, nicht KI. Diese Vorarbeit wirkt unspektakulär, entscheidet aber darüber, ob ein KI-System später Routine abnimmt oder neue Sonderfälle produziert. Das gilt umso mehr, wenn nicht nur ein Assistent antwortet, sondern ein Agent in der Marktfolge Vorgänge selbst übernimmt.
Voraussetzung zwei: Datenqualität
KI ist so gut wie die Daten, die sie verarbeitet. Nicht die Menge entscheidet, sondern die Qualität. Die Zahlen von Dun & Bradstreet zeigen, dass gescheiterte KI-Projekte wegen schlechter Daten keine Randerscheinung sind, bei Versicherern noch deutlicher als bei Banken.
Die ehrliche Selbstprüfung: Lässt sich ein einziger, belastbarer Bericht zu den wichtigsten Geschäftskennzahlen ziehen, ohne dass jemand Daten manuell zusammenführt? Falls nicht, liegt kein KI-Problem vor, sondern ein Datenproblem, und das wird zuerst gelöst. Wer die Datenbasis überspringt, merkt es erst, wenn das Modell im Echtbetrieb an Ausnahmen scheitert, die in den sauberen Pilotdaten nicht vorkamen.
Voraussetzung drei: ein Management mit gemeinsamer Priorität
KI-Transformation erfordert Entscheidungen, die quer durch Bereiche gehen: Priorisierungen, die wehtun, und ein Mandat, das hält, wenn der erste Widerstand kommt. Genau daran fehlt es häufiger als an Technik oder Budget. Wie diese Engpässe konkret aussehen, zeigen die drei häufigsten Fehler bei der KI-Strategie.
Gemeinsame Priorität heißt nicht, dass alle einer Meinung sind. Sie heißt, dass eine Person die Verantwortung trägt, dass es ein gemeinsames Zielbild gibt und dass Konflikte zwischen Bereichen entschieden statt vertagt werden. Ziehen zwei Ressorts unausgesprochen in unterschiedliche Richtungen, versandet jedes KI-Vorhaben in Abstimmungsrunden, egal wie gut die Technik ist.
Was KI-Readiness nicht ist
Readiness ist nicht der Besitz einer Lizenz und nicht die Existenz einer Innovationsabteilung. Ein Institut kann jedes moderne Tool gekauft haben und trotzdem nicht bereit sein, weil Prozesse unklar, Daten unzuverlässig und Prioritäten uneinig sind. Umgekehrt kann ein Institut mit bescheidener Technik sehr bereit sein, wenn die drei Voraussetzungen sitzen. Bereitschaft ist ein organisatorischer Zustand, kein Einkaufsbeleg. Auch eine Reihe von Workshops ersetzt sie nicht; warum KI-Workshops oft nichts verändern, zeigt ein eigener Beitrag.
Warum ist die Reihenfolge der Voraussetzungen nicht beliebig?
Weil sie aufeinander aufbauen. Werden Daten aus unklaren Prozessen gesammelt, sind sie unzuverlässig. Ein Modell auf unzuverlässigen Daten liefert Ergebnisse, denen niemand traut. Und ohne ein Management, das wehtuende Priorisierungen durchsetzt, bleibt selbst die beste technische Vorbereitung im Abstimmungsstau stecken.
Reihenfolge schlägt Tempo. Wer erst die Prozesse klärt, dann die Daten ordnet und parallel die Verantwortung festlegt, kommt langsamer los, aber deutlich weiter. Wer die Reihenfolge ignoriert und sofort ein Tool einkauft, ist schnell beschäftigt und selten erfolgreich. Welche Anwendungsfälle danach wirklich zählen, beschreibt der Beitrag zur Auswahl von KI-Anwendungsfällen.

Wie sieht eine KI-Diagnose in 20 Minuten aus?
Drei Fragen reichen für eine erste Standortbestimmung, am besten in einer Runde von Bereichsleitungen beantwortet statt allein:
Prozesse: Sind die wichtigsten Abläufe so klar, dass sie sich aufschreiben lassen, und stimmt die Beschreibung mit der Praxis überein?
Daten: Ist das Vertrauen in die eigenen Daten groß genug, um Entscheidungen darauf zu stützen?
Management: Gibt es eine Person, die KI-Entscheidungen über Bereichsgrenzen hinweg durchsetzen darf?
Drei klare Ja bedeuten Bereitschaft. Unterschiedliche Antworten am Tisch sind selbst ein Befund: Sie zeigen, wo die Baustelle liegt, und das ist mehr wert als jede optimistische Selbsteinschätzung.
Was das Management jetzt anstoßen sollte
Die Drei-Fragen-Diagnose durchführen: mit den Bereichsleitungen gemeinsam, Antworten getrennt erheben und dann vergleichen.
Drei kritische Prozesse beschreiben lassen: so, dass eine neue Mitarbeiterin sie am ersten Tag durchführen könnte.
Einen Kennzahlenbericht ohne Handarbeit testen: zeigt sofort, wie belastbar die Datenbasis ist.
Eine verantwortliche Person für KI benennen: mit Mandat über Bereichsgrenzen und eigenem Budget.
Den ersten Anwendungsfall erst danach wählen: dort, wo Prozess und Daten bereits tragen.
Häufige Fragen
Woran erkennt ein Finanzinstitut, ob es für KI bereit ist?
An drei Voraussetzungen: klar beschriebenen Prozessen, Daten, auf die sich Entscheidungen stützen lassen, und einem Management mit gemeinsamer Priorität und einer verantwortlichen Person.
Ist fehlendes Budget das größte Hindernis für KI?
Selten. In der Studie „KI in Banken 2025“ nennen nur 19 Prozent der Institute ohne KI-Anwendungen fehlendes Budget als Hindernis; als Engpässe gelten Strategie, Kultur und Know-how.
Was ist zu tun, wenn die Datenqualität nicht reicht?
Zuerst die Daten für einen klar abgegrenzten Prozess in Ordnung bringen und den ersten Anwendungsfall so wählen, dass er mit dieser Datenbasis funktioniert.
Weitere Beiträge zu Strategie, Plattformen und Steuerung von KI bündelt das Dossier KI-Strategie & Plattformen.
Wie bereit ein Institut für KI ist, zeigt sich oft schon daran, ob drei Bereichsleitungen die drei Fragen gleich beantworten. Wir freuen uns über ein erstes Gespräch zu diesem Thema.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
Readiness ist ein Zustand, kein Gefühl
Drei Faktoren zählen: Prozesse, Daten, Management
Reihenfolge der Prüfung ist nicht beliebig
Alle sind bereit. Keiner ist vorbereitet.
In vielen Gesprächen mit Führungskräften aus dem Finanzsektor fällt derselbe Satz: „Auf KI sind wir gut vorbereitet.“ Manchmal stimmt das. Häufig nicht. Der Unterschied liegt selten im Willen und selten in der Technik, sondern in drei Voraussetzungen, die sich mit wenigen ehrlichen Fragen prüfen lassen.
Ob ein Finanzinstitut für KI bereit ist, entscheidet sich an Prozessklarheit, Datenqualität und einem Management, das gemeinsam priorisiert. Fehlt eine dieser drei Voraussetzungen, automatisiert KI vor allem die eigene Unordnung, ganz gleich, wie modern die eingekauften Tools sind.
Was zeigen Studien über die KI-Reife deutscher Finanzinstitute?
Verbreitung ja, Verankerung selten. In der Studie „KI in Banken 2025“ von Cofinpro und VÖB-Service mit 317 befragten Fachleuten aus deutschen Kreditinstituten arbeiten 78 Prozent der Institute mit KI. In der Unternehmensstrategie verankert haben sie aber nur 48 Prozent, in der IT-Strategie 58 Prozent. 70 Prozent beschreiben ihre KI-Projekte überwiegend als isolierte Einzelinitiativen. Fehlendes Budget nennen nur 19 Prozent der Institute ohne KI-Anwendungen als Hindernis; die Studie sieht die eigentlichen Engpässe in Strategie, Kultur und Know-how.
Bei der Datenbasis wird es konkret. In der Umfrage „Finanzdienstleistungen und Versicherungen 2025“ von Dun & Bradstreet unter rund 500 Unternehmen in Deutschland und der Schweiz geben in Deutschland 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer an, bereits KI-Projekte gehabt zu haben, die an schlechter Datenqualität gescheitert sind. Nur 39 Prozent der Finanzdienstleister und 33 Prozent der Versicherer fühlen sich in der Lage, auf Basis ihrer aktuellen Daten verlässlich zu entscheiden.

Voraussetzung eins: Prozessklarheit
KI automatisiert und skaliert, was bereits existiert. Ein unklarer Prozess wird durch KI nicht klarer, er wird schneller falsch. Wird ein Ablauf von Abteilung zu Abteilung anders gehandhabt, je nach Erfahrung der Bearbeiterin, gibt es keinen Prozess, der sich automatisieren ließe, sondern viele inoffizielle Varianten.
Der Test ist einfach: Lassen sich die drei kritischsten operativen Abläufe so beschreiben, dass eine neue Mitarbeiterin sie am ersten Tag eigenständig durchführen könnte? Falls nicht, ist Prozessklarheit das nächste Projekt, nicht KI. Diese Vorarbeit wirkt unspektakulär, entscheidet aber darüber, ob ein KI-System später Routine abnimmt oder neue Sonderfälle produziert. Das gilt umso mehr, wenn nicht nur ein Assistent antwortet, sondern ein Agent in der Marktfolge Vorgänge selbst übernimmt.
Voraussetzung zwei: Datenqualität
KI ist so gut wie die Daten, die sie verarbeitet. Nicht die Menge entscheidet, sondern die Qualität. Die Zahlen von Dun & Bradstreet zeigen, dass gescheiterte KI-Projekte wegen schlechter Daten keine Randerscheinung sind, bei Versicherern noch deutlicher als bei Banken.
Die ehrliche Selbstprüfung: Lässt sich ein einziger, belastbarer Bericht zu den wichtigsten Geschäftskennzahlen ziehen, ohne dass jemand Daten manuell zusammenführt? Falls nicht, liegt kein KI-Problem vor, sondern ein Datenproblem, und das wird zuerst gelöst. Wer die Datenbasis überspringt, merkt es erst, wenn das Modell im Echtbetrieb an Ausnahmen scheitert, die in den sauberen Pilotdaten nicht vorkamen.
Voraussetzung drei: ein Management mit gemeinsamer Priorität
KI-Transformation erfordert Entscheidungen, die quer durch Bereiche gehen: Priorisierungen, die wehtun, und ein Mandat, das hält, wenn der erste Widerstand kommt. Genau daran fehlt es häufiger als an Technik oder Budget. Wie diese Engpässe konkret aussehen, zeigen die drei häufigsten Fehler bei der KI-Strategie.
Gemeinsame Priorität heißt nicht, dass alle einer Meinung sind. Sie heißt, dass eine Person die Verantwortung trägt, dass es ein gemeinsames Zielbild gibt und dass Konflikte zwischen Bereichen entschieden statt vertagt werden. Ziehen zwei Ressorts unausgesprochen in unterschiedliche Richtungen, versandet jedes KI-Vorhaben in Abstimmungsrunden, egal wie gut die Technik ist.
Was KI-Readiness nicht ist
Readiness ist nicht der Besitz einer Lizenz und nicht die Existenz einer Innovationsabteilung. Ein Institut kann jedes moderne Tool gekauft haben und trotzdem nicht bereit sein, weil Prozesse unklar, Daten unzuverlässig und Prioritäten uneinig sind. Umgekehrt kann ein Institut mit bescheidener Technik sehr bereit sein, wenn die drei Voraussetzungen sitzen. Bereitschaft ist ein organisatorischer Zustand, kein Einkaufsbeleg. Auch eine Reihe von Workshops ersetzt sie nicht; warum KI-Workshops oft nichts verändern, zeigt ein eigener Beitrag.
Warum ist die Reihenfolge der Voraussetzungen nicht beliebig?
Weil sie aufeinander aufbauen. Werden Daten aus unklaren Prozessen gesammelt, sind sie unzuverlässig. Ein Modell auf unzuverlässigen Daten liefert Ergebnisse, denen niemand traut. Und ohne ein Management, das wehtuende Priorisierungen durchsetzt, bleibt selbst die beste technische Vorbereitung im Abstimmungsstau stecken.
Reihenfolge schlägt Tempo. Wer erst die Prozesse klärt, dann die Daten ordnet und parallel die Verantwortung festlegt, kommt langsamer los, aber deutlich weiter. Wer die Reihenfolge ignoriert und sofort ein Tool einkauft, ist schnell beschäftigt und selten erfolgreich. Welche Anwendungsfälle danach wirklich zählen, beschreibt der Beitrag zur Auswahl von KI-Anwendungsfällen.

Wie sieht eine KI-Diagnose in 20 Minuten aus?
Drei Fragen reichen für eine erste Standortbestimmung, am besten in einer Runde von Bereichsleitungen beantwortet statt allein:
Prozesse: Sind die wichtigsten Abläufe so klar, dass sie sich aufschreiben lassen, und stimmt die Beschreibung mit der Praxis überein?
Daten: Ist das Vertrauen in die eigenen Daten groß genug, um Entscheidungen darauf zu stützen?
Management: Gibt es eine Person, die KI-Entscheidungen über Bereichsgrenzen hinweg durchsetzen darf?
Drei klare Ja bedeuten Bereitschaft. Unterschiedliche Antworten am Tisch sind selbst ein Befund: Sie zeigen, wo die Baustelle liegt, und das ist mehr wert als jede optimistische Selbsteinschätzung.
Was das Management jetzt anstoßen sollte
Die Drei-Fragen-Diagnose durchführen: mit den Bereichsleitungen gemeinsam, Antworten getrennt erheben und dann vergleichen.
Drei kritische Prozesse beschreiben lassen: so, dass eine neue Mitarbeiterin sie am ersten Tag durchführen könnte.
Einen Kennzahlenbericht ohne Handarbeit testen: zeigt sofort, wie belastbar die Datenbasis ist.
Eine verantwortliche Person für KI benennen: mit Mandat über Bereichsgrenzen und eigenem Budget.
Den ersten Anwendungsfall erst danach wählen: dort, wo Prozess und Daten bereits tragen.
Häufige Fragen
Woran erkennt ein Finanzinstitut, ob es für KI bereit ist?
An drei Voraussetzungen: klar beschriebenen Prozessen, Daten, auf die sich Entscheidungen stützen lassen, und einem Management mit gemeinsamer Priorität und einer verantwortlichen Person.
Ist fehlendes Budget das größte Hindernis für KI?
Selten. In der Studie „KI in Banken 2025“ nennen nur 19 Prozent der Institute ohne KI-Anwendungen fehlendes Budget als Hindernis; als Engpässe gelten Strategie, Kultur und Know-how.
Was ist zu tun, wenn die Datenqualität nicht reicht?
Zuerst die Daten für einen klar abgegrenzten Prozess in Ordnung bringen und den ersten Anwendungsfall so wählen, dass er mit dieser Datenbasis funktioniert.
Weitere Beiträge zu Strategie, Plattformen und Steuerung von KI bündelt das Dossier KI-Strategie & Plattformen.
Wie bereit ein Institut für KI ist, zeigt sich oft schon daran, ob drei Bereichsleitungen die drei Fragen gleich beantworten. Wir freuen uns über ein erstes Gespräch zu diesem Thema.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.




